Auswirkungen von Fehlern in den Daten auf Parameterschätzungen und Prognosen

اندازه و پیچیدگی مدل‌های اقتصادسنجی تجربی در دهه‌های اخیر به طور پیوسته افزایش یافته است. از سوی دیگر، قابلیت اطمینان مواد داده زیربنایی به سختی بهبود یافته است، و به دلیل جدایی ناخوشایند بین تولیدکنندگان داده و کاربران داده، تعریف نادرست مدل‌های خطای اندازه‌گیری برای بستن شکاف بین متغیرهای اقتصادی نظری و داده‌های موجود، تقریباً اجتناب‌ناپذیر به نظر می‌رسد. در این کار، اثرات چنین مشخصات نادرستی بر تخمین پارامترها و پیش‌بینی‌ها در مدل‌های افزایش پیچیدگی تا مدل‌های دینامیکی غیرخطی وابسته به هم با کمک گزاره‌های مجانبی و شبیه‌سازی مونت کارلو تحلیل می‌شوند. برای یک مدل اقتصاد کلان برای جمهوری فدرال آلمان، روش هایی نیز برای به دست آوردن اطلاعات در مورد نوع و اندازه خطاهای اندازه گیری مورد بحث قرار گرفته است. محاسبات شبیه‌سازی بر اساس قابلیت اطمینان و سرعت الگوریتم عددی زیربنایی برای تخمین حداکثر احتمال اطلاعات کامل در مدل‌های غیرخطی به هم وابسته است. ارائه و بحث از یک الگوریتم توسعه یافته برای این منظور (روش منطقه اعتماد با مقیاس خودکار) تمرکز دوم کار را تشکیل می دهد.

Größe und Komplexität empirischer ökonometrischer Modelle haben in den letzten Jahrzehnten immer mehr zugenommen. Die Zuverlässigkeit des zugrundeliegenden Datenmaterials hat sich dagegen kaum verbessert, und eine Fehlspezifizierung von Meßfehlermodellen zur Schließung der Lücke zwischen theoretischen ökonomischen Variablen und den verfügbaren Daten erscheint schon wegen der unglücklichen Trennung zwischen Datenproduzenten und Datennutzern kaum vermeidbar. In dieser Arbeit werden die Auswirkungen solcher Fehlspezifizierungen auf Parameterschätzungen und Prognosen in Modellen wachsender Komplexität bis hin zu nichtlinearen interdependenten dynamischen Modellen analysiert mit Hilfe von asymptotischen Aussagen und Monte-Carlo-Simulationen. Für ein makroökonomisches Modell für die BRD werden außerdem Methoden diskutiert zur Beschaffung von Informationen über Art und Größe von Meßfehlern. Die Simulationsrechnungen basieren auf der Zuverlässigkeit und Schnelligkeit des zugrundeliegenden numerischen Algorithmus zur Full-Information-Maximum-Likelihood-Schätzung in nichtlinearen interdependenten Modellen. Darstellung und Diskussion eines für diesen Zweck entwickelten Algorithmus (trust-region-Verfahren mit automatischer Skalierung) bilden den zweiten Schwerpunkt der Arbeit.