Ökonometrie lernen mit Plan: OLS interpretieren, Gauss-Markov-Annahmen prüfen, Regressionsoutput lesen und die Methodenklausur sicher bestehen.

"Ökonometrie wird einfach, wenn du pro Aufgabe nur eine Frage beantwortest: Woher kommt die Variation in x?"
In Statistik hast du gelernt, Daten zu beschreiben und Hypothesen zu testen. In Ökonometrie sollst du plötzlich behaupten, dass eine Variable eine andere verursacht — und das mit einem Datensatz, den niemand experimentell erzeugt hat. Genau an dieser Stelle kippen die meisten Methodenklausuren: nicht an der Rechnung, sondern an der Interpretation. Dieser Guide zeigt dir, in welcher Reihenfolge du Ökonometrie lernst, welche Annahmen du wirklich verstehen musst und wie du Regressionsoutput so liest, dass du die Folgefragen in der Klausur beantworten kannst.
Deskriptive und schließende Statistik beantworten die Frage: Wie sehen die Daten aus, und wie sicher ist ein Zusammenhang? Ökonometrie geht einen Schritt weiter und fragt: Was passiert mit y, wenn sich x ändert — und zwar nur x? Das ist eine Kausalfrage, und sie ist der Grund für den ganzen Annahmen-Apparat, der dich im Semester beschäftigt.
Wie zentral dieser Unterschied ist, zeigt die Fachgeschichte: Die Königlich Schwedische Akademie der Wissenschaften vergab den Wirtschaftsnobelpreis 2021 zur Hälfte an David Card für empirische Arbeiten zur Arbeitsmarktökonomik und zur anderen Hälfte an Joshua Angrist und Guido Imbens für methodische Beiträge zur Analyse kausaler Zusammenhänge. Der Kern der Begründung: Weil sich kontrollierte Experimente in der Ökonomie meist verbieten, nutzt man natürliche Experimente — Situationen, in denen der Zufall oder eine Regeländerung die Zuordnung übernimmt.
Für dein Lernen heißt das zweierlei. Erstens: Jede Regression, die du rechnest, hat eine Identifikationsgeschichte — woher kommt die Variation in x, und ist sie unabhängig vom Fehlerterm? Zweitens: Formeln ohne diese Geschichte sind in der Klausur nur die halbe Antwort. Wenn du beim deskriptiven Teil noch Lücken hast, arbeite zuerst den Statistik-Guide mit dem 6-Schritte-Plan zur Klausur durch; Ökonometrie baut direkt darauf auf.
Die Methode der kleinsten Quadrate (OLS) minimiert die Summe der quadrierten Residuen. Das ist schnell gesagt und schnell hingeschrieben — die Punkte in der Klausur liegen in der Interpretation.
Übe deshalb drei Sätze, bis sie sitzen:
Beim R² lauern zwei Fallen. Es wächst mechanisch, sobald du Regressoren hinzunimmst — deshalb gibt es das adjustierte R². Und es sagt nichts über Kausalität: Ein hohes R² bei einer falsch spezifizierten Gleichung ist wertlos, ein niedriges R² bei saubererer Identifikation kann die bessere Arbeit sein. Prüfe bei jeder Aufgabe zuerst, ob nach Anpassungsgüte oder nach einem Effekt gefragt ist.
Unter den Gauss-Markov-Annahmen ist der OLS-Schätzer BLUE: linear, unverzerrt und effizient in der Klasse der linearen unverzerrten Schätzer. Lerne die Annahmen nicht als Liste, sondern als Tabelle mit Konsequenz — so wirst du in der Klausur danach gefragt.
| Annahme | Verletzt bedeutet | Was du tust |
|---|---|---|
| Linearität im Parameter | Modell beschreibt den Zusammenhang falsch | Funktionsform ändern (Logs, Quadrate, Interaktionen) |
| Erwartungswert des Fehlers null, exogene Regressoren | Schätzer ist verzerrt und inkonsistent | Instrumentvariablen, Panelmethoden, bessere Kontrollvariablen |
| Homoskedastizität (konstante Fehlervarianz) | Koeffizienten bleiben unverzerrt, Standardfehler werden falsch | Robuste Standardfehler |
| Keine Autokorrelation der Fehler | Standardfehler falsch, Tests nicht gültig | HAC-Standardfehler, dynamische Spezifikation |
| Keine perfekte Multikollinearität | Koeffizienten nicht identifizierbar | Redundante Variable entfernen |
Die wichtigste Unterscheidung dieser Tabelle: Verzerrung versus falsche Standardfehler. Heteroskedastizität und Autokorrelation beschädigen die Inferenz — deine t-Tests und Konfidenzintervalle stimmen nicht mehr, der Punktschätzer aber bleibt unverzerrt. Endogenität dagegen zerstört den Schätzer selbst. Wer das in der mündlichen Prüfung sauber trennt, hat die Hürde praktisch genommen.
Für jedes der drei Probleme brauchst du drei Dinge: Symptom, Test, Gegenmaßnahme.
Heteroskedastizität. Die Fehlervarianz hängt von den Regressoren ab — typisch bei Einkommens-, Umsatz- oder Firmengrößendaten. Grafisch siehst du es im Residuenplot als sich öffnenden Trichter; formal prüfst du mit dem Breusch-Pagan- oder dem White-Test. Die praktische Antwort sind heteroskedastiekonsistente (robuste) Standardfehler, in R etwa über das Paket sandwich. In vielen angewandten Arbeiten werden sie standardmäßig berichtet, weil konstante Varianz der Ausnahmefall ist.
Autokorrelation. Fehler benachbarter Perioden hängen zusammen — das Standardproblem bei Zeitreihen. Diagnose über Durbin-Watson oder, allgemeiner, den Breusch-Godfrey-Test. Abhilfe: HAC-Standardfehler (Newey-West) oder eine Spezifikation, die die Dynamik explizit modelliert, etwa über verzögerte Variablen.
Endogenität. Der Regressor korreliert mit dem Fehlerterm. Die drei Standardursachen solltest du benennen können: ausgelassene relevante Variablen, Messfehler und Simultanität. Hier hilft kein robuster Standardfehler, sondern nur ein anderes Identifikationsdesign — meist Instrumentvariablen, geschätzt mit zweistufigem OLS (2SLS). Ein gültiges Instrument braucht zwei Eigenschaften: Es muss mit dem endogenen Regressor korrelieren (Relevanz) und darf nicht direkt auf y wirken (Exogenität). Genau diese Argumentation ist der Methodenbeitrag, für den der Nobelpreis 2021 vergeben wurde.
Die zweite Semesterhälfte besteht meist aus Verfahren, die alle dasselbe Problem adressieren. Ordne sie nach Datenstruktur, dann wirkt der Stoff deutlich kleiner:
| Datenstruktur | Typisches Problem | Verfahren |
|---|---|---|
| Querschnitt | Ausgelassene Variablen, Selektion | Kontrollvariablen, IV/2SLS |
| Panel (Einheiten über Zeit) | Unbeobachtete, zeitkonstante Heterogenität | Fixed Effects (Within), Random Effects, Hausman-Test zur Wahl |
| Zeitreihe | Nichtstationarität, Scheinregression | Stationaritätstest (ADF), Differenzenbildung, Kointegration |
| Zwei Gruppen, zwei Zeitpunkte | Kausaleffekt einer Maßnahme | Differenz-in-Differenzen |
Der Fixed-Effects-Schätzer ist der Favorit der Prüfer, weil sein Trick so gut zu erklären ist: Er nutzt nur die Variation innerhalb jeder Einheit und eliminiert damit alles, was über die Zeit konstant bleibt — auch das, was du nie gemessen hast. Der Preis: Zeitkonstante Merkmale lassen sich nicht mehr schätzen. Diesen Trade-off in zwei Sätzen erklären zu können, lohnt mehr als die Herleitung mitzuschreiben.
Klausuren legen dir heute meistens eine Ausgabe aus R oder Stata vor und fragen, was dort steht. Trainiere deshalb einen festen Leseweg durch jede Tabelle:
Für die praktische Seite sind die R-Pakete sandwich (robuste Standardfehler), plm (Panelmodelle) und AER (Instrumentvariablen) der De-facto-Standard in Lehrveranstaltungen; ihre frei zugänglichen Dokumentationen sind ein guter Gegencheck zum Skript. Wenn du für eine Seminararbeit mit SPSS arbeitest, hilft dir die Anleitung zur SPSS-Auswertung der Bachelorarbeit beim Übergang von der Klausuraufgabe zur eigenen Analyse.
Ökonometrie belohnt Rechnen und Erklären, nicht Lesen. Eine Routine, die sich über ein Semester bewährt:
Für die Wiederholung lohnt es sich, aus Skript und Mitschrift Karteikarten mit genau dem Schnittmuster „Annahme — Verletzung — Abhilfe" zu bauen. Mit Learnboost kannst du Vorlesungsfolien hochladen und daraus Karteikarten und Probeklausuren erzeugen; die Prüffragen zur Interpretation formulierst du danach am besten selbst, weil genau dort die Klausurpunkte liegen. Eine kompakte Vorbereitungsstrategie für rechenlastige Module findest du außerdem auf der Seite zur Klausurvorbereitung in Mathe und Statistik.
Ökonometrie wird dann einfach, wenn du aufhörst, Verfahren zu sammeln, und anfängst, pro Aufgabe eine Frage zu beantworten: Woher kommt die Variation in x — und welche Annahme brauche ich, damit mein Koeffizient etwas bedeutet. Lade dein Skript bei Learnboost hoch und starte mit dem Annahmen-Blatt für die nächste Übungsgruppe.
Statistik beschreibt Daten und testet Zusammenhänge. Ökonometrie fragt nach dem kausalen Effekt: Was passiert mit y, wenn sich nur x ändert? Daraus folgt der ganze Annahmen-Apparat, denn ohne Experiment musst du begründen, woher die Variation in x kommt.
Die Gauss-Markov-Annahmen: Linearität im Parameter, exogene Regressoren, Homoskedastizität, keine Autokorrelation und keine perfekte Multikollinearität. Wichtiger als die Liste ist die Konsequenz: Endogenität verzerrt den Schätzer, Heteroskedastizität und Autokorrelation ruinieren nur die Standardfehler.
Erst diagnostizieren: Residuenplot ansehen und mit dem Breusch-Pagan- oder White-Test prüfen. Dann robuste Standardfehler verwenden. Die Koeffizienten selbst bleiben unverzerrt, deshalb musst du das Modell nicht neu spezifizieren, sondern nur die Inferenz korrigieren.
Fixed Effects helfen bei Paneldaten gegen unbeobachtete, zeitkonstante Heterogenität, weil nur die Variation innerhalb jeder Einheit genutzt wird. Instrumentvariablen brauchst du, wenn der Regressor selbst endogen ist, etwa durch Simultanität oder Messfehler. Für die Wahl zwischen Fixed und Random Effects dient der Hausman-Test.
Rechne mit zwei festen Blöcken pro Woche über das Semester: einer für das Übungsblatt, einer für Interpretation von Regressionstabellen. Ab der dritten Woche kommen Altklausuren dazu, in den letzten zwei Wochen Mischsimulationen zu OLS, Panel und IV unter Zeitdruck.