Voraussetzung für die Kursteilnahme ist die Kenntnis der Inhalte von "Methoden der Ökonometrie"/"Econometric Methods" (oder alternativ von "Multivariate Verfahren").
Dies umfasst eine detaillierte Kenntnis des multiplen linearen Regressionsmodells für Querschnittsdaten (OLS-Schätzung, Tests sowie entsprechende zugrundeliegende Annahmen, Projektionsmatrizen) sowie solide Kenntnisse im Umgang mit der Statistiksoftware R (falls keine oder nur geringe Kenntnisse in R vorliegen ist der erfolgreiche Besuch des Kurses auch möglich, erfordert jedoch mehr Arbeitsaufwand).
Kenntnisse von Modellen für Zeitreihendaten sind hilfreich, werden jedoch nicht vorausgesetzt.

Interaktiver Frontalunterricht,
Diskussion von Lehrinhalten,
Vermittlung der theoretischen Grundlagen und Illustration mit Beispielen. Vertiefung durch Übungsaufgaben und Computerübungen.

In der dazugehörigen Übung (35611) werden Übungsaufgaben besprochen.

Die Veranstaltungsnote ergibt sich zu 100% aus der Klausur (60 Minuten) bzw. der häuslichen Leistungsfeststellung am Semesterende.

2

Paneldaten, Regression, Tests, Vorhersage.

Basisliteratur (andere Auflagen dieser Bücher sind ebenfalls verwendbar):

• Wooldridge, J.M. (2008), Introductory Econometrics, Thomson South-Western.
• Stock, J.H. und M.W. Watson (2007), Introduction to Econometrics, Pearson.
• Greene, W.H. (2012), Econometric Analysis, 7A., Pearson.

Weiterführende Literatur:

• Baltagi, B.H. (2013), Econometric Analysis of Panel Data, 5A., Wiley.
• Wooldridge, J. (2002), Econometric Analysis of Cross Section and Panel Data, MIT Press.
• Arellano, M. (2004), Panel Data Econometrics, Oxford University Press.
• Angrist, J.D. und J.-S. Pischke (2009), Mostly Harmless Econometrics, Princeton University Press.

jedes Sommersemester

Ziel des Kurses ist, dass die Studierenden ein vertieftes Verständnis für die Anwendbarkeit verschiedener regressionsanalytischer Schätzverfahren im Paneldatenkontext erhalten. Das beinhaltet ein Verständnis für die Interpretation der Verfahren sowie der zugrundeliegenden Annahmen.

Vorlesung 2 SWS (30 h Präsenzzeit, 45 h Eigenarbeitszeit)
Übung 2 SWS (30 h Präsenzzeit, 45 h Eigenarbeitszeit)

Die Theorie wird auch anhand von Beispielen in der Statistiksoftware R illustriert.

5