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 XVII<br />
Der Erwartungswert der Störgröße kann nur dann Null sein, wenn alle systematischen Fehler<br />
bei der Datenerhebung ausgeschlossen wurden. Ist dieses nicht der Fall, wird durch die zwingende<br />
Bedingung der Methode der kleinsten Quadrate, nämlich E(u) = 0, das konstante Glied<br />
der Regression verzerrt. In der Praxis ist die Verzerrung von b0 nur von sekundärem Interesse<br />
und somit vernachlässigbar. Problematisch kann es sein, wenn das Modell ohne konstantes<br />
Glied definiert wurde und somit die Regressionskoeffizienten verzerrt werden.<br />
Die Auswahl der unabhängigen Variablen sollte alle relevanten Einflussgrößen in das Modell<br />
integrieren. In der Praxis ist es jedoch unmöglich alle Faktoren zu berücksichtigen, so dass<br />
das Modell immer unvollständig bleibt. Für den Fall, dass die Annahme 4 aus Tabelle 23 richtig<br />
ist, ergibt sich lediglich eine Verzerrung des konstanten Gliedes der Regression. Entsprechend<br />
führt aber auch die Aufnahme von zu vielen unabhängigen Variablen in das Modell zu<br />
ineffizienten Schätzern.<br />
Heteroskedastizität besagt, dass die Streuung der Residuen in einer Reihe von Werten der<br />
prognostizierten abhängigen Variablen nicht konstant ist. Beispielsweise kann dies auftreten,<br />
wenn bei einer Reihe von Beobachtungen der Messfehler auf Grund der sinkenden Aufmerksamkeit<br />
des Beobachters steigt. Die visuelle Inspektion der Daten ermöglicht es häufig Hinweise<br />
auf Heteroskedastizität zu finden. Ferner werden in der Literatur verschiedene Testmöglichkeiten<br />
vorgestellt. 82 Durch eine geeignete Transformation kann Homoskedastizität in<br />
der Stichprobe erreicht werden, jedoch wird da<strong>für</strong> meist eine nichtlineare Transformation gebraucht<br />
und somit ergibt sich das Problem der fehlenden Linearität.<br />
Wenn die Residuen der Grundgesamtheit miteinander korrelieren, wird von Autokorrelation<br />
gesprochen. Diese tritt häufig bei Zeitreihen auf, bei denen die Abweichung oft von der Richtung<br />
der vorangegangenen Abweichung abhängen. Auch die Autokorrelation kann häufig<br />
schon durch eine visuelle Inspektion der Daten beobachtet werden. Ein Test <strong>für</strong> die Autokorrelation<br />
ist der Durbin/Watson-Test. 83<br />
In Annahme 6 aus Tabelle 23 wird vorausgesetzt, dass die unabhängigen Variablen nicht linear<br />
voneinander abhängig sind. Bei vorliegender perfekter Multikollinearität, d.h. eine unabhängige<br />
Variable lässt sich als lineare Funktion der anderen darstellen, würde die Regression<br />
82 Vgl. Backhaus (2002), S. 86f.<br />
83 Vgl. Neubauer (2002), S. 455f.