dc.contributor.advisor | Sperlich, Stefan Prof. Dr. | de |
dc.contributor.author | Scholz, Michael | de |
dc.date.accessioned | 2011-05-27T12:11:56Z | de |
dc.date.accessioned | 2013-01-18T13:53:21Z | de |
dc.date.available | 2013-01-30T23:51:15Z | de |
dc.date.issued | 2011-05-27 | de |
dc.identifier.uri | http://hdl.handle.net/11858/00-1735-0000-0006-B6B2-4 | de |
dc.identifier.uri | http://dx.doi.org/10.53846/goediss-3009 | |
dc.description.abstract | Unter 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.mimetype | application/pdf | de |
dc.language.iso | eng | de |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/ | de |
dc.title | Semiparametric Structure Guided by Prior Knowledge with Applications in Economics | de |
dc.type | doctoralThesis | de |
dc.title.translated | Durch Vorwissen gesteuerte semiparametrische Struktur mit wirtschaftswissenschaftlichen Anwendungen | de |
dc.contributor.referee | Sperlich, Stefan Prof. Dr. | de |
dc.date.examination | 2011-04-08 | de |
dc.description.abstracteng | Among 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.coReferee | Yu, Xiaohua Prof. Dr. | de |
dc.contributor.thirdReferee | Zucchini, Walter Prof. Dr. | de |
dc.subject.ger | Konsumnachfrage | de |
dc.subject.ger | Engel-Kurven | de |
dc.subject.ger | Semiparametrische Ökonometrie | de |
dc.subject.ger | Wild Bootstrap | de |
dc.subject.ger | Vorhersage von Aktienrenditen | de |
dc.subject.ger | Kreuzvalidierung | de |
dc.subject.ger | Erzeugte Regressoren | de |
dc.subject.ger | Vorwissen | de |
dc.subject.ger | Bias-Reduktion | de |
dc.subject.ger | Dimensionsreduktion | de |
dc.subject.eng | Consumer Demand | de |
dc.subject.eng | Engel Curves | de |
dc.subject.eng | Semiparametric Econometrics | de |
dc.subject.eng | Wild Bootstrap | de |
dc.subject.eng | Prediction of Stock Returns | de |
dc.subject.eng | Cross-Validation | de |
dc.subject.eng | Generated Regressors | de |
dc.subject.eng | Prior Knowledge | de |
dc.subject.eng | Bias-Reduction | de |
dc.subject.eng | Dimension-Reduction | de |
dc.identifier.urn | urn:nbn:de:gbv:7-webdoc-2979-1 | de |
dc.identifier.purl | webdoc-2979 | de |
dc.affiliation.institute | Wirtschaftswissenschaftliche Fakultät | de |
dc.identifier.ppn | 668657812 | de |