Duisburg, Essen, University Diss., 2004.

Zugl.: München, Univ., Diss., 2007

Stuttgart, Univ., Diss., 2008.

Zugl.: München, University, Diss., 2007. / Zugl.: München, Univ., Diss., 2007. - Mit dt. Zusammenfassung.

Mannheim, Univ., Diss., 2006.

In diesem Beitrag wird eine Regressionsanalyse vorgestellt, die die Einflüsse auf die Entscheidung verheirateter deutscher Frauen untersucht, eine Erwerbstätigkeit aufzunehmen. Um Differenzen im Verhalten von ost- und westdeutschen Frauen zu ermitteln, erfolgte die Untersuchung getrennt in zwei Datensätzen. Zur Vermeidung von Annahmen über die Art des Zusammenhanges wurde das Generalisierte Additive Modell (GAM) gewählt, ein semiparametrisches Regressionsmodell. Diese Modellform, die nichtparametrische und parametrische Regressionsmethoden in sich vereint, hat bisher wenig Verbreitung in der Praxis gefunden. Dies lag vor allem am Schätz verfahren, dem Backfitting. Seit etwa einem Jahr gibt es neue Ansätze, in dieser Modellform zu schätzen. Die analytischen Eigenschaften des neuen Schätzers lassen sich leichter bestimmen. Mit dieser Schätzung konnten Unterschiede zwischen Ost und West genau herausgearbeitet werden und die funktionalen Zusammenhänge zwischen Einflußvariablen und Antwortvariable untersucht werden. Die Analyse brachte deutliche Unterschiede im Erwerbsverhalten zwischen der Frauen beider Landesteile zum Vorschein. / This paper will focus on the regression analysis of labor supply decisions of married German women. In order to determine differences East and West German women were compared seperately. To avoid assumptions about the functional type of correlation the Generalized Additive Model, a semiparametric regression model, was chosen. So far, this pattern consisting of nonparametric and parametric methods has not found acceptance in practical application. Reason for that is the backfitting-estimator. One year ago new ideas for the estimation by GAM were found. The analytical features of the new estimator are easier to determine. Using this method differences between East and West were discovered in detail and functional correlations between endogenous and exogenous variables were investigated. This analysis unveiled significant differences of labor supply behavior among East and West Germany.

No description available.

Zugl.: Bremen, Universiẗat, Diss., 2009.

Das Hauptanliegen dieser Arbeit ist der asymptotische Vergleich verschiedener nichtparametrischer adaptiver Schätzer des Mittelwertvektors in einer Regressionssituation mit wachsender Anzahl von Wiederholungen an festen Versuchspunkten. Da die adaptiven Schätzer nicht mehr linear in den Beobachtungen sind, wird ihre mittleren quadratischen Fehler durch ihre Risiken höherer Ordnung approximiert und dadurch wird ein Vergleich unter Annahme normalverteilter Beobachtungsfehlern ermöglicht. Es wird gezeigt, daß der Plug-In Schätzer des unbekannten Mittelwertvektors in dritter Ordnung besser ist als die anderen adaptiven Schätzer und, daß die mit Hilfe der Full Cross-validation Idee konstruierte Schätzer des Mittelwertvektors besser ist als die Schätzung mit Cross-validation, falls die unbekannte Regressionsfunktion "unglatt" ist. In speziellen Situationen ist die Full Cross-validation Adaptation besser als die Adaptationen mit Hilfe der in der Arbeit betrachteten "automatischen" Kriterien. Es wird außerdem einen Schätzer des Mittelwertvektors mit einer Plug-In Idee konstruiert, dessen Risiken zweiter Ordnung kleiner sind als die Risiken zweiter Ordnung der anderen adaptiven Schätzer. Wenn aber eine Vermutung vorliegt, daß die unbekannte Regressionsfunktion "sehr glatt" ist, wird bewiesen daß der Projektionsschätzer den kleinsten mittleren quadratischen Fehler liefert. / The main objective of this thesis is the asymptotic comparison of various nonparametric adaptive estimators of the mean vector in a regression situation with increasing number of replications at fixed design points. Since the adaptive estimators are no longer linear in the observations, one approximates their mean square errors by their heigher order risks and a comparison under the assumption of normal distributed errors of the observations will be enabled. It is shown that the Plug-In estimators of the unknown mean vector is better in third order than the others adaptive estimators and that the estimator defined with the full cross-validation idea is better than the estimator with cross-validation, if the unknown regression function is "non smooth". In some special situations, the full cross-validation adaptation will be better than the adaptations using a minimizer of the "automatic" criteria considered in this thesis. Additionally, an estimator of the mean vector is proposed, whose second order risk is smaller than the second order risks of the other adaptive estimators. If however one presumes that the unknown regression function is "very smooth", then it is shown that the projection estimator gives the smallest mean square error.

In this thesis, a binary decision tree is used as an approximation of a nonparametric regression curve. The best fitted decision tree is estimated from data via least squares method. It is investigated how and under which conditions the estimator converges. These asymptotic results then are used to create asymptotic convergence regions.