BW24.1 - Basismodul Empirische und Experimentelle Wirtschaftsforschung

Das Basismodul BW24.1 ist ein Angebot für Studiengänge im Bachelor und vermittelt grundlegende Methoden der empirischen und experimentellen Wirtschaftsforschung. Diese Methoden können uns helfen, Beziehungen zwischen wirtschaftlichen Aktivitäten und anderen Faktoren, z.B. Umweltfaktoren, zu analysieren, zu quantifizieren und Einblicke in die Wechselwirkungen zwischen ökonomischen Faktoren und z.B. Nachhaltigkeitsindikatoren zu gewinnen. Empirische Methoden können uns auch helfen, den Einfluss wirtschaftlicher Aktivitäten auf die Umwelt zu messen, die Wirksamkeit von Nachhaltigkeitsmaßnahmen und -interventionen zu bewerten, die Auswirkungen ökonomischer Szenarien abzuschätzen und die Kosten und Nutzen unterschiedlicher Maßnahmen zu quantifizieren.

Online-Lehre:

Das Modul wird online angeboten.

Die Inhalte dieses Kurses sind eher technisch. In diesem Kontext bietet online Lehre Vorteile, die mit Lehre im Hörsaal nicht erreicht werden. Online-Videos erlauben Ihnen, die Vorlesung ihrem inviduellen Lerntempo anzupassen. Sie können (und sollten) nach Ihren individuellen Bedürfnissen Denkpausen einlegen, zurückspulen oder vorspulen. Die Online-Aufgaben geben Ihnen Gelegenheit, neues Wissen auszuprobieren und geben Ihnen wöchentliches individuelles Feedback. Nachdem Sie sich im Video mit dem Material in Ihrer Geschwindigkeit vertraut gemacht haben, fällt es im Online-Diskussionsforum und im Meeting leichter, vorbereitet Fragen zu klären und zu diskutieren.

Im Ergebnis lernen Sie in diesem Fach im Online Format mehr und besser als im Hörsaal. Auch das Ergebnis der Prüfung fällt in diesem Fach bei Online Lehre deutlich besser aus. Mit Online Unterricht bestehen normalerweise mehr als 95% die Prüfung. Mit Unterricht im Hörsaal bestehen typischerweise nur 75% der Studierenden die Prüfung.

Auch online sollten Sie gemeinsam mit anderen Studierenden lernen. Sie können das Forum in Moodle nutzen, um eine Lerngruppe zu finden. Schauen Sie sich die wöchentlichen Videos an, beteiligen Sie sich an der Diskussion in Moodle und tauschen Sie sich regelmäßig mit Ihrer Lerngruppe aus. Besprechen Sie auch Ihre wöchentlichen Hausaufgaben gemeinsam mit Ihrer Lerngruppe. Sie erhalten zwar individuell unterschiedliche Aufgaben. Es hilft dennoch, wenn Sie sich gegenseitig Tipps geben können.

Nutzen Sie das Diskussionsforum in Moodle für Ihre Fragen. Ich werde das Diskuskussionsforum in Moodle aufmerksam lesen und werde versuchen, Ihre Fragen zeitnah zu beantworten. Sie können mich auf diesem Weg stets erreichen.

🎥 Vorlesung:

Sie werden jede Vorlesung als Video erhalten. Grundsätzlich steht es Ihnen frei, ob, wann und wie Sie die Videos anschauen wollen. Videos werden wöchentlich erscheinen und bis zum Ende des Semesters verfügbar sein. Es wird Ihnen helfen, wenn Sie feste wöchentliche Zeitpunkte für Vorlesung, Übung und Hausaufgaben reservieren. Den Text der Folien aus dem Video können Sie im Handout nachlesen.

🎥 Übung:

Sie werden auch die Übungen als Video erhalten (Sie finden die Aufgaben jeweils nach den Vorlesungen im jeweiligen Kapitel des Handouts). Auch hier gilt: Es steht Ihnen frei, ob, wann und wie Sie die Übungen anschauen. Reservieren Sie sich möglichst einen festen wöchentlichen Zeitpunkt. Tauschen Sie sich auch zu einem festen wöchentlichen Zeitpunkt mit Ihrer Lerngruppe aus.
In der Übung werden die Aufgaben aus dem Handout behandelt.

Wöchentliche Hausaufgaben:

Die wöchentlichen Hausaufgaben in Moodle sollen Ihnen erlauben, den Stoff regelmäßig (wöchentlich) selbst nachzuarbeiten. Mit den Hausaufgaben erhalten Sie regelmäßig Feedback über Ihren Fortschritt.

Sie werden individuell unterschiedliche Aufgaben lösen. Es hilft dennoch, wenn Sie sich über Ihre unterschiedlichen Aufgaben mit Ihrer Lerngruppe austauschen. Geben Sie die Lösungen (in Moodle) ab. Stellen Sie Fragen zu den Hausaufgaben bitte im Diskussionsforum. Die Aufgaben werden auch im Video in der nächsten Woche besprochen.

In den wöchentlichen Hausaufgaben können Sie 1/3 der Punkte (140 Punkte) erreichen.

Am Ende des Semesters können Sie in Moodle weitere (freiwillige) Aufgaben bearbeiten. Diese Aufgaben werden sich am Stil der digitalen Prüfung am 19.02.2026, 10:30 orientieren. Wenn Sie Lust haben, können Sie mit diesen Aufgaben mehr Routine für die digitale Prüfung am 19.02.2026, 10:30 gewinnen. Für diese Aufgaben gibt es keine Punkte. Sie können die Aufgaben so oft bearbeiten, wie Sie wollen. Sie werden bei jedem Versuch eine neue, zufällige Zusammenstellung von Aufgaben erhalten. Wenn Sie diese Aufgaben abgeben, werden Sie sogleich eine Bewertung und Kommentare zur Lösung erhalten.

Digitale Prüfung:

• Am Ende des Semesters bearbeiten Sie am 19.02.2026, 10:30 eine digitale Prüfung. In dieser Prüfung können Sie 2/3 der Punkte (280 Punkte) erreichen. Die Summe der Punkte aus Hausaufgaben und digitaler Prüfung (bis zu 420 Punkte) bestimmt Ihre Note.

  Die Form der Aufgaben der digitalen Prüfung wird ähnlich sein wie die Hausaufgaben, die Sie im Semester bearbeitet haben.

  Sie können die digitale Prüfung am 19.02.2026, 10:30 daheim bearbeiten. Wenn Sie lieber an der FSU Jena arbeiten wollen und wenn Sie einen Raum benötigen, dann sagen Sie uns bitte rechtzeitig Bescheid.

• Termin für die digitale Prüfung: 19.02.2026, 10:30. Teilnehmer und Teilnehmerinnen werden einige Tage vor der digitalen Prüfung in Moodle einen Link mit den Zugangsdaten für die digitale Prüfung erhalten.

  Bitte vergessen Sie nicht, sich für die Prüfung anzumelden!

• Wiederholungstermin: t.b.a. (online). Wenn Sie am Wiederholungstermin teilnehmen wollen, vergessen Sie bitte nicht, sich anzumelden.
• Hinweise für die digitale Prüfung.
• Prüfungsvorbereitung: Während der Vorlesungzeit rate ich Ihnen, die wöchentlichen Hausaufgaben zu bearbeiten und Ihre Lösungen abzugeben. Während der letzten Vorlesungswochen werden Sie in Moodle »zusätzliche Aufgaben« finden. Das ist ein Quiz, das Sie beliebig oft starten können. Jedes Mal erhalten Sie eine neue zufällige Kombination von Fragen. Wenn Sie dieses Quiz abgeben, erhalten Sie sofort Feedback. Der Stil dieser Aufgaben ist ähnlich wie der Stil der Aufgaben in der digitalen Prüfung. Sie können diese Aufgaben bearbeiten, um Routine für die digitale Prüfung zu gewinnen. Punkte, die Sie in diesen zusätzlichen Aufgaben erhalten, zählen nicht für ihr Prüfungsergebnis.
• Die Anmeldung zur digitalen Prüfung erfolgt über Friedolin.

Diskussionsforum und Online Meeting:

Im Diskussionsforum der Veranstaltung haben Sie während der Vorlesungszeit und während der Vorbereitung zur Prüfung die Möglichkeit Fragen zur Veranstaltung zu stellen, Anmerkungen zu machen, auf Fragen von anderen zu antworten, etc. Ich bemühe mich dann, Ihre Anregungen aufzugreifen und versuche, Ihre Fragen zu beantworten. Normalerweise beantworte ich ihre Fragen im Diskussionsforum in weniger als einem Werktag. Ich freue mich, wenn Sie das Diskussionsforum rege nutzen.

Zugangsdaten zum Online Meeting finden Sie in Moodle. Schauen Sie bitte zuerst die Videos und versuchen Sie die Hausaufgaben zu lösen. Seien Sie bitte pünktlich und schalten Sie, wenn eben möglich, Ihre Kamera ein. Mit Diskussionsforum und Online Meeting soll kein weiterer Stoff eingeführt werden.

Weiteres Material:

• Alles, was auf Folien in der Vorlesung erscheint, finden Sie auch im Handout.
  
  Zusätzlich finden Sie im Handout einige Erläuterungen. Es kann sein, dass ich im Laufe des Semesters einige Kleinigkeiten im Handout verbessere. Drucken Sie sich also besser nur die Kapitel aus, die Sie gerade benötigen.
• Falls Sie sich mehr in R einarbeiten wollen: Hier ist eine Einführung in R (mit Videos, allerdings in Englisch). Hier ist außerdem ein Kurs über “Graphs and visualising data” (auch auf Englisch, mit Videos).
• Einigen Formeln.

Gliederung:

Kapitel im Handout	Vorlesung	Übung
1. Einführung — Schätzen von Parametern	13.10.2025	20.10.2025
2. Wünschenswerte Eigenschaften von Schätzern	20.10.2025	27.10.2025
3. Maximum Likelihood und Momentenmethode	27.10.2025	03.11.2025
4. Bayesianische Inferenz	03.11.2025	10.11.2025
5. Frequentistische Inferenz	10.11.2025	17.11.2025
6. Frequentistische Tests für Mittelwerte	17.11.2025	24.11.2025
7. Konfidenzintervalle	24.11.2025	01.12.2025
8. Nichtparametrische Tests	01.12.2025	08.12.2025
9. Lineare Regression — Einführung	08.12.2025	15.12.2025
10. Multiple Regression	15.12.2025	05.01.2026
11. Kategoriale Variablen in der linearen Regression	05.01.2026	12.01.2026
12. Nichtlineare Regressionsfunktionen	12.01.2026	19.01.2026
Hausaufgaben, weitere Übungsaufgaben, Diskussionsforum, keine neuen Vorlesungsvideos	19.01.2026	26.01.2026
Hausaufgaben, weitere Übungsaufgaben, Diskussionsforum, keine neuen Vorlesungsvideos	26.01.2026	02.02.2026
Hausaufgaben, weitere Übungsaufgaben, Diskussionsforum, Q+A Meeting, keine neuen Vorlesungsvideos	02.02.2026	09.02.2026

Empfohlene Literatur:

Einigen von Ihnen werden besser mit Vorlesung und Übung lernen können. Andere lernen besser aus Büchern. Machen Sie, was besser zu Ihnen passt. In der Vorlesung werden keine »Geheimnisse« verraten ― alles, was ich in der Vorlesung mache, finden Sie auch im Handout. Literaturhinweise finden Sie jeweils am Ende der einzelnen Kapitel.

• Dolic, Dubravko, Statistik mit R, Oldenbourg, 2003.
• Verzani, John, Using R for introductory statistics, Chapman & Hall, 2005. Online-Ressource als DFG Nationallizenz (über Login oder aus dem Uni Netz) (detaillierter als die Vorlesung mit zahlreichen Beispielen).
• Vasishth, Shravan, The foundations of statistics: A simulation-based approach, 2009. Dieser Text dient vor allem zum zielstrebigen Auffrischen des für BW 24.1 relevanten Inhalts von BW 30.1, bzw. falls Sie BW24.1 vor BW30.1 belegen.
• John K. Kruschke , Doing Bayesian Data Analysis: A Tutorial with R, JAGS, and Stan. Academic Press, 2nd Edition, 2014. (vor allem für den Bayesianischen Teil der Vorlesung.)
• Jim Albert and Jingchen Hu, Probability and Bayesian Modeling, 2020. (vor allem für den Bayesianischen Teil der Vorlesung.)
• Schira, Josef, Statistische Methoden der VWL und BWL. Theorie und Praxis. Pearson, München, 2009. Kapitel 13-17. (Eher intuitiv und andwendungsnah.)
• Hartung, J., Statistik, Oldenbourg, 2002. (Dies ist mehr ein Handbuch und weniger ein Lehrbuch, das heißt, es wird fast jedes denkbare Thema angeschnitten, und dann eher kurz und recht formal behandelt.)
• Stock and Watson; Introduction to Econometrics; 2nd Edition; Pearson 2006.
  • alternativ: Stock and Watson; Introduction to Econometrics; Brief Edition; Pearson 2008
  (in diesen Büchern wird der Stoff der letzten fünf Kapitel der Vorlesung recht ausführlich mit vielen Beispielen erklärt.)
• von Auer; Ökonometrie; Springer 2007 (behandelt den Stoff der letzten fünf Kapitel der Vorlesung sehr ausführlich, eher technisch).
• Einen Zugang zur Softwareumgebung R finden Sie über die unten angegebene Dokumentation zu R.

FAQ:

• Ich habe eine Frage zum Stoff. Wo bekomme ich eine Antwort?
• Kann ich auch noch verspätet in den Kurs einsteigen?
• Wie kann ich mich vom Kurs wieder abmelden?
• Für welche Fragen ist die Sprechstunde da?
• Unter welchen Voraussetzungen bekomme ich ein Gutachten
• Mir gefällt die Veranstaltung nicht wie sie ist. Was kann ich tun?
• Mir gefällt die Veranstaltung prima
• Vorlesung, Hausaufgaben, Diskussionsforum... - muss ich das alles machen?
• Warum sind die Videos für Vorlesung und Übung nicht alle gleich lang?
• Brauche ich für diese Veranstaltung einen eigenen Computer?
• Kann man R und RStudio auch auf einem Netzlaufwerk (z.B. dem Microsoft OneDrive) installieren?
• Wie gebe ich in Moodle Lösungen ab?
• Wie gebe ich in Moodle Dezimalzahlen ein?
• Moodle beschwert sich über »unvollständige Antworten«
• Wie bewertet Moodle die Lösungen der Hausaufgaben?
• Ich habe den Termin für die Abgabe der Hausaufgaben verpasst. Kann ich die Aufgaben auch noch später abgeben?
• Warum ist die Vorlesung so einfach, und der Stoff der Übungen so schwierig?
• Wie melde ich mich zur Prüfung an?
• Wie schwierig wird die online Prüfung am Ende des Semesters?
• Der Termin für die online Prüfung ist für mich ungünstig.
• Wie bereite ich mich am besten auf die Prüfung vor?
• Was mache ich bei technischen Problem in einer online Prüfung?
• Warum werden so viele Punkte für die Note ... verlangt?
• Wie unterscheidet sich die Wiederholungsklausur von der ersten Prüfung?
• Warum lässt man überhaupt Leute durch die Prüfung fallen?
• Wenn ich durch die Prüfung gefallen bin — kann man da gar nichts machen?

Theorie und Praxis:

Für die praktischen Beispiele in der Vorlesung werden wir die Softwareumgebung R verwenden. Wir müssen uns dabei auf eine Umgebung festlegen. R ist eine sehr leistungsfähige statistische Softwareumgebung, die Sie uneingeschränkt auf Ihrem Rechner verwenden können.

• Dokumentation zu R finden Sie nicht nur in der eingebauten Hilfefunktion sondern auch auf der R Homepage. Hilfreich sind vor allem
  • The R Guide von Jason Owen (recht einfach, versucht R vor allem an Beispielen aus der Statistik zu erklären — einige Anwendungen sind dabei recht nahe am Stoff der Vorlesung)
  • Simple R von John Verzani (versucht R vor allem an Beispielen aus der Statistik zu erklären — einige Anwendungen sind dabei recht nahe am Stoff der Vorlesung)
  • Einführung in R von Günther Sawitzki (recht kompakte Einführung. Der statistische Teil ist durchaus anspruchsvoll)
  • Econometrics in R von Grant V. Farnsworth (die Einführung in R auf den ersten Seiten ist sehr kompakt und pragmatisch. Die ökonometrischen Modelle danach gehen weit über den Inhalt der Vorlesung hinaus)
  • An Introduction to R von W. N. Venables und D. M. Smith (betrachtet R eher als Programmiersprache und geht weniger auf die statistische Anwendung ein)
  • The R language definition (erklärt ausschließlich R als Programmiersprache, behandelt keine statistische Anwendung)
• Quellen zum Download finden Sie auf der Homepage des R-Projekts. Für die Standard Betriebssysteme finden Sie z.B. hier Installationsquellen.

  Installation unter Microsoft Windows:

  Laden Sie den Installer aus dem Internet. Starten Sie den Installer und beantworten Sie alle Fragen mit 'OK'. Installieren Sie R nicht auf einem Netzwerklaufwerk und nicht in der Cloud (Dropbox, Onedrive,...) sondern lokal auf Ihrer Festplatte.

  Installation unter GNU-Linux:

  Folgen Sie den Installationsanweisungen für Ihre jeweilige Distribution.

  Installation unter MacOS X:

  Hier sind die Installationsanweisungen für MacOS X.

• In der Vorlesung verwende ich RStudio als Front-end.
• Wir werden einige zusätzlichen Pakete verwenden.

  Das Paket MCMCpack sollten Sie auf jeden Fall installieren. Falls z.B. das Kommando library(MCMCpack) ohne Fehlermeldung ausgeführt werden kann, ist das Paket MCMCpack bereits installiert. Falls es eine Fehlermeldung gibt (Error in library(MCMCpack): There is no package called 'MCMCpack'), muss das Paket zunächst installiert werden.

  Viele Beispiele verwenden auch Daten aus dem Paket Ecdat. Hier hilft es bestimmt, wenn Sie dieses Paket auch installiert haben.

  Weitere Pakete brauchen wir nicht ganz so oft: car, MASS (VR), UsingR, binom, relaimpo, lmtest, lattice, plyr, clinfun, memisc, xtable. Wenn Sie die alle Beispiele nachvollziehen wollen, sollten Sie diese Pakete auch installieren.

  Installation von Paketen unter Microsoft Windows:

   

  • Mit RStudio: Verwenden Sie den Reiter “Install”.
  • Ohne Rstudio: Starten Sie Rgui.exe und wählen Sie das Menü Packages. Dort können Sie Pakete aus dem Internet nachinstallieren (Install Packages). R fragt Sie zunächst nach einer Installationsquelle (wählen Sie hier z.B. Deutschland, Göttingen), danach können Sie aus einer Liste die Pakete installieren.
  • Alternativ können Sie Pakete installieren, die Ihnen als zip-Archiv vorliegen. Dazu laden Sie zunächst das Paket von der Installationsquelle passend für Ihre Version von R herunter (dort hat es z.B. den Namen Ecdat_0.4.7.zip) und speichern Sie. Dann wählen Sie in R im Menü Packages das Untermenü Install packages from local zip-files, wählen Ihre Datei aus, und alles sollte sich von alleine installieren. Manchmal setzt ein Paket ein anderes voraus, das vorher installiert werden muss. Sie merken das daran, dass sich R über fehlende 'dependencies' beklagt. Installieren Sie in diesem Fall die erforderlichen Pakete zuerst und versuchen Sie es dann nochmal.
  • Das Paket relaimpo installieren Sie möglichst vom zip-Archiv auf der Homepage der Autorin. Dies ist die non-US Version, die leistungsfähiger ist.

  Installation von Paketen unter GNU-Linux:

  Um z.B. Ecdat zu installieren, sagen Sie einfach install.packages("Ecdat",dependencies=TRUE). R fragt Sie dann nach einer Installationsquelle (wählen Sie hier z.B. Deutschland, Göttingen), alles andere passiert von selbst.

  Installieren Sie das Paket relaimpo möglichst vom tar.gz-Archiv auf der Homepage der Autorin. Dies ist die non-US Version, die leistungsfähiger ist.

Modul-Verantwortlicher:

Prof. Dr. Oliver Kirchkamp

Art des Moduls:

Pflichtmodul

Angebot:

Im Wintersemester

Semester nach Musterstudienplan:

3. Semester

Dauer des Moduls:

1 Semester

Zusammensetzung des Moduls:

VL und Ü

Leistungspunkte (ECTS credits):

6

Arbeitsaufwand:

60 h (2 SWS VL, 2 SWS Ü), Selbststudium (einschl. Prüfungsvorbereitung): 120 h

Inhalte:

Das Modul vermittelt grundlegende Methoden der empirischen Wirtschaftsforschung, insbesondere induktive statistische, ökonometrische und experimentelle Verfahren.

Lern- und Qualifikationsziele:

Studierende sollen verstehen, wie ökonomische Hypothesen entwickelt und getestet werden können. Sie sollen die Vor- und Nachteile unterschiedlicher Verfahren zum Test von Hypothesen beurteilen können und lernen, Methoden zum Test von Hypothesen zu erarbeiten.

Voraussetzung für die Zulassung zur Modulprüfung:

Keine:

Voraussetzung für die Vergabe von Leistungspunkten:

Wöchentliche Hausaufgaben: 1/3, Prüfung: 2/3.