Working Paper Series - Institut für Finanzwirtschaft - Technische ...
Working Paper Series - Institut für Finanzwirtschaft - Technische ...
Working Paper Series - Institut für Finanzwirtschaft - Technische ...
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
Appendix A: Mathematischer Anhang XVI<br />
Tabelle 23: Annahmen des linearen Regressionsmodells 78<br />
Das lineare Regressionsmodell stützt sich daher im Wesentlichen auf 7 zentrale Annahmen,<br />
welche in Tabelle 23 aufgezählt sind und anschließend näher erläutert werden. 79 Nur wenn<br />
diese Annahmen erfüllt werden, besitzen die Regressionsparameter die Eigenschaften Unverzerrtheit<br />
und Effizienz. Die neunte Annahme ist nur <strong>für</strong> die Durchführung von Signifikanztests<br />
von Vorteil und lässt sich gedanklich aus dem zentralen Grenzwertsatz der Statistik her-<br />
leiten. 80<br />
Gleichung des linearen Regressionsmodells:<br />
� � �<br />
Die Nichtlinearität des Modells kann z.B. in Strukturbrüchen oder Trendänderungen auftreten.<br />
Das lineare Regressionsmodell erfordert lediglich, dass die Beziehung zwischen den Parametern<br />
linear ist. Daher ist es häufig möglich, die nichtlineare Beziehung durch eine geeignete<br />
Transformation zu linearisieren. Ein bekanntes Beispiel ist eine multiplikative Beziehung,<br />
welche durch Logarithmieren in eine lineare Beziehung überführt werden kann. Weitere<br />
Transformationen können der Literatur entnommen werden. 81<br />
78 Vgl. Neubauer (2002), S. 448f<br />
79 Vgl. Neubauer (2002), S. 448f.<br />
80 Vgl. Vogel (1992), S. 146f.<br />
81 Vgl. Backhaus (2002), S. 81ff; Greene (2003), S. 10ff.<br />
y<br />
k<br />
J<br />
∑<br />
j �1<br />
� � x<br />
A1 Das Modell ist linear in den Parametern βj und enthält alle relevanten Parameter<br />
A2 Die Variablen Xj sind nicht stochastisch<br />
0<br />
j<br />
jk<br />
� u<br />
A3 Die Störgrößen uj haben den Erwartungswert von Null<br />
A4 Es besteht keine Korrelation zwischen den unabhängigen Variablen und der Störgröße<br />
A5 Die Zahl der Beobachtungen ist größer als die Zahl der zu schätzenden Parameter<br />
A6 Die Störgrößen haben eine konstante Varianz σ 2 (Homoskedastizität)<br />
A7 Die Störgrößen sind unkorreliert<br />
A8 Zwischen den unabhängigen Variablen Xj besteht keine lineare Abhängigkeit<br />
A9 Die Störgrößen uk sind normalverteilt<br />
k