Die Regressionsanalyse zählt zu den statistischen Analyseverfahren und untersucht die Beziehung zwischen einer abhängigen Variablen (Regressand) und einer oder mehreren unabhängigen Variablen (Regressor).
Auf Basis eines aus fachlichen Gesichtspunkten aufgestellten Modells wird im Rahmen der Regressionsanalyse eine Gleichung geschätzt, die den Zusammenhang zwischen der abhängigen und den unabhängigen Variablen möglichst genau beschreiben soll. Daraus abgeleitet liegt das Einsatzgebiet der Regressionsanalyse insbesondere in der Untersuchung von Kausalbeziehungen und wird darüber hinaus für Prognosen der abhängigen Variablen genutzt.
Da die Schätzung der Regressionsfunktion in Abhängigkeit von den zugrunde liegenden Daten vorgenommen wird, werden nachfolgend verschiedene Regressionsmodelle vorgestellt.
Inhaltsverzeichnis
1 Regressionsmodelle
1.1 Klassisches lineares Regressionsmodell
1.2 Regressionsmodelle für Paneldaten
1.2.1 Gepooltes Modell
1.2.2 Fixed Effects Modell
1.2.3 Random Effects Modell
2 Regressionsvoraussetzungen
2.1 Linearität
2.2 Multikollinearität
2.3 Heteroskedastizität
2.4 Autokorrelation
2.5 Normalverteilung der Residuen
3 Gütekriterien zur Prüfung der Regressionsfunktion
3.1 Bestimmtheitsmaß
3.2 F-Statistik
3.3 t-Statistik
Zielsetzung und Themen
Die Arbeit vermittelt ein grundlegendes Verständnis für die Anwendung und Überprüfung von Regressionsmodellen, um Kausalbeziehungen in Daten zu untersuchen und fundierte Prognosen zu erstellen. Der Fokus liegt dabei auf der methodischen korrekten Modellierung, der Einhaltung statistischer Voraussetzungen und der Bewertung der Modellgüte.
- Grundlagen klassischer und Paneldaten-Regressionsmodelle
- Methoden der Schätzung (OLS, LSDV, FGLS)
- Statistische Voraussetzungen wie Linearität und Homoskedastizität
- Globale und spezifische Gütekriterien (Bestimmtheitsmaß, F- und t-Statistik)
Auszug aus dem Buch
1.1 Klassisches lineares Regressionsmodell
Das klassische lineare Regressionsmodell bildet die Ausgangsbasis der Regressionsanalyse und nimmt einen linearen Zusammenhang zwischen der abhängigen und einer oder mehreren unabhängigen Variablen an. Die Effekte der einzelnen unabhängigen Variablen setzen sich somit additiv zusammen und ergeben die in Gleichung (1) abgebildete lineare Regressionsgleichung.
y_i = c + β_1x_i1 + β_2x_i2 + ⋯ + β_jx_ij + e_i (1)
So ergibt sich (y_i) als Linearkombination der im weiteren Verlauf herauszuarbeitenden Determinanten (x_ij). Dabei gibt der Regressionskoeffizient β_j an, um wie viele Einheiten sich die abhängige Variable y_i verändert, wenn sich die unabhängige Variable x_j um eine Einheit verändert. Das Residuum e_i, das auch als Störterm bezeichnet wird, stellt die Abweichung zwischen den tatsächlich beobachteten Werten und den durch die Regressionsfunktion geschätzten Werten dar, indem alle Einflussfaktoren, die durch die abhängigen Variablen nicht erfasst werden, addiert werden.
Im klassischen linearen Regressionsmodell wird die Schätzung der unbekannten Regressionskoeffizienten β_j üblicherweise mit Hilfe der Methode der kleinsten Quadrate durchgeführt, die auch Ordinary Least Squares (OLS) genannt wird. Bei diesem Schätzverfahren werden die Regressionskoeffizienten β_j so bestimmt, dass die Summe der quadrierten Residuen e_i minimal ist. Daraus folgt, dass die abhängige Variable y_i weitestgehend durch die unabhängigen Variablen x_ij erklärt wird.
Zusammenfassung der Kapitel
1 Regressionsmodelle: Dieses Kapitel führt in die Grundlagen der linearen Regressionsanalyse ein und erläutert spezifische Schätzmodelle für Paneldaten, wie das gepoolte, das Fixed Effects und das Random Effects Modell.
2 Regressionsvoraussetzungen: Hier werden die essenziellen Annahmen behandelt, die für valide Ergebnisse einer Regressionsanalyse erfüllt sein müssen, darunter Linearität, Abwesenheit von Multikollinearität, Homoskedastizität, Autokorrelation und die Normalverteilung der Residuen.
3 Gütekriterien zur Prüfung der Regressionsfunktion: Das letzte Kapitel stellt statistische Maßzahlen vor, um sowohl die Güte des gesamten Modells (Bestimmtheitsmaß, F-Statistik) als auch die Signifikanz einzelner Regressionskoeffizienten (t-Statistik) zu prüfen.
Schlüsselwörter
Regressionsanalyse, Lineares Modell, Paneldaten, OLS-Schätzung, Fixed Effects, Random Effects, Linearität, Multikollinearität, Heteroskedastizität, Autokorrelation, Bestimmtheitsmaß, F-Statistik, t-Statistik, Residuen, Ökonometrie
Häufig gestellte Fragen
Worum geht es in der Arbeit grundlegend?
Die Arbeit behandelt die methodischen Grundlagen der Regressionsanalyse, von der Modellierung bis zur statistischen Prüfung der Modellergebnisse.
Was sind die zentralen Themenfelder?
Die Schwerpunkte liegen auf verschiedenen Regressionsmodellen (insbesondere Paneldaten), der Überprüfung von Annahmen (Voraussetzungen) und der Anwendung von Gütekriterien.
Was ist das Ziel dieser Publikation?
Das Ziel ist es, dem Leser ein strukturiertes Verständnis für die korrekte Durchführung und Interpretation von Regressionsanalysen im ökonomischen Kontext zu vermitteln.
Welche statistischen Methoden werden besprochen?
Besprochen werden unter anderem die Methode der kleinsten Quadrate (OLS), Least Squares Dummy Variable (LSDV) und Feasible Generalised Least Squares (FGLS).
Was ist das zentrale Thema des Hauptteils?
Der Hauptteil gliedert sich in die Vorstellung von Regressionsmodellen, die Erläuterung der notwendigen statistischen Voraussetzungen und die Beschreibung von Gütekriterien zur Prüfung der Modelle.
Welche Schlagworte charakterisieren die Arbeit?
Zu den wichtigsten Begriffen gehören Regressionsanalyse, Paneldaten, Störterm, Signifikanztests und ökonometrische Schätzverfahren.
Was unterscheidet das Fixed Effects Modell vom Random Effects Modell?
Beim Fixed Effects Modell wird angenommen, dass zeitkonstante, unbeobachtete Faktoren die Ergebnisse beeinflussen, während beim Random Effects Modell davon ausgegangen wird, dass diese Effekte zufällig variieren.
Warum ist das Bestimmtheitsmaß für die Modellprüfung wichtig?
Das Bestimmtheitsmaß gibt an, wie viel Prozent der Gesamtvarianz der abhängigen Variablen durch das Modell erklärt werden kann, und dient somit als erste Indikation für die Güte der Modellanpassung.
- Citar trabajo
- Anonym (Autor), 2016, Grundlagen der Regressionsanalyse, Múnich, GRIN Verlag, https://www.grin.com/document/346639
