Modules

Prerequisites

Contents

Optimierung (25%): • Analytische nichtlineare Optimierung am Beispiel der Lagrange-Methode • Numerische Verfahren am Beispiel von Regula Falsi und Newton-Verfahren • Stochastische am Beispiel von Simulated Annealing • Verteilte Optimierung am Beispiel von Ameisenmodelle und sozialem Lernen Statistik (25%): • Schätzen und Eigenschaften von Schätzern (z.B. MSE, Konsistenz, Unverzerrtheit) • Testen und Eigenschaften von Tests (z.B. Gütefunktionen, Power und Unverzerrtheit) • Ausgewählte zusätzliche Statistiken und Tests (z.B. Meta-Analyse, Hausmann-Test) Ökonometrie (50%): • Grundlegende Schätzmethoden, z.B. Quantilsregression, Maximum-Likelihood, Baysianische Schätzung • Allgemeines lineares Modell: grundlegende Idee und lineare sowie binäre logistische Regression, Probit-Regression, Poisson-Regression und Zähl- und Überlebensmodelle als Beispiele sowie ausgwählte Erweiterungen. In der Übung werden die Themen der Vorlesung mittels Übungsaufgaben vertieft.

Learning outcomes

Die Studiernden erwerben und vertiefen ihr Wissen zu Statistik, Ökonometrie und Optimierung. Es werden jeweils ausgewählte Schwerpunkte der Themenbereiche theoretisch vertiefend besprochen und an Beispielen analysiert, diskutiert und gerechnet. Nach der Teilnahme am Modul sind die Studierenden in der Lage, statistische Schätzverfahren und Optimierungsverfahren grundlegend zu verstehen, auf verschiedene Felder der Wirtschaftswissenschaften (z.B. Innovation) anzuwenden, deren Annahmen kritisch zu hinterfragen und Eigenschaften analystisch und nummerisch zu prüfen. Somit haben die Studierenden nach Beendigung des Moduls sowohl ein Verständnis für mathematische Grundlagen als auch für die Anwendung der mathematischen Inhalte im ökonomischen Kontext.

Assessment

Klausur (Dauer 120 Minuten) als Präsenzklausur oder Online-take-home-Klausur (in Abhängigkeit von den geltenden Regelungen an der BTU).