Seminar
- Thema:
- Empirische Makroökonometrie mit R
- Zielgruppe:
-
Studierende mit ausgeprägtem Interesse an empirischen makroökonomischen Fragestellungen, ökonometrischen Methoden und Datenanalyse mit R
- Ort:
- Online
- Termin:
- 25.08.2022
bis
26.08.2022 - Zeitraum:
- 25.08.2022, ca. 9.30 - 18.00 Uhr
26.08.2022, ca. 9.30 - 18.00 Uhr
(Angaben ohne Gewähr / Änderungen vorbehalten) - Seminarleitung:
- Prof. Dr. Robinson Kruse-Becher
- Anmeldefrist:
- 29.11.2021 - 07.01.2022
- Anmeldung:
- Abgabe Präferenzen (Moodle): 25.4.2022; Abgabe Gliederungen (per e-mail an zugeteilten Betreuer): 16.5.2022; Abgabe Seminararbeiten (per e-mail an sekretariat.statistik@fernuni-hagen.de): 25.07.2022
- Auskunft erteilt:
- Email: Robinson Kruse-Becher
Details zum Seminar
Der Lehrstuhl für Angewandte Statistik betreut im Sommersemester 2022 Seminararbeiten zu Themen aus dem Bereich der empirischen Makroökonometrie mit Anwendungen in der open-source Programmiersprache R. Bei der empirischen Analyse sollen insbesondere Daten der frei zugänglichen Federal Reserve Economic Database (FRED) Verwendung finden. Zu der Datenbank und der Analyse in R werden im Laufe des Seminars Online-Tutorien angeboten. Idealerweise verfügen Sie über eine hohe Affinität zu makroökonomischen Fragestellungen, eine analytische Herangehensweise und ein ausgeprägtes Interesse an statistischen Verfahren. Die Teilnahme an den angebotenen Online-Tutorien ist freiwillig, wird jedoch ausdrücklich empfohlen. Am Ende sollen Sie in der Lage sein, eine eigene empirische Analyse in R zu einer aktuellen makroökonomischen Fragestellung mit modernen ökonometrischen Verfahren durchzuführen. Die Seminarleistungen bestehen aus einer Seminararbeit, sowie einer Präsentation zu einem der folgenden Themen:
- Filter für Trends und Zyklen
- Tests für Stationarität
- Langfristige Gleichgewichtsbeziehungen
- Dynamische Modelle
- Modellierung von Strukturbrüchen
- Nichtlineare Modelle
- Volatilitätsmodelle
- Regressionsmodelle für gemischte Frequenzen
- Nahzeitprognose und Echtzeitdaten
- Faktoranalysen für hochdimensionale Daten