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