Title (eng)
Contingency tests under autocorrelation
Parallel title (deu)
Kontingenztests unter Autokorrelation
Author
Robert Biermann
Advisor
Philipp Schmidt-Dengler
Co-Advisor
Daniel García
Assessor
Philipp Schmidt-Dengler
Abstract (deu)
Kontingenztafeln werden vielfach genutzt, um diskrete multikategorische Variablen auf Abhängigkeit zu testen. Komplikationen entstehen, wenn die dahinterliegenden Variablen autokorreliert sind. Dieser Fall kann in beinahe allen Wissenschaften eintreten, insbesondere in der medizinischen Forschung, Meteorologie und Ökonomie. Findet hier keine Berichtigung an einem typischen Pearson $\chi^2$-Test statt, erhöht sich der Umfang des Tests stark. Diese Arbeit behandelt eine Reihe an Tests, die diese Abweichung zu korrigieren versuchen. Die zwei betrachteten Hauptmethoden sind ein dynamisch angepasstes reduziertes Rangregressionsmodel, welches die kanonischen Korrelationen zwischen den Variablen testet und eine Methode, welche die Form der $\chi^2$-Verteilung mit Hilfe der Eigenwerte der Übergangsmatrizen der Variablen korrigiert. Monte Carlo Simulationen beschreiben die Vor- und Nachteile der beiden Herangehensweisen. Die Tests wurden in einem empirisches Datensatz zu Preisveränderungen zwischen Produktkategorien angewandt, um die praktische Relevanz der Tests zu illustrieren.
Abstract (eng)
Contingency tables are widely used to test dependence among discrete multi-category variables. A complication arises, however, if the underlying variables are autocorrelated. Such situations can occur in almost all sciences, especially medical research, meteorology and economics. Here, if no adjustment is made to a typical Pearson $\chi^2$ test, its size gets inflated. This thesis explores a number of tests attempting to correct for such cases. The two main approaches here are a dynamically augmented reduced rank regression model which tests the canonical correlations between the variables and a method to correct the shape of the $\chi^2$ distribution using the eigenvalues of the variables' transition matrices. Monte Carlo simulations of the tests are used to describe the trade-offs between the test approaches. The tests are applied on an empirical data set on price changes between and within product categories to illustrate their practical relevance.
Keywords (eng)
Contingency TablesAutocorrelationDependency TestsMonte Carlo SimulationsMarkov Chains
Keywords (deu)
KontingenztafelnAutokorrelationAbhängigkeitstestsMonte Carlo SimulationenMarkovketten
Subject (deu)
Type (deu)
Persistent identifier
Extent (deu)
v, 39 Seiten : Diagramme
Number of pages
45
Study plan
Masterstudium Volkswirtschaftslehre
[UA]
[066]
[913]
Association (deu)
Title (eng)
Contingency tests under autocorrelation
Parallel title (deu)
Kontingenztests unter Autokorrelation
Author
Robert Biermann
Abstract (deu)
Kontingenztafeln werden vielfach genutzt, um diskrete multikategorische Variablen auf Abhängigkeit zu testen. Komplikationen entstehen, wenn die dahinterliegenden Variablen autokorreliert sind. Dieser Fall kann in beinahe allen Wissenschaften eintreten, insbesondere in der medizinischen Forschung, Meteorologie und Ökonomie. Findet hier keine Berichtigung an einem typischen Pearson $\chi^2$-Test statt, erhöht sich der Umfang des Tests stark. Diese Arbeit behandelt eine Reihe an Tests, die diese Abweichung zu korrigieren versuchen. Die zwei betrachteten Hauptmethoden sind ein dynamisch angepasstes reduziertes Rangregressionsmodel, welches die kanonischen Korrelationen zwischen den Variablen testet und eine Methode, welche die Form der $\chi^2$-Verteilung mit Hilfe der Eigenwerte der Übergangsmatrizen der Variablen korrigiert. Monte Carlo Simulationen beschreiben die Vor- und Nachteile der beiden Herangehensweisen. Die Tests wurden in einem empirisches Datensatz zu Preisveränderungen zwischen Produktkategorien angewandt, um die praktische Relevanz der Tests zu illustrieren.
Abstract (eng)
Contingency tables are widely used to test dependence among discrete multi-category variables. A complication arises, however, if the underlying variables are autocorrelated. Such situations can occur in almost all sciences, especially medical research, meteorology and economics. Here, if no adjustment is made to a typical Pearson $\chi^2$ test, its size gets inflated. This thesis explores a number of tests attempting to correct for such cases. The two main approaches here are a dynamically augmented reduced rank regression model which tests the canonical correlations between the variables and a method to correct the shape of the $\chi^2$ distribution using the eigenvalues of the variables' transition matrices. Monte Carlo simulations of the tests are used to describe the trade-offs between the test approaches. The tests are applied on an empirical data set on price changes between and within product categories to illustrate their practical relevance.
Keywords (eng)
Contingency TablesAutocorrelationDependency TestsMonte Carlo SimulationsMarkov Chains
Keywords (deu)
KontingenztafelnAutokorrelationAbhängigkeitstestsMonte Carlo SimulationenMarkovketten
Subject (deu)
Type (deu)
Persistent identifier
Number of pages
45
Association (deu)
License
- Citable links
- Other links
- Managed by
- DetailsObject typeContainerCreated02.11.2021 01:05:16 UTC
- Usage statistics-
- Metadata
- Export formats