Einzelansicht
Keine Credits bei Lehrveranstaltungen angegeben
Bei den Modulen unten sind Credits angegeben, bei der (modulunabhängigen) Lehrveranstaltungsliste nicht. Dies liegt darin begründet, dass die Lehrveranstaltungen erst im Kontext eines Modules Credits erhalten. Auch wenn der Fall selten eintritt, ist so die Möglichkeit gegeben, dass die selbe Veranstaltung in unterschiedlichen Studiengängen unterschiedlichen Workload und Credits erhalten kann.
Üblicherweise gilt aber weiterhin natürlich die Faustregel Cr = 1,5 * SWS.
zum Word-Export dieser Ansicht
Für die Überarbeitung der Module ist es das einfachste, diese Liste zu exportieren, mit aktiver "Änderungsnachverfolgung" zu überarbeiten und das Ergebnis an die AG Modulhandbuch zu schicken. Als Grundlage dafür können Sie den Word-Export oben nutzen.
Verantwortete Module
Modul (6 Credits)
Advanced R for Econometricians
- Name im Diploma Supplement
- Advanced R for Econometricians
- Verantwortlich
- Voraussetzungen
- Siehe Prüfungsordnung.
- Workload
- 180 Stunden studentischer Workload gesamt, davon:
- Präsenzzeit: 60 Stunden
- Vorbereitung, Nachbereitung: 60 Stunden
- Prüfungsvorbereitung: 60 Stunden
- Dauer
- Das Modul erstreckt sich über 1 Semester.
- Qualifikationsziele
Students
- know the strengths and limitations of the high-level statistical programming language R
- thoroughly understand the R ecosystem and have a profound understanding in selected fields of advanced R programming
- can apply their skills in advanced statistical and econometric applications
- are able to document and communicate scientific results in a reproducible manner
- are prepared for implementing big data applications using R
- Prüfungsmodalitäten
Weighted average of a (group) R-project (70%) and a presentation (30%, usually about 20 minutes).
- Verwendung in Studiengängen
- Bestandteile
- VIU: Advanced R for Econometricians (6 Credits)
Modul (6 Credits)
Bayesian Econometrics
- Name im Diploma Supplement
- Bayesian Econometrics
- Verantwortlich
- Voraussetzungen
- Siehe Prüfungsordnung.
- Workload
- 180 Stunden studentischer Workload gesamt, davon:
- Präsenzzeit: 60 Stunden
- Vorbereitung, Nachbereitung: 60 Stunden
- Prüfungsvorbereitung: 60 Stunden
- Dauer
- Das Modul erstreckt sich über 1 Semester.
- Qualifikationsziele
Students
- acquire comprehensive knowledge of the Bayesian statistical paradigm and associated tools
- know how to apply these to address applied questions in economics and related disciplines
- identify and clean relevant data to do so
- are proficient in taking an analysis from an empirical question to a suitable econometric model
- assess the strengths and limitations of their empirical results
- can assess the mathematical and statistical properties of core methods and are able to formally establish these
- independently program and apply statistical software and code to practically use the methods in practice
- independently tackle a range of theoretical problem sets
- Praxisrelevanz
The practical relevance of the module is high in view of the key and increasing importance of empirical work in economics and elsewhere.
- Prüfungsmodalitäten
Examination for this module takes place through a written exam (typically 60-90 minutes), or an oral exam (typically 20-40 minutes), or an empirical project (70% of the final grade) combined with a presentation (typically 20 minutes, 30% of the final grade). The type of examination will be communicated at the start of the semester.
- Verwendung in Studiengängen
- Bestandteile
- VO: Bayesian Econometrics (3 Credits)
- UEB: Bayesian Econometrics (3 Credits)
Modul (6 Credits)
Deskriptive Statistik
- Name im Diploma Supplement
- Descriptive Statistics
- Verantwortlich
- Voraussetzungen
- Siehe Prüfungsordnung.
- Workload
- 180 Stunden studentischer Workload gesamt, davon:
- Präsenzzeit: 60 Stunden
- Vorbereitung, Nachbereitung: 60 Stunden
- Prüfungsvorbereitung: 60 Stunden
- Dauer
- Das Modul erstreckt sich über 1 Semester.
- Qualifikationsziele
Die Studierenden
- beherrschen wirtschaftswissenschaftlich relevante, grundlegende Methoden der deskriptiven Statistik
- können wirtschaftswissenschaftliche Zusammenhänge quantifizieren
- verfügen über die Kompetenz, Methoden der deskriptiven Statistik eigenständig anzuwenden sowie Probleme der wirtschaftlichen Praxis zu lösen
- sind in der Lage, Übungsaufgaben selbständig zu bearbeiten
- Prüfungsmodalitäten
Zum Modul erfolgt eine modulbezogene Prüfung in der Gestalt einer Klausur (in der Regel: 60-90 Minuten).
Vom Dozierenden wird zu Beginn der Veranstaltung festgelegt, ob durch freiwillige Testate bereits im Vorfeld Punkte für die Klausur erworben werden können. Für die Möglichkeit der Anrechnung der Testate muss die Klausur unabhängig vom Ergebnis der Testate mindestens bestanden sein. Ist dies der Fall, so bildet sich die Endnote aus dem Ergebnis der mindestens bestandenen Abschlussprüfung zuzüglich der bereits über die Testate erworbenen Punkte. Die Möglichkeit der Anrechnung der Testate auf die abschließende Prüfungsleistung ist auf maximal 20% der in der abschließenden Prüfung maximal erwerbbaren Punkte beschränkt. Bestandene Testate haben nur Gültigkeit für die Prüfungen, die zu der Veranstaltung im jeweiligen Semester gehören.
- Verwendung in Studiengängen
- Bestandteile
- VIU: Deskriptive Statistik (6 Credits)
Modul (6 Credits)
Einführung in die Ökonometrie
- Name im Diploma Supplement
- Introduction to Econometrics
- Verantwortlich
- Voraussetzungen
- Siehe Prüfungsordnung.
- Workload
- 180 Stunden studentischer Workload gesamt, davon:
- Präsenzzeit: 60 Stunden
- Vorbereitung, Nachbereitung: 60 Stunden
- Prüfungsvorbereitung: 60 Stunden
- Dauer
- Das Modul erstreckt sich über 1 Semester.
- Qualifikationsziele
Die Studierenden
- kennen die Rolle der Ökonometrie in den Wirtschaftswissenschaften
- formulieren geeignete Regressionsmodelle und Hypothesentests
- beurteilen die Qualität verschiedener Schätzverfahren
- beurteilen empirische Ergebnisse
- können selbständig ausgewählte Übungsaufgaben zu den in der Vorlesung behandelten Inhalten bearbeiten
- Praxisrelevanz
Die Praxisrelevanz ist aufgrund der großen Bedeutung der Empirie in den Wirtschaftswissenschaften hoch und wird sich noch weiter erhöhen.
- Prüfungsmodalitäten
Zum Modul erfolgt eine modulbezogene Prüfung in der Gestalt einer Klausur (in der Regel: 60-90 Minuten).
- Verwendung in Studiengängen
- Bestandteile
- VO: Einführung in die Ökonometrie (3 Credits)
- UEB: Einführung in die Ökonometrie (3 Credits)
Modul (6 Credits)
Fachseminar Ökonometrie
- Name im Diploma Supplement
- Seminar Econometrics
- Verantwortlich
- Voraussetzungen
- Siehe Prüfungsordnung.
- Workload
- 180 Stunden studentischer Workload gesamt, davon:
- Präsenzzeit: 30 Stunden
- Vorbereitung, Nachbereitung: 120 Stunden
- Prüfungsvorbereitung: 30 Stunden
- Dauer
- Das Modul erstreckt sich über 1 Semester.
- Qualifikationsziele
Die Studierenden
- sind befähigt, empirische Analysen nachzuvollziehen und führende theoretische Methoden anzuwenden und zu erläutern
- erarbeiten und präsentieren die Ergebnisse mit Hilfe geeigneter Statistiksoftware
- erlernen den Umgang mit wissenschaftlicher Literatur
- verfassen eine erste eigene wissenschaftliche Arbeit
- sammeln Erfahrungen im Geben von Präsentationen
- können fachspezifische eigene aber auch fremde Fragestellungen im Plenum diskutieren und gemeinsam lösen
- Prüfungsmodalitäten
Zum Modul erfolgt eine modulbezogene Prüfung, die sich auf zwei Prüfungsformen erstreckt: Hausarbeit und Präsentation, die beide zu jeweils 50% in die Modulnote eingehen. Der Umfang der Hausarbeit beträgt minimal 15 und maximal 20 Seiten Haupttext (ohne Deckblatt, Verzeichnisse und evtl. Anhang). Die Präsentation umfasst minimal 15 und maximal 30 Minuten Vortragszeit.
- Verwendung in Studiengängen
- Bestandteile
- SEM: Fachseminar Ökonometrie (6 Credits)
Modul (6 Credits)
Fachseminar Ökonometrische Methoden
- Name im Diploma Supplement
- Seminar Econometric Methods
- Verantwortlich
- Voraussetzungen
- Siehe Prüfungsordnung.
- Workload
- 180 Stunden studentischer Workload gesamt, davon:
- Präsenzzeit: 30 Stunden
- Vorbereitung, Nachbereitung: 120 Stunden
- Prüfungsvorbereitung: 30 Stunden
- Dauer
- Das Modul erstreckt sich über 1 Semester.
- Qualifikationsziele
Die Studierenden
- sind befähigt, wissenschaftliche Aufsätze eigenständig zu lesen und zu kritisch zu würdigen
- haben erste Erfahrungen mit eigener wissenschaftlicher Arbeit gemacht
- sind mit neuen Entwicklungen in der Ökonometrie vertraut
- sind auf die Anforderungen einer Masterarbeit vorbereitet
- können fachspezifische eigene aber auch fremde Fragestellungen im Plenum diskutieren und gemeinsam lösen
- Prüfungsmodalitäten
Zum Modul erfolgt eine modulbezogene Prüfung, die sich auf folgende Prüfungsformen erstreckt: Hausarbeit (15-20 Seiten, 50% der Note) und Präsentation und Diskussion der Arbeit im Plenum (20-30 Minuten, 50% der Note). Zum Bestehen des Seminars müssen beide Teile bestanden sein.
- Verwendung in Studiengängen
- Bestandteile
- SEM: Fachseminar Ökonometrische Methoden (6 Credits)
Modul (6 Credits)
Kausalanalyse
- Name im Diploma Supplement
- Causal Analysis
- Verantwortlich
- Voraussetzungen
- Siehe Prüfungsordnung.
- Workload
- 180 Stunden studentischer Workload gesamt, davon:
- Präsenzzeit: 60 Stunden
- Vorbereitung, Nachbereitung: 60 Stunden
- Prüfungsvorbereitung: 60 Stunden
- Dauer
- Das Modul erstreckt sich über 1 Semester.
- Qualifikationsziele
Die Studierenden
- verfügen über umfassende Kenntnisse moderner statistischer und ökonometrischer Methoden und beherrschen deren Anwendung bei der Lösung empirischer, ökonometrischer Fragestellungen
- kennen die formalen Eigenschaften zentraler Verfahren und können sie mathematisch zeigen
- können dabei insbesondere beurteilen, unter welchen Bedingungen unterschiedliche Verfahren die Beantwortung kausaler Fragen ermöglichen (und wann nicht) und dazu die geeigneten Daten auswählen
- können entsprechend erlangte empirische Befunde kritisch kommentieren
- sind in der Lage, eigenständig und mit Hilfe geeigneter statistischer und ökonometrischer Software praktische Probleme zu lösen
- können selbständig ausgewählte Übungsaufgaben bearbeiten
- Prüfungsmodalitäten
Zum Modul erfolgt eine modulbezogene Prüfung in Gestalt einer Klausur (in der Regel: 60-90 Minuten) oder einer mündlichen Prüfung (in der Regel: 20-40 Minuten). Die Art der Prüfung wird jeweils zu Semesterbeginn vom Dozenten festgelegt.
- Verwendung in Studiengängen
- Bestandteile
- VO: Kausalanalyse (3 Credits)
- UEB: Kausalanalyse (3 Credits)
Modul (6 Credits)
Methoden der Ökonometrie
- Name im Diploma Supplement
- Econometric Methods
- Verantwortlich
- Voraussetzungen
- Siehe Prüfungsordnung.
- Workload
- 180 Stunden studentischer Workload gesamt, davon:
- Präsenzzeit: 60 Stunden
- Vorbereitung, Nachbereitung: 60 Stunden
- Prüfungsvorbereitung: 60 Stunden
- Dauer
- Das Modul erstreckt sich über 1 Semester.
- Qualifikationsziele
Die Studierenden
- verfügen über umfassende Kenntnisse moderner statistischer und ökonometrischer Methoden und beherrschen deren Anwendung bei der Lösung empirischer, ökonometrischer Fragestellungen
- können ökonomische Probleme sachgerecht in ein ökonometrisches Modell überführen, die ökonometrischen und statistischen Schätz- sowie Testverfahren hinsichtlich ihrer Problemadäquanz beurteilen, die geeigneten Daten auswählen und die empirischen Befunde kritisch kommentieren
- sind in der Lage, eigenständig und mit Hilfe geeigneter statistischer und ökonometrischer Software praktische Probleme zu lösen
- können selbständig ausgewählte Übungsaufgaben bearbeiten
- Praxisrelevanz
Die Praxisrelevanz ist aufgrund der großen Bedeutung der Empirie in den Wirtschaftswissenschaften hoch und wird sich noch weiter erhöhen.
- Prüfungsmodalitäten
Zum Modul erfolgt eine modulbezogene Prüfung in der Gestalt einer Klausur (in der Regel: 60-90 Minuten).
- Verwendung in Studiengängen
- Bestandteile
- VO: Methoden der Ökonometrie (3 Credits)
- UEB: Methoden der Ökonometrie (3 Credits)
Modul (6 Credits)
Multivariate Zeitreihenanalyse
- Name im Diploma Supplement
- Multivariate Time Series Analysis
- Verantwortlich
- Voraussetzungen
- Siehe Prüfungsordnung.
- Workload
- 180 Stunden studentischer Workload gesamt, davon:
- Präsenzzeit: 60 Stunden
- Vorbereitung, Nachbereitung: 60 Stunden
- Prüfungsvorbereitung: 60 Stunden
- Dauer
- Das Modul erstreckt sich über 1 Semester.
- Qualifikationsziele
Die Studierenden
- besitzen einen umfassenden Überblick über stationäre und nicht-stationäre Vektor-Autoregressive (VAR) Modelle
- kennen die statistischen Eigenschaften der wichtigsten Schätzer
- können ökonomische Zusammenhänge in VAR Modelle überführen, geeignete Daten auswählen und empirische Befunde kritisch kommentieren
- sind in der Lage eigenständig und mit Hilfe statistischer Software empirische Analysen durchzuführen
- können selbständig ausgewählte Übungsaufgaben bearbeiten
- Praxisrelevanz
Die Praxisrelevanz ist aufgrund der großen Bedeutung von VAR Modellen in der empirischen Makroökonomie sehr hoch.
- Prüfungsmodalitäten
Zum Modul erfolgt eine modulbezogene Prüfung in der Gestalt einer Klausur (in der Regel: 60-90 Minuten).
- Verwendung in Studiengängen
- Bestandteile
- VO: Multivariate Zeitreihenanalyse (3 Credits)
- UEB: Multivariate Zeitreihenanalyse (3 Credits)
Modul (6 Credits)
Nonparametric Econometrics
- Name im Diploma Supplement
- Nonparametric Econometrics
- Verantwortlich
- Voraussetzungen
- Siehe Prüfungsordnung.
- Workload
- 180 Stunden studentischer Workload gesamt, davon:
- Präsenzzeit: 60 Stunden
- Vorbereitung, Nachbereitung: 60 Stunden
- Prüfungsvorbereitung: 60 Stunden
- Dauer
- Das Modul erstreckt sich über 1 Semester.
- Qualifikationsziele
Students
- acquire broad knowledge of modern nonparametric methods from both statistics and econometrics
- are proficient to use these to empirically investigate topics in economics and related fields
- gather and process data to do so
- critically comment on published empirical findings as well as on limitations of own analyses
- can assess and formally demonstrate the theoretical properties of the most central methods
- independently apply and extend statistical software to practically conduct empirical work
- solve suitable methodological problem sets
- Praxisrelevanz
The practical relevance of the module is high in view of the key and increasing importance of empirical work in economics and elsewhere.
- Prüfungsmodalitäten
Examination for this module takes place through a written exam (typically 60-90 minutes), or an oral exam (typically 20-40 minutes), or an empirical project (70% of the final grade) combined with a presentation (typically 20 minutes, 30% of the final grade). The type of examination will be communicated at the start of the semester.
- Verwendung in Studiengängen
- Bestandteile
- VO: Nonparametric Econometrics (3 Credits)
- UEB: Nonparametric Econometrics (3 Credits)
Modul (6 Credits)
Practising Econometric Research
- Name im Diploma Supplement
- Practising Econometric Research
- Verantwortlich
- Voraussetzungen
- Siehe Prüfungsordnung.
- Workload
- 180 Stunden studentischer Workload gesamt, davon:
- Präsenzzeit: 30 Stunden
- Vorbereitung, Nachbereitung: 75 Stunden
- Prüfungsvorbereitung: 75 Stunden
- Dauer
- Das Modul erstreckt sich über 1 Semester.
- Qualifikationsziele
The students
- gain insight into recent developments of econometric research in selected fields
- are trained in following scientific talks and are able to critically evaluate these
- are able to apply specialist and methodological knowledge obtained during their studies and from scientific talks to a particular research topic
- manage to work self-sufficiently at a scientific level under time constraints and thus are also prepared for writing seminar papers and a master thesis
- Prüfungsmodalitäten
Students attend at least 7 presentations in economic research seminars hosted at TU Dortmund University, Ruhr University Bochum and University of Duisburg-Essen. Attendance needs to be signed by a present member of the faculty of the MSc Econometrics, or else some other faculty member of the contributing faculties. Admissible seminars will be announced at the introductory meeting. Students also may put forward their own suggestions.
A 1-2 page report must be written on each presentation. The summaries should evaluate the talk, i.e. briefly summarise the topic, explain the scientific contribution and reflect whether or not the talk was comprehensible and useful for the student. The report is due one week after the presentation.
Based on one of the talks, students will perform a small research project on their own. This might consist of coding and simulating a new statistical technique put forward in the presentation, replicating part of the empirical work, providing detailed proofs of a theoretical result, compiling a detailed literature review etc. The length of the research report is up to six pages.
The assessment of the course will be based (50% each) on the summaries and the research project. Based on the project, students give a presentation. The grade for the project is based 4:1 on the research report.
- Verwendung in Studiengängen
- Bestandteile
- SEM: Practising Econometric Research (6 Credits)
Modul (6 Credits)
Recent Developments in Econometrics
- Name im Diploma Supplement
- Recent Developments in Econometrics
- Verantwortlich
- Voraussetzungen
- Siehe Prüfungsordnung.
- Workload
- 180 Stunden studentischer Workload gesamt, davon:
- Präsenzzeit: 60 Stunden
- Vorbereitung, Nachbereitung: 60 Stunden
- Prüfungsvorbereitung: 60 Stunden
- Dauer
- Das Modul erstreckt sich über 1 Semester.
- Qualifikationsziele
Students
- acquire broad skills regarding advanced econometric techniques
- know how to apply these to tackle questions in empirical economics
- understand the formal properties of key econometric techniques and are able to derive these mathematically
- suitably translate economic problems into an econometric model and select adequate econometric and statistical techniques as well as appropriate data
- critically assess empirical results
- independently solve applied problems using appropriate statistical software
- independently tackle formal as well as applied exercises
- Praxisrelevanz
The module is practically relevant, as answering a large fraction of economic questions at least partially requires the use of modern econometric techniques as well as skills as to how to use and implement these on a computer. Moreover, knowledge of the formal properties of core econometric techniques enables students to independently understand and select from further methods later on in their careers.
- Prüfungsmodalitäten
Zum Modul erfolgt eine modulbezogene Prüfung in der Gestalt einer Klausur (in der Regel: 60-90 Minuten) oder einer mündlichen Prüfung (in der Regel: 20-40 Minuten). Die konkrete Prüfungsform (Klausur versus mündliche Prüfung) wird in der ersten Vorlesungswoche von der zuständigen Dozentin oder dem zuständigen Dozenten festgelegt.
Examination in this module is by way of a written exam (typically 60-90 minutes) or an oral exam (typically 20-40 minutes). The specific type of examination (written or oral) will be communicated in the first class.
- Verwendung in Studiengängen
- Bestandteile
- VO: Recent Developments in Econometrics (3 Credits)
- UEB: Recent Developments in Econometrics (3 Credits)
Modul (6 Credits)
Statistical Learning
- Name im Diploma Supplement
- Statistical Learning
- Verantwortlich
- Voraussetzungen
- Siehe Prüfungsordnung.
- Workload
- 180 Stunden studentischer Workload gesamt, davon:
- Präsenzzeit: 60 Stunden
- Vorbereitung, Nachbereitung: 60 Stunden
- Prüfungsvorbereitung: 60 Stunden
- Dauer
- Das Modul erstreckt sich über 1 Semester.
- Qualifikationsziele
Die Studierenden
- verfügen über umfassende Kenntnisse moderner statistischer und ökonometrischer Methoden und beherrschen deren Anwendung bei der Lösung empirischer, ökonometrischer Fragestellungen
- kennen die formalen Eigenschaften zentraler Verfahren und können sie mathematisch zeigen
- können ökonomische Probleme sachgerecht in ein ökonometrisches Modell überführen, die ökonometrischen und statistischen Schätz- sowie Testverfahren hinsichtlich ihrer Problemadäquanz beurteilen, die geeigneten Daten auswählen und die empirischen Befunde kritisch kommentieren
- sind in der Lage, eigenständig und mit Hilfe geeigneter statistischer und ökonometrischer Software praktische Probleme zu lösen
- können selbständig ausgewählte Übungsaufgaben bearbeiten
- Praxisrelevanz
Die Praxisrelevanz ist aufgrund der großen Bedeutung der Empirie in den Wirtschaftswissenschaften hoch und wird sich noch weiter erhöhen.
- Prüfungsmodalitäten
Zum Modul erfolgt eine modulbezogene Prüfung in der Gestalt einer Klausur (in der Regel: 60-90 Minuten) oder einer mündlichen Prüfung.
Alternativ: Empirisches Prognoseprojekt (70% der Note) und Präsentation (in der Regel: 20 Minuten. 30% der Note).
Die Art der Prüfung wird jeweils zu Semesterbeginn vom Dozenten festgelegt.
- Verwendung in Studiengängen
- Bestandteile
- VO: Statistical Learning (3 Credits)
- UEB: Statistical Learning (3 Credits)
Modul (6 Credits)
Statistical Modeling of Extremes
- Name im Diploma Supplement
- Statistical Modeling of Extremes
- Verantwortlich
- Voraussetzungen
- Siehe Prüfungsordnung.
- Workload
- 180 Stunden studentischer Workload gesamt, davon:
- Präsenzzeit: 60 Stunden
- Vorbereitung, Nachbereitung: 60 Stunden
- Prüfungsvorbereitung: 60 Stunden
- Dauer
- Das Modul erstreckt sich über 1 Semester.
- Qualifikationsziele
Students
- acquire comprehensive knowledge of modern statistical and econometric tools to tackle issues related to extreme events
- are capable of applying these to address empirical issues in fields ranging from economics and finance to areas like hydrology and finance
- identify suitable data to do so and
- know how to translate an empirical problem into a statistical model
- critically assess their findings
- are proficient in assessing the formal properties of key techniques and are able to demonstrate these formally
- independently and competently use and develop statistical routines and code to practically apply these
- independently address relevant exercises
- Praxisrelevanz
The practical relevance of the module is high in view of the key and increasing importance of empirical work in economics and elsewhere.
- Prüfungsmodalitäten
Examination for this module takes place through a written exam (typically 60-90 minutes), or an oral exam (typically 20-40 minutes), or an empirical project (70% of the final grade) combined with a presentation (typically 20 minutes, 30% of the final grade). The type of examination will be communicated at the start of the semester.
- Verwendung in Studiengängen
- Bestandteile
- VO: Statistical Modeling of Extremes (3 Credits)
- UEB: Statistical Modeling of Extremes (3 Credits)
Modul (6 Credits)
Stochastic Simulation
- Name im Diploma Supplement
- Stochastic Simulation
- Verantwortlich
- Voraussetzungen
- Siehe Prüfungsordnung.
- Workload
- 180 Stunden studentischer Workload gesamt, davon:
- Präsenzzeit: 60 Stunden
- Vorbereitung, Nachbereitung: 60 Stunden
- Prüfungsvorbereitung: 60 Stunden
- Dauer
- Das Modul erstreckt sich über 1 Semester.
- Qualifikationsziele
Die Studierenden
- besitzen einen umfassenden Überblick über Monte Carlo Methoden
- kennen die zugrundeliegenden Algorithmen zur Simulation von geeigneten Zufallszahlen und Zufallsprozessen
- können Monte Carlo Methoden für ökonomische Analysen anwenden
- sind in der Lage eigenständig und mit Hilfe statistischer Software Simulationsstudien durchzuführen
- können selbständig ausgewählte Übungsaufgaben bearbeiten
- Praxisrelevanz
Simulationsstudien und Monte Carlo Verfahren sind unerlässlich, sobald analytische Schätzverfahren unmöglich oder zu kompliziert sind.
- Prüfungsmodalitäten
Zum Modul erfolgt eine modulbezogene Prüfung in der Gestalt einer mündlichen Prüfung (in der Regel: 20-40 Minuten).
- Verwendung in Studiengängen
- Bestandteile
- VO: Stochastic Simulation (3 Credits)
- UEB: Stochastic Simulation (3 Credits)
Modul (6 Credits)
Zeitreihenanalyse
- Name im Diploma Supplement
- Time Series Analysis
- Verantwortlich
- Voraussetzungen
- Siehe Prüfungsordnung.
- Workload
- 180 Stunden studentischer Workload gesamt, davon:
- Präsenzzeit: 60 Stunden
- Vorbereitung, Nachbereitung: 60 Stunden
- Prüfungsvorbereitung: 60 Stunden
- Dauer
- Das Modul erstreckt sich über 1 Semester.
- Qualifikationsziele
Die Studierenden
- besitzen einen umfassenden Überblick über lineare Zeitreihenmodelle und können diese anhand von Daten quantifizieren
- kennen die formalen Eigenschaften zentraler Verfahren und können sie mathematisch zeigen
- können ökonomische Probleme sachgerecht in ein lineares Zeitreihenmodell überführen, die geeigneten Daten auswählen und die empirischen Befunde kritisch kommentieren
- sind in der Lage eigenständig und mit Hilfe geeigneter statistischer und ökonometrischer Software praktische Probleme Praxis zu lösen
- können selbständig ausgewählte Übungsaufgaben bearbeiten
- Praxisrelevanz
Die Praxisrelevanz ist aufgrund der großen Bedeutung der Empirie in den Wirtschaftswissenschaften hoch und wird sich noch weiter erhöhen.
- Prüfungsmodalitäten
Zum Modul erfolgt eine modulbezogene Prüfung in der Gestalt einer Klausur (in der Regel: 60-90 Minuten).
- Verwendung in Studiengängen
- Bestandteile
- VO: Zeitreihenanalyse (3 Credits)
- UEB: Zeitreihenanalyse (3 Credits)
Angebotene Lehrveranstaltungen
Vorlesung mit integrierter Übung
Advanced R for Econometricians
- Name im Diploma Supplement
- Advanced R for Econometricians
- Anbieter
- Lehrperson
- SWS
- 4
- Sprache
- englisch
- Turnus
- unregelmäßig
- maximale Hörerschaft
- 20
- empfohlenes Vorwissen
A solid understanding of basic R programming as, for example, taught in our Master-level econometrics courses is required.
- Abstract
This course teaches advanced topics in R programming that become increasingly relevant for everyday applications in both applied and theoretical econometrics and empirical economics.
The first part of the course covers intermediate concepts in functional and object orientated programming, error handling, profiling and benchmarking as well as a treatment of selected R packages tailored for big data applications. Students are also introduced to reporting with dynamic documents. Part II deals with the tidyverse, a collection of packages designed for modern applications in data science. The third part introduces topics such as multi-core computing, C++ integration and other cutting-edge R extensions.
Students are prepared for applications in future studies and are able to efficiently tackle research-related programming tasks.
- Lehrinhalte
Part I
- R at its Heart: Functional Programming
- Getting it right: debugging, profiling and testing
- Reporting: Reproducible Research with R Markdown
Part II
- A Grammar of graphics: ggplot2
- Keep it clean: selected tidyverse packages
- Getting data: webscraping and text mining
Part III
- Version control: git and github
- Need for speed: Rcpp and RcppArmadillo
- Harnessing power: parallelization
- Show it to others: Shiny, R Packages
- Literaturangaben
- Eddelbuettel, D. (2013). Seamless R and C++ Integration with Rcpp. Springer
- Grolemund, G.; Wickham, H. (2017); R for Data Science. O’Reilly
- Matloff, N. (2011). The Art of R Programming. No Starch Press
- Wickham, H. (2019). Advanced R. CRC Press
- Wickham, H. (2009). ggplot2 - Elegant Graphics for Data Analysis. Springer
- Xie, Y. (2018); R Markdown: The Definitive Guide. CRC Press
- didaktisches Konzept
Presentation, discussion and joint solving of programming exercises.
Die Veranstaltung entspricht einem Vorlesungsanteil von 2 SWS und einem Übungsanteil von 2 SWS.
- Hörerschaft
Vorlesung
Bayesian Econometrics
- Name im Diploma Supplement
- Bayesian Econometrics
- Anbieter
- Lehrperson
- SWS
- 2
- Sprache
- englisch
- Turnus
- unregelmäßig
- maximale Hörerschaft
- unbeschränkt
- empfohlenes Vorwissen
Knowledge of basic econometric concepts such as communicated in our bachelor and master courses “Einführung in die Ökonometrie" and “Methoden der Ökonometrie“ as well as good working knowledge of mathematical statistics.
- Lehrinhalte
- Bayesian inference
- Classical simulation methods
- Markov chains
- Markov chain Monte-Carlo methods
- Gibbs-Sampler, Metropolis-Hastings algorithm
- Applications, such as linear regression, Lasso, (multivariate) time series, latent variable models
- Literaturangaben
- Greenberg, E. (2013). Introduction to Bayesian econometrics (2. Aufl.). Cambridge: Cambridge University Press.
- Hayashi, F. (2000). Econometrics. Princeton: Princeton Univ. Press.
- didaktisches Konzept
Classes are organized around traditional lectures. Students are however expected to contribute intensively through active discussion. Lectures are complemeted via, e.g., illustrations in R, joint interactive programming to better understand the statistical concepts as well as comprehensive problem sets to deepen students’ proficiency.
- Hörerschaft
Übung
Bayesian Econometrics
- Name im Diploma Supplement
- Bayesian Econometrics
- Anbieter
- Lehrperson
- SWS
- 2
- Sprache
- englisch
- Turnus
- unregelmäßig
- maximale Hörerschaft
- unbeschränkt
- empfohlenes Vorwissen
see lecture
- Lehrinhalte
see lecture
- Literaturangaben
see lecture
- Hörerschaft
Vorlesung mit integrierter Übung
Deskriptive Statistik
- Name im Diploma Supplement
- Descriptive Statistics
- Anbieter
- Lehrperson
- SWS
- 4
- Sprache
- deutsch
- Turnus
- Wintersemester
- maximale Hörerschaft
- unbeschränkt
- empfohlenes Vorwissen
keines
- Lehrinhalte
- Eindimensionale Häufigkeitsverteilungen
- Lage-, Streuungs-, Schiefe- und Kurtosismaße
- Konzentrationsmaße
- Zweidimensionale Häufigkeitsverteilungen
- Regressionsanalyse
- Elementare Zeitreihenanalyse
- Indexzahlen
- Literaturangaben
- Assenmacher, W. (2010). Deskriptive Statistik (4. Aufl.). Berlin [u.a.] : Springer.
- Bamberg, M. G.; Baur F. ; Krapp. (2011). Statistik (16. Aufl.). München: Oldenbourg.
- Behr, A.; Pötter, U. (2011). Einführung in die Statistik mit R (2. Aufl.). München: Vahlen.
- Fahrmeir, L. (2011). Statistik: der Weg zur Datenanalyse (7. Aufl.). Berlin [u.a.]: Springer.
- Mosler, K.; Schmid, F. (2011). Wahrscheinlichkeitsrechnung und schließende Statistik (4. Aufl.). Heidelberg [u.a.]: Springer.
- Mosler, K.; Schmid, F. (2009). Beschreibende Statistik und Wirtschaftsstatistik. (4. Aufl.). Dordrecht; Heidelberg; London; New York: Springer.
- Rohwer, G.; Pötter, U. (2001). Grundzüge der sozialwissenschaftlichen Statistik. Weinheim [u.a.]: Juventa-Verl.
- didaktisches Konzept
Der Vorlesungsstoff wird durch Übungsaufgaben und Tutorien unterstützt. Um eigenständiges Arbeiten zu motivieren, wird eine Vielzahl von Arbeitsblättern bzw. Onlineaufgaben bereitgestellt, deren thematische Breite das weite Einsatzspektrum der behandelten Methoden zeigt.
Die Veranstaltung entspricht einem Vorlesungsanteil von 2 SWS und einem Übungsanteil von 2 SWS.
- Hörerschaft
Vorlesung
Einführung in die Ökonometrie
- Name im Diploma Supplement
- Introduction to Econometrics
- Anbieter
- Lehrperson
- SWS
- 2
- Sprache
- deutsch
- Turnus
- Wintersemester
- maximale Hörerschaft
- unbeschränkt
- empfohlenes Vorwissen
Kenntnisse aus dem Bereich der deskriptiven und induktiven Statistik
- Qualifikationsziele
Die Studierenden
- kennen die Rolle der Ökonometrie in den Wirtschaftswissenschaften
- formulieren geeignete Regressionsmodelle und Hypothesentests
- beurteilen die Qualität verschiedener Schätzverfahren
- beurteilen empirische Ergebnisse
- Lehrinhalte
- Aufgabe der Ökonometrie
- Spezifikation der Regressionsgleichung
- Kriterien für gute Schätzer
- das einfache und multiple Regressionsmodell
- der KQ-Schätzer in einfach und multiplen Regressionen
- Bestimmtheitsmaß
- Hypothesentests
- Dummyvariablen
- Schätzung kausaler Effekte
- Instrumentvariablen
- Multikollinearität
- Heteroskedastizität
- Literaturangaben
- Assenmacher, W. (2002): Einführung in die Ökonometrie (6. Aufl.). München [u.a.]: Oldenbourg.
- von Auer, L. (2013): Ökonometrie: Eine Einführung (6. Aufl.). Berlin [u.a.]: Springer Gabler.
- Stock, J. H.; Watson, M. W. (2014). Introduction to econometrics (3. Aufl.). Boston [u.a.]: Pearson.
- Wooldridge, J. M. (2015). Introductory econometrics : A modern approach (6. Aufl.). Cincinnati, Ohio: South-Western, CENGAGE Learning Custom Publishing
- Hörerschaft
Übung
Einführung in die Ökonometrie
- Name im Diploma Supplement
- Introduction to Econometrics
- Anbieter
- Lehrperson
- SWS
- 2
- Sprache
- deutsch
- Turnus
- Wintersemester
- maximale Hörerschaft
- unbeschränkt
- empfohlenes Vorwissen
Kenntnisse aus dem Bereich der deskriptiven und induktiven Statistik
- Qualifikationsziele
Die Studierenden
- können selbständig ausgewählte Übungsaufgaben zu den in der Vorlesung behandelten Inhalten bearbeiten
- Lehrinhalte
siehe Vorlesung
- Literaturangaben
siehe Vorlesung
- Hörerschaft
Seminar
Fachseminar Ökonometrie
- Name im Diploma Supplement
- Seminar Econometrics
- Anbieter
- Lehrperson
- SWS
- 2
- Sprache
- deutsch
- Turnus
- unregelmäßig
- maximale Hörerschaft
- unbeschränkt
- empfohlenes Vorwissen
Computergestützte Methoden und/oder Einführung in die Ökonometrie (bzw. Kenntnisse aus dem Bereich der Regressionsanalyse und der Computergestützten Statistik und/oder Ökonometrie)
- Abstract
Im Rahmen des Fachseminars Ökonometrie führen die Studierenden Analysen zu ausgewählte angewandten und theoretischen Fragestellungen durch. Sie stellen die verwendeten ökonometrischen Verfahren und empirischen Ergebnisse in einer Präsentation vor.
- Lehrinhalte
- Datenrecherche und -aufbereitung
- Programmierung
- Ökonometrische Verfahren
- Anfertigung einer Präsentation
Informationen zu den Voraussetzungen und zur Bewerbung finden Sie auf der Homepage des Lehrstuhls
- Literaturangaben
wird jeweils vor der Veranstaltung bekannt gegeben, typischerweise wissenschaftliche Aufsätze
- didaktisches Konzept
Die Teilnehmer/-innen werden bei der Anfertigung der eigenen Seminararbeit und der Präsentation unterstützt.
- Hörerschaft
Seminar
Fachseminar Ökonometrische Methoden
- Name im Diploma Supplement
- Seminar Econometric Methods
- Anbieter
- Lehrperson
- SWS
- 2
- Sprache
- deutsch/englisch
- Turnus
- unregelmäßig
- maximale Hörerschaft
- unbeschränkt
- empfohlenes Vorwissen
Kenntnisse des methodischen Hintergrunds der Ökonometrie so wie etwa vermittelt in den Veranstaltungen "Methoden der Ökonometrie" sowie je nach Themenwahl des Seminars ggf. der Module "Zeitreihenanalyse" sowie "Fortgeschrittene Ökonometrie".
- Abstract
Im Rahmen des Fachseminars Ökonometrische Methoden erarbeiten, präsentieren und diskutieren die Studierenden aktuelle Forschungsergebnisse aus der methodischen sowie unter Umständen angewandten Ökonometrie.
- Lehrinhalte
- Erarbeitung wissenschaftlicher Fachliteratur zu modernen ökonometrischen Verfahren
- Datenrecherche und -aufbereitung/Programmierung
- Anfertigung einer Seminararbeit und einer Präsentation
Informationen zu den Voraussetzungen und zur Bewerbung finden Sie auf der Homepage des Lehrstuhls
- Literaturangaben
wird jeweils vor der Veranstaltung bekannt gegeben, typischerweise wissenschaftliche Aufsätze
- didaktisches Konzept
Die Teilnehmer/-innen werden bei der Anfertigung der eigenen Seminararbeit und der Präsentation unterstützt.
- Hörerschaft
Vorlesung mit integrierter Übung
Induktive Statistik
- Name im Diploma Supplement
- Statistical Inference
- Anbieter
- Lehrperson
- SWS
- 4
- Sprache
- deutsch
- Turnus
- Sommersemester
- maximale Hörerschaft
- unbeschränkt
- empfohlenes Vorwissen
Kenntnisse aus dem Bereich der Deskriptiven Statistik
- Lehrinhalte
- Grundlagen der Wahrscheinlichkeitsrechnung
- Eindimensionale Zufallsvariablen
- Zweidimensionale Zufallsvariablen
- Konvergenz von Folgen von Zufallsvariablen und von Verteilungsfunktionen
- Grundzüge der Stichprobentheorie
- Statistische Schätzverfahren
- Statistische Testverfahren
- Literaturangaben
- Assenmacher, W. (2009). Induktive Statistik (2. Aufl.). Berlin [u.a.]: Springer.
- Bamberg, M. G.; Baur, F.; Krapp, M. (2011). Statistik (16. Aufl.). München: Oldenbourg.
- Behr, A.; Pötter. U. (2011). Einführung in die Statistik mit R (2. Aufl.). München: Vahlen.
- Fahrmeir, L. (2011). Statistik : der Weg zur Datenanalyse (7. Aufl.). Berlin [u.a.]: Springer.
- Mosler, K.; Schmid, F. (2011). Wahrscheinlichkeitsrechnung und schließende Statistik (4. Aufl.). Heidelberg [u.a.]: Springer.
- Rohwer, G.; Pötter, U. (2001). Grundzüge der sozialwissenschaftlichen Statistik. Weinheim [u.a.]: Juventa-Verl.
- Rohwer, G.; Pötter, U. (2002). Wahrscheinlichkeit : Begriff und Rhetorik in der Sozialforschung. Weinheim [u.a.]: Juventa-Verl.
- didaktisches Konzept
Der Vorlesungsstoff wird durch Übungsaufgaben und Tutorien unterstützt. Um eigenständiges Arbeiten zu motivieren, wird eine Vielzahl von Arbeitsblättern bzw. Onlineaufgaben bereitgestellt, deren thematische Breite das weite Einsatzspektrum der behandelten Methoden zeigt.
Die Veranstaltung entspricht einem Vorlesungsanteil von 2 SWS und einem Übungsanteil von 2 SWS.
- Hörerschaft
Vorlesung
Kausalanalyse
- Name im Diploma Supplement
- Causal Analysis
- Anbieter
- Lehrperson
- SWS
- 2
- Sprache
- deutsch
- Turnus
- unregelmäßig
- maximale Hörerschaft
- unbeschränkt
- Erläuterung zum unregelmäßigen Turnus
- Die Veranstaltung findet zunächst einmalig statt und wird in Abhängigkeit der studentischen Aufnahme unter Berücksichtigung der personellen Ressourcen des Lehrgebiets Ökonometrie ggf. fortgeführt.
- empfohlenes Vorwissen
Kenntnisse der statistischen Inferenz und (multiplen) linearen Regression so wie etwa vermittelt im Modul Einführung in die Ökonometrie.
- Abstract
Der Kurs bietet aufbauend auf vorhandenen Kenntnissen der Ökonometrie eine Einführung in empirische Werkzeuge, die unter geeigneten Bedingungen belastbare statistische Kausalaussagen liefern können. Hierbei werden methodischen und intuitive Grundlagen der Verfahren, konkrete empirische Analysen als auch die eigenständige Implementierung in statistischer Software behandelt.
- Lehrinhalte
Kernwerkzeuge der empirischen Kausalanalyse, etwa:
- Identifikation
- Kausale Diagramme
- Matching
- Simulation
- Fixed Effects
- Event Studies
- Difference in Differences
- Instrumental Variables
- Regression Discontinuity
- Literaturangaben
- Huntington-Klein, N. The Effect: An Introduction to Research Design and Causality. https://theeffectbook.net/
- Cunningham, S. Causal Inference – The Mixtape. https://mixtape.scunning.com/
Weitere Literatur wird ggf. in der Veranstaltung bekannt gegeben.
- Hörerschaft
Übung
Kausalanalyse
- Name im Diploma Supplement
- Causal Analysis
- Anbieter
- Lehrperson
- SWS
- 2
- Sprache
- deutsch
- Turnus
- unregelmäßig
- maximale Hörerschaft
- unbeschränkt
- Erläuterung zum unregelmäßigen Turnus
- Die Veranstaltung findet zunächst einmalig statt und wird in Abhängigkeit der studentischen Aufnahme unter Berücksichtigung der personellen Ressourcen des Lehrgebiets Ökonometrie ggf. fortgeführt.
- empfohlenes Vorwissen
siehe Vorlesung
- Lehrinhalte
siehe Vorlesung
- Literaturangaben
- siehe Vorlesung
- didaktisches Konzept
- Übungsaufgaben
- Replikation empirischer Studien
- Diskussion
- Gemeinsames Programmieren
- Hörerschaft
Vorlesung
Methoden der Ökonometrie
- Name im Diploma Supplement
- Econometric Methods
- Anbieter
- Lehrperson
- SWS
- 2
- Sprache
- deutsch
- Turnus
- Wintersemester
- maximale Hörerschaft
- unbeschränkt
- empfohlenes Vorwissen
Kenntnisse grundlegender ökonometrischer Methoden, wie bspw. vermittelt in dem Modul "Einführung in die Ökonometrie" sowie gute Kenntnisse der mathematischen Statistik.
- Abstract
Vermittlung umfassender Kenntnisse moderner statistischer und ökonometrischer Methoden.
- Lehrinhalte
- Stochastisches, statistisches und ökonometrisches Modell
- Identifikation und Multikollinearität
- Die Schätzeigenschaften der OLS-Methode bei der multiplen Regression
- Normalverteilte Störvariablen
- Testen in multiplen Regressionsmodellen
- Asymptotik
- Autokorrelation, Heteroskedastizität und die verallgemeinerte Methode der kleinsten Quadrate
- Paneldaten
- Literaturangaben
- Amemiya, T. (1994). Introduction to statistics and econometrics. Cambridge, Mass. [u.a.]: Harvard Univ. Press.
- Baltagi, B. H. (2011). Econometrics (5. Aufl.). Berlin [u.a.]: Springer.
- Davidson, R.; MacKinnon, J. G. (1993). Estimation and inference in econometrics. New York [u.a.]: Oxford Univ. Press.
- Davidson, R.; MacKinnon, J. G. (2004). Econometric theory and methods. New York [u.a.]: Oxford Univ. Press.
- Greene, W. H. (2012). Econometric analysis (7. Aufl.). Boston [u.a.]: Pearson.
- Hayashi, F. (2000). Econometrics. Princeton [u.a.]: Princeton Univ. Press.
- Verbeek, M. (2012). A guide to modern econometrics (4. Aufl.). Chichester, West Sussex: Wiley.
- Wooldridge, J. M. (2010). Econometric analysis of cross section and panel data (2. Aufl.). Cambridge, Mass. [u.a.]: MIT Press.
- didaktisches Konzept
Präsentation des Stoffes, Darstellung der Theorie und der Praxisrelevanz, Bearbeitung von Übungsaufgaben
- Hörerschaft
Übung
Methoden der Ökonometrie
- Name im Diploma Supplement
- Econometric Methods
- Anbieter
- Lehrperson
- SWS
- 2
- Sprache
- deutsch
- Turnus
- Wintersemester
- maximale Hörerschaft
- unbeschränkt
- empfohlenes Vorwissen
Kenntnisse grundlegender ökonometrischer Methoden so wie vermittelt etwa in dem Modul "Einführung in die Ökonometrie" sowie gute Kenntnisse der mathematischen Statistik.
- Abstract
Vermittlung umfassender Kenntnisse moderner statistischer und ökonometrischer Methoden.
- Lehrinhalte
siehe Vorlesung
- Literaturangaben
siehe Vorlesung
- didaktisches Konzept
Präsentation des Stoffes, Darstellung der Theorie und der Praxisrelevanz, Bearbeitung von Übungsaufgaben
- Hörerschaft
Vorlesung
Multivariate Zeitreihenanalyse
- Name im Diploma Supplement
- Multivariate Time Series Analysis
- Anbieter
- Lehrperson
- SWS
- 2
- Sprache
- deutsch
- Turnus
- unregelmäßig
- maximale Hörerschaft
- unbeschränkt
- empfohlenes Vorwissen
Kenntnisse grundlegender ökonometrischer Methoden wie etwa in dem Modul "Einführung in die Ökonometrie" vermittelt sowie gute Kenntnisse der mathematischen Statistik. Außerdem Kenntnisse der univariaten Zeitreihenalayse wie etwa in dem Modul "Zeitreihenanalyse" vermittelt.
- Abstract
Vermittlung der Theorie stationärer und nicht-stationärer Vektor-Autoregressiver (VAR) Modelle und ihrer praktischen Implementierung.
- Lehrinhalte
- stationäre VAR Modelle
- Prognosen
- Kointegration
- Fehlerkorrekturmodelle
- Parameterschätzung
- Literaturangaben
- Hamilton (1994) Time Series Analysis. Princeton University Press, 1st ed.
- Lütkepohl (2005) New Introduction to Multiple Time Series Analysis. Springer, 1st ed.
- Tsay (2010) Analysis of Financial Time Series. Wiley, 3rd ed.
- Tsay (2014) Multivariate Time Series Analysis: With R and Financial Applications. Wiley, 1st ed.
- didaktisches Konzept
Präsentation von VAR Modellen und Fehlerkorrektur-Modellen.
- Hörerschaft
Übung
Multivariate Zeitreihenanalyse
- Name im Diploma Supplement
- Multivariate Time Series Analysis
- Anbieter
- Lehrperson
- SWS
- 2
- Sprache
- deutsch
- Turnus
- unregelmäßig
- maximale Hörerschaft
- unbeschränkt
- empfohlenes Vorwissen
Siehe Vorlesung.
- Lehrinhalte
Siehe Vorlesung.
- Literaturangaben
Siehe Vorlesung.
- didaktisches Konzept
Präsentation von VAR Modellen und Fehlerkorrektur-Modellen, Bearbeitung von theoretischen und praktischen Übungsaufgaben - letztere mit Hilfe statistischer Software
- Prüfungsmodalitäten
Bearbeitung von theoretischen und praktischen Übungsaufgaben - letztere mit Hilfe statistischer Software
- Hörerschaft
Vorlesung
Nonparametric Econometrics
- Name im Diploma Supplement
- Nonparametric Econometrics
- Anbieter
- Lehrperson
- SWS
- 2
- Sprache
- englisch
- Turnus
- unregelmäßig
- maximale Hörerschaft
- unbeschränkt
- empfohlenes Vorwissen
Knowledge of basic econometric concepts such as communicated in our bachelor and master courses “Einführung in die Ökonometrie" and “Methoden der Ökonometrie“ as well as good working knowledge of mathematical statistics.
- Lehrinhalte
- Univariate density estimation
- Multivariate density estimation
- Inference about the density
- Nonparametric regression
- Smoothing discrete variables
- Regression with discrete covariates
- Semiparametric methods
- Instrumental variables
- Literaturangaben
- Hayashi, F. (2000). Econometrics. Princeton: Princeton Univ. Press.
- Henderson, D. J.; Parmeter, C. F. (2015). Applied Nonparametric Econometrics. New York: Cambridge University Press
- Li, Q.; Racine, J. S. (2006). Nonparametric Econometrics: Theory and Parctice. Princeton University Press
- didaktisches Konzept
Classes are organized around traditional lectures. Students are however expected to contribute intensively through active discussion. Lectures are complemeted via, e.g., illustrations in R, joint interactive programming to better understand the statistical concepts as well as comprehensive problem sets to deepen students’ proficiency.
- Hörerschaft
Übung
Nonparametric Econometrics
- Name im Diploma Supplement
- Nonparametric Econometrics
- Anbieter
- Lehrperson
- SWS
- 2
- Sprache
- englisch
- Turnus
- unregelmäßig
- maximale Hörerschaft
- unbeschränkt
- empfohlenes Vorwissen
see lecture
- Lehrinhalte
see lecture
- Literaturangaben
see lecture
- Hörerschaft
Seminar
Practising Econometric Research
- Name im Diploma Supplement
- Practising Econometric Research
- Anbieter
- Lehrperson
- SWS
- 2
- Sprache
- englisch
- Turnus
- Wintersemester
- maximale Hörerschaft
- 20
- empfohlenes Vorwissen
A working knowledge of econometrics is required. Skills in statistical programming may be helpful.
- Abstract
Participants gain insight into recent econometric research and are familiarized at an early stage with how professional researchers present by attending several research seminar presentations. Students prepare themselves for the presentations by reading suitable seminal papers and/or working paper versions on which the presentation is based beforehand. Summaries of the seminars and a small final project relating to a selected presentation must be prepared.
- Lehrinhalte
Students may choose from a list of seminars at all campuses of TUD, UDE and RUB. These will mostly be an appropriate subset with statistical/econometric focus of the seminars linked at the bottom of http://rgs-econ.org/courses/.
- Literaturangaben
Papers underlying the presentations, to be determined at a later stage.
- Hörerschaft
Vorlesung
Recent Developments in Econometrics
- Name im Diploma Supplement
- Recent Developments in Econometrics
- Anbieter
- Lehrperson
- SWS
- 2
- Sprache
- englisch
- Turnus
- Wintersemester
- maximale Hörerschaft
- unbeschränkt
- empfohlenes Vorwissen
Basic knowledge of econometric methods as, for example, taught in the module "Methoden der Ökonometrie" as well as good knowledge of mathematical statistics (e.g., distributions) and mathematics (e.g., matrices). Some recap will be offered as needed.
- Abstract
The goal of the course is to provide students with broad knowledge regarding core as well as more recent econometric methods, with a particular focus on their formal properties.
- Lehrinhalte
Topics such as
- econometric methods:
- estimating causal effects
- asymptotics
- heteroskedasticity
- simultaneous equations (3SLS, SUR etc.)
- GMM
- IV
- panel data
- empirical processes (only offered irregularly when the above core topics are offered and covered elsewhere):
- asymptotics:
- Review of modes of convergence
- Weak, Strong, general Law of Large Numbers, Law of Iterated Logarithm
- Ergodic Theorem, Delta Method
- Central Limit Theorems, regular and functional
- Transformations: variance stabilization and symmetrization
- empirical processes:
- Weak convergence, outer integrals, measurability
- Maximal inequalities, covering numbers
- Symmetrization
- Donsker Theorem, Vapnik Cervonenkis classes, invariance principle
- Hadamard differentiability
- Bootstrap, Delta method for the bootstrap
- Semiparametric methods
- asymptotics:
- nonparametric econometrics (only offered irregularly when the above core topics are offered and covered elsewhere):
- Univariate density estimation
- Inference about the density
- Nonparametric regression
- Regression with discrete covariates
- Uniform Central Limit Theorems for Nonparametric Statistics
- econometric methods:
- Literaturangaben
- DasGupta, A. (2008). Asymptotic Theory of Statistics and Probability, Springer
- Hayashi, F. (2000). Econometrics. Princeton [u.a.]: Princeton Univ.
- Kosorok, M. (2008). Introduction to Empirical Processes and Semiparametric Inference, Springer
- Pagan, R., Ullah, A., (2008). Nonparametric Econometrics: Theory and Parctice. Cambridge Univ. Press
- Serfling, R., (1982). Approximation Theorems of Mathematical Statistics. Wiley and Sons
- Shorak, G., Wellner, J., (1986). Empirical Processes with Applications to Statistics, Wiley and Sons
- van der Vaart, A., Wellner, J. (1996). Weak Convergence and Empirical Processes, Springer
- van der Vaart, A., (1998). Asymptotic Statistics. Cambridge Univ. Press
- Wooldridge, J. M. (2010). Econometric analysis of cross section and panel data (2. Aufl.). Cambridge, Mass. [u.a.]: MIT Press
- didaktisches Konzept
Lectures with the intention of jointly discussing and developing as much of the material as possible. Additionally, joint programming in R as well as other tutorials.
- Hörerschaft
Übung
Recent Developments in Econometrics
- Name im Diploma Supplement
- Recent Developments in Econometrics
- Anbieter
- Lehrperson
- SWS
- 2
- Sprache
- englisch
- Turnus
- Wintersemester
- maximale Hörerschaft
- unbeschränkt
- empfohlenes Vorwissen
see lecture
- Lehrinhalte
see lecture
- Literaturangaben
see lecture
- Hörerschaft
Vorlesung
Statistical Learning
- Name im Diploma Supplement
- Statistical Learning
- Anbieter
- Lehrperson
- SWS
- 2
- Sprache
- englisch
- Turnus
- Sommersemester
- maximale Hörerschaft
- unbeschränkt
- empfohlenes Vorwissen
Knowledge of basic econometric concepts such as communicated in our bachelor and master courses “Einführung in die Ökonometrie" and “Methoden der Ökonometrie“ as well as good working knowledge of mathematical statistics.
- Lehrinhalte
- Linear regression and k-nearest neighbors
- Classification
- Resampling methods
- Linear Model selection and regularization
- Polynomial regression, splines and local regression
- Tree-Based methods
- Support vector machines
- Unsupervised learning
- Literaturangaben
- Bishop, C. M. (2006). Pattern recognition and machine learning. New York: Springer.
- Davidson, R.; MacKinnon, J. G. (2004). Econometric theory and methods. New York: Oxford Univ. Press.
- Hastie, T.; Tibshirani R.; Friedman, J. (2013). The elements of statistical learning : data mining, inference, and prediction (2nd edition). New York: Springer.
- Hayashi, F. (2000). Econometrics. Princeton: Princeton Univ. Press.
- James, G.; Witten, D.; Hastie, T.; Tibshirani, R. (2016). An introduction to statistical learning : with applications in R. New York: Springer.
- Wooldridge, J. M. (2010). Econometric analysis of cross section and panel data (2nd edition). Cambridge, Mass.: MIT Press.
- didaktisches Konzept
Classes are organized around traditional lectures. Students are however expected to contribute intensively through active discussion. Lectures are complemeted via, e.g., illustrations in R, joint interactive programming to better understand the statistical concepts as well as comprehensive problem sets to deepen students’ proficiency.
- Hörerschaft
Übung
Statistical Learning
- Name im Diploma Supplement
- Statistical Learning
- Anbieter
- Lehrperson
- SWS
- 2
- Sprache
- englisch
- Turnus
- Sommersemester
- maximale Hörerschaft
- unbeschränkt
- empfohlenes Vorwissen
see lecture
- Lehrinhalte
see lecture
- Literaturangaben
see lecture
- Hörerschaft
Vorlesung
Statistical Modeling of Extremes
- Name im Diploma Supplement
- Statistical Modeling of Extremes
- Anbieter
- Lehrperson
- SWS
- 2
- Sprache
- englisch
- Turnus
- unregelmäßig
- maximale Hörerschaft
- unbeschränkt
- empfohlenes Vorwissen
Knowledge of basic econometric concepts such as communicated in our bachelor and master courses “Einführung in die Ökonometrie" and “Methoden der Ökonometrie“ as well as good working knowledge of mathematical statistics.
- Lehrinhalte
- Models for maxima
- Peaks over threshold
- Extremes of dependent sequences
- Extremes of non-stationary sequences
- Multivariate extremes
- Literaturangaben
- Hayashi, F. (2000). Econometrics. Princeton: Princeton Univ. Press.
- Gumbel (1958) Statistics of Extremes, Columbia University Press
- Coles (2001) An Introduction to Statistical Modeling of Extreme Values, Springer
- Beirlant, Goegebeur, Segers and Teugels (2004) Statistics of Extremes: Theory and Applications, Wiley
- Finkenstädt and Rootzén (2004) Extreme Values in Finance, Telecommunications and the Environment, CRC
- de Haan and Ferreira (2006) Extreme Value Theory: An Introduction, Springer
- Reiss and Thomas (2007) Statistical Analysis of Extreme Values with Applications to Insurance, Finance, Hydrology and Other Fields, Birkhäuser
- didaktisches Konzept
Classes are organized around traditional lectures. Students are however expected to contribute intensively through active discussion. Lectures are complemeted via, e.g., illustrations in R, joint interactive programming to better understand the statistical concepts as well as comprehensive problem sets to deepen students’ proficiency.
- Hörerschaft
Übung
Statistical Modeling of Extremes
- Name im Diploma Supplement
- Statistical Modeling of Extremes
- Anbieter
- Lehrperson
- SWS
- 2
- Sprache
- englisch
- Turnus
- unregelmäßig
- maximale Hörerschaft
- unbeschränkt
- empfohlenes Vorwissen
see lecture
- Abstract
see lecture
- Lehrinhalte
see lecture
- Literaturangaben
see lecture
- Hörerschaft
Vorlesung
Stochastic Simulation
- Name im Diploma Supplement
- Stochastic Simulation
- Anbieter
- Lehrperson
- SWS
- 2
- Sprache
- englisch
- Turnus
- unregelmäßig
- maximale Hörerschaft
- unbeschränkt
- empfohlenes Vorwissen
Grundlegende Kenntnisse der Wahrscheinlichkeitstheorie und mathematischen Statistik sowie erste statistische Programmiererfahrungen sind wünschenswert.
- Abstract
Vermittlung von Theorie und praktischer Durchführung von Simulationsstudien, welche statistische Berechnungen erheblich vereinfachen können.
- Lehrinhalte
- Einführung in die Monte Carlo Methode
- Erzeugung von Pseudozufallszahlen
- Varianzreduktion
- Rare-Event Simulation
- Effiziente Simulation von Stochastischen Prozessen
- Markov Chain Monte Carlo Methoden
- Anwendungen
- Literaturangaben
Asmussen, Glynn (2007): Stochastic Analysis. Springer, 1st ed
- didaktisches Konzept
Die Veranstaltung ist als Vorlesung konzipiert, die jedoch durch vielfältige, sachorientierte Diskussionen ihren Frontalcharakter weitestgehend verliert. Dazu R-Illustrationen, gemeinsames Programmieren der statistischen Konzepte, Übungsaufgaben.
- Hörerschaft
Übung
Stochastic Simulation
- Name im Diploma Supplement
- Stochastic Simulation
- Anbieter
- Lehrperson
- SWS
- 2
- Sprache
- englisch
- Turnus
- unregelmäßig
- maximale Hörerschaft
- unbeschränkt
- empfohlenes Vorwissen
Siehe Vorlesung.
- Lehrinhalte
Siehe Vorlesung.
- Literaturangaben
Siehe Vorlesung.
- didaktisches Konzept
Bearbeitung von theoretischen und praktischen Übungsaufgaben – letztere mit Hilfe statistischer Software.
- Hörerschaft
Vorlesung
Zeitreihenanalyse
- Name im Diploma Supplement
- Time Series Analysis
- Anbieter
- Lehrperson
- SWS
- 2
- Sprache
- deutsch
- Turnus
- Sommersemester
- maximale Hörerschaft
- unbeschränkt
- empfohlenes Vorwissen
Kenntnisse grundlegender ökonometrischer Methoden wie etwa in dem Modul "Einführung in die Ökonometrie" vermittelt sowie gute Kenntnisse der mathematischen Statistik. Hilfreich, aber nicht unbedingt notwendig, sind Kenntnisse einer formaleren Herangehensweise an die Ökonometrie wie etwa in dem Modul "Methoden der Ökonometrie" vermittelt.
- Abstract
Vermittlung der grundlegenden linearen Zeitreihenmodelle und ihre Quantifizierung anhand von Zeitreihen.
- Lehrinhalte
- Univariate stationäre Zeitreihenmodelle
- Prognosen
- Multivariate Zeitreihenmodelle
- Einheitswurzelprozess
- Kointegrationsanalyse
- Literaturangaben
- Brockwell, P. J.; Davis, R. A. (2016). Introduction to Time Series and Forecasting. New York: Springer; Auflage: 3rd ed. 2016
- Brockwell, P. J.; Davis, R. A. (2009). Time Series and Methods. New York: Springer; Auflage: 2nd ed. 1991. 2nd printing 2009
- Enders, W. (2010). Applied Economic Time Series (3. Aufl.). Hoboken, NJ: Wiley.
- Hamilton, J. D. (1994). Time series analysis. Princeton, NJ: Princeton Univ. Press.
- Hassler, U. (2016). Stochastic Processes and Calculus: An Elementary Introduction with Applications. New York: Springer; Auflage: 1st ed. 2016
- Hayashi, F. (2000). Econometrics. Princeton [u.a.]: Princeton Univ. Press.
- Schlittgen, R.; Streitberg, B. H. J. (2001). Zeitreihenanalyse (9. Aufl.). München [u.a.]: Oldenbourg.
- didaktisches Konzept
Präsentation der verschiedenen Zeitreihenmodelle, Darstellung ihrer Schätzung, Bearbeitung von Übungsaufgaben
- Hörerschaft
Übung
Zeitreihenanalyse
- Name im Diploma Supplement
- Time Series Analysis
- Anbieter
- Lehrperson
- SWS
- 2
- Sprache
- deutsch
- Turnus
- Sommersemester
- maximale Hörerschaft
- unbeschränkt
- empfohlenes Vorwissen
Kenntnisse grundlegender ökonometrischer Methoden wie etwa in dem Modul "Einführung in die Ökonometrie" vermittelt sowie gute Kenntnisse der mathematischen Statistik. Hilfreich, aber nicht unbedingt notwendig, sind Kenntnisse einer formaleren Herangehensweise an die Ökonometrie wie etwa in dem Modul "Methoden der Ökonometrie" vermittelt.
- Abstract
Vermittlung der grundlegenden linearen Zeitreihenmodelle und ihre Quantifizierung anhand von Stichprobendaten.
- Lehrinhalte
siehe Vorlesung
- Literaturangaben
siehe Vorlesung
- didaktisches Konzept
Präsentation der verschiedenen Zeitreihenmodelle, Darstellung ihrer Schätzung, Bearbeitung von Übungsaufgaben
- Hörerschaft