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
- Regressionsmodelle
- Klassisches lineares Regressionsmodell
- Regressionsmodelle für Paneldaten
- Gepooltes Modell
- Fixed Effects Modell
- Random Effects Modell
- Regressionsvoraussetzungen
- Linearität
- Multikollinearität
- Heteroskedastizität
- Autokorrelation
- Normalverteilung der Residuen
- Gütekriterien zur Prüfung der Regressionsfunktion
- Bestimmtheitsmaß
- F-Statistik
- t-Statistik
Zielsetzung und Themenschwerpunkte
Dieser Text befasst sich mit den Grundlagen der Regressionsanalyse, einem statistischen Verfahren, das den Zusammenhang zwischen einer abhängigen Variable (Regressand) und einer oder mehreren unabhängigen Variablen (Regressor) untersucht. Das Ziel ist es, die verschiedenen Regressionsmodelle, ihre Voraussetzungen und Gütekriterien zu erklären und einen Überblick über die Anwendungsmöglichkeiten in der empirischen Forschung zu geben.
- Klassisches lineares Regressionsmodell
- Regressionsmodelle für Paneldaten (Gepooltes Modell, Fixed Effects Modell, Random Effects Modell)
- Regressionsvoraussetzungen (Linearität, Multikollinearität, Heteroskedastizität, Autokorrelation, Normalverteilung der Residuen)
- Gütekriterien zur Prüfung der Regressionsfunktion (Bestimmtheitsmaß, F-Statistik, t-Statistik)
- Anwendungsmöglichkeiten der Regressionsanalyse in der empirischen Forschung
Zusammenfassung der Kapitel
Das erste Kapitel behandelt das klassische lineare Regressionsmodell und stellt die grundlegenden Prinzipien der Regressionsanalyse vor. Es werden die Grundannahmen des Modells, die Schätzung der Regressionskoeffizienten und die Interpretation der Ergebnisse erläutert. Das zweite Kapitel beleuchtet Regressionsmodelle für Paneldaten, die sowohl die Dimension der Untersuchungsobjekte als auch die Zeitdimension berücksichtigen. Hier werden das gepoolte Modell, das Fixed Effects Modell und das Random Effects Modell vorgestellt. Das dritte Kapitel befasst sich mit den Voraussetzungen der Regressionsanalyse, die erfüllt sein müssen, um valide Ergebnisse zu erhalten. Hier werden die Linearität, Multikollinearität, Heteroskedastizität, Autokorrelation und die Normalverteilung der Residuen behandelt. Das vierte Kapitel erläutert die Gütekriterien, die zur Beurteilung der Qualität der Regressionsfunktion genutzt werden können. Hier wird auf das Bestimmtheitsmaß, die F-Statistik und die t-Statistik eingegangen.
Schlüsselwörter
Regressionsanalyse, Regressionsmodell, abhängige Variable, unabhängige Variable, Regressand, Regressor, Paneldaten, gepooltes Modell, Fixed Effects Modell, Random Effects Modell, Regressionsvoraussetzungen, Linearität, Multikollinearität, Heteroskedastizität, Autokorrelation, Normalverteilung der Residuen, Bestimmtheitsmaß, F-Statistik, t-Statistik, empirische Forschung.
- Citation du texte
- Anonym (Auteur), 2016, Grundlagen der Regressionsanalyse, Munich, GRIN Verlag, https://www.grin.com/document/346639
