Hier sollte eine kurze Zusammenfassung und Einleitung des Abschnittes sein. Diese Seite dient als Vorlage für einen Artikel im Wiki und kann entsprechend angepasst werden.

Inhaltsverzeichnis

Abschnitt 1

Überschriften, die ins Inhaltsverzeichnis aufgenommen werden sollen, müssen die Größen Überschrift 1 (Kapitel) und Überschrift 2 (Unterkapitel) haben. Es können natürlich auch weitere Untergliederungen vorgenommen werden, allerdings tauchen diese nicht im Inhaltsverzeichnis auf. Jedes Kapitel (Überschrift 1) bekommt einen eigenen Bereich.

Formeln

Formeln werden wie Latexcode geschrieben. Für eine gute Einführung siehe Wikibooks.

Eigenständig stehende Formeln werden wie folgt erzeugt.

\[y_{i}= \beta_0 + \beta _{1}x_i+ \epsilon_i,\]

wobei \(\varepsilon_i \sim \mathcal{N}(0,\sigma^2)\) eine Inline-Formel ist.

Hilfe

Es gibt eine Einführung der CeDiS für das Wiki.

Es steht auch das Markup von Confluence zur Verfügung. Siehe z.B. die Hilfe für das Wiki.

Ursache für die Annahmeverletzung

Die Störgrößen korrelieren nicht miteinander, das heißt:  \(cov(\epsilon_i, \epsilon _j)=0\) für alle  \(i \neq j\).  \(cov(\epsilon_i, \epsilon _i)\neq0\) bedeutet die nicht diagonale Kovarianzmatrix: \(cov(\epsilon_i, \epsilon _i)=\sigma^2\Omega\), wobei \(\Omega\): eine nicht-diagonale Matrix ist. Die Korrelation der Störgröße könnte aus folgenden Gründen auftreten:

1. Nicht-Berücksichtigung relevanter Regressoren
2. Autokorrelation in Zeitreihendaten

Überprüfung der unabhängigen Störgrößen und Konsequenz der Annahmeverletzung

Mithilfe des Box-Pierce und Ljung-Box-Tests können mehrere Autokorrelationskoeffizienten darauf getestet werden, ob die Autokorrelationskoeffizienten sich signifikant von null unterscheiden. Die Nullhypothese lautet \(H_0: \rho_1(\epsilon _i)=\rho_2(\epsilon _i)=...=\rho_L(\epsilon i)=0\), die Gegenhypothese \(H_1: \rho_l \neq 0\) gilt für mindestens ein \(l\), wobei \(\rho_l(\epsilon_i)\): der Korrelationskoeffizient der Residuen zum Lag \(l\) und \(L\): die Anzahl der zu testenden Autokorrelationen.

Teststatistik nach Box/Pierce: \(Q_{BP}=N{\Sigma}_{l=1}^K \hat{\rho_l}^2 \sim \chi_L^2\)

Teststatistik nach Ljung/Box: \(Q_{K}=N(N+2){\Sigma}_{l=1}^K \frac{\hat{\rho_l}^2}{T-K} \sim \chi_L^2\) 

wobei \(N\): Stichprobengröße und \(K\): Anzahl der Regressoren.

Wenn die Teststatistik größer als der kritische Wert ist, kann \(H_0\) verworfen werden.

Es gibt auch andere Alternative-Tests, die die Autokorrelation der Störgröße überprüfen: Breusch-Godfrey-Test und Durbin-Watson-Test (Heij et al. 2004).

Wenn die Annahme der unabhängigen Störgrößen verletzt ist, sind die KQ-Schätzer noch unverzerrt aber nicht mehr BLUE. Das heißt, die Standardabweichungen der KQ-Schätzer sind nicht korrekt. Somit sind das Konfidenzintervall und die Hypothesentests basierend auf den Standardabweichungen auch nicht korrekt. 

Korrektur der Annahmeverletzung

Die Autokorrelation könnte auftreten, wenn eine relevante unabhängige Variable nicht in das Regressionsmodell aufgenommen wird. In diesem Fall wird der Effekt der relevanten Variable mit der Störgröße beobachtet. Somit könnte die Störgröße korrelieren. Wenn diese relevante unabhängige Variable aufgenommen wird, verschwindet die Korrelation der Störgröße. (Chatterjee / Hadi 2006) 

Alternative

Alternative 1: HAC (Heteroscedasticity and Autocorrelation Consistent) Standardabweichungen (Newey-West Standardabweichungen)

Da die KQ-Schätzer trotz der Annahmeverletzung noch unverzerrt sind, kann man die Schätzer weiter benutzen und für das Konfidenzintervall und die Hypothesentests robuste Standardabweichungen des Schätzers benutzen. Newey-West Schätzer schätzen eine Heteroskedastizität- und Autokorrelation-konsistente Kovarianzmatrix der Parameter. 

Alternative 2: Verallgemeinerte Kleinste-Quadrate-Schätzung (englisch GLS: Generalized Least Squares): AR (1) (Autoregressiv erster Ordnung)

GLS setzt voraus, dass die Störgröße autoregressiv erster Ordnung ist: \(\epsilon_i=\rho\epsilon_{i-1}+\upsilon_i\) wobei \(|\rho|<1\) und \(\upsilon_i\): unkorrelierte zufällige Störgröße mit \(E(\upsilon_i)=0\) und \(Var(\upsilon_i)=\sigma^2_{\upsilon}\). Das Model mit autoregressiven Störgrößen kann mit \(\rho y_{i-1}= \rho \beta_0 + \rho \beta _{1}x_{1, i-1} + ... + \rho \beta _{K-1}x_{K-1, i-1} + \rho\epsilon_{i-1}\) wie folgt transformiert werden: 

\[y_i - \rho y_{i-1}= \beta_0 (1-\rho) + \beta_{1} (x_{1, i} - x_{1, i-1}) + ... + \beta_{K-1} (x_{K-1, i}x_{K-1, i-1}) +\upsilon_i\].

Die Gleichung kann umgeschrieben werden: 

\[y^{\ast}_i=\beta_0 x^{\ast}_{0, i} + \beta_1 x^{\ast}_{1, i}+...+\upsilon_i\]

Das transformierte Modell hat keine korrelierte Störgröße und die Schätzer können durch die KQ-Schätzung effizient geschätzt werden.

Bildergalerie