Zusammenfassung
In der modernen Finanzmarktforschung kommt der Wahl der statistisch-ökonometrischen Methodik immer größere Bedeutung zu. Immer wieder zeigt sich, daß das gewählte Verfahren die Ergebnisse mitbestimmt. Daher ist diesem Bereich eine hohe Aufmerksamkeit zu widmen.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Literatur
Neben dem Diskussionspapier von Härdie und Müller (1997) sind besonders das Buch von Fan und Gijbels (1996) und der Artikel von Rupert und Wand (1994) zu nennen. Letzterer enthält auch eine Formel für die Varianz der Schätzer.
Der AR(1) könnte auch durch die Dynamik des Modelies modelliert werdea Dadurch würde aber die um einen Monat verzögerte Jahresrendite, dlnDAXt-1n das Modell aufgenommen. Diese korreliert so stark mit der Zielgröße (R2 ≈ 90%), daß sie wenig Raum für die Analyse der Determinanten läßt Die Korrelation mit dlnDAX ist dabei definitorisch bedingt. Jahresrenditen sind die Summe von zwölf Monatsrenditen. 11 der 12 Monatsrenditen, aus denen sich DlnDAXt zusammensetzt, sind auch in dlnDAXt-1 enthalten.
Im DAX ist die Tourismusbranche nur indirekt durch die Lufthansa vertreten.
Der Suppressoreffekt (vgl. z.B. Bortz, (1985) S. 561–566) taucht in allen Regressionen auf, in denen die exogenen Variablen nicht orthogonal zueinander stehen, also untereinander koireliert sind. Das Kern des Problems besteht darin, daß zwei oder mehr Variablen den gleichen Teil der Variation der Zielgröße erklären können. Werden die Variablen, die alle eine hohe Korrelation mit der Zielgröße aufweisen, in einem Modell zusammengenommen, so erklären sie die Zielgröße nicht merklich besser als jede einzelne. Eine wichtige Einflußgröße kann folglich in einem großen Modell unwichtig erscheinen, wenn andere Regressoren den gleichen Anteil an den Schwankungen der zu erklärenden Größe abdecken. Wird die Variable aus dem Modell entfernt, sinkt dessen Anpassungsgüte kaum, das partielle Bestimmtheitsmaß ist gering, obwohl die Variable von Bedeutung ist. Umgekehrt kommt es auch vor, daß ein Regressor von den Einflüssen zweier Faktoren geprägt ist. Der eine Faktor, A, ist eine Determinante der Zielgröße, der andere Faktor, B, nicht. Die Summe dieser zwei Einflüsse erklärt die Zielgröße nur schlecht. Diese Variable korreliert folglich nur in geringem Ausmaß mit der zu Erklärenden. Kommt in einem Modell jedoch neben diesem Prädiktor noch ein weiterer vor, der die Einflüsse von Faktor B neutralisiert, so wird der vermeintlich irrelevante Regressor plötzlich wichtig. Daher können die Variablen nicht nur anhand ihrer bivariaten Korrelation mit der Zielgröße beurteilt werden, sondern müssen in Kombination mit anderen betrachtet werden. Da dies in großen Modellen wie erläutert mitunter schwierig ist, werden bei der Analyse der Jahresrenditen ergänzend auch kleine Modelle untersucht
Bei dem Risikofaktor ergibt sich ein technisches Problem. Er wird als die Standardabweichung der Monatsrenditen quantifiziert. Die Innovation in dieser Größe ist die zentrierte, quadrierte aktuelle Monatsrendite. Damit ist sie eine Funktion der Zielgröße und deshalb als Regressor untauglich. Um die Rolle des Risikos trotzdem zu erforschen, dient die Bestandsgröße, nicht die Innovation, als Regressor. Weil diese Lösung nur ein Behelf ist, wird sie nicht in jedes Modell integriert, sondern nur in einigen zentralen.
Da es im nur zwei Zinsgrößen gibt, die für den gesamten Analysezeitraum vorliegen, gibt es bei den Zinsvariablen in jedem Zeitpunkt 216/2 = 108 Werte für die Gütekriterien.
Häufig werden auch standardisierte Koeffizienten angewendet, siehe 5.4.2.
Das betrachtete Modell wird in der reduzierten Form geschätzt Die Parametermatrix eines reduzierten Mo-delles ist i.A. voll besetzt, auch wenn in der strukturellen Form viele Nullrestriktionen enthalten sind.
Signifikant wird einheitlich als |t-Wert} > 2 definiert, eine Unterscheidung nach ein- und zweiseitigen Tests unterbleibt.
Da die Zielgröße nicht partialisiert wird, handelt es sich genau genommen um semi-partielle Bestimmtheitsmaße. Zur Vereinfachung werden sie in der ganzen Arbeit als partielle B2 bezeichnet
Die Kapazitätsauslastung ist ab 1970 verfügbar. Weder für die Niveaugröße noch für deren Veränderung läßt sich ein Zeitreihenmodell finden, das White noise Residuen generiert. Daher mußte auf die Kapazitätsauslastung als Regressor verzichtet werden. Dies ist nicht allzu gravierend, weil letztere definiert ist als Industrieproduktion/Produktionspotential. Der Nenner ändert sich nur sehr langsam und da er aus interpolierten Jahreswerten besteht, auch nur selten unerwartet. Die Industrieproduktion mißt daher faktisch die Kapazitätsauslastung mit I.A. wird letztere gern benutzt, weil sie nur die Konjunkturkomponente erfaßt und in gleichbleibenden Grenzen schwankt Bei den mit 5–7 Jahren kurzen Zeitreihen, die in die Regressionen eingehen, fällt die Stationaritätsproblematik kaum ins Gewicht Der langfristige Trend schlägt bei solchen kurzen Betrachtungsspannen nicht durch.
Für den letzten Jahrgang, dessen Daten 1994 enden, liegen die Regressormatrizen für die Validierungsmenge nur unvollständig vor; deshalb muß in diesem auf die Berechnung der drei Validierungsmaße verzichtet werden.
Dazu werden sie durch die Standardabweichung der Zielgröße geteilt und mit der der erklärenden Größe multipliziert. Diese standardisierten Koeffizienten messen, um wieviele Standardabweichungen sich die Jahresrendite verändert, wenn die erklärende Variable um eine Standardabweichung erhöht wird, während untrans-formierte ß-Werte messen, um wieviele Prozentpunkte sich die Jahresrendite erhöht, wenn die Erklärende um eine Einheit ansteigt
Rights and permissions
Copyright information
© 2000 Springer Fachmedien Wiesbaden
About this chapter
Cite this chapter
Rathjen, D. (2000). Methodik. In: Die makroökonomischen Determinanten des DAX. Deutscher Universitätsverlag, Wiesbaden. https://doi.org/10.1007/978-3-322-89633-9_5
Download citation
DOI: https://doi.org/10.1007/978-3-322-89633-9_5
Publisher Name: Deutscher Universitätsverlag, Wiesbaden
Print ISBN: 978-3-8244-7083-9
Online ISBN: 978-3-322-89633-9
eBook Packages: Springer Book Archive