Auswirkungen von Fehlern in den Daten auf Parameterschätzungen und Prognosen

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.