Fraktionale unbeobachtete Komponenten- und Faktormodelle für die makro?konomische Analyse und Prognose (DFG 2017-2020)
Die Analyse von Trends und Zyklen, die durch unbeobachtete Komponenten (UC) gemessen werden, ist entscheidend für das Verst?ndnis von Konjunktur und Arbeitsmarktentwicklungen und ihren strukturellen Eigenschaften. In diesem Projekt wurden u.a. neue Verfahren entwickelt, welche eine bessere Sch?tzung der nicht beobachtbaren Trend- und Zyklusreihen erm?glichen. Hierbei spielen Modelle für fraktional integrierte Zeitreihen eine zentrale Rolle.
Projekttitel
Fraktionale unbeobachtete Komponenten- und Faktormodelle für die makro?konomische Analyse und Prognose
Finanziert durch
Deutsche Forschungsgemeinschaft (externer Link, ?ffnet neues Fenster)
Projektvolumen
187.000 Euro
Projektmitarbeitende
Projektbeschreibung
Die Analyse von Trends und Zyklen, die durch unbeobachtete Komponenten (UC) gemessen werden, ist entscheidend für das Verst?ndnis von Konjunktur und Arbeitsmarktentwicklungen und ihren strukturellen Eigenschaften. Zudem spielen latente Variablen eine wichtige Rolle bei der Erstellung ?konomischer Prognosen, die viele Quellen verfügbarer Information nutzen. Dabei sind hochdimensionale Faktormodelle wegen ihrer prognostischen Qualit?t die erste Wahl von Praktikern und Forschern. Zugleich haben fraktionale Modelle erheblichen Erfolg, da sie eine flexible Modellierung des langfristigen Verhaltens von ?konomischen Zeitreihen erm?glichen. {web_name}e Methoden sind theoretisch gut untersucht und erweisen sich als relevant für verschiedenste Modellierungen in der Makro?konomie und Finanzwirtschaft. Wir kombinieren beide Ans?tze und erforschen nichtstation?re makro?konometrische Modelle mit latenten Variablen in einem fraktional integrierten Rahmen. Wir zeigen, dass die erh?hte Flexibilit?t des langfristigen Verhaltens eine wichtige Rolle für die Ergebnisse dieser Modelle spielt. Im Falle von UC Modellen h?ngt die Identifikation von Trends und Zyklen stark von der dynamischen Spezifikation von letzteren ab. In hochdimensionalen Faktormodellen erlaubt die Flexibilit?t eine sparsame und automatische Behandlung vieler eng verbundener, aber heterogener makro?konomischer Variablen. In den ersten beiden Teilen des Projekts untersuchen wir, wie univariate und multivariate fraktionale UC Modelle angemessen formuliert werden, behandeln Methoden zu ihrer Sch?tzung und zeigen Ergebnisse für univariate Variablen wie das reale BIP sowie für die Zyklizit?t von multivariaten Arbeitsmarkt-Stromgr??en. Der dritte Teil besch?ftigt sich mit m?glichen Varianten hochdimensionaler Prognosemodelle mit fraktionaler Integration. Wir untersuchen die relative Prognosegüte in einer pseudo out-of-sample Studie. Angesichts der starken Nutzung von Faktormodellen für angewandte Prognosen k?nnen selbst moderate Steigerungen der Prognosef?higkeit erhebliches Interesse generieren und Ergebnisse in der Praxis verbessern.
Multivariate fraktionale unbeobachtete Komponenten- und Faktormodelle für die makro?konomische Analyse und Prognose (DFG 2021-2025)
W?hrend die Verm?gens- und Einkommensungleichheit in vielen L?ndern in den letzten Jahrzehnten zugenommen hat, gerieten die europ?ischen Wohlfahrtsstaaten angesichts wirtschaftlicher Schwierigkeiten und zunehmender Globalisierung unter Druck. EQUITAX identifiziert die effektivsten Steuer- und Transferinstrumente zur Reduktion ?konomischer Ungleichheit. Hierfür analysiert EQUITAX Besteuerung und Ungleichheit mit neuesten Methoden und Daten aus einer deutsch-franz?sischen Perspektive umfassend und kombiniert dabei makro?konomische, theoretische und angewandte mikro?konometrische Ans?tze.
Projekttitel
Multivariate fraktionale unbeobachtete Komponenten- und Faktormodelle für die makro?konomische Analyse und Prognose
Finanziert durch
Deutsche Forschungsgemeinschaft (externer Link, ?ffnet neues Fenster)
Projektvolumen
224.250 Euro
Projektmitarbeitende
Projektbeschreibung
Modelle mit unbeobachtbaren Komponenten (UC-Modelle) spielen eine zentrale Rolle in der angewandten makro?konomischen Forschung. Sie werden verwendet, um Zeitreihen in Langfristtrends und (Konjunktur-) Zyklen zu zerlegen, um Gleichgewichtsbeziehungen zwischen ?konomischen Aggregaten zu analysieren und um gemeinsame Faktoren aus hochdimensionalen Daten zu extrahieren. Modelle mit fraktionaler Integration k?nnen die Langfristdynamik makro?konomischer Variablen gut erfassen, da sie einen flexiblen Umgang mit der Persistenz von Langfristschocks erlauben. W?hrend des ersten F?rderzeitraums zeigten wir, dass die Kombination von fraktionaler Integration und UC-Modellen sowohl aus einer methodischen als auch aus einer angewandten Perspektive fruchtbar ist. Hierbei entwickelten und analysierten wir eine univariate fraktionale Trend-Zyklus-Zerlegung, ein multivariates UC-Modell mit einem gemeinsamen fraktionalen Trend und fraktionale Faktormodelle. Im Fortsetzungsantrag nutzen wir diese Ergebnisse und erweitern die Klasse der multivariaten UC-Modelle, so dass diese auch fraktional integrierte Prozesse mit unterschiedlichen Integrationsordnungen enthalten k?nnen. Von derartigen multivariaten fraktionalen UC-Modellen erwarten wir entscheidende Verbesserungen, etwa für die Analyse von Langfristbeziehungen zwischen ?konomischen Reihen, für die Pr?zision der Konjunkturzyklussch?tzung, und für die Spezifikation von Faktormodellen. Unser Vorgehen besteht aus zwei Teilen. In Teil A des Fortsetzungsantrags erstellen wir multivariate UC-Modelle, welche mehrere gemeinsame fraktionale Trends mit unterschiedlichen Integrationsordnungen aufweisen k?nnen und zur Modellierung der Zykluskomponenten VAR-Modelle verwenden. In Teil B des Fortsetzungsantrags befassen wir uns mit der Entwicklung von Modellselektionsmethoden für die Spezifikation fraktionaler Trends in Faktormodellen, wobei wir wieder unterschiedliche Integrationsordnungen sowohl für Faktoren als auch für die beobachtbaren Daten zulassen. Für jedes Modell diskutieren wir Identifikation, erarbeiten einen hinsichtlich Rechenzeit anwendbaren Sch?tzer für die unbeobachtbaren Komponenten und analysieren die asymptotischen Eigenschaften der vorgeschlagenen Methoden. Wir erwarten durch diese Modelle in empirischen Anwendungen neue Erkenntnisse über Konjunkturzyklen, makro?konomische Gleichgewichtsbeziehungen sowie über die Zahl der fraktionalen Kointegrationsbeziehungen in hochdimensionalen Datens?tzen.