BW24.1 - Basismodul Empirische und Experimentelle Wirtschaftsforschung

Das Basismodul BW24.1 vermittelt grundlegende Methoden der empirischen und experimentellen Wirtschaftsforschung. Diese Methoden können uns helfen, Beziehungen zwischen wirtschaftlichen Aktivitäten und anderen Faktoren, z.B. Umweltfaktoren, zu analysieren, zu quantifizieren und Einblicke in die Wechselwirkungen zwischen ökonomischen Faktoren und z.B. Nachhaltigkeitsindikatoren zu gewinnen. Empirische Methoden können uns auch helfen, den Einfluss wirtschaftlicher Aktivitäten auf die Umwelt zu messen, die Wirksamkeit von Nachhaltigkeitsmaßnahmen und -interventionen zu bewerten, die Auswirkungen ökonomischer Szenarien abzuschätzen und die Kosten und Nutzen unterschiedlicher Maßnahmen zu quantifizieren.

Online-Lehre:

Das Modul wird online angeboten.

Die Inhalte dieses Kurses sind eher technisch. In diesem Kontext bietet online Lehre Vorteile, die mit Lehre im Hörsaal nicht erreicht werden. Online-Videos erlauben Ihnen, die Vorlesung ihrem inviduellen Lerntempo anzupassen. Sie können (und sollten) nach Ihren individuellen Bedürfnissen Denkpausen einlegen, zurückspulen oder vorspulen. Die Online-Aufgaben geben Ihnen Gelegenheit, neues Wissen auszuprobieren und geben Ihnen wöchentliches individuelles Feedback. Nachdem Sie sich im Video mit dem Material in Ruhe vertraut gemacht haben, fällt es im Online-Diskussionsforum und im Meeting leichter, vorbereitet Fragen zu klären und zu diskutieren.

Im Ergebnis lernen Sie in diesem Fach im Online Format mehr und besser als im Hörsaal. Auch die Klausur fällt in diesem Fach bei Online Lehre deutlich besser aus. Mit Online Unterricht fallen normalerweise weniger als 5% durch die Klausur. Mit Unterricht im Hörsaal fallen typischerweise 25% der Studierenden durch die Klausur.

Auch online sollten Sie gemeinsam mit anderen Studierenden lernen. Schauen Sie sich die wöchentlichen Videos an, beteiligen Sie sich an der Diskussion in Moodle und tauschen Sie sich regelmäßig mit Ihrer Lerngruppe aus. Besprechen Sie auch Ihre wöchentlichen Hausaufgaben gemeinsam mit Ihrer Lerngruppe. Sie erhalten zwar individuell unterschiedliche Aufgaben. Es hilft dennoch, wenn Sie sich gegenseitig Tipps geben können. Nutzen Sie das Diskussionsforum in Moodle für Ihre Fragen. Ich werde das Diskuskussionsforum in Moodle aufmerksam lesen und werde versuchen, Ihre Fragen zeitnah zu beantworten. Sie können mich auf diesem Weg stets erreichen.

🎥 Vorlesung:

Sie werden jede Vorlesung als Video erhalten. Grundsätzlich steht es Ihnen frei, ob, wann und wie Sie die Videos anschauen wollen. Videos werden wöchentlich erscheinen und bis zum Ende des Semesters verfügbar sein. Es wird Ihnen helfen, wenn Sie feste wöchentliche Zeitpunkte für Vorlesung, Übung und Hausaufgaben reservieren. Den Text der Folien aus dem Video können Sie im Handout nachlesen.

🎥 Übung:

Sie werden auch die Übungen als Video erhalten (Sie finden die Aufgaben jeweils nach den Vorlesungen im jeweiligen Kapitel des Handouts). Auch hier gilt: Es steht Ihnen frei, ob, wann und wie Sie die Übungen anschauen. Reservieren Sie sich möglichst einen festen wöchentlichen Zeitpunkt. Tauschen Sie sich auch zu einem festen wöchentlichen Zeitpunkt mit Ihrer Lerngruppe aus.
In der Übung werden die Aufgaben aus dem Handout behandelt.

Hausaufgaben:

Die Hausaufgaben sollen Ihnen erlauben, den Stoff regelmäßig (wöchentlich) selbst nachzuarbeiten, und ebenfalls regelmäßig Feedback über Ihren Fortschritt zu erhalten.

Bearbeiten Sie jede Woche die Hausaufgaben (in Moodle). Auch wenn Sie individuell unterschiedliche Aufgaben lösen, hilft es, wenn Sie sich mit Ihrer Lerngruppe austauschen. Geben Sie die Lösungen in (in Moodle) ab. Stellen Sie Fragen zu den Hausaufgaben bitte im Diskussionsforum. Die Lösungen werden danach im Tutorium behandelt.

In den wöchentlichen Hausaufgaben können Sie 1/3 der Punkte (140 Punkte) erreichen.

Am Ende des Semesters werden Sie weitere (freiwillige) Aufgaben bekommen. Diese Aufgaben werden sich am Stil der Klausur orientieren. Wenn Sie Lust haben, können Sie mit diesen Aufgaben mehr Routine für die Klausur gewinnen. Für diese Aufgaben gibt es aber keine Punkte.

Im Online Examen am 27.02.2025, 12:30 können Sie 2/3 der Punkte (280 Punkte) erreichen. Die Summe der Punkte aus Hausaufgabe und Examen (bis zu 420 Punkte) bestimmt die Gesamtnote.

Diskussionsforum und Online Meeting:

Im Diskussionsforum der Veranstaltung haben Sie während der Vorlesungszeit und während der Vorbereitung zur Klausur die Möglichkeit Fragen zur Veranstaltung zu stellen, Anmerkungen zu machen, auf Fragen von anderen zu antworten, etc. Ich bemühe mich dann, Ihre Anregungen aufzugreifen und versuche, Ihre Fragen zu beantworten. Normalerweise beantworte ich ihre Fragen im Diskussionsforum in weniger als einem Werktag. Ich freue mich, wenn Sie das Diskussionsforum rege nutzen.

Zugangsdaten zum Online Meeting finden Sie in Moodle. Schauen Sie bitte zuerst die Videos und versuchen Sie die Hausaufgaben zu lösen. Seien Sie bitte pünktlich und schalten Sie, wenn eben möglich, Ihre Kamera ein. Mit Diskussionsforum und Online Meeting soll kein weiterer Stoff eingeführt werden.

Tutorien:

Ab der zweiten Semesterwoche. Im Tutorium werden die wöchentlichen Hausaufgaben behandelt:
(Zugangsdaten in Moodle)

Leistungsnachweis:

• In den wöchentlichen Hausaufgaben können Sie 1/3 der Punkte (140 Punkte) erreichen.
• Im Online Examen am 27.02.2025, 12:30 können Sie 2/3 der Punkte (280 Punkte) erreichen. Die Summe der Punkte aus Hausaufgabe und Examen (bis zu 420 Punkte) bestimmt Ihre Note. Ich gehe also davon aus, dass im Sinne der Prüfungsordnung die studienbegleitenden Hausaufgaben und das Examen eine einzige Teilprüfung sind.

  Die Aufgaben des Online Examens werden ähnlich sein wie die Hausaufgaben, die Sie im Semester bearbeitet haben.

  Sie können das Online Examen daheim schreiben. Wenn Sie lieber an der FSU Jena schreiben wollen und wenn Sie einen Raum benötigen, dann sagen Sie uns bitte rechtzeitig Bescheid.

• Examen: 27.02.2025, 12:30. Online (Teilnehmer und Teilnehmerinnen werden mehrere Tage vor dem Examen in Moodle einen Link mit den Zugangsdaten für das Online Examen erhalten).
• Hinweise für das Examen.
• Die Anmeldung zur Klausur erfolgt über Friedolin.
• Klausurvorbereitung: Während der Vorlesungzeit rate ich Ihnen, die wöchentlichen Hausaufgaben zu bearbeiten und Ihre Lösungen abzugeben. Während der letzten Vorlesungswochen werden Sie in Moodle »zusätzliche Aufgaben« finden. Das ist ein Quiz, das Sie beliebig oft starten können. Jedes Mal erhalten Sie eine neue zufällige Kombination von Fragen. Wenn Sie dieses Quiz abgeben, erhalten Sie sofort Feedback. Der Stil dieser Aufgaben ist ähnlich wie der Stil der Aufgaben in der Klausur. Sie können diese Aufgaben bearbeiten um Routine für die Klausur zu gewinnen.

Weiteres Material:

• Alles, was auf Folien in der Vorlesung erscheint, finden Sie auch im Handout.
  
  Zusätzlich finden Sie im Handout einige Erläuterungen. Es kann sein, dass ich im Laufe des Semesters einige Kleinigkeiten im Handout verbessere. Drucken Sie sich also besser nur die Kapitel aus, die Sie gerade benötigen.
• Falls Sie sich mehr in R einarbeiten wollen: Hier ist eine Einführung in R (mit Videos, allerdings in Englisch). Hier ist außerdem ein Kurs über “Graphs and visualising data” (auch auf Englisch, mit Videos).
• Einigen Formeln.
• Weitere Aufgaben zur Klausurvorbereitung werden Sie in den letzten Wochen der Vorlesungszeit in Moodle finden. Für diese Aufgaben gibt es keine Punkte, Sie können dieses Aufgaben aber so oft bearbeiten, wie Sie wollen. Sie werden bei jedem Versuch eine neue, zufällige Zusammenstellung von Aufgaben erhalten. Wenn Sie diese Aufgaben abgeben, werden Sie sogleich eine Bewertung ein Kommentare zur Lösung erhalten. Sie können diese weiteren Aufgaben nutzen, um mehr Routine für die Klausur zu bekommen.

Gliederung:

Kapitel im Handout	Vorlesung	Übung/Tutorium
1. Einführung — Schätzen von Parametern	14.10.2024	21.10.2024
2. Wünschenswerte Eigenschaften von Schätzern	21.10.2024	28.10.2024
3. Maximum Likelihood und Momentenmethode	28.10.2024	04.11.2024
4. Bayesianische Inferenz	04.11.2024	11.11.2024
5. Frequentistische Inferenz	11.11.2024	18.11.2024
6. Frequentistische Tests für Mittelwerte	18.11.2024	25.11.2024
7. Konfidenzintervalle	25.11.2024	02.12.2024
8. Nichtparametrische Tests	02.12.2024	09.12.2024
9. Lineare Regression — Einführung	09.12.2024	16.12.2024
10. Multiple Regression	16.12.2024	06.01.2025
11. Kategoriale Variablen in der linearen Regression	06.01.2025	13.01.2025
12. Nichtlineare Regressionsfunktionen	13.01.2025	20.01.2025
Hausaufgaben, weitere Übungsaufgaben, Diskussionsforum, keine neuen Vorlesungsvideos	20.01.2025	27.01.2025
Hausaufgaben, weitere Übungsaufgaben, Diskussionsforum, keine neuen Vorlesungsvideos	27.01.2025	03.02.2025
Hausaufgaben, weitere Übungsaufgaben, Diskussionsforum, Q+A Meeting, keine neuen Vorlesungsvideos	03.02.2025	10.02.2025

Empfohlene Literatur:

Einigen von Ihnen werden besser mit Vorlesung und Übung lernen können. Andere lernen besser aus Büchern. Machen Sie, was besser zu Ihnen passt. In der Vorlesung werden keine »Geheimnisse« verraten ― alles, was ich in der Vorlesung mache, finden Sie auch im Handout. Literaturhinweise finden Sie jeweils am Ende der einzelnen Kapitel.

• Dolic, Dubravko, Statistik mit R, Oldenbourg, 2003.
• Verzani, John, Using R for introductory statistics, Chapman & Hall, 2005. Online-Ressource als DFG Nationallizenz (über Login oder aus dem Uni Netz) (detaillierter als die Vorlesung mit zahlreichen Beispielen).
• Vasishth, Shravan, The foundations of statistics: A simulation-based approach, 2009. Dieser Text dient vor allem zum zielstrebigen Auffrischen des für BW 24.1 relevanten Inhalts von BW 30.1, bzw. falls Sie BW24.1 vor BW30.1 belegen.
• John K. Kruschke , Doing Bayesian Data Analysis: A Tutorial with R, JAGS, and Stan. Academic Press, 2nd Edition, 2014. (vor allem für den Bayesianischen Teil der Vorlesung.)
• Schira, Josef, Statistische Methoden der VWL und BWL. Theorie und Praxis. Pearson, München, 2009. Kapitel 13-17. (Eher intuitiv und andwendungsnah.)
• Hartung, J., Statistik, Oldenbourg, 2002. (Dies ist mehr ein Handbuch und weniger ein Lehrbuch, das heißt, es wird fast jedes denkbare Thema angeschnitten, und dann eher kurz und recht formal behandelt.)
• Stock and Watson; Introduction to Econometrics; 2nd Edition; Pearson 2006.
  • alternativ: Stock and Watson; Introduction to Econometrics; Brief Edition; Pearson 2008
  (in diesen Büchern werden die letzten fünf Kapitel der Vorlesung recht ausführlich mit vielen Beispielen erklärt.)
• von Auer; Ökonometrie; Springer 2007 (behandelt die letzten fünf Kapitel der Vorlesung sehr ausführlich, eher technisch).
• Einen Zugang zur Softwareumgebung R finden Sie über die unten angegebene Dokumentation zu R.

FAQ:

• Ich habe eine Frage zum Stoff. Wo bekomme ich eine Antwort?
• Kann ich auch noch verspätet in den Kurs einsteigen?
• Wie kann ich mich vom Kurs wieder abmelden?
• Für welche Fragen ist die Sprechstunde da?
• Unter welchen Voraussetzungen bekomme ich ein Gutachten
• Mir gefällt die Veranstaltung nicht wie sie ist. Was kann ich tun?
• Mir gefällt die Veranstaltung prima
• Vorlesung, Handout, Diskussionsforum, Übung, Tutorium... - muss ich das alles machen?
• Warum sind die Videos für Vorlesung und Übung nicht alle gleich lang?
• Brauche ich für diese Veranstaltung einen eigenen Computer?
• Kann man R und RStudio auch auf einem Netzlaufwerk (z.B. dem Microsoft OneDrive) installieren?
• Wie gebe ich in Moodle Dezimalzahlen ein?
• Moodle beschwert sich über »unvollständige Antworten«
• Wie bewertet Moodle die Lösungen der Hausaufgaben?
• Ich habe den Termin für die Abgabe der Hausaufgaben verpasst. Kann ich die Aufgaben auch noch später abgeben?
• Warum ist die Vorlesung so einfach, und der Stoff der Übungen so schwierig?
• Wie schwierig wird die Klausur?
• Der Termin für die Klausur ist für mich ungünstig.
• Wie bereite ich mich am besten auf die Klausur vor?
• Was mache ich bei technischen Problem in einer online Klausur?
• Warum werden so viele Punkte für die Note ... verlangt?
• Wie unterscheidet sich die Wiederholungsklausur von der ersten Klausur?
• Warum lässt man überhaupt Leute durch die Klausur fallen?
• Wenn ich durch die Klausur gefallen bin — kann man da gar nichts machen?

Theorie und Praxis:

Für die praktischen Beispiele in der Vorlesung werden wir die Softwareumgebung R verwenden. Wir müssen uns dabei auf eine Umgebung festlegen. R ist eine sehr leistungsfähige statistische Softwareumgebung, die Sie uneingeschränkt auf Ihrem Rechner verwenden können.

• Dokumentation zu R finden Sie nicht nur in der eingebauten Hilfefunktion sondern auch auf der R Homepage. Hilfreich sind vor allem
  • The R Guide von Jason Owen (recht einfach, versucht R vor allem an Beispielen aus der Statistik zu erklären — einige Anwendungen sind dabei recht nahe am Stoff der Vorlesung)
  • Simple R von John Verzani (versucht R vor allem an Beispielen aus der Statistik zu erklären — einige Anwendungen sind dabei recht nahe am Stoff der Vorlesung)
  • Einführung in R von Günther Sawitzki (recht kompakte Einführung. Der statistische Teil ist durchaus anspruchsvoll)
  • Econometrics in R von Grant V. Farnsworth (die Einführung in R auf den ersten Seiten ist sehr kompakt und pragmatisch. Die ökonometrischen Modelle danach gehen weit über den Inhalt der Vorlesung hinaus)
  • An Introduction to R von W. N. Venables und D. M. Smith (betrachtet R eher als Programmiersprache und geht weniger auf die statistische Anwendung ein)
  • The R language definition (erklärt ausschließlich R als Programmiersprache, behandelt keine statistische Anwendung)
• Quellen zum Download finden Sie auf der Homepage des R-Projekts. Für die Standard Betriebssysteme finden Sie z.B. hier Installationsquellen.

  Installation unter Microsoft Windows:

  Laden Sie den Installer aus dem Internet. Starten Sie den Installer und beantworten Sie alle Fragen mit 'OK'. Installieren Sie R nicht auf einem Netzwerklaufwerk und nicht in der Cloud (Dropbox, Onedrive,...) sondern lokal auf Ihrer Festplatte.

  Installation unter GNU-Linux:

  Folgen Sie den Installationsanweisungen für Ihre jeweilige Distribution.

  Installation unter MacOS X:

  Hier sind die Installationsanweisungen für MacOS X.

• In der Vorlesung verwende ich RStudio als Front-end.
• Wir werden die folgenden zusätzlichen Pakete verwenden: car, Ecdat, MCMCpack, MASS (VR), UsingR, binom, relaimpo, lmtest, mvtnorm, lattice, plyr, clinfun, memisc, xtable. Falls z.B. das Kommando library(Ecdat) ohne Fehlermeldung ausgeführt werden kann, ist das Paket Ecdat bereits installiert. Falls es eine Fehlermeldung gibt (Error in library(Ecdat): There is no package called 'Ecdat'), muss das Paket zunächst installiert werden.

  Installation von Paketen unter Microsoft Windows:

  Mit RStudio: Verwenden Sie den Reiter “Install”. Ohne Rstudio: Starten Sie Rgui.exe und wählen Sie das Menü Packages. Dort können Sie Pakete aus dem Internet nachinstallieren (Install Packages). R fragt Sie zunächst nach einer Installationsquelle (wählen Sie hier z.B. Deutschland, Göttingen), danach können Sie aus einer Liste die Pakete installieren.

  Alternativ können Sie Pakete installieren, die Ihnen als zip-Archiv vorliegen. Dazu laden Sie zunächst das Paket von der Installationsquelle passend für Ihre Version von R herunter (dort hat es z.B. den Namen Ecdat_0.4-2.zip) und speichern Sie. Dann wählen Sie in R im Menü Packages das Untermenü Install packages from local zip-files, wählen Ihre Datei aus, und alles sollte sich von alleine installieren. Manchmal setzt ein Paket ein anderes voraus, das vorher installiert werden muss. Sie merken das daran, dass sich R über fehlende 'dependencies' beklagt. Installieren Sie in diesem Fall die erforderlichen Pakete zuerst und versuchen Sie es dann nochmal.

  Das Paket relaimpo installieren Sie möglichst vom zip-Archiv auf der Homepage der Autorin. Dies ist die non-US Version, die leistungsfähiger ist.

  Installation von Paketen unter GNU-Linux:

  Um z.B. Ecdat zu installieren, sagen Sie einfach install.packages("Ecdat",dependencies=TRUE). R fragt Sie dann nach einer Installationsquelle (wählen Sie hier z.B. Deutschland, Göttingen), alles andere passiert von selbst.

  Installieren Sie das Paket relaimpo möglichst vom tar.gz-Archiv auf der Homepage der Autorin. Dies ist die non-US Version, die leistungsfähiger ist.

Modul-Verantwortlicher:

Prof. Dr. Oliver Kirchkamp

Art des Moduls:

Pflichtmodul

Angebot:

Im Wintersemester

Semester nach Musterstudienplan:

3. Semester

Dauer des Moduls:

1 Semester

Zusammensetzung des Moduls:

VL und Ü

Leistungspunkte (ECTS credits):

6

Arbeitsaufwand:

60 h (2 SWS VL, 2 SWS Ü), Selbststudium (einschl. Prüfungsvorbereitung): 120 h

Inhalte:

Das Modul vermittelt grundlegende Methoden der empirischen Wirtschaftsforschung, insbesondere induktive statistische, ökonometrische und experimentelle Verfahren.

Lern- und Qualifikationsziele:

Studierende sollen verstehen, wie ökonomische Hypothesen entwickelt und getestet werden können. Sie sollen die Vor- und Nachteile unterschiedlicher Verfahren zum Test von Hypothesen beurteilen können und lernen, Methoden zum Test von Hypothesen zu erarbeiten.

Voraussetzung für die Zulassung zur Modulprüfung:

Keine:

Voraussetzung für die Vergabe von Leistungspunkten:

Wöchentliche Hausaufgaben: 1/3, Klausur: 2/3.