Master - Neuere Statistische Methoden (Poverty Mapping)
Master – Neuere Statistische Methoden (Poverty Mapping)
(104063a / 104064a)
Typ |
Vorlesung / Übung |
Leistungspunkte |
6 LP (Master Economics) |
Studienabschnitt im Masterstudiengang
- Economics: Schwerpunktbereich Quantitative Analyse
- Statistics: Wahlpflichtbereich/Wahlbereich Aktuelle Forschungsfragen der Statistik
Modulbeschreibung
(laut Studienordnung für den Masterstudiengang Economics)
Qualifikationsziele:
Die Studierenden erlangen vertiefte Kenntnisse über verschiedene Armuts- und Ungleichheitsindikatoren und ihre Messung. Sie werden in der Lage sein, die Schätzung/ Messung der Indikatoren in entsprechender Software durchzuführen und die Ergebnisse zu visualisieren (etwas in Form von Karten). Dieses Wissen kann auf unterschiedliche Fragestellungen der Volkswirtschaftslehre angewendet werden.
Inhalte:
Moderne Methoden zur Messung von linearen und nicht-lineare Indikatoren.
Kurze Gliederung:
1) Kurze Einführung in die Armutsmessung
- Wie definiert man Armut?
- Wie lässt sich Armut messen?
- Unterschiede zwischen relativer und absoluter Armut.
- Abgrenzung der Begriffe Armut und Ungleichheit.
2) Generelle Umfragen (Surveys) und spezielle Datensätze
- Kurzer Einblick in den Bereich der Umfrageerstellung und Datenergebung.
- Einführung grundlegender Datensätze, die im Kurs analysiert werden:
EU-SILC Österreich, DHS Survey Senegal, ENIGH Mexiko.
3) Direkte Schätzung von Indikatoren
- Generelle Definition einer Schätzfunktion.
- Einführung von direkten Schätzmethoden anhand von Beispielen.
- Varianzschätzung (Bootstrap-Verfahren).
- Warum reichen direkte Schätzverfahren nicht aus?
4) Small Area Schätzung für lineare Indikatoren (etwa Mittelwerten)
- Kurze Einführung in die Theorie der Small Area Schätzung.
- Exkurs: Gemischte lineare Regressionsmodelle.
- Model-basierte Schätzverfahren für Mittelwerte.
- Varianzschätzung.
- Anwendung: Analphabetismus im Senegal.
5) Small Area Schätzung von nicht-linearen Indikatoren (etwa Gini, Quintile Share Ratio,
Armutsgefährdungsquote, usw.)
- Einführung und Motivation klassischer Fragestellungen.
- Empirical Best Predictor für nicht-lineare Indikatoren.
- Transformation der Daten.
- Evaluierung von Ergebnissen mit Hilfe von Simulationen.
6) Case Study: Armuts- und Ungleichheitsmessung in Mexiko