Beiträge von LisaVWL

Kathis Merksatz ist genau richtig, ich würde nur noch ergänzen, wie man implizite Kosten sauber von expliziten trennt, weil genau da bei mir am Anfang auch der Knoten war.

Klassisches Beispiel: Ihr entscheidet euch für ein Studium statt für eine Vollzeitstelle. Dann habt ihr zwei Kostenblöcke:

• Explizite Kosten: Studiengebühren, Bücher, Fahrtkosten – also tatsächliche Geldausgaben, die irgendwo stehen oder gezahlt werden.
• Implizite Kosten: das entgangene Gehalt, das ihr bekommen hättet, wenn ihr stattdessen gearbeitet hättet. Hier fließt kein Geld, aber ihr verzichtet auf einen Nutzen/Ertrag.

Die Opportunitätskosten des Studiums sind dann explizite + implizite Kosten zusammen, aber bei den impliziten eben nur die beste Alternative, nicht alle theoretisch möglichen Jobs.

Trick, der mir hilft: Ich frage mich immer "Fließt hier tatsächlich Geld aus meiner Tasche (explizit) oder entgeht mir nur ein Zufluss, den ich sonst gehabt hätte (implizit)?" Sobald in der Aufgabe ein Gehalt, Zins auf Eigenkapital oder eine Miete auf selbstgenutzte Immobilie auftaucht, die man "hätte haben können", ist das fast immer der Signalgeber für implizite/Opportunitätskosten.

Ein Aspekt, der hier noch fehlt: man kann sich bei beiden Methoden auch über Dreiecksform behelfen, also die Matrix per Gauß-Elimination auf obere Dreiecksgestalt bringen. Die Determinante ist dann einfach das Produkt der Diagonalelemente, und man muss sich multiplizieren mit −1 merken, wenn man Zeilen vertauscht, bzw. korrekt reskalieren, wenn man eine Zeile mit einem Faktor multipliziert.

Für 3x3 ist das in der Klausur meistens nicht schneller als Sarrus, wenn die Zahlen schon „schön“ sind, aber bei größeren oder unübersichtlichen Einträgen (Brüche, viele negative Zahlen) ist man damit oft sicherer unterwegs, weil man sich nicht die ganze Diagonalkette im Kopf merken muss, sondern Schritt für Schritt reduziert. Zeitlich würde ich schätzen:

• Sarrus bei dichter, einfacher Matrix: am schnellsten, aber fehleranfällig bei vielen Minuszeichen
• Laplace bei Nullen in Zeile/Spalte: unschlagbar schnell
• Gauß auf Dreiecksform: etwas mehr Schreibaufwand, dafür fast fehlerfrei bei „hässlichen“ Zahlen, weil man jeden Schritt einzeln kontrollieren kann

Als Kontrolle nutze ich das übrigens auch gern: erst Sarrus, dann kurz prüfen, ob die Determinante nach einer Zeilenumformung noch zum Dreiecksprodukt passt. Das deckt Vorzeichenfehler meistens zuverlässiger auf als eine zweite Laplace-Entwicklung, weil der Rechenweg komplett anders verläuft.

Mathe_Marco hat das mit dem Entscheidungsbaum und der Vierfeldertafel schon sehr gut auf den Punkt gebracht. Ich kann ergänzen, was mir damals noch geholfen hat, als ich selbst an diesem Punkt hing.

Zum einen lohnt sich ein Blick in ein gutes englischsprachiges Lehrbuch zur Wahrscheinlichkeitstheorie, auch wenn das Skript auf Deutsch ist. Gerade in der Einführung wird dort oft stärker über Beispiele und weniger über reine Formeldarstellung gearbeitet. Die englische Begrifflichkeit (permutation vs. combination, with/without replacement) hat mir persönlich geholfen, die Konzepte sauberer auseinanderzuhalten, weil die deutschen Begriffe teilweise unglücklich überlappen.

Zum anderen:

• Übungssammlungen mit vollständigen Lösungswegen (nicht nur Endergebnissen) sind Gold wert – idealerweise mit Kommentaren, warum ein bestimmter Ansatz gewählt wurde.
• Videoreihen zu klassischen Beispielen wie Urnenmodellen, Geburtstagsproblem oder Monty-Hall-Problem schärfen das Verständnis für bedingte Wahrscheinlichkeiten enorm, weil sie typische Denkfehler explizit aufgreifen.
• Skripte von Statistik-Grundvorlesungen anderer Universitäten (oft frei zugänglich) liefern alternative Erklärungsperspektiven, falls das eigene Skript zu knapp ist.

Mein Tipp: nicht nur rechnen, sondern dir nach jeder Aufgabe kurz notieren, welches Muster sie hatte. Nach 20–30 Aufgaben hast du dann quasi eine eigene kleine Mustersammlung, die mehr bringt als jede Formelsammlung.

Marcos Ansatz mit Skalar vs. Vektor als Zwischenergebnis ist methodisch genau der richtige Weg, das würde ich auch so im Studium (bei uns taucht das in der Mathe-Vorkurs-Vektoralgebra genauso auf) empfehlen. Ich ergänze das noch um eine Liste mit Signalwörtern, die mir beim schnellen Erkennen helfen:

• „Winkel zwischen zwei Vektoren“, „stehen senkrecht/orthogonal“, „Projektion auf“, „Arbeit/Leistung“ → immer Skalarprodukt, weil das Ergebnis richtungslos ist.
• „Normalenvektor der Ebene“, „Fläche des Parallelogramms/Dreiecks“, „Moment um einen Punkt“, „Drehachse“ → Kreuzprodukt, weil ein neuer, orientierter Vektor gesucht ist.
• „Volumen des Spats/Parallelepipeds“ → das ist ein Sonderfall: erst Kreuzprodukt (liefert Vektor), dann Skalarprodukt mit dem dritten Vektor (Spatprodukt). Das Endergebnis ist wieder ein Skalar, aber ohne das Zwischenprodukt als Vektor geht es nicht.

Als Merksatz nutze ich: Skalarprodukt beantwortet die Frage „wie viel überlappen sich zwei Richtungen“, Kreuzprodukt beantwortet „welche neue Richtung entsteht senkrecht aus zwei vorgegebenen“. Typischer Fehler, den ich auch am Anfang gemacht habe: bei „Drehmoment bezüglich einer Achse“ reflexhaft nur das Kreuzprodukt bilden und vergessen, danach noch auf die Achse zu projizieren (also Skalarprodukt mit dem Einheitsvektor der Achse) – genau der Fall, den Tim mit den gemischten Aufgaben meint.

Noch eine kleine Ergänzung zur praktischen Berechnung, falls Robert eine gängige Statistiksoftware nutzt und nicht über Excel gehen will: In R bekommt man den VIF z. B. über die Funktion vif() aus dem car-Paket, einfach auf das lm-Objekt des finalen Modells angewendet, dann spuckt sie für jede Variable direkt den Wert aus. Bei Stata reicht nach der Regression der Befehl estat vif, auch das läuft automatisch auf Basis des zuletzt geschätzten Modells, weshalb Kathis Hinweis so wichtig ist: immer nach der finalen Spezifikation rechnen, nicht auf einer Zwischenstufe.

Zur Einordnung der Werte würde ich Markusens pragmatischen Ablauf unterschreiben, nur mit einer kleinen Präzisierung: die Grenzwerte 5 bzw. 10 sind keine formal hergeleiteten Schwellen, sondern Konventionen, die sich in der Praxis eingebürgert haben. Manche Lehrbücher nennen sogar erst ab VIF > 10 "ernsthafte" Multikollinearität, andere schon ab 4-5 Diskussionsbedarf. Deshalb mein Rat: nenn in der Hausarbeit nicht nur den Wert, sondern auch kurz, welche Konvention du zugrunde legst und warum – das nimmt dem Dozenten die Angriffsfläche, dir einen willkürlichen Cutoff vorzuwerfen.

Kathis Punkt zur Bundesbank/Franc-Geschichte passt gut, das will ich noch um einen Mechanismus ergänzen, der oft übersehen wird: Zentralbanken in Festkurssystemen nehmen sich die Autonomie nicht nur "von außen" durch Devisenmarktdruck, sondern auch aktiv selbst, über die sogenannte Sterilisierung bzw. deren Grenzen.

Normalerweise versucht eine Zentralbank, Devisenmarktinterventionen zu sterilisieren, also die Liquiditätswirkung der Intervention durch Offenmarktgeschäfte auszugleichen, um trotzdem ein Stück Zinsautonomie zu behalten. Das funktioniert aber nur kurzfristig und nur begrenzt, weil:

• sterilisierte Interventionen die zugrunde liegende Zinsdifferenz nicht beseitigen, also der Kapitalabfluss einfach weitergeht
• die Zentralbank dafür laufend eigene Wertpapiere verkaufen muss, was selbst wieder begrenzt ist (Bestand an Wertpapieren, Marktliquidität)
• die Reserven dadurch schneller schrumpfen, weil man ja gleichzeitig am Devisenmarkt interveniert

Deshalb beobachtet man historisch oft: Länder mit Festkurs geben die Zinsautonomie schon auf, bevor es überhaupt zu einer offenen Spekulationsattacke kommt, einfach weil die Sterilisierungskosten zu hoch werden. Das war z.B. bei etlichen EWS-Ländern neben Frankreich auch der Fall, die Bundesbank-Zinsen wurden quasi präventiv importiert, nicht erst unter Attackendruck. Insofern: das Trilemma zeigt sich nicht nur in der Krise, sondern schon im geldpolitischen Alltagsgeschäft.

Deine Interpretation ist schon richtig: R²=0,62 bedeutet, dass 62% der Streuung (Varianz) der abhängigen Variable durch die im Modell enthaltenen Regressoren erklärt werden, die restlichen 38% gehen auf nicht erfasste Einflüsse oder Zufall zurück. Mehr darf man da aber auch nicht reininterpretieren, insbesondere sagt R² nichts über Kausalität oder die Signifikanz einzelner Koeffizienten aus.

Zu festen Grenzwerten: Davon würde ich grundsätzlich abraten, das ist stark kontextabhängig.

• Bei Querschnittsdaten in den Sozial- und Wirtschaftswissenschaften sind R²-Werte von 0,2-0,4 oft schon als brauchbar einzustufen, weil menschliches Verhalten sehr heterogen ist.
• Bei technischen/physikalischen Zusammenhängen oder Zeitreihen mit starkem Trend erwartet man dagegen oft R² über 0,9, weil die Beziehungen deterministischer sind.

Deshalb würde ich in einer Klausur nie pauschal "gut" oder "schlecht" sagen, sondern immer relativ zum Anwendungsfall argumentieren und idealerweise mit Vergleichswerten aus der Literatur oder ähnlichen Modellen begründen.

Zum korrigierten R²: Ja, bei multipler Regression unbedingt darauf schauen, da das normale R² durch Hinzufügen weiterer Regressoren praktisch nie sinkt, auch wenn diese keinen echten Erklärungsgehalt haben. Das korrigierte R² bestraft das über einen Freiheitsgradabzug und ist daher beim Modellvergleich die fairere Kennzahl.

Hallo Kevin, dein Beispiel-Wunsch lässt sich gut mit der ungedeckten Zinsparität (UIP) durchdeklinieren, das macht es greifbarer als die Dreiecksgrafik.

Die UIP besagt vereinfacht: i = i* + (E^e - E)/E, also die erwartete Abwertung muss die Zinsdifferenz ausgleichen, sonst gibt es Arbitragegewinne.

• Land X hat einen fixen Kurs zum Ankerland, freien Kapitalverkehr und senkt jetzt die Zinsen unter das Ankerland-Niveau.
• Bei freiem Kapitalverkehr reagieren Anleger sofort: Sie verkaufen die niedriger verzinste Währung und kaufen die des Ankerlandes, weil es bei fixem Kurs ja keine Abwertungserwartung gibt, die das kompensieren würde.
• Der Kapitalabfluss erzeugt Abwertungsdruck auf die heimische Währung.
• Um den fixen Kurs zu verteidigen, muss die Zentralbank am Devisenmarkt intervenieren, d.h. eigene Währung kaufen und Devisenreserven verkaufen.
• Das zieht aber Liquidität aus dem heimischen Finanzsystem ab und treibt die Zinsen wieder nach oben, also genau das Gegenteil der ursprünglichen Zinssenkung.

Die Reserven sind endlich, irgendwann ist die Zentralbank gezwungen, entweder die Zinsautonomie aufzugeben (Zinsen wieder anpassen), Kapitalverkehrskontrollen einzuführen, oder den fixen Kurs aufzugeben (Abwertung/Freigabe). Genau das meint "zwei von drei".

Historisch lohnt sich dazu auch ein Blick auf die Krise im EWS 1992/93 (Pfund-Krise), da sieht man das Muster fast lehrbuchhaft.

Ein Aspekt, den ich noch ergänzen würde: Gerade bei zeitreihenartigen oder stark wachstumsgetriebenen Daten (wie euren Produktionsdaten, Robert) lohnt sich zusätzlich der Blick auf den Condition Index aus der Eigenwertzerlegung der (standardisierten) Designmatrix. VIF betrachtet ja immer nur eine Variable gegen den Rest, der Condition Index kann aber auch komplexere lineare Abhängigkeiten zwischen mehreren Variablen gleichzeitig aufdecken, die sich im VIF einzelner Variablen manchmal nicht so stark zeigen. Als Faustregel: Werte über 30 gelten als auffällig, in Kombination mit hohen Varianzanteilen (Variance Proportions) von mindestens zwei Koeffizienten auf derselben Dimension.

Zur Berechnung des VIF nochmal ganz konkret, falls du das selbst nachvollziehen willst statt nur die Softwareausgabe zu lesen:

• Für Variable x_k: Hilfsregression x_k auf alle übrigen x_j
• R²_k aus dieser Hilfsregression entnehmen
• VIF_k = 1 / (1 − R²_k)

Wichtig für die Hausarbeit: Dokumentier nicht nur den VIF-Wert, sondern auch kurz, welches R² aus der Hilfsregression dahintersteckt. Das zeigt dem Dozenten, dass du die Mechanik verstanden hast und nicht nur eine Zahl aus der Software abgeschrieben hast. Bei VIF um 12-13 wie bei euch wäre das R² der Hilfsregression schon bei etwa 0,92, also eine wirklich fast perfekte lineare Beziehung zu den übrigen Regressoren.

Hallo Kevin, deine Intuition ist schon ziemlich gut. Die Logik, die ich mir für solche Zuordnungen zurechtgelegt habe, basiert auf der Frage: Woran hängt der Indikator kausal - an einer Erwartung, einem laufenden Prozess oder einem bereits abgeschlossenen Anpassungsschritt?

• Frühindikatoren basieren auf Erwartungen oder Dispositionsentscheidungen, die zeitlich vor der eigentlichen Produktion liegen. Der ifo-Index misst Geschäftserwartungen, Auftragseingänge sind ebenfalls ein guter Frühindikator, weil ein Auftrag heute erst in den nächsten Wochen/Monaten zu Produktion und Umsatz führt.
• Präsenzindikatoren (auch Koinzidenzindikatoren genannt) bilden die aktuelle wirtschaftliche Aktivität ab, z. B. Industrieproduktion oder BIP. Das ist quasi das „Hier und Jetzt“ des Konjunkturzyklus.
• Spätindikatoren reagieren erst mit Verzögerung, weil Unternehmen aus rechtlichen, vertraglichen oder strategischen Gründen nicht sofort auf eine veränderte Lage reagieren. Personalanpassungen sind teuer und oft an Kündigungsfristen gebunden, deshalb reagiert die Arbeitslosenquote typischerweise erst, nachdem sich der Abschwung oder Aufschwung schon in der Produktion gezeigt hat.

Als Merksatz nutze ich: Erwartung → Produktion → Beschäftigung. Wer vor der Produktion ansetzt, ist früh, wer danach reagiert, ist spät. Damit lässt sich eigentlich jeder neue Indikator in der Klausur logisch einordnen, ohne dass man Listen auswendig lernen muss.

Hi Kathi, du verwechselst da nichts, das mit der niedrigen Arbeitslosigkeit bei gleichzeitig niedriger Inflation ist ein reales Phänomen gewesen, gerade in den 2010er Jahren in den USA und auch in Teilen Europas. Das lässt sich aber gut mit der erwartungsaugmentierten Phillips-Kurve erklären, du bist da schon auf der richtigen Spur.

Kurz zur Struktur, wie ich das für mich sortiert habe:

• Kurzfristig gibt es tatsächlich einen Trade-off: Überraschungsinflation (höher als erwartet) kann die Arbeitslosigkeit unter die natürliche Rate drücken, weil Löhne nominal starr sind und reale Lohnkosten für Unternehmen kurzfristig sinken.
• Langfristig passen sich die Erwartungen an (adaptiv oder rational), die Löhne werden nachverhandelt, und die Arbeitslosigkeit kehrt zur natürlichen Rate zurück, nur eben bei höherem Preisniveau. Die langfristige Phillips-Kurve ist deshalb bei Friedman/Phelps vertikal.
• Entscheidend ist also nicht das Inflationsniveau selbst, sondern die Differenz zwischen tatsächlicher und erwarteter Inflation.

Warum die Beziehung heute so flach wirkt, dafür gibt's mehrere Erklärungsansätze in der Literatur: zum einen eine stärker verankerte Inflationserwartung durch glaubwürdigere Zentralbanken (dann reagiert die tatsächliche Inflation kaum noch auf Arbeitsmarktschwankungen), zum anderen strukturelle Faktoren wie Globalisierung, geringere Gewerkschaftsmacht oder veränderte Preissetzungsmechanismen. Man verwirft das Konzept also nicht, sondern diskutiert eher, ob die Kurve flacher geworden ist oder ob man andere Erwartungsbildungsmodelle braucht.

Marcos Erklärung mit der "Statik" passt gut. Ich mache es mir in der Klausur zusätzlich noch handwerklich einfacher, weil ich unter Zeitdruck sonst auch gerne die Übersicht verliere: Ich markiere direkt im Funktionsterm mit Klammern oder Unterstreichungen, was die innere Funktion ist, bevor ich überhaupt zu rechnen anfange.

Konkret bei e^(2x) schreibe ich mir an den Rand: äußere Funktion = e^□, innere Funktion = 2x. Dann ist sofort klar: Ableitung = e^(innere) · (Ableitung der inneren). Das Prinzip funktioniert bei jeder Verkettung, egal ob e-Funktion, Wurzel oder Potenz mit Klammerausdruck drin.

Mein Vorgehen bei gemischten Aufgaben wie deiner:

• Zuerst die Faktoren/Summanden der äußeren Struktur farblich oder durch Klammern trennen (hier: Faktor 1 und Faktor 2 des Produkts).
• Für jeden Faktor einzeln prüfen: Ist das eine "nackte" Funktion oder wieder eine Verkettung?
• Erst wenn alle Ableitungen der Einzelteile stehen, in die übergeordnete Regel (Produkt-, Quotienten- oder Summenregel) einsetzen.

Der Trick dabei: Ich rechne nie "in einem Rutsch", sondern baue mir u, u', v, v' sauber nebeneinander auf, bevor ich sie kombiniere. Das kostet zwar ein paar Sekunden mehr am Anfang, spart aber hinten raus viel Zeit, weil man sich nicht verzettelt oder Faktoren vergisst. Gerade bei Klausuren mit Zeitdruck ist diese Struktur meiner Erfahrung nach fehlerresistenter als "drauflosrechnen".

Hallo Kevin, der Denkmechanismus lässt sich am besten über den Produktionszyklus und die Fixierung von Inputfaktoren erklären. Das Grundprinzip: Elastizität hängt davon ab, wie viele Produktionsfaktoren innerhalb des betrachteten Zeitraums variabel werden.

• Sehr kurze Frist (Markttag): Die Ernte ist bereits eingebracht, das Angebot ist praktisch fix (senkrechte Angebotskurve, Elastizität nahe 0). Der Preis regelt hier nur, wer die vorhandene Menge kauft.
• Kurze Frist (innerhalb eines Anbaujahres): Land, Maschinen, Saatgutentscheidung sind schon getroffen. Der Landwirt kann höchstens am Rand etwas anpassen (Düngereinsatz erhöhen, Erntezeitpunkt optimieren), aber die Fläche selbst ist fix.
• Mittlere Frist (nächste Anbausaison): Jetzt wird Fläche zum variablen Faktor – Umwidmung von Kartoffel- auf Weizenfläche, wie du schon vermutet hast. Das dreht die Angebotskurve schon deutlich flacher.
• Lange Frist: Hier kommt tatsächlich auch der Markteintritt neuer Anbieter dazu, zusätzlich Investitionen in Bewässerung, Bodenverbesserung, evtl. Technologiewechsel. Das ist der Bereich, in dem klassischerweise auch die Marktstruktur (Ein-/Austritt) relevant wird, nicht nur die Faktorallokation einzelner Betriebe.

Merksatz: Je länger der Betrachtungszeitraum, desto mehr Produktionsfaktoren werden variabel – und genau das macht die Angebotskurve flacher, also elastischer. Grafisch stellt man das oft als Familie von Angebotskurven dar, die mit zunehmender Frist um den Ausgangspreis-Mengen-Punkt immer flacher „aufgeklappt“ werden.

Marco hat das schon sehr gut zusammengefasst, ich will das nur um einen Punkt ergänzen, der in der Praxis oft übersehen wird: die Aussagekraft von r hängt massiv von n ab, und zwar in beide Richtungen.

• Bei kleinem n (sagen wir n < 30) ist die Streuung des geschätzten r sehr groß. Ein r = 0,42 kann bei n = 15 statistisch überhaupt nicht von 0 unterscheidbar sein, während es bei n = 500 hochsignifikant ist.
• Der klassische t-Test für Signifikanz von r nutzt die Teststatistik t = r·√((n-2)/(1-r²)) mit n-2 Freiheitsgraden. Das solltest du unbedingt mit angeben, sonst ist die reine Zahl 0,42 wenig aussagekräftig.
• Zusätzlich lohnt sich ein Konfidenzintervall für r (z. B. via Fisher-z-Transformation), das zeigt dir viel ehrlicher, wie unsicher die Schätzung eigentlich ist, als ein einzelner p-Wert.

Für dein betriebliches Projekt heißt das konkret: Gib immer n mit an, wenn du über r = 0,42 sprichst. „Stark“ oder „schwach“ ohne Kontext zur Stichprobengröße ist letztlich eine unvollständige Aussage. Und wie Marco schon sagte: r² als erklärte Varianz zusätzlich zu nennen, hilft der Interpretation für Leute, die mit Korrelationen nicht so vertraut sind, enorm.

Fall 2: großes Land – hier bekommt „das Ausland zahlt“ einen wahren Kern.

Ist ein Land ein großer Nachfrager, sinkt durch den Zoll seine Importnachfrage so stark, dass der Weltmarktpreis fällt. Dann steigt der Inlandspreis um weniger als den Zoll, und ein Teil wird von den ausländischen Anbietern getragen (niedrigere Preise für sie). Man spricht von einem Terms-of-Trade-Gewinn. Im Diagramm kommt dafür ein zusätzliches Rechteck dazu: Zoll auf die Importmenge, soweit er durch den gesunkenen Weltmarktpreis gedeckt ist.

Wie viel das Ausland trägt, hängt von den Elastizitäten ab: Je weniger die ausländischen Anbieter ausweichen können (unelastisches Exportangebot), desto mehr müssen sie selbst schlucken. Können sie leicht in andere Märkte liefern, landet der Zoll fast komplett bei den Inländern. Das ist der Satz deines Profs.

Zwei Einschränkungen solltest du in der Übung erwähnen:

• Vergeltung: Der Terms-of-Trade-Gewinn existiert nur, solange das andere Land nicht zurückschlägt. Mit Gegenzöllen verlieren meist beide.
• Empirie: Studien zu den US-Zöllen 2018/19 fanden eine nahezu vollständige Überwälzung auf inländische Importeure und Verbraucher. Das „Ausland zahlt“ war dort also weitgehend nicht der Fall.

Kleine Ergänzung, weil das in Mikro-II-Klausuren gern als Stolperfalle kommt: Achte bei Fallbeispielen darauf, wer die Information hat und wer nicht. Adverse Selektion gibt es nämlich nicht nur bei Versicherungen:

• Arbeitsmarkt: Der Arbeitgeber kennt die Produktivität der Bewerberin vorher nicht → adverse Selektion. Die Antwort darauf ist Spences Signaling-Modell: Ein Abschluss wirkt als Signal, weil er für produktivere Leute „billiger“ zu erwerben ist.
• Kreditmarkt: Die Bank erhöht den Zins, um Ausfallrisiken abzudecken. Dann springen gerade die vorsichtigen Kreditnehmer ab, und die riskanten bleiben. Deshalb rationieren Banken lieber Kredite, statt den Zins immer weiter zu erhöhen (Stiglitz/Weiss).
• Derselbe Kredit, nach Vertragsschluss: Der Kreditnehmer wählt ein riskanteres Projekt, weil er im Erfolgsfall mehr bekommt und der Verlust teilweise bei der Bank landet → Moral Hazard.

Du siehst: Beide Probleme können im selben Markt auftreten. Die Faustregel „vor oder nach Vertragsabschluss“ bleibt trotzdem dein sicherster Anker.

Ergänzend zu Marco noch zwei Dinge, die bei Bachelorarbeiten regelmäßig Punkte kosten:

1. Voraussetzungen kurz prüfen und dokumentieren

• Der t-Test setzt (annähernd) normalverteilte Werte voraus, beim gepaarten Test bezogen auf die Differenzen, nicht auf die Rohwerte.
• Bei größeren Gruppen (Faustregel ab etwa 30 pro Gruppe) ist der Test dank zentralem Grenzwertsatz ziemlich robust. Bei dir mit 40 Personen passt das beim gepaarten Test gut.
• Wenn eine Gruppe sehr klein ist (z. B. nur 12 Teilzeitkräfte) und die Daten deutlich schief sind: nichtparametrische Alternative nehmen, also Mann-Whitney-U (unabhängig) bzw. Wilcoxon-Vorzeichen-Rang-Test (gepaart).

2. Nicht nur p-Wert berichten, sondern auch die Effektstärke

Signifikant heißt nur „wahrscheinlich nicht null“, nicht „groß“. Gib deshalb Cohen’s d mit an (grobe Orientierung: 0,2 klein, 0,5 mittel, 0,8 groß). Neuere SPSS-Versionen geben das direkt mit aus.

Ein sauberer Ergebnissatz sieht dann ungefähr so aus: „Die Arbeitszufriedenheit war nach der Schulung signifikant höher als davor (M = …, SD = …), t(39) = …, p = …, d = ….“

Und ein inhaltlicher Hinweis zur Interpretation: Ein Vorher-Nachher-Vergleich ohne Kontrollgruppe zeigt eine Veränderung, beweist aber nicht, dass die Schulung die Ursache war. Das gehört ehrlich in die Limitationen.

Falls in der Hausarbeit oder Klausur die Frage „Welche Alternativen gibt es denn?“ kommt, hier die gängigen Kandidaten:

• Human Development Index (HDI): kombiniert Einkommen mit Lebenserwartung und Bildung. Simpel, aber gut vergleichbar.
• OECD Better Life Index: elf Dimensionen (Wohnen, Umwelt, Work-Life-Balance …), die Gewichtung kann man selbst wählen – das zeigt schön, dass „Wohlstand“ immer eine Wertentscheidung enthält.
• Nationaler Wohlfahrtsindex (NWI): startet beim privaten Konsum, zieht Umweltschäden oder Unfallkosten ab und addiert z. B. Hausarbeit und Ehrenamt. Er korrigiert also genau die beiden Beispiele aus der Ausgangsfrage.

Das Standardargument für eine gute Note: Das BIP ist kein schlechtes Maß, sondern ein Maß für etwas anderes – nämlich für die Markt-Wertschöpfung. Die Alternativen ergänzen es, sie ersetzen es nicht. Deshalb nutzt man in der Praxis meist Indikatorensets statt einer einzigen Zahl.

Marcos Rechenweg passt – ich hänge die Punkte an, an denen in Seminararbeiten regelmäßig Punkte verloren gehen, weil richtig gerechnet, aber falsch interpretiert wurde.

1. Voraussetzungen prüfen (und im Text erwähnen). Der Test ist für kategoriale Daten gedacht, das passt bei dir. Wichtig ist die Faustregel zu den erwarteten Häufigkeiten: möglichst alle mindestens 5, höchstens 20 % der Zellen darunter, keine unter 1. Bei 180 Befragten und sechs Zellen klappt das meistens. Falls doch nicht: Kategorien sinnvoll zusammenfassen (etwa 30–50 und über 50 zu „ab 30“) oder bei einer Vierfeldertafel den exakten Test nach Fisher nehmen. Und gezählt werden Personen, keine Prozente – in die Tabelle gehören absolute Häufigkeiten, sonst ist das Ergebnis Unsinn.

2. Signifikant heißt nicht stark. Das ist der wichtigste Satz. Der Chi-Quadrat-Wert wächst fast automatisch mit der Stichprobengröße – bei n = 5.000 wird nahezu jeder Mini-Unterschied signifikant. Gib deshalb immer eine Effektstärke an:

• bei der Vierfeldertafel: Phi
• sonst: Cramérs V = Wurzel aus Chi² / (n · (k−1)), wobei k die kleinere Anzahl von Zeilen bzw. Spalten ist

Grobe Orientierung: rund 0,1 schwach, 0,3 mittel, 0,5 stark. Ein Satz wie „Der Zusammenhang ist signifikant (p < 0,05), mit V = 0,14 aber schwach ausgeprägt“ zeigt, dass du verstanden hast, was du da gerechnet hast.

3. Der Test sagt dir nicht, wo es klemmt. Chi-Quadrat ist ein Globaltest: Er meldet nur, dass irgendwo in der Tabelle Beobachtung und Erwartung auseinanderlaufen, nicht in welcher Gruppe. Schau dir dafür die einzelnen Summanden an – im Beispiel oben trägt die Zelle mit 2,57 am meisten bei. Sauberer sind standardisierte Residuen; Beträge über etwa 2 markieren die auffälligen Zellen. Damit kannst du im Text schreiben, welche Altersgruppe aus dem Rahmen fällt.

4. Kein Kausalschluss. Auch bei p < 0,001 hast du einen Zusammenhang, keine Ursache. Vielleicht liegt es gar nicht am Alter, sondern daran, dass Jüngere häufiger Tätigkeiten haben, die sich von zuhause erledigen lassen. Ein Satz zu solchen Drittvariablen in den Limitationen wirkt immer souverän.

5. Handwerkliches zum Schluss: Signifikanzniveau vor der Auswertung festlegen (üblich 5 %). Den p-Wert nicht als „Wahrscheinlichkeit, dass H0 stimmt“ interpretieren, sondern als Wahrscheinlichkeit, ein solches oder extremeres Ergebnis zu erhalten, wenn H0 gilt. Und nicht zehn Kreuztabellen durchprobieren und dann die eine signifikante berichten – wer viel testet, findet zwangsläufig etwas.

Die Verwirrung ist berechtigt, und deine Frage 1 ist der Schlüssel zu allem: Man muss Identität und Theorie sauber trennen.

1. Die Quantitätsgleichung ist eine Identität

• M = Geldmenge
• V = Umlaufgeschwindigkeit: Wie oft wird ein Euro pro Jahr für Endprodukte ausgegeben?
• P = Preisniveau
• Y = reales BIP, also ist P · Y das nominale BIP

V wird in der Praxis nicht direkt gemessen, sondern berechnet: V = P · Y / M. Dadurch stimmt die Gleichung immer – sie kann gar nicht falsch sein, sagt für sich allein aber auch nichts über Ursache und Wirkung.

2. Die Quantitätstheorie macht daraus eine Aussage

Zur Theorie wird die Identität erst durch zwei Annahmen:

• V ist stabil, weil es an Zahlungsgewohnheiten hängt, die sich nur langsam ändern.
• Y wird langfristig von realen Faktoren bestimmt (Arbeit, Kapital, Technologie) und nicht von der Geldmenge – Stichwort Neutralität des Geldes.

Gilt beides, bleibt als einzige Größe, die sich an M anpassen kann, das Preisniveau P. Dann und nur dann gilt: Geldmenge +10 % → Preise +10 %.

3. Warum die EZB-Jahre die Theorie nicht einfach widerlegen

• Die Anleihekäufe haben vor allem das Zentralbankgeld erhöht, also die Reserven der Banken. Die breite Geldmenge M3, um die es in der Gleichung eigentlich geht, wuchs deutlich moderater, weil die Reserven nicht eins zu eins in zusätzliche Kredite geflossen sind.
• V ist gefallen: Bei Nullzinsen kostet Geldhalten fast nichts, also wurde mehr Geld gehalten und weniger umgeschlagen. Steigt M, während V sinkt, muss P · Y nicht mitziehen.
• Die Theorie ist ausdrücklich eine Langfristaussage. Kurzfristig reagieren Preise und Löhne träge, und die Nachfrage hängt an viel mehr als nur an der Geldmenge.

Eine Klausurformulierung, mit der man eigentlich nie falsch liegt: „Die Quantitätsgleichung ist eine Ex-post-Identität. Zur Theorie wird sie erst durch die Annahmen einer stabilen Umlaufgeschwindigkeit und eines von der Geldmenge unabhängigen realen Outputs. Empirisch zeigt sich der Zusammenhang vor allem langfristig und bei hohen Inflationsraten.“