 |
| Detailed information |
| Pre-requisites |
(*)KS Grundlagen in Finance und KS Grundlagen in Managerial Accounting
|
| Original study plan |
Master's programme Finance and Accounting 2024W |
| Objectives |
(*)
- Grundkenntnisse aus Mathematik und Statistik sollen in Erinnerung gerufen werden.
- Die Studierenden sollen anschließend die Grundlagen einfacher und multipler Regressionsanalysen kennen und verstehen sowie in einfachen Aufgaben selbständig anwenden lernen.
- Dadurch soll ein besseres Verständnis empirischer Literatur erlangt werden und dafür, wie im Fachbereich empirische Resultate generiert werden, wie diese (qualitativ und kausal) interpretiert und evaluiert werden können, und wie man zu brauchbaren Prognosen, Schlussfolgerungen und Handlungsempfehlungen kommt.
- Die Studierenden sollen dadurch befähigt werden, selbständig einfache quantitative Zusammenhänge im Rahmen Ihrer bzw. einer empirisch angelegten Masterarbeit zu untersuchen.
- Die gewonnenen Kenntnisse im quantitativen Arbeiten sollen die analytischen und deduktiven Fähigkeiten der Studierenden fördern.
- Studierende sollen einfache empirische Analysen in Python umsetzen, und die für Datenmanagement, Regressionsanalysen und Graphiken einschlägigen Module sinnvoll einsetzen können.
Learning Outcomes
Nach dem erfolgreichen Abschluss dieses Seminares sind die Studierenden in der Lage,
- quantitative Variablen deskriptiv und graphisch auszuwerten (LO 1),
- die Funktionsweise einfacher Regressionstechniken (linear/nicht-linear) zu beschreiben (LO 2)
- vorgegebene Regressionsaufgaben anhand vorbereiteter Daten selbständig zu lösen, sowie die erhaltenen Ergebnisse zu evaluieren, auch im Hinblick darauf, wie unbeobachtete bzw. ausgelassene Variablen eine kausale Interpretation behindern mögen (LO 3)
- selbständig ein sinnvolles bzw. fundiertes ökonometrisches Modell zu einfachen Forschungsfragen aus Ihrem betriebswirtschaftlichen Fachbereich aufzustellen, zu implementieren und zu schätzen (LO 4)
- sinnvolle Hypothesen in Bezug auf die untersuchten Zusammenhänge zu formulieren und zu testen (LO 5) aus den Regressionsergebnissen einfache Prognosen zu erstellen, Schlussfolgerungen abzuleiten und diese adäquat zu kommunizieren (LO 6)
- entsprechende Basismodule für Python im Rahmen empirischer Projekte kompetent und versiert einzusetzen (LO 7)
|
| Subject |
(*)
In diesem Seminar werden den Studierenden einführende Kenntnisse zur Durchführung einfacher und multipler Regressionsanalysen vermittelt.
Eingangs werden mathematische und statistische Grundlagen diskutiert, sowie der generelle Ablauf einer empirischen Untersuchung mit quantitativen Daten.
Den thematischen Kern stellt die Schätzung von und die Inferenz aus Regressionsmodellen dar.
Darüber hinaus werden verschiedene funktionale Formen, Dummyvariablen und Trends in Zeitreihen diskutiert.
|
| Criteria for evaluation |
(*)
Anwesenheit (80%) zu den Seminarterminen ist für das Bestehen des Seminares unabdingbar. Für eine positive Absolvierung des Seminares ist weiters das Erreichen von 50% der Punkte für die praktischen Aufgaben und das Projekt notwendig. Es findet keine Klausur statt, bewertungsrelevant sind ausschließlich die genannten interaktiven Elemente.
Bei jeder praktischen Aufgabe sind 4 Punkte erreichbar, das Projekt wird mit maximal 8 Punkten bewertet. Somit können in Summe 20 Punkte erreicht werden.
Daraus ergibt sich folgendes Notenschema:
| Punkte | Note |
|---|
| 00,0 - 09,5 | Nicht Genügend |
| 10,0 - 12,0 | Genügend |
| 12,5 - 14,5 | Befriedigend |
| 15,0 - 17,0 | Gut |
| 17,5 - 20,0 | Sehr Gut |
Feedback-Kultur:
Diskussion der Lösung der praktischen Aufgaben im Seminar, Veröffentlichen einer Musterlösung.
Schriftliches Feedback auf Projektabgaben, individuelle Hilfestellung während der Erarbeitung.
Synchronisierung von Lernergebnissen und Bewertungen:
LO 1, 2, 5 und 7 sind für alle beurteilungsrelevanten Seminarbestandteile nötig. Die praktischen Aufgaben decken zusätzlich LO 3 ab, im Rahmen des Projektes sind auch LO 4 und LO 6 überprüfbar.
|
| Methods |
(*)
- Lehrvortrag, unterstützt durch Folien, sowie selbständiges und selbstgesteuertes Lernen (aus den Lehrbüchern).
- Diskussion bereits gelöster, praktischer Beispiele (case studies). Mittels der die Lehrbücher begleitenden Datensätze und bereitgestellter Codes können diese Beispiele auch praktisch nachvollzogen bzw. von den Studierenden selbst ausgeführt werden.
- Zumindest eine Übung bzw. Simulation der beurteilungsrelevanten Erarbeitung von praktischen Aufgaben, die in Kleingruppen umgesetzt und diskutiert werden darf.
- Praktische Aufgaben, die die Studierenden selbständig und vor Ort (hands-on und open book) lösen und zu denen Fragen zu beantworten sind. Teilweise werden für diese empirischen Aufgaben zusätzliche Datensätze zur Verfügung gestellt. Diese Aufgaben sind beurteilungsrelevant und werden von den Studierenden direkt im Seminar abgegeben.
- Weiters ist im Rahmen des Seminares von den Studierenden ein eigenes empirisches Projekt zu bearbeiten. Die Forschungsfrage ist dabei selbständig zu wählen, die Untersuchung eines multivariaten Zusammenhanges aus dem Bereich des gewählten Masterarbeitsfaches bzw. der (potenziellen) Masterarbeit wäre dabei sinnvoll. Die Aufgabenstellung umfasst das Auffinden und Vorbereiten eines (kleinen) Datensatzes, sowie das Schätzen und Testen einer Forschungsfrage anhand der erlernten Methodik. Bis zum Ende der Lehrveranstaltung bzw. des Semesters ist von den Studierenden ein Projektbericht zu entwerfen und einzureichen.
|
| Language |
German |
| Study material |
(*)Bücher (verpflichtend):
- Wooldridge, J.M. (2019). Introductory Econometrics – A Modern Approach, 7th ed., Cengage.
- Heiss, F., Brunner, D. (2020). Using Python for Introductory Econometrics.
|
| Changing subject? |
No |
| Further information |
(*)Timeline
| Termin 0: | Selbständig, vor dem Seminar: Wiederholung von Mathematik- und Statistik-Grundlagen anhand der Anhänge (Math Refresher) A, B und C aus dem Lehrbuch von Wooldridge; Installation von Python (Anaconda-Distribution) |
| Termin 1: | The Nature of Econometrics and Economic Data (Wooldridge, Kapitel 1) Carrying Out an Empirical Project (Wooldridge, Kapitel 19) Python Basics (Heiss & Brunner, Kapitel 1) |
| Termin 2: | The Simple Regression Model (Wooldridge, Kapitel 2) Praktische Beispiele aus Kapitel 2 (Heiss & Brunner, Kapitel 2) |
| Termin 3: | Multiple Regression Analysis: Estimation (Wooldridge, Kapitel 3),Praktische Beispiele aus Kapitel 3 (Heiss & Brunner, Kapitel 3) |
| Termin 4: | Multiple Regression Analysis: Inference (Wooldridge, Kapitel 4), Praktische Beispiele aus Kapitel 4 (Heiss & Brunner, Kapitel 4) |
| Termin 5: | Praktische Aufgabe 1, Multiple Regression Analysis: Further Issues & Qualitative Information (Auszüge aus Wooldridge, Kapitel 6 und 7) |
| Termin 6: | Praktische Aufgabe 2, Praktische Beispiele aus Kapitel 6 und 7 (Heiss & Brunner, Kapitel 6 und 7) |
| Termin 7: | Praktische Aufgabe 3, Using OLS with Time Series Data (Auszüge aus Wooldridge, Kapitel 10 und 11), Praktische Beispiele aus Kapitel 11 (Heiss & Brunner, Kapitel 10 und 11) |
| Termin 8: | Abgabe des Projektberichtes |
|
| Corresponding lecture |
(*)Eine der drei folgenden Lehrveranstaltungen ist äquivalent zu 979FASKACCS11: SE Forschungsmethoden für Finance and Accounting (3 ECTS)
979VFOFQNFS16: SE Quantitative Forschungsmethoden (3 ECTS) oder
979VFOFQLFS16: SE Qualitative Forschungsmethoden (3 ECTS) oder
979VFOAFOAS16: SE Forschungsmethoden in Accounting und Tax Management (3 ECTS)
|
|
