Inhaltsangabe0. Einleitung.- 0.1. Wesen und Aufgabe der Ökonometrie.- 0.2. Schätzprobleme.- 0.3. Erkenntnismöglichkeit der Ökonometrie.- 0.4. Praktische Ökonometrie.- 0.5. Literatur.- I. Das klassische Regressionsmodell.- 1. Das einfache lineare Regressionsmodell.- 1.1. Das Modell.- 1.1.1. Stochastisch gestörte Funktionen.- 1.1.2. Die exogene Variable.- 1.1.3. Die Störvariable.- 1.1.4. Die Regressionsfunktion.- 1.1.5. Exogene und endogene Variable.- 1.1.6. Das vollständige Modell.- 1.1.7. Bemerkungen zu den Modellannahmen.- 1.2. Die Methode der kleinsten Quadrate.- 1.2.1. Prinzip der kleinsten Quadrate (KQ).- 1.2.2. Normalgleichungen.- 1.2.3. Die Residuen.- 1.2.4. Korrelationskoeffizient und Bestimmtheitsmaß.- 1.2.5. Die Umkehrregression.- 1.2.6. Nichtlineare Regression.- 1.3. Maximum-Likelihood-Methode.- 1.3.1. Das Maximum-Likelihood-Prinzip.- 1.3.2. ML-Schätzungen.- 1.4. Schätzfehler.- 1.4.1. Zufallsfehler.- 1.4.2. Ein Simulationsmodell.- 1.4.3. Schätzvariablen.- 1.4.4. Erwartungstreue der geschätzten Regressionsparameter.- 1.4.5. Standardfehler der Parameterschätzungen.- 1.4.6. Kovarianz der Parameterschätzungen.- 1.4.7. Normalverteilung.- 1.4.8. Konsistenz.- 1.4.9. Residualvarianz.- 1.4.10.* Konfidenzintervall für ?.- 1.4.11. Konfidenzintervalle für die Regressionsparameter.- 1.4.12. Prüfung von Hypothesen über die Parameter.- 1.4.13.* Konfidenzellipse.- 1.4.14.* Effizienz.- 1.4.15.* Gauss-Markoff-Theorem.- 1.5. Prognosen.- 1.5.1. Prognose und Test.- 1.5.2. Prognosefehler.- 1.5.3. Prognose- und Toleranzintervall.- 1.5.4.* Test auf Strukturbruch in den Regressionsparametern.- 1.5.5.* Test auf Strukturbruch in der Störvarianz.- Aufgaben zu Kap. 1.- 2. Das multiple lineare Regressionsmodell.- 2.1. Das Modell.- 2.1.1. Darstellung ohne Matrizen.- 2.1.2. Matrizendarstellung.- 2.2. Die Methode der kleinsten Quadrate.- 2.2.1. Prinzip der kleinsten Quadrate.- 2.2.2. Normalgleichungen.- 2.2.3. Residualvarianz.- 2.3. Das absolute Glied.- 2.3.1. Normalgleichungen.- 2.3.2. Residualvarianz.- 2.3.3. Beispiel: 2 exogene Variablen.- 2.3.4. Homogene Regression.- 2.4. Allgemeine stochastische Eigenschaften der KQ-Schätzvariablen.- 2.4.1. Erwartungstreue der Regressionsparameterschätzungen.- 2.4.2. Kovarianzmatrix.- 2.4.3. Konfidenzintervalle.- 2.4.4. Beispiel: 2 exogene Variablen.- 2.4.5. Linearkombinationen von Regressionsparametern.- 2.4.6. Konsistenz der Regressionsparameterschätzungen.- 2.4.7.* Beste lineare Schätzung.- 2.4.8. Erwartungstreue der Residualvarianz.- 2.4.9.* Konsistenz der Residualvarianz.- 2.5. Stochastische Eigenschaften der KQ-Schätzvariablen unter der Normalverteilungshypothese.- 2.5.1. Normalverteilung der Parameterschätzungen.- 2.5.2. Maximum Likelihood.- 2.5.3.* ?2- und F-Verteilungen.- 2.5.4.* Konfidenzellipsoid und Signifikanztest.- 2.5.5.* Strukturbrüche.- 2.5.6. (0,1)-Variablen.- 2.5.7. Prognose.- Aufgaben zu Kap. 2.- 3. Kollinearität und Fehlspezifikation.- 3.1. Korrelationskoeffizienten.- 3.1.1. Multipler Korrelationskoeffizient.- 3.1.2.* Partielle Korrelationskoeffizienten.- 3.1.3.* Korrelations- und Regressionskoeffizienten.- 3.2. Kollinearität.- 3.2.1. Exakte lineare Abhängigkeiten.- 3.2.2. Stochastische lineare Abhängigkeiten.- 3.2.3. Beispiel: 2 exogene Variablen.- 3.2.4. Versuche zur Überwindung der Kollinearität.- 3.2.5. Externe Information.- 3.3. Fehlspezifikation.- 3.3.1. Ausschluß exogener Variablen.- 3.3.2.* Stufenweise Regression.- 3.3.3.* Aggregationsfehler.- Aufgaben zu Kap. 3.- 4. Systeme von Regressionsgleichungen.- 4.1. Keine a-priori-Restriktionen.- 4.1.1. Das Modell.- 4.1.2. Methode der kleinsten Quadrate.- 4.1.3. Maximum-Likelihood-Prinzip.- 4.1.4. Effizienz.- 4.1.5. Linearkombinationen aus Gleichungen.- 4.1.6. Prognosen.- 4.2. A-priori-Restriktionen.- 4.2.1. Restriktionen in einer Gleichung.- 4.2.2.* Nachfragesysteme.- Aufgaben zu Kap. 4.- II. Erweiterungen des Regressionsmodells.- 5. Autokorrelation und Heteroskedastizität.- 5.1. Die verallgemeinerte Methode der kleinsten Quadrate nach Aitken.- 5.1.1.