Regressionsmodell

1. Modellarten: Regression, einfache; Regression, multiple; Regression, lineare; Regression, nicht lineare.

2. Schätzmethode: Meist wird mit der gewöhnlichen Kleinstquadratemethode gearbeitet, bei der die Parameter so geschätzt werden, dass die Summe der quadrierten Abweichungen der Regressionskurve von den Datenpunkten minimiert wird. Zur Schätzung der Parameter von Regressionsmodellen werden i.d.R. bestimmte Annahmen über die stochastischen Eigenschaften des additiven Störterms getroffen: Mittelwert gleich null, gemeinsame gleiche Varianz (Homoskedastizität), Unabhängigkeit (keine Autokorrelation), Unabhängigkeit von den erklärenden Variablen.

3. Beurteilung der Regressionsergebnisse: Die wichtigsten Kennzahlen sind:
(1) Bestimmtheitsmaß (Anteil der durch die Regression erklärten Varianz der zu erklärenden Variable),
(2) t-Werte (pro exogener Variablen ein t-Wert; Beurteilung der Signifikanz des Einflusses einzelner erklärender Variablen auf die erklärte Variable; t-Test),
(3) F-Wert (Beurteilung der Signifikanz der Regression; F-Test für das multiple Regressionsmodell).

4. Hauptprobleme: Schätzung und Spezifikation der Funktionsform des Modells und der im Modell auftretenden erklärenden Variablen, Endogenität der erklärenden Variablen, Multikollinearität (Korrelation der erklärenden Variablen bzw. fehlende Varianz selbiger), Autokorrelation und Heteroskedastizität, fehlende Stationarität der Variablen.