Ein Modell ist umso besser, je…
Ein Modell ist umso besser, je größer der Anteil der Gesamtvariation ist, der durch das Modell erklärt werden kann.
-> Die Höhe des Bestimmheitsmaß gibt Ausschluss
Was sagt das Bestimmtheitsmaß über die Güte der Schätzung eines partiellen Effektes aus?
Was sagt das Bestimmtheitsmaß über die Kausalität eines geschätzten Effektes aus?
Wann steigt das Bestimmtheitsmaß automatisch an?
R² sagt wenig über die Güte der Schätzung eines partiellen Effektes aus
sagt nicht über die Kausalität eines geschätzten Effektes aus
steigt automatisch an bei Hinzunahme weiterer Variablen, aber irgendwann nicht mehr signifikant -> dies wird durch das korrigierte Bestimmtheitsmaß berücksichtigt
Folgendes Modell ist gegeben:
Interpretiere den Effekt von beta 1 auf salary
Was sind Vorteile der multivariaten Regression?
Besserer ceteris paribus Vergleich, da wir andere Faktoren explizit festhaltenkönnen („für andere Einflussfaktoren kontrollieren“)
Diese anderen Faktoren können korreliert sein (untereinander und mit derinteressierenden unabhängigen Variable)
Bessere Erklärung von y
Höheres (adj.) R²
Bessere Prognoseeigenschaften
Simulation geschichteter/quotierter Stichproben, in denen wichtige Merkmalekontrolliert wurden
Interpretation des Effekts von beta1 und beta2 auf den Lohn
Gegebenes Modell.
Interpretation von beta1 auf salary
Was sind Fehlerquellen der multiplen Regression?
1.) Omitted variable bias (zu wenig Variablen im Modell)
2.) Including irrelevant variables (zu viele Variablen im Modell)
Omitted Variable Bias
Was ist der Fall, wenn x2 einen positiven Einfluss auf y und eine positive Korrelation von x1 und x2 besteht in Bezug auf den gemessenen Effekt?
Including irrelevant variables
Unter welcher Bedingung sind Suppressionseffekte möglich?
Modell:
Was ist die passende Interpretatio von beta 1?
Was ist die passende Interpretation von beta1?
Was sind Paneldaten?
Was ist ihr Vorteil gegenüber Querschnittsdaten?
Paneldaten
Wiederholte Messung einer oder mehrerer Variablen bei einen oder mehreren Personen
Vorteile gegenüber Querschnittdaten:
Analyse von individuellen Entwicklungen
Informationen zur zeitlichen Abfolge von Zuständen und Ereignissen
Kontrolle unbeobachteter individueller Heterogenität
Identifizierung kausaler Effekte
Wofür ist das FE (Fixed Effects)-Modell geeignet?
Das FE-Modell ist speziell dazu geeignet, den kausalen Effekt von zeitveränderlichen Kovariaten (z.B. von Ereignissen) auf eine metrische abhängige Variable zu identifizieren. Es basiert ausschließlich auf der Varianzinnerhalb von Personen
FE-Modell und RE-Modell berücksichtigen zudem, dass Personen im Rahmen des Panels mehrfach beobachtet werden und diese personenspezifischen Beobachtungen statistisch nicht unabhängig sind
Wofür ist das RE (Random Effects)-Modell geeignet?
In das RE-Modell fließt sowohl die between-Varianz als auch die within-Varianz ein. In diesem Verfahren können auch zeitkonstante Variablen berücksichtigtwerden
FE-Modell und RE-Modell berücksichtigen zudem, dass Personen im Rahmen des Panels mehrfach beobachtet werden und diese personenspezifischen Beobachtungen statistisch nicht unabhängig sind
Was ist der Unterschied vom Fixed Effects Modell gegenüber der OLS-Regression?
In FE-Gleichung werden die abhängige Variable y und die unabhängige Variable x als Abweichungen vom personenspezifischen Mittelwert abgebildet (nur die Varianz innerhalb von Personen ist also von Interesse)
Beispiel: Mit dem FE-Modell wird folglich ausschließlich überprüft, inwieweit die Heirat die Zufriedenheit erhöht (within).
Between-Varianz beeinflusst diese Schätzung nicht.
Denn: Der zeitkonstante personenspezifische Fehler vi wird durch die Subtraktion der beiden Gleichungen eliminiert.
Was ist der Nachteil von Fixed Effects Modellen?
Random-Effects Modell
Unter welchen Bedingungen funktioniert dieses nur?
Last changed2 years ago
