Syllabus
Registration via LPIS
| Day | Date | Time | Room |
|---|---|---|---|
| Monday | 03/02/26 | 08:00 AM - 10:00 AM | TC.4.13 |
| Monday | 03/09/26 | 08:00 AM - 10:00 AM | TC.4.13 |
| Monday | 03/16/26 | 08:00 AM - 10:00 AM | TC.4.13 |
| Monday | 03/23/26 | 08:00 AM - 10:00 AM | TC.4.13 |
| Monday | 04/13/26 | 08:00 AM - 10:00 AM | TC.4.13 |
| Monday | 04/20/26 | 08:00 AM - 10:00 AM | TC.4.13 |
| Monday | 04/27/26 | 08:00 AM - 10:00 AM | TC.4.13 |
| Monday | 05/04/26 | 08:00 AM - 10:00 AM | TC.4.04 |
| Monday | 05/11/26 | 08:00 AM - 10:00 AM | TC.4.13 |
| Monday | 05/18/26 | 10:00 AM - 12:00 PM | TC.0.10 Audimax |
| Monday | 06/01/26 | 08:00 AM - 10:00 AM | TC.4.12 |
| Monday | 06/15/26 | 08:00 AM - 10:00 AM | TC.4.13 |
Dieser Kurs behandelt ökonometrische Methoden jenseits linearer Modelle. Wir diskutieren Zeitreihendaten mit Schwerpunkt auf Stationarität und Nicht-Stationarität. ARMA- und ARIMA-Modelle werden eingeführt und ihre Anwendung zur Schätzung und Prognose veranschaulicht. Im zweiten Teil des Kurses behandeln wir Regressionsmodelle für beschränkte abhängige Variablen, insbesondere für binäre Daten (Logit- und Probit-Modelle) sowie Zähldaten (Poisson- und negative Binomialmodelle).
Der Kurs bietet eine Einführung in die Analyse ökonomischer Daten mittels ökonometrischer Methoden, die über das in Ökonometrie I diskutierte multiple Regressionsmodell hinausgehen. Nach Abschluss des Kurses können Studierende einerseits empirische Studien, die sich der in den Inhalten angeführten Methoden bedienen, verstehen und bewerten. Weiters können die Studierenden auch eigene statistische Analysen unter Verwendung dieser Methoden selbstständig durchführen.
Der Kurs ist auf durchgängige Anwesenheit und Mitarbeit ausgelegt, weswegen physische, emotionale und intellektuelle Präsenz in allen Einheiten grundsätzlich vorausgesetzt wird. Ausnahmen davon sind nur in Einzelfällen und bei begründeter Verhinderung bis zu einem Gesamtausmaß von höchstens 20% möglich.
Im Unterricht werden die Inhalte mithilfe von Whiteboard und Präsentationsfolien vermittelt. Die Methoden werden anhand von Fallstudien mit EViews und R veranschaulicht. Um die praktische Anwendbarkeit des Gelernten zu gewährleisten, bearbeiten die Studierenden in Gruppen drei umfangreiche Fallstudien und ein Projekt.
Die Lösungen sind in Form schriftlicher Berichte einzureichen. Das Projekt wird in den letzten beiden Kurseinheiten mündlich präsentiert.
Die Verwendung KI-basierter Software zur Aufgabenlösung und Textgenerierung (z. B. ChatGPT) ist nicht gestattet.
In der LV besteht grundsätzlich Anwesenheitspflicht. Die Beurteilung beruht auf 5 Teilleistungskomponenten:
(1) Case Study 1 (10 Punkte)
(2) Case Study 2 (10 Punkte)
(3) Case Study 3 (10 Punkte)
(4) Teilleistungstest (30 Punkte)
(5) Abschlusspräsentation (20 Punkte)
Notenschlüssel:
1: 72 – ∞
2: 64 – 71,99
3: 56 – 63,99
4: 48 – 55,99
5: 00 – 47,99
- Nichtbeurteilung bei zwei unentschuldigten no shows, wenn keine Teilleistung erbracht wurde
- Negative Beurteilung bei zwei unentschuldigten no shows, wenn bereits mindestens eine Teilleistung erbracht wurde (z.B. erste Case Study)
Please log in with your WU account to use all functionalities of read!t. For off-campus access to our licensed electronic resources, remember to activate your VPN connection connection. In case you encounter any technical problems or have questions regarding read!t, please feel free to contact the library at readinglists@wu.ac.at.
Back