Was ist den in dem Fall unser u bei der Aufgabe ?
View 2 more comments
Das mit endogenität habe ich ja verstanden aber ich mein wenn man die Annahme 2 begründen will , muss man sich ja auf ein spezifischen fehlerterm beziehen und es begründen können um zu zeigen das z und u nicht korrelieren.. in den Aufgaben in der Vorlesung hat man sich ja auch immer auf ein bestimmtes u bezogen und es begründet
Also es kommt ja doch bei der zweiten Annahme drauf an was u ist , weil vielleicht ist ja in u etwas was mit der Steuer z korreliert , deshalb wäre dann ja Annahme 2 nicht erfüllt oder ?
Wie schwierig ist denn bitte die Klausur WS19/20 im Vergleich zu den anderen Klausuren? 1c, 2c, 3c&d sind für mich auch mit Skript nicht lösbar. Hat jemand dazu Lösungen?
View 13 more comments
@M&E 17 Vorsicht: Ihr Beispiel bezog sich darauf die abhängige Variable durch 100 zu teilen! Dies hatte zwar Effekte auf den Koeffizienten (der dann auch durch 100 bzw. Aufgrund des Flüchtigkeitsfehlers durch 10 geteilt wurde), aber AUCH auf den Standardfehler ( sie sagt doch in keinem Satz, dass SE unberührt bleibt?). Hier ein Beweis dafür, dass Standardfehler sich im gleichen Maß mitbewegen muss: Würden wir ß1 durch 100 teilen, dann ist dementsprechend unser b1 100x kleiner als vorher. Bei gleichbleibenden Standardfehler würde b1 häufiger aufgrund sinkender T-Statistik abgelehnt werde (macht aber kein Sinn, da wir nur die Einheiten verändert haben). Es muss also auch eine Anpassung der Standardfehler erfolgen, um die gleichen T-Statistiken bzw. p-werte rauszubekommen. R^2 bleibt, wie du richtig gesagt hast, gleich. Also Zusammenfassung: Es ist unbedeutend, ob abhängige oder unabhängige Variable durch irgendeine Zahl geteilt wird —> in beiden Fällen wird sich ß mitbewegen und dementsprechend auch die Standardfehler. T-Statistiken und R^2 bleiben in beiden Fällen gleich
@anonyme taschenlampe Hättest du eine Lösung zu den SE? R^2 bleibt ja gleich.
Da ist dir doch ein Fehler unterlaufen ?
stimmt das hier? ich hab das aus dem Skript so verstanden, dass R^2 bei ungefähr null gut sein sollte, da ja die Varianz geringer und damit das Modell genauer werden muss?
View 1 more comment
Genau je mehr r 2 desto niedrigere varianz und desto besser wird das Modell erklärt
okay habs auch im skript gefunden, danke leute
Vielleicht ist ja jmd so lieb mir zu helfen: ich tue mich mit den Probit- und Logit Modellen super schwer. Kann mir hier einer sagen, was wir dazu wissen sollten? Schaue es mir schon zum x-ten mal an, aber blicke es nicht. Dass es um nicht-lineare Modelle geht ist mir klar, aber was sollte man dazu noch alles wissen für die Klausur? Lieben Dank im Voraus :)
Die beiden Methoden für den Partiellen Effekt, wie man die Koef interpretiert. Vor/Nachteile . Diese Punkte zu kennen wäre glaube ich ganz gut
ich hab: laufzeit = B0 + delta0_y2017 + B1_Teilnahme + delta1(y2017*Teilnahme) + u delta0 für die Veränderung in der Zeit delta1 für den difference in difference estimator
View 1 more comment
Delta 0- der Unterschied innerhalb der kontrollgruppe nach dem einem Jahr Delta 1- der difference in difference estimator - zeigt den Unterschied zwischen dem Effekt der treatment Gruppe (dem einsetzten des neuen Trainingsprogramms nach 1 Jahr) Und der Kontrollgruppe ( Unterschied ohne Einsatz des Programmes nach einem Jahr ) D2- =1 nach dem Effekt - nach dem einem Jahr DT- =1 treatment Gruppe ( neues Programm wurde eingeführt)
@explosion weil wir doch die Jahre 2017 und 2018 haben.
Kannst du dies näher erklären ?
hier muss steuer doch mit rauchen korrelieren, ist ja UNGLEICH 0.
View 2 more comments
ja genau, und das passt hier ja auch, da man ja sagen kann: wenn man die Tabaksteuer um 10% erhöht, dann sinkt ja auch nicht automatisch die Anzahl der täglich gerauchten Zigaretten um 10%
Genau danke :-) also wenn es 1 zu 1 wäre also perfekte kollinearität wäre die Annahme 1 für valides IV verletzt oder ?
Ist es nicht eher so, dass ein Teil von x(vom Rauchen ) mit einem unbeobachtbaren Faktor u (wie zb Raucher Eltern) korreliert -> dies führt zu einem endogenitäts Problem
Finde ich gut geantwortet, aber würde Teilzeit/Vollzeit nicht auch unter ai fallen und ist deshalb nicht mehr Signifikant auf dem 1% Level ?
Könntest du dies näher erläutern?
ich denke nicht, da ja anders als z.b Bildung, Arbeitserfahrung in der Regressionsgleichung separat untergebracht wird, um den bereinigten Effekt zu zeigen.
Ich würde hier vllt noch ergänzen dass hier aufgrund der unterschiedlichen Beta Koeffizienten ein unbeobachteter Faktor existiert, der negativ mit dem Beta pt korreliert- und somit herrscht ein upgrade bias
Ich hab hier: child + child_pt also 0,1054-0,2071 = -0,1017 Angestellte mit Kind in Teilzeit verdienen 10,17% weniger als Angestellte mit Kind in Vollzeit
View 1 more comment
Aber das ist doch pt+child_pt oder ? :D ich hatte nämlich Child + child_pt aber weiß auch garnicht was jetzt wirklich richtig ist
Mit Kind: Teilzeit —> b0+b1(pt)+b2(child)+b3(childxpt) Vollzeit —> b0+b2(Child) Effekt: B1(pt)+b3(childxpt) -20,72%+10,54%= -10,18%
No area was marked for this question
3b) müssten das hier nich Prozentpunkte sein?
View 1 more comment
ich meine auch es müssten Prozentpunkte sein, da es sich um das LPM handelt und es dabei um die Wahrscheinlichkeiten geht
ja kann sein, hab das nochmal nachgeguckt, muss prozentpunkte sein (danke für den Tipp!)
Weiß evtl. jemand wer dieses Mal die Klausur stellt? Paul oder Zhurakhovska
View 4 more comments
Also laut der Folie in Skript scheint es, als würde die Klausur von Paul gestellt werden. Wegen right or wrong
Löwe, wenn du die Vorlesung geschaut hast, dann weißte das die Klausur von Paul gestellt wird. Sie stellt die Klausuren immer im SS, die eine Klausur im WS von ihr war eine Ausnahme
Würde sagen - OLS ist in diesem Fall zu bevorzugen, da zum einen die Interpretation einer IV nur Aussagen über den indirekten von Rauchen aufzeigt und zudem ist dieses Instrument nur im vorliegenden Fall anwendbar