Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Prognoserechnung – Einführung und Überblick Kapitel lesen Erstes Kapitel lesen

2012 | OriginalPaper | Buchkapitel

9. Ökonometrische Prognoseverfahren für Paneldaten

verfasst von : Christian Aßmann, Susanne Rässler, Katja Wolf

Erschienen in: Prognoserechnung

Verlag: Physica-Verlag HD

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Zusammenfassung

Wiederholungsbefragungen von mehreren Individuen zu wiederkehrenden Zeitpunkten liefern einen reichhaltigen Datenschatz, die sogenannten Paneldaten. Die zweidimensionale Struktur von Paneldaten, bei denen für eine bestimmte Gruppe von Querschnittseinheiten (dies können etwa Personen, Haushalte oder Betriebe sein) interessierende Variablen an mehreren Zeitpunkten erhoben werden, erlaubt die Anwendung reichhaltigerer und realistischerer ökonometrischer Spezifikationen als dies bei Verwendung von Querschnitts- oder Zeitreihendaten allein der Fall wäre (vgl. z.B. [17]). So ermöglicht die Analyse von Paneldaten unter anderem, unbeobachtete zeitkonstante Unterschiede zwischen den einzelnen Querschnittseinheiten innerhalb des Modells zu kontrollieren. Dies gilt sowohl für systematische als auch unsystematische Formen solch einer individuenspezifischen Heterogenität. Bekannte Beispiele für deutsche Paneldaten sind etwa das Sozioökonomische Panel (SOEP), das Nationale Bildungspanel (NEPS) oder das IAB-Betriebspanel. Weitere Beispiele betriebswirtschaftlicher Natur (GfK-Panel) finden sich in Kapitel 19 dieses Buches.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Punkt-, Intervallprognose und Test auf Strukturbruch mithilfe der Regressionsanalyse
Nächstes Kapitel Prognose mit nichtparametrischen Verfahren
Fußnoten
1
Zeitspezifische erklärende Variablen werden nicht gesondert aufgeführt, sind aber ohne Probleme in die Betrachtung einzubeziehen.
 
2
Eine Variation der Koeffizienten zwischen den Zeitpunkten ist ebenso möglich. Dies wird aber im Folgenden nicht separat betrachtet.
 
3
Für eine ausführliche Darstellung der anderen Modellspezifikationen siehe [29].
 
4
An dieser Stelle ist zu erwähnen, dass sowohl im Random- als auch im Fixed-Effects-Modell stets von der mittleren bedingten Unabhängigkeit der gewöhnlichen Störgröße \(\varepsilon _{{it}}\) der erklärenden Variablen ausgegangen wird.
 
5
Ein semiparametrischer Ansatz im Rahmen dichotomer Variablen wird von [19] diskutiert, Anwendungen finden sich bei [10] und [12].
 
6
Gewöhnlich zeichnet sich ein Paneldatensatz durch geringes \(T\), d. h. nur wenige Zeitpunkte, und großes \(N\), d. h. viele Querschnittsbeobachtungen, aus.
 
7
vgl. hierzu z. B. [29]
 
8
Analoges gilt für Modelle mit zeitspezifischen Koeffizienten. Hier ist nur eine Prognose für unbeobachtete Querschnittseinheiten möglich, nicht aber für zukünftige Zeitpunkte.
 
Literatur
1.
Aitkin, M. und Aitkin, I.: A Hybrid EM/Gauss-Newton Algorithm for Maximum Likelihood in Mixture Distributions, Stat. Comput. 6, S. 127–130 (1996)CrossRef
2.
Arellano, M.: Panel Data Econometrics, New York (2003)
3.
Aßmann, C. und Boysen-Hogrefe, J.: A Bayesian Approach to Model-Based Clustering for Binary Panel Probit Models, Comput. Stat. Data. An. 55, S. 261–279 (2011)CrossRef
4.
Baltagi, B.H.: Econometric Analysis of Panel Data, 4. Aufl., Chichester (2008)
5.
Baltagi, B.H., Griffin, J.M. und Xiong, W.: To Pool or Not to Pool: Homogenous Versus Heterogeneous Estimators Applied to Cigarette Demand, Rev. Econ. Stat. 82, S. 117–126 (2000)CrossRef
6.
Beck, N. und Katz, J.: What to Do (and Not to Do) with Time-Series-Cross-Section Data, Am. Polit. Sci. Rev. 89, S. 634–647 (1995)CrossRef
7.
Butler, J.S. und Moffitt, R.: A Computationally Efficient Quadrature Procedure for the One-Factor Multinomial Probit Model, Econometrica 50, S. 761–764 (1982)CrossRef
8.
Dempster, A.P., Laird, N.M. und Rubin, D.B.: Maximum Likelihood from Incomplete Data via the EM Algorithm, J. Roy. Stat. Soc. B 39, S. 1–38 (1977)
9.
Egan, J.: Signal Detection Theory and ROC Analysis, New York (1975)
10.
Fernandez, A. und Rodriguez-Poo, J.: Estimation and Testing in Female Labor Participation Models: Parametric and Semiparametric Models, Economet. Rev. 16, S. 229–247 (1997)CrossRef
11.
Frühwirth-Schnatter, S.: Finite Mixture and Markov Switching Models, New York (2006)
12.
Gerfin, M.: Parametric and Semi-Parametric Estimation of the Binary Response Model, J. Appl. Econom. 11, S. 321–340 (1996)CrossRef
13.
Greene, W.: The Behavior of the Maximum Likelihood Estimator for Limited Dependent Variables in the Presence of Fixed Effects, Economet. J. 7, S. 98–119 (2004)CrossRef
14.
Greene, W.: Convenient Estimators for the Panel Probit Model: Further Results, Empir. Econ. 29, S. 21–47 (2004)CrossRef
15.
Hausman, J.A.: Specification Tests in Econometrics, Econometrica 46, S. 1251–1271 (1978)CrossRef
16.
Hausman, J.A. und Taylor, W.E.: Panel Data and Unobservable Individual Effects, Econometrica 49, S. 1377–1398 (1981)CrossRef
17.
Hsiao, C.: Analysis of Panel Data, 2. Aufl., Cambridge (2003)
18.
Kaplan, D.: Finite Mixture Dynamic Regression Modeling of Panel Data with Implications for Dynamic Response Analysis, J. Educ. Behav. Stat. 30, S. 169–187 (2005)CrossRef
19.
Klein, R. und Spady, R.: An Efficient Semiparametric Estimator for Discrete Choice Models, Econometrica 61 (1993)
20.
Liesenfeld, R., Moura, G.V. und Richard, J.-F.: Determinants and Dynamics of Current Account Reversals: An Empirical Analysis, Oxford B. Econ. Stat. 72, S. 486–517 (2010)CrossRef
21.
Little, R.J.A. und Rubin, D.B.: Statistical Analysis with Missing Data, 2. Aufl., New York (2002)
22.
Maddala, G.S., Trost, R.P., Li, H. und Joutz, F.: Estimation of Short-Run and Long-Run Elasticities of Energy Demand from Panel Data Using Shrinkage Estimators, J. Bus. Econ. Stat. 15, S. 90–100 (1997)
23.
McLachlan, G. und Peel, D.: Finite Mixture Models, New York (2000)
24.
McLachlan, G. und Krishnan, T.: The EM Algorithm and Extensions, 2. Aufl., New York (2008)
25.
Meng, X.-L. und Rubin, D.B.: Using EM to Obtain Asymptotic Variance-Covariance Matrices: the SEM Algorithm, J. Am. Stat. Assoc. 86, S. 899–909 (1991)CrossRef
26.
Pesaran, M.H., Shin Y. und Smith, R.P.: Pooled Mean Group Estimation of Dynamic Heterogeneous Panels, J. Am. Stat. Assoc. 94, S. 621–634 (1999)CrossRef
27.
Taylor, W.E.: Small Sample Consideration in Estimation from Panel Data, J. Econometrics 13, S. 203–223 (1980)CrossRef
28.
Verbeek, M.: A Guide to Modern Econometrics, 3. Aufl., Chichester (2008)
29.
Wolf, K.: Vergleich von Schätz- und Testverfahren unter alternativen Spezifikationen linearer Panelmodelle, Lohmar (2005)
Metadaten
Titel
Ökonometrische Prognoseverfahren für Paneldaten
verfasst von
Christian Aßmann
Susanne Rässler
Katja Wolf
Copyright-Jahr
2012
Verlag
Physica-Verlag HD
Buch
Prognoserechnung

Print ISBN: 978-3-7908-2796-5

Electronic ISBN: 978-3-7908-2797-2

Copyright-Jahr: 2012

DOI
https://doi.org/10.1007/978-3-7908-2797-2_9