Korrekte Spezifikation eines Regressionsmodells

SpancerTK · Newbie Anmeldungsdatum: 06.07.2012 Beiträge: 3

Hallo Zusammen,

ich studiere BWL an einer norddeutschen Uni und beschäftige mich nun mit empirischer Wirtschaftsforschung. Ich hoffe dass ihr mir weiterhelfen könnt!

Beim lernen bin ich auf folgende (Alte Klausur! 15/ 120 Punkten!) Aufgabe gestoßen:

Im internen Seminar präsentiert ein Forscher eines anderen Wirtschafts-
forschungsinstituts seine Regressionsergebnisse zur EU-Osterweiterung.
Voller Stolz verweist er auf das sehr hohe R2 = 0.96 seiner Regression,
das zeige, dass er den Koeﬃzienten des EU-Dummys unverzerrt schät-
ze und das Modell korrekt speziﬁziert habe. Was entgegnen Sie ihm?
Überzeugt Sie seine Argumentation?

Meine Idee:

Das Bestimmtheitsmaß R^2 gibt an, welcher Anteil der
Streuung von y (bzw. der Varianz) durch die Regression
(bzw. durch die x) erklärt wird.

Das Bedeutet also das durch die erklärenden Variablen die Varianz gut erklärt wird.

Ich frage mich nun, ob dass die Antwort für 15 Punkte sein kann? Habt ihr noch Ideen? Habt ihr noch kritische Anmerkungen?

Vielen Dank vorab. Wär echt super wenn ihr mit mir eure Ideen teilen würdet!!

TheBlackHalo · Full Member Anmeldungsdatum: 20.06.2010 Beiträge: 100

Grundsätzlich kann man vom R2 nicht auf die richtige oder falsche Spezifikation schließen. Wenn man zur vorhandenen Spezifikation z.B. noch Wetten-Dass Einschaltquoten oder die Ergebnisse der Eiskunstlauf-WMs hinzufügt, wird das R2 leicht steigen*, man würde aber kaum behaupten, dass die abhängige Variable dadurch besser erklärt wird.

Das unverzerrt geschätzt wird, d.h. kein omitted variable bias vorliegt, kann also nicht vom R2 abgelesen werden.

*liegt daran, dass der Fit eines least square models mit mehr Parametern nie abnehmen kann, denn man kann ja immer das Gewicht "0" vergeben.

Elisabert · Newbie Anmeldungsdatum: 17.08.2007 Beiträge: 44

Abgesehen davon gibt es keinen Weg zu wissen, ob man das korrekte Modell spezifiziert hat. Es gibt gute Modelle und schlechte Modelle, was das wahre Modell ist kann jedoch niemand sagen.

Um herauszufinden, ob die Koeffizienten (und deren Standardabweichung) unverzerrt geschätzt wurden, sollte man sich den Fehler angucken.
- Heteroskedastizität?
- Autokorrelation?
um nur die typischen "Probleme" zu nennen.
Idealerweise verwendet man das Modell zum prognostizieren und schaut dann, ob sich das hohe R² bestätigt. Wenn man genug Daten hat kann man zB das Modell nur für einen Teil der Daten schätzen und dann schauen, ob man die anderen Werte hinreichend genau bestimmen kann.

Ansonsten wäre noch die Frage, ob der Forscher prognostizieren will oder Effekte nachweisen will. Je nachdem sind vom R² vollkommen unabhängige Ansätze notwendig.

Ansonsten fehlen weitere Informationen um die Güte des Modells zu bestimmen:

Sind die Koeffizienten signifikant?
Wieviele Beobachtungspunkte liegen vor?
Liegt eine plausbible Kausalität vor?

Also die Grundantwort ist (wie bereits erwähnt), dass man anhand des R² zwar manche Aussagen treffen kann, jedoch nicht, wenn man es isoliert von den anderen Faktoren einzeln betrachtet.