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:

  1. Filter für Trends und Zyklen
  2. Tests für Stationarität
  3. Langfristige Gleichgewichtsbeziehungen
  4. Dynamische Modelle
  5. Modellierung von Strukturbrüchen
  6. Nichtlineare Modelle
  7. Volatilitätsmodelle
  8. Regressionsmodelle für gemischte Frequenzen
  9. Nahzeitprognose und Echtzeitdaten
  10. Faktoranalysen für hochdimensionale Daten