Show simple item record

Semiparametric Structure Guided by Prior Knowledge with Applications in Economics

dc.contributor.advisorSperlich, Stefan Prof. Dr.de
dc.contributor.authorScholz, Michaelde
dc.date.accessioned2011-05-27T12:11:56Zde
dc.date.accessioned2013-01-18T13:53:21Zde
dc.date.available2013-01-30T23:51:15Zde
dc.date.issued2011-05-27de
dc.identifier.urihttp://hdl.handle.net/11858/00-1735-0000-0006-B6B2-4de
dc.identifier.urihttp://dx.doi.org/10.53846/goediss-3009
dc.description.abstractUnter zahlreichen Entwicklungen in der statistischen Modellierung der letzten Jahre bewiesen nicht- und semiparametrische Methoden, ein besonders leistungsfähiges datenanalytisches Instrument zu sein. Trotzdem existieren immer noch zum Teil berechtigte Zweifel bezüglich ihrer Vorhersagefähigkeit, z.B. im Bereich der Finanzzeitreihen. Das Ziel dieser Arbeit ist, zu zeigen, dass die angesprochenen Verfahren durch adäquate Modifikationen sehr gute Ergebnisse liefern können bei deren Anwendung auf verschiedene ökonomische Probleme. Dazu zählen z.B. die empirische Analyse der Bedarfsnachfrage und des Verbraucherverhaltens sowie die Vorhersage von Aktienrenditen.In dieser Arbeit wird die semiparametrische Beschaffenheit des jeweiligen ökonomischen Problems verwendet, um die Dimensionalität zu reduzieren, d.h. es wird Gebrauch gemacht von der zugrundeliegenden Struktur des ökonomischen Prozesses, der die Daten erzeugt. Ein Schwerpunkt der Arbeit liegt dabei auf der Einbeziehung von Vorkenntnissen, die den statistischen Modellierungsprozess steuern. Dies kann entweder durch das direkte Anwenden ökonomischer Theorie erfolgen bzw. durch die Auswertung einfacher parametrischer Modelle, mit deren Hilfe man einen ersten Einblick in die vorhandenen Beziehungen erhalten kann. Dabei wird nicht nur die Plausibilität des Modells erhöht sondern auch die Interpretierbarkeit der Ergebnisse. Außerdem ist es möglich, zahlreiche wohlbekannte Probleme vollständiger nichtparametrischer Methoden damit zu bekämpfen. Beispielsweise lässt sich durch die Anwendung semiparametrischer Methoden der Fluch der hohen Dimensionen umgehen, die Genauigkeit der Schätzung besonders an Rändern erhöhen oder auch der Bias verringern.Der erste Teil dieser Arbeit ist ein Beitrag zur Analyse der Ausgaben von Konsumenten basierend auf Preis-Mikrodaten, während der zweite Teil sich der Vorhersage von Aktienrenditen widmet. Dabei werden im Schätzverfahren nichtparametrisch erzeugte Anleiherenditen verwendet sowie Vorkenntnisse über die funktionale Form der unbekannten Mittelwertfunktion.de
dc.format.mimetypeapplication/pdfde
dc.language.isoengde
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/de
dc.titleSemiparametric Structure Guided by Prior Knowledge with Applications in Economicsde
dc.typedoctoralThesisde
dc.title.translatedDurch Vorwissen gesteuerte semiparametrische Struktur mit wirtschaftswissenschaftlichen Anwendungende
dc.contributor.refereeSperlich, Stefan Prof. Dr.de
dc.date.examination2011-04-08de
dc.description.abstractengAmong many developments in statistical modelling in recent years, non- and semiparametric methods have proved to be a particularly powerful data-analytic tool. Nevertheless, there still exist justified doubts regarding there forecasting performance, for example in the context of financial time series. The aim of this thesis is to demonstrate that, by suitable modification, these techniques can perform well in different economic fields, like empirical demand analysis or prediction of stock returns, if they are adapted to the specific application under investigation.This thesis makes use of the semiparametric nature of economic problems to reduce dimensionality, and is based on the structure that is inherent in the economic process that generates the data. A key feature is to show how prior knowledge can guide the modelling process. This is done either by directly applying economic theory or by examining simple parametric models to identify the coarse features of the relationships. The use of prior knowledge not only improves the plausibility of the model but also the interpretability of the results. Furthermore, it can be used to address some well-known problems associated with fully nonparametric approaches. For example, the curse of dimensionality can be circumvented, the estimation accuracy on boundaries can be improved, or the bias can be reduced by applying a semiparametric approach.The first part of this thesis is thereby a contribution to the analysis of consumer expenditure and price micro-data, while the second part addresses the prediction of excess stock returns. The use of nonparametrically generated bond yields is proposed and prior information about the shape of the unknown conditional mean function is used in the estimation process.de
dc.contributor.coRefereeYu, Xiaohua Prof. Dr.de
dc.contributor.thirdRefereeZucchini, Walter Prof. Dr.de
dc.subject.gerKonsumnachfragede
dc.subject.gerEngel-Kurvende
dc.subject.gerSemiparametrische Ökonometriede
dc.subject.gerWild Bootstrapde
dc.subject.gerVorhersage von Aktienrenditende
dc.subject.gerKreuzvalidierungde
dc.subject.gerErzeugte Regressorende
dc.subject.gerVorwissende
dc.subject.gerBias-Reduktionde
dc.subject.gerDimensionsreduktionde
dc.subject.engConsumer Demandde
dc.subject.engEngel Curvesde
dc.subject.engSemiparametric Econometricsde
dc.subject.engWild Bootstrapde
dc.subject.engPrediction of Stock Returnsde
dc.subject.engCross-Validationde
dc.subject.engGenerated Regressorsde
dc.subject.engPrior Knowledgede
dc.subject.engBias-Reductionde
dc.subject.engDimension-Reductionde
dc.identifier.urnurn:nbn:de:gbv:7-webdoc-2979-1de
dc.identifier.purlwebdoc-2979de
dc.affiliation.instituteWirtschaftswissenschaftliche Fakultätde
dc.identifier.ppn668657812de


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record