Der erste Teil dieser Arbeit beschäftigt sich mit den Modellannahmen der Kleinst-Quadrate-Schätzung. Multikollinearität als Annahmeverletzung sowie deren Diagnosemöglichkeiten und Konsequenzen für das Schätzergebnis werden untersucht. Das Ridge-Schätzverfahren bietet Möglichkeiten, die durch Multikollinearität auftretenden Nachteile zu vermindern. Verschiedene Ridge-Verfahren werden vorgestellt. Danach werden mittels der Software R verschiedene Daten mit künstlicher Multikollinearität simuliert. Unter dreistuger Variation fünf verschiedener Modellparameter werden die Ridge-Schätzer auf ihre Güte untersucht. Der beste Ridge-Schätzer wird ermittelt. Im letzten Teil der Arbeit wird der optimale Komplexitätsparameter berechnet. Ein unerwartetes Untersuchungsergebnis ist der Nachweis der Existenz negativer optimaler Komplexitätsparameter bei der Ridge-Schätzung in R.
Inhaltsverzeichnis
1. Einführung
2. Theoretische Grundlagen
2.1. Modellannahmen
2.2. Multikollinearität
2.2.1. Arten der Multikollinearität
2.2.2. Diagnose
2.3. Ridge-Schätzung
2.4. Ridge-Schätzer
2.4.1. Subjektive Schätzer
2.4.2. Objektive Schätzer
3. Simulation
3.1. Modell
3.2. Durchführung
3.2.1. Variation der Stichprobengröße
3.2.2. Variation der Variablenanzahl
3.2.3. Variation der Korrelationsstärke
3.2.4. Variation des Korrelationsfaktors
3.2.5. Variation der wahren Parameter
3.3. Auswertung
4. Der optimale Komplexitätsparameter
4.1. Durchführung
4.1.1. Variation der Stichprobengröße
4.1.2. Variation der Variablenanzahl
4.1.3. Variation der Korrelationsstärke
4.1.4. Variation des Korrelationsfaktors
4.1.5. Variation der wahren Parameter
4.2. Auswertung
5. Zusammenfassung
A. R-Code
Zielsetzung und thematische Schwerpunkte
Die Arbeit analysiert die Problematik der Multikollinearität in ökonometrischen Modellen und untersucht verschiedene Ansätze zur Stabilisierung der Kleinst-Quadrate-Schätzung durch das Ridge-Schätzverfahren, insbesondere mit dem Fokus auf der Bestimmung des optimalen Komplexitätsparameters.
- Formulierung und theoretische Fundierung des multiplen linearen Regressionsmodells.
- Diagnose und Identifikation von Multikollinearität mittels verschiedener Indikatoren.
- Vergleich subjektiver und objektiver Verfahren zur Schätzung des Komplexitätsparameters.
- Durchführung einer umfangreichen Simulationsstudie unter Verwendung der Software R.
- Quantitative Bewertung der Schätzgüte durch Variation verschiedener Modellparameter.
Auszug aus dem Buch
2.4.1. Subjektive Schätzer
Die Ridge-Spur bildet alle K Elemente von β̂_k in Abhängigkeit von k ab. Der Betrachter entscheidet sich dann auf dieser Basis für ein k = k_tr, unter welchem sich die Funktionen zu stabilisieren beginnen.
Die Aussagekraft der Ridge-Spur hängt sowohl von der Erfahrung des Betrachters, als auch vom Intervall ks ab, in dem die Funktionen gezeigt werden. So könnte man bei größerem Intervall dazu verleitet werden, ein k_tr > k_opt zu wählen. Es existieren allerdings Vorschläge zur Anwendung verschiedener Skalen. Als optimales k in obiger Grafik wurde später k_opt = 0.9561 errechnet.
Zusammenfassung der Kapitel
1. Einführung: Das Kapitel thematisiert die Problematik der Multikollinearität und führt das Ridge-Schätzverfahren als Methode zur Stabilisierung der Schätzung ein.
2. Theoretische Grundlagen: Hier werden die Modellannahmen der linearen Regression dargelegt, Multikollinearität definiert sowie verschiedene subjektive und objektive Ridge-Schätzer hergeleitet.
3. Simulation: Dieser Teil beschreibt die künstliche Datengenerierung und die Durchführung einer Simulationsstudie zur Evaluation verschiedener Ridge-Verfahren.
4. Der optimale Komplexitätsparameter: Es wird untersucht, wie der optimale Komplexitätsparameter innerhalb der Simulation mittels Grid-Search-Verfahren bestimmt werden kann.
5. Zusammenfassung: Das abschließende Kapitel resümiert die wesentlichen Ergebnisse, insbesondere die Eignung des iterativen Verfahrens von Lindley und Smith sowie das Auftreten negativer optimaler Komplexitätsparameter.
Schlüsselwörter
Multikollinearität, Ridge-Regression, Kleinst-Quadrate-Schätzung, Komplexitätsparameter, ökonometrische Simulation, Ridge-Schätzer, Bias-Varianz-Dilemma, Modellannahmen, R-Programmierung, Schätzgüte, Konditionszahl, VIF, Korrelationsmatrix, Modellstabilisierung, Parameteroptimierung.
Häufig gestellte Fragen
Worum geht es in der Arbeit grundsätzlich?
Die Arbeit untersucht das Problem der Multikollinearität in ökonometrischen Regressionsmodellen und wie das Ridge-Schätzverfahren dazu genutzt werden kann, die Schätzungen zu stabilisieren.
Was sind die zentralen Themenfelder?
Die zentralen Felder sind die theoretischen Grundlagen linearer Regressionen, die Diagnose von Kollinearität und die Evaluation verschiedener Methoden zur Bestimmung des Ridge-Parameters.
Was ist das primäre Ziel der Arbeit?
Ziel ist es, die Modellannahmen zu formulieren und verschiedene Methoden zur Wahl des optimalen Komplexitätsparameters bei der Ridge-Schätzung vorzustellen und zu vergleichen.
Welche wissenschaftliche Methode wird verwendet?
Die Arbeit nutzt mathematisch-theoretische Herleitungen sowie umfangreiche numerische Simulationen unter Verwendung der Programmiersprache R.
Was wird im Hauptteil behandelt?
Der Hauptteil umfasst die mathematische Definition der Ridge-Schätzer, die theoretische Diagnose von Kollinearität sowie eine detaillierte Simulationsstudie zur Bewertung der Schätzverfahren.
Welche Schlüsselwörter charakterisieren die Arbeit?
Zu den wichtigsten Begriffen zählen Multikollinearität, Ridge-Regression, Komplexitätsparameter, Schätzgüte und ökonometrische Simulation.
Was ist eine wichtige Erkenntnis bezüglich des Komplexitätsparameters k?
Eine überraschende Erkenntnis der Simulation ist, dass in der Ridge-Schätzung auch negative Werte für den optimalen Komplexitätsparameter existieren können.
Warum ist die Wahl des Komplexitätsparameters kritisch?
Da der wahre Parameter bei realen Daten unbekannt ist, muss der Komplexitätsparameter geschätzt werden, was für die Stabilität und Präzision der Regressionsergebnisse entscheidend ist.
- Citation du texte
- Hendrik Rausch (Auteur), 2012, Die optimale Wahl des Komplexitätsparameters bei der Ridge-Schätzung, Munich, GRIN Verlag, https://www.grin.com/document/202749
