Samenvatting

Inleiding econometrie Nederlandse samenvatting (cijfer: 9,2)

7 keer verkocht

Instelling
Erasmus Universiteit Rotterdam (EUR)

Dit is een Nederlandse samenvatting (boek & hoorcolleges) van het vak Inleiding econometrie. Voor dit vak heb ik een 9,2 behaald.

[Meer zien]

Voorbeeld 4 van de 25 pagina's

Bekijk voorbeeld

Heel boek samengevat? Nee
Wat is er van het boek samengevat? Hoofdstuk 1 t/m 14 m.u.v. h2 en h3.
Geupload op 31 augustus 2020
Aantal pagina's 25
Geschreven in 2018/2019
Type Samenvatting

Volgen

sanneerasmus Lid sinds 4 jaar 181 documenten verkocht

€4,98

In winkelwagen

Op verlanglijstje

100% tevredenheidsgarantie
Direct beschikbaar na je betaling
Lees online óf als PDF
Geen vaste maandelijkse kosten

Inleiding econometrie
STATA commando’s
Commando’s Beschrijving
describe Geeft een basis beschrijving van de dataset
browse Geeft je de mogelijkheid om direct de data
te bekijken
summarize evt.(, detail) → om bijv. Geeft een samenvatting van de
mediaan te berekenen beschrijvende statistiek van alle variabelen
(gemiddelde, standaarddeviatie etc.)
replace Vervangt waardes van een gegeven
Voorbeeld: replace smoke = . if variabele (als er bijv. verkeerde waardes
smoke == -8 staan in de samenvatting)
generate Maakt nieuwe variabelen aan
Voorbeeld: generate
fifty_plus=(age>=50) if age!=.
drop (variabele) Laat variabelen of observaties vallen uit de
dataset
rename (oude naam) (nieuwe naam) Geeft een nieuwe naam aan een variabele
tabulate (variabele) (evt. Genereert one of two-way tabellen
andere variabele)
histogram (variabele) Genereert een histogram
correlate (variabele) (andere Geeft de correlatie, ook gebruiken voor
variabele) evt. (, covariance) covariantie
scatter (variabele) (andere Geeft een puntgrafiek
variabele)
mean Geeft gemiddelde van variabelen
Bijv. mean diast_bp, over(wealth)
→ dit geeft de gemiddeldes van diast_bp
voor verschillende groepen van wealth
ttest Voert een t-test uit
regress y x1 x2, robust Voert regressie uit
Test Test hypotheses na regressie (F-test)
ivregress 2sls y x1 x2 etc. Gebruiken bij instrumentele variabele
(endogene variabele = iv)
probit y x, robust Probit model
logit y x, robust Logit model
tsset (variabele), weekly Maakt een tijdvariabele aan
sort (variabele) (variabele) Sorteert data
pwcorr (variabele) (andere Gebruik je als je variabele met vertraagde
variabele) waarde wilt correleren
corrgram variabele, lags(…) Laat autocorrelatie zien
estat ic Laat informatiecriteria (BIC/AIC) zien
arima y x1, ar(…/…) robust Gebruik voor ARIMA model
regress y x1 x2 Voert regressie met sample gewichten uit
[aweight=weight], robust (negatief = over gerepresenteerd, positief =
onder gerepresenteerd)

,Hoofdstuk 1
Data
Er zijn twee typen data:
* Experimentele data → komt van experimenten die ontworpen zijn om behandelingen of
beleid te evalueren (het onderzoeken van een causaal effect)
* Observationele data → komt van het observeren van mensen (enquête, statistieken)

Datasets komen in 3 verschillende vormen:
* Cross-sectionele data
Data dat verzameld wordt door veel subjects (mensen/bedrijven etc.) te
onderzoeken tijdens één periode.
* Tijdseries data
Data van één subject die verzameld wordt tijdens meerdere periodes.
* Panel data
Een combinatie van de bovenstaande typen data; data wordt verzameld door
meerdere subjecten te onderzoeken tijdens meerdere periodes.

Operationalisatie vs. conceptualisatie
Conceptualisatie = het proces waarbij er gespecifieerd wordt wat er bedoeld wordt met
bepaalde begrippen.
Operationalisatie = de manier waarop begrippen meetbaar gemaakt worden (= het vertalen
van een theoretisch begrip naar meetbare gegevens, zoals intelligentie).
Voorbeeld: individuen die meer verdienen, kennen ook hogere opportunity kosten wanneer
ze ziek zijn. Zij hebben dus hogere incentives om gezond te leven.
* Conceptualisatie → loon en/of gezondheid (fysiek/mentaal)).
* Operationalisatie → in het geval van fysieke gezondheid; “Hoeveel moeite heb je
met lopen?”. Wat is de meeteenheid; loopsnelheid of grip?

Hoofdstuk 4
Regressie = laat het verband zien tussen 2 variabelen.
Lineaire regressie = waarden van Y via een lineair verband voorspellen uit die van X. Y is de
afhankelijke variabele, X is de onafhankelijke variabele.

Covariantie

Correlatie
* rxy = +1 → perfect positief gecorreleerd
* rxy = 0 → niet gecorreleerd
* rxy = -1 → perfect negatief gecorreleerd

,Enkelvoudig lineair regressiemodel
- Hoe beïnvloedt variabele X variabele Y?
Model → Yi = 0 + 1Xi + ei
Y = response variabele, X = verklarende variabele
0/1 = coëfficiënten (0 = intercept, 1 = helling van de lijn)
ei = error term (andere factoren dan X die variabele Y
beïnvloeden)
Het eerste gedeelte van de formule wordt de populatie
regressielijn genoemd. Dit is het gemiddelde verband tussen Y
en X (→ E(Yi|Xi) = 0 + 1Xi).

Echter, zijn de coëfficiënten 0 en 1 niet bekend. Hiervoor gebruik je de ordinary least
squares (OLS) om deze waarden te voorspellen. De regressielijn past goed bij de data als Ŷ
dicht bij de geobserveerde waardes Yi liggen →dat is mogelijk als de residuen ei zo klein
n
2
mogelijk zijn! Dus verkrijg 0 en 1 door ∑ ( Y i− β^ 0− β^ 1 X i ) .
i=1
s xy
Exacte formules: * OLS schatter van 1:
s 2x
* OLS schatter van 0: Ý − ^β1 X́
(Ý en X́ zijn de sample gemiddeldes van X en Y)
* De OLS gefitte waardes zijn: Y^ i= β^ 0 + β^ 1 X i
* De OLS residuen zijn: e^ i=Y i−Y^ i
Dus geobserveerde waardes zijn gelijk aan: Yi = Y^ i + e^ i
(verklaard) (onverklaard)

Measures of fit
Wanneer je een lineaire regressielijn hebt geschat, wil je weten hoe goed de lineaire
regressie de werkelijke regressie beschrijft. Dit doe je door R2 te gebruiken,
ESS
R2 = X verklaart …% van de variantie in Y =
TSS
n
2
ESS = variantie dat voorspelt wordt door het model = ∑ ( Y^ i−Ý )
i=1
n
2
TSS = totale variantie = ∑ ( Y i−Ý )
i=1
2
0 < R < 1: R = 1 → het model voorspelt Yi perfect (Y^ i = Y i)
2

SER = standaarderror van de regressie; het schat de standaarddeviatie van de foutterm e i.
n
1 SSR
SER = se = √ s 2e met s2e = ∑ e^ 2i =
n−2 i=1 n−2
SSR = variantie dat niet voorspelt wordt door het model
Als SER groot is, dan verschillen de voorspellingen vaak van de daadwerkelijke waardes.

Assumpties van OLS
- De verdeling van ei heeft een gemiddelde van 0 → E(ei|Xi) = 0
Dit impliceert dat ei en Xi niet gecorreleerd zijn. Bovendien geldt dan ook dat Xi niet
gecorreleerd is met andere factoren die Yi beïnvloeden.
Hoe weet je dat aan deze assumpties voldaan wordt?

, * Als de steekproef willekeurig is

- Observaties (X1, Y1), (X2, Y2), … zijn onafhankelijk en identiek verdeeld (= dezelfde
verdeling)
Aan deze assumptie wordt voldaan als de steekproef willekeurig is getrokken:
* (Xi, Yi) hebben dezelfde verdeling → vanuit dezelfde populatie getrokken
* Willekeurige selectie zorgt voor onafhankelijkheid
Wanneer wordt hier niet aan voldaan?
* Afhankelijke observaties → wanneer observaties gedaan worden over dezelfde
unit van observaties over tijd (= observaties die snel achter elkaar gedaan worden,
zijn niet onafhankelijk maar zijn geneigd gecorreleerd te zijn aan elkaar)
* Steekproef is niet representatief
- Grote outliers van X en Y zijn onwaarschijnlijk
Bron van outliers zijn datafouten (bijv. typfout)

Steekproeftrekking distribution van OLS schatters
Omdat OLS schatters ^β 0 en ^β 1 berekend zijn d.m.v. een willekeurige steekproef, zijn de
schatters zelf willekeurige variabelen met een kansverdeling. Door een andere steekproef te
gebruiken, zullen de schatters ook weer anders zijn.
De verdeling van ^β 0 en ^β 1kan bepaald worden door:
* Alle mogelijke steekproeven te nemen van de populatie
* OLS voor elke steekproef gebruiken

Bij een grote steekproef, volgt ^β 1 een normale verdeling (central limit theorem).

Gemiddelden van de OLS schatters en unbiasedness
Onder de OLS assumpties, geldt dat E( ^β 0)= 0 en E( ^β 1)= 1. Dit houdt in dat ^β 0 en ^β 1 unbiased
schatters zijn van 0 en 1.

Volledige verdeling van ^β 0 en ^β 1
Volgens de central limit theorem, geldt bij grote steekproeven:
* ^β 0 volgt een normale verdeling
* ^β 1volgt een normale verdeling
* ( ^β 0, ^β 1) volgt een bivariate normaalverdeling

Conclusie: als er voldaan wordt aan de assumpties van het lineaire regressiemodel, dan zijn
de OLS schatters ^β 0 en ^β 1:
* Unbiased
* Consistent
* Normaalverdeeld als de steekproef groot is (n>100)

Interpretatie van regressiecoëfficiënt
Model: Yi = 0 + 1Xi + ei
Conditionele verwachting van Y, gegeven X:
E(Yi|Xi) = E(0 + 1Xi + ei|Xi) = 0 + 1Xi + E(ei|Xi) (→ = 0, zie assumptie 1)
Dus: E(Yi|Xi) = 0 + 1Xi

Dit zijn jouw voordelen als je samenvattingen koopt bij Stuvia:

Bewezen kwaliteit door reviews

Studenten hebben al meer dan 850.000 samenvattingen beoordeeld. Zo weet jij zeker dat je de beste keuze maakt!

In een paar klikken geregeld

Geen gedoe — betaal gewoon eenmalig met iDeal, creditcard of je Stuvia-tegoed en je bent klaar. Geen abonnement nodig.

Direct to-the-point

Studenten maken samenvattingen voor studenten. Dat betekent: actuele inhoud waar jij écht wat aan hebt. Geen overbodige details!

Veelgestelde vragen

Wat krijg ik als ik dit document koop?

Je krijgt een PDF, die direct beschikbaar is na je aankoop. Het gekochte document is altijd, overal en oneindig toegankelijk via je profiel.

Tevredenheidsgarantie: hoe werkt dat?

Onze tevredenheidsgarantie zorgt ervoor dat je altijd een studiedocument vindt dat goed bij je past. Je vult een formulier in en onze klantenservice regelt de rest.

Van wie koop ik deze samenvatting?

Stuvia is een marktplaats, je koop dit document dus niet van ons, maar van verkoper sanneerasmus. Stuvia faciliteert de betaling aan de verkoper.

Zit ik meteen vast aan een abonnement?

Nee, je koopt alleen deze samenvatting voor €4,98. Je zit daarna nergens aan vast.

Is Stuvia te vertrouwen?

4,6 sterren op Google & Trustpilot (+1000 reviews)

Afgelopen 30 dagen zijn er 69411 samenvattingen verkocht

Opgericht in 2010, al 15 jaar dé plek om samenvattingen te kopen

Begin nu gratis

Samenvatting

Inleiding econometrie Nederlandse samenvatting (cijfer: 9,2)

Document informatie

Onderwerpen

Gekoppeld boek

Meer samenvattingen voor studieboek

Geschreven voor

Verkoper

Ontvangen beoordelingen

Voorbeeld van de inhoud