DE / EN

Advanced Business Econometrics

MKT 903

Verantwortlicher Dozent Prof. Dr. Florian Stahl
Veranstaltungs­art Vorlesung
Leistungs­punkte 6 ECTS
Semesterwochenstunden 4
Semester Herbstsemester
Sprache Englisch
Registrierung Bitte melden Sie sich für den Kurs am Center for Doctoral Studies in Business (CDSB) an
Zugelassene Teilnehmer CDSB PhD Studenten, CDSE Doktoranden, Mannheim Master in Business Research (MMBR)

    Weitere Informationen

  • Kursbeschreibung

    Ziel des Kurses ist es, Doktoranden eine Einführung in und einen Überblick über die neuesten Discrete-Choice-Methoden in der Wirtschafts- und Marketingforschung zu geben. Forscher verwenden diese statistischen Methoden, um die Entscheidungen zu untersuchen, die Verbraucher, Haushalte, Unternehmen und andere Akteure treffen. Jedes der Haupt­modelle wird abgedeckt: logit, generalisierter Extremwert (einschließlich verschachtelter und verschachtelter Logits), probit und mixed logit sowie eine Vielzahl von Spezifikationen, die auf diesen Grundlagen aufbauen. Simulations­unterstützte Schätz­verfahren werden untersucht und verglichen, einschließlich der maximalen simulierten Wahrscheinlichkeit, der Methode der simulierten Momente und der Methode der simulierten Werte. Der Kurs behandelt auch Verfahren für Endogenitäts- und Erwartungs­maximierungs­algorithmen. Die Teilnehmer werden eine Vielzahl von Artikeln und Fall­studien studieren, die die Anwendung solcher Modelle auf reale Geschäftsphänomene demonstrieren.


    Die Vorlesungen zum Thema „Advanced Business Econometrics“ decken folgende Themen ab:

    • Properties of Discrete Choice Model 
    • Logit Model
    • Numerical Maximization 
    • Nested Logit 
    • Probit Model
    • Mixed Logit
    • Conditional Distributions of Individual-level Parameters
    • Endogeneity: BLP, Control functions, Latent Instruments
  • Vorlesung

    Dozent Prof. Dr. Florian Stahl
    Termine  
    Benotung Hausaufgaben, Schriftliche Prüfung
  • Erforderliche Lektüre

    • Ben-Akiva M. and D. Bolduc (1996): „Multinomial Probit with a Logit Kernel and a General Parametric Specification of the Covariance Structure,“ working paper. 
    • Berry, S. (1994): „Estimating Discrete Choice Models of Product Differentiation,“ The Rand Journal of Economics, Vol. 25, No. 2, pp. 242-262.
    • Berry, S., A. Pakes, and J. Levinsohn (1995): „Automobile Prices in Equilibrium,“ Econometrica,Vol. 63, No. 4, pp. 841-890.
    • Berry, S., A. Pakes, and J. Levinsohn (2004): „Differentiated Products Demand Systems from a Combination of Micro and Macro Data: The New Vehicle Market,“ Journal of Political Economy, Vol. 112, No. 1, pp. 68-105.
    • Brownstone D. and K. Train (1998/99): „Forecasting New Product Penetration with Flexible Substitution Patterns,“ Journal of Econometrics, Vol. 89, No. 1-2, pp. 109-129
    • Hausman,  J. and D. Wise, „A Conditional Probit Model for Qualitative Choice: Discrete Decisions Recognizing Interdependence and Heterogenous Preferences,“ Econometrica, Vol. 48, No. 2, pp. 403-426.
    • Lerman S. and C. Manski (1981): „On the Use of Simulated Frequencies to Approximate Choice Probabilities,“ in C. Manski and D. McFadden (eds.), Structural Analysis of Discrete Data with Econometric Applications, Cambridge, MA, MIT Press, 1981.
    • McFadden,  D. (1978): „Modeling the Choice of Residential Location,“ [PDF] in A. Karlquist, et al. (eds.), Spatial Interaction Theory and Planning Models, Amsterdam, North-Holland Publishing Company.
    • McFadden,  D. (1994): „Conditional Logit Analysis of Qualitative Choice Behavior,“ [PDF] in P. Zarembka (ed.), Frontiers of Econometrics, New York, NY, Academic Press.
    • McFadden D. and K. Train (2000): „Mixed MNL Models of Discrete Response,„Journal of Applied Econometrics, Vol. 15, No. 5, pp. 447-470
    • Park S. and S. Gupta (2009): „A Simulated Maximum Likelihood Estimator for the Random Coefficient Logit Model Using Aggregate Data,“ Journal of Marketing Research,Vol. 46, No. 4, pp. 531-42. 
    • Petrin A. and K. Train (2010): „A Control Function Approach to Endogeneity in Consumer Choice Models,“ Journal of Marketing Research,Vol. 47, No. 1, pp. 3-13.
    • Revelt  D. and K. Train (1998): „Mixed Logit with Repeated Choices,“ Review of Economics and Statistics, Vol. LXXX, No. 4, pp. 647-657.
    • Ruud, P. (2000): An Introduction to Classical Econometric Theory, New York, Oxford University Press.
    • Staelin, Richard (1994): How to Write Readable Papers for Marketing Science
    • Train,  K. (1978): „A Validation Test of a Disaggregate Mode Choice Model,“ Transportation Research, Vol. 12, pp. 167-174. 
    • Train,  K. (1986): „Qualitative Choice Analysis“, Cambridge, MA, MIT Press.
    • Train, K., D. McFadden, and M. Ben-Akiva (1987): „The Demand for Local Telephone Service: A Fully Discrete Model of Residential Calling Patterns and Service Choices,“ RAND Journal of Economics, Vol. 18, No. 1, pp. 109-123.
    • Train  K. and M. Weeks (2005): „Discrete Choice Models in Preference Space and Willingness-to-pay Space,“ in Applications of Simulation Methods in Environmental and Resource Economics, R. Scarpa and A Alberini, eds., Springer, Dordrecht.
    • Train K. and C. Winston (2007): „Vehicle Choice Behavior and the Declining Market of US Automakers,“ Internatinal Economic Review, Vol. 48, No. 4, pp. 1469-1496.
    • Train, K. E. (2009): „Discrete Choice Methods with Simulation“, Cambridge, Second Edition. The book can be downloaded from http://eml.berkeley.edu/books/choice2.html
    • Walker, J., M. Ben-Akiva, and D. Bolduc (2007): „Identification of Parameters in Normal Error Component Logit Mixture (NECLM) Models,“ Journal of Applied Econometrics, Vol. 22, pp 1095-1025. 
  • Erforderliche Software

    Das Seminar beinhaltet praktische Übungen; die Teilnehmer sollten einen Laptop mitbringen und R von http://www.r-project.org/  her­unterladen und installieren, bevor der Kurs beginnt.