Global Augmentiertes Zustandsraum-Fehlerkorrekturmodell

Viele Wirtschafts- und Finanzdaten, wie das Bruttoinlandsprodukt, Inflationsraten oder Wechselkurse, liegen natürlicherweise als Zeitreihen vor, d.h. ihre Werte sind zeitlich angeordnet. Die Daten beinhalten oftmals Informationen über zeitliche Abhängigkeiten sowie auch darüber, wie verschiedene Zeitreihen zusammenhängen. Diese Informationen werden mit Hilfe ökonometrischer Zeitreihenmodelle aufgedeckt und beschrieben. Die Ergebnisse sind unter anderem für Wirtschaftsprognosen und Politikberatung bedeutend. Durch die europäische Integration und die Globalisierung sind die Verflechtungen zwischen Ländern wesentlich enger geworden und Zeitreihenmodelle müssen daher verstärkt komplexere Zusammenhänge auch zwischen Ländern berücksichtigen. Durch die gestiegene Leistungsfähigkeit von Computern und die bessere Verfügbarkeit von Daten ist es mittlerweile möglich, solche Modelle zu entwickeln und zu verwenden. Zeitreihenmodelle hängen von unbekannten Parametern ab, die aus den Daten geschätzt werden müssen. Verwendet man komplexere Modelle, steigt die Anzahl der benötigten Parameter in sehr hohem Maße an, sodass die vorhandene Datenmenge vielleicht nicht mehr ausreicht, um alle Parameter schätzen zu können. Dieses Phänomen ist als curse of dimensionality in vielen Bereichen der Wissenschaft und Technik bekannt. Es müssen daher vereinfachende Annahmen getroffen und überprüft werden, welche die Anzahl der Parameter reduzieren. Die Wirtschaftswissenschaften verwenden verschiedene Modelltypen, die auf unterschiedlichen Strategien zur Reduktion der Parameteranzahl beruhen (alle mit Vor- und Nachteilen behaftet): Bei Dynamic Stochastic General Equilibrium (DSGE) Modellen geschieht die Parameterreduktion durch die enge Verzahnung mit wirtschaftswissenschaftlicher Theorie, bei Modellen wie Generalized Dynamic Factor Models (GDFMs) durch statistische Verfahren. Ein dritter Modelltyp, Global Vector Autoregressive (GVAR) Modelle, liegt zwischen den beiden obigen Extremen. Hier erfolgt ein Teil der Reduktion der Komplexität durch wirtschaftstheoretisch begründete Strukturannahmen, und ein Teil durch Anwendung statistischer Verfahren. GVAR Modelle sind zwar einfach zu handhaben, aber in ihrer Form sehr restriktiv. Im Projekt GLASS wird daher die GVAR Modellklasse in die Menge der Global Augmented State Space Modelle eingebettet. Diese Modellklasse hat nicht nur den Vorteil, umfassend zu sein, die Darstellung als Zustandsraummodell kann auch die Anzahl der freien Parameter reduzieren und erleichtert die Verwendung wirtschaftstheoretisch begründeter Restriktionen. Das Projekt wird umfassende Methodik, von der Darstellung bis zur Schätzung entwickeln, um GLASS Modelle auf konkrete wirtschaftswissenschaftliche Fragestellungen anwenden zu können. Um die Verwendbarkeit der entwickelten Methodik zu verbreiten, wird getestete Software zur Verfügung gestellt.