Applied Empirical Modeling of Nonlinearity and Endogeneity in Regression Models (WS 2017/18)


Veranstaltungsnummer
040390

Studiengang/-gänge
Doktoranden

Vorlesungsverzeichnis

Learnweb-Plattform

Typ
Doktorandenseminar

Vorlesungssprache
englisch


Veranstaltungszeitplan

Tag Zeit Häufigkeit Datum Raum
Donnerstag 09:00- 18:00 Uhr Einzeltermin 05.10.2017  
Freitag 09:00- 18:00 Uhr Einzeltermin 06.10.2017  
Montag 09:00- 18:00 Uhr Einzeltermin 09.10.2017  
Dienstag 09:00- 12:00 Uhr Einzeltermin 10.10.2017  

Hinweis

Der Kurs wird geleitet von Prof. Dr. Richard T. Gretz.

Die Veranstaltung findet im Raum 006, MCM, statt.

Anmeldungen zum Kurs werden ab sofort von allen Promotionsstudenten und Post-Docs der Wirtschaftswissenschaftlichen Fakultät sowie allen Studierenden des Minor Research per Email an Tanja Geringhoff (tanja.geringhoff@wiwi.uni-muenster.de) entgegengenommen. Aus didaktischen Gründen ist die Teilnehmerzahl auf 25 Personen beschränkt. Die Seminarplätze werden nach dem ‘first-come, first-serve’- Prinzip vergeben. Der Bewerbungszeitraum endet am 7. September 2017.

Weiterführende Informationen (etwa ein vollständiger Syllabus) und Materialien werden den Kursteilnehmern über Learnweb verfügbar gemacht. Das korrespondierende Einschreibepasswort erhalten alle Teilnehmer per E-Mail.

Information für alle Studierende des Minor Research: Wenn Sie zum Kurs zugelassen wurden, melden Sie sich bitte beim Prüfungsamt für die vorgezogene Prüfungsphase an. Die Prüfungsmodalitäten werden hier veröffentlicht sobald Sie mit dem Gastwissenschaftlicher abgestimmt sind.

Information für alle Promotionsstudenten: Der Kurs wird als A-Schein für das Promotionsstudium angerechnet.

Beschreibung

Es gibt komplexe empirische Probleme, bei denen die normale OLS-Regression an ihre Grenzen stößt – dieser Workshop betrachtet zwei dieser Szenarien im Detail: (1) Nichtlinearitäten in den abhängigen und unabhängigen Variablen und (2) die Verwendung von instrumentellen Variablen, um mit Endogenität und einem nicht-zufällig gezogenem Sample umzugehen.

In diesem Seminar lernen Wissenschaftler die nötigen Werkzeuge, um mit diesen Unzulänglichkeiten der traditionellen OLS-Schätzung umzugehen.

Zuerst wird der Fokus auf unterschiedliche nicht-lineare Ansätze zur Modellierung von Discrete Choice-Problemen gerichtet. Diese Betrachtung wird durch verschiedene Interpretationsansätze von Interaktionseffekten zwischen unabhängigen Variablen in der traditionellen OLS-Regression ergänzt. Im Anschluss daran werden verschiedene Strategien zur Nutzung von instrumentellen Variablen zum Umgang mit Endogenitätsproblemen aufgezeigt.

Abschließend werden die besprochenen Thematiken zusammengeführt und im Kontext von Selection-Modellen, die einen Umgang mit nicht-zufällig gezogenen Samples ermöglichen, diskutiert.

Am Ende des Workshops sollten die Teilnehmer in der Lage sein, Stata-Code zu verstehen und anzuwenden, um dichotome abhängige Variablen mit Logit- und Probit-Schätzungen zu modellieren, instrumentelle Variablenschätzungen sowie begleitende Tests zur Relevanz und Exogenität der instrumentellen Variablen durchzuführen und die gewählten Modelle auf mögliche Selection Biases zu testen.

Um diese Lernziele zu erreichen, ist der Kurs in einer Weise gegliedert, die auf folgende Unterfragen und Aspekte abzielt:

 

Donnerstagmorgen: Dichotome abhängige Variablen und Probit/Logit Schätzungen – Teil 1

  1. Was sind dichotome abhängige Variablen – wieso ist eine reguläre OLS-Regression in diesen Fällen weniger geeignet?
  2. Was ist eine ”Link”-Funktion? Und wie sind probit und logit mit Wahrscheinlichkeiten verbunden?
  3. Was sind die Vorteile von probit/logit im Vergleich zur regulären OLS-Regression? Wie interpretiert man ihre Koeffizienten?

Donnerstagnachmittag: Dichotome abhängige Variablen und Probit/Logit Schätzungen – Teil 2

  1. Was sind die Unterschiede zwischen probit/logit-Koeffizienten? Und im Vergleich zur OLS-Regression? Wie bestimmt man marginale Effekte in probit/logit?
  2. Was ist der Hauptunterschied zwischen probit und logit?
  3. Wie testet man Hypothesen mit probit/logit-Modellen? Wie bestimmt man das „bessere” Modell?
  4. (wenn es die Zeit zulässt) Was ist Heteroskedastizität?
  5. Eine Betrachtung von probit/logit Anwendungsbeispielen (Geyskens et al 2015; Keller et al 2016; Liu et al 2016; Mantin and Eran 2016).

Freitagmorgen: Nichtlinearität auf der rechten Seite der Gleichung und Multikollinearität

  1. Wie integriert und interpretiert man Interaktionseffekte in Regressionsmodellen?
  2. Was ist der Unterschied zwischen Haupteffekten und einfachen Effekten? Wie kann Stata genutzt werden, um marginale Effekte bei Interaktionen zu berechnen?
  3. Was ist Multikollinearität? Welchen Effekt hat es auf unsere Schätzungen? Wie kann man es messen? Und wie kann man mit den möglichen Folgen umgehen?

Freitagnachmittag: Endogenität und instrumentelle Variablen – Teil 1

  1. Was ist Endogenität? Was sind mögliche Gründe für Endogenität? Und wie beeinflusst Endogenität die Schätzungen der OLS-Regression?
  2. Was ist eine instrumentelle Variable? Was sind die zwei Voraussetzungen, die instrumentelle Variablen erfüllen müssen? Vor diesem Hintergrund: Wie können instrumentelle Variablen Endogenitätsprobleme adressieren?
  3. Was ist eine Two-Stage Least Squares (2SLS) Schätzung und wie unterscheidet sie sich von der traditionellen OLS-Schätzung

Montagmorgen: Endogenität und instrumentelle Variablen – Teil 2

  1. Wie testet man, ob Endogenität vorhanden ist? Wie testet man für Einschränkungen durch überidentifizierte Modelle? Wie kann man diese Einschränkungen interpretieren?
  2. Wie testet man, ob das gewählte Instrument relevant ist? Was passiert mit „schwachen” Instrumenten?
  3. 2SLS vs. Generalized Methods of Moments (GMM) Schätzung
  4. (wenn es die Zeit zulässt) Endogenität und Gleichungssysteme – was ist die three-stage least squares (3SLS) Schätzung?

Montagnachmittag: Endogenität und instrumentelle Variablen – Teil 3

  1. Die Anwendung von instrumentellen Variablen – zwei große Probleme: Schwache Instrumente und Exogenität (Murray 2006)
  2. Status Quo von instrumentellen Variablen im Marketing (Rossi 2014)
  3. Die Jagd nach guten Instrumenten (wir diskutieren: Elberse 2010; Germann et al 2015; Levitt 1996; Levitt 1997; Petersen et al 2015) (wahrscheinlich auch: Geyskens et al 2015; Keller et al 2016; Liu et al 2016; Mantin and Eran 2016).
  4. ”Best Practices”

Dienstagmorgen: Selection Bias und Heckman-Korrektur

  1. Was ist ein Selection Bias und wie beeinflusst er die Schätzung? Was ist eine ”Kontrollfunktion”?
  2. Heckman-Korrektur
  3. Beispiele für Selection Bias (Germann et al 2015; Liu 2016; Allen et al 2016)

Dozenten

  • Ronny Behrens (begleitend)