Zeitvariierende Dynamik in Paneldaten mit stochastischen Trends
Zusammenfassung der Projektergebnisse
Paneldaten etwa in Form von Mehrländer- oder -firmendaten haben in der angewandten Ökonometrie hohe Popularität erlangt. Im Vergleich zu Querschnittsdaten liefern sie reichhaltigere empirische Evidenz für Fragen etwa nach den Determinanten des ökonomischen Wachstums oder von Aktienrenditen. Belastbare empirische Analysen setzen voraus, dass die relevanten Eigenschaften der verwendeten Daten geeignet modelliert werden. Die Interaktion von Persistenz, zeitvariabler Varianz, zeitvariabler Autokorrelation/Dynamik sowie Querschnittsabhängigkeit können bei Verwendung von Standardverfahren zu invaliden Ergebnissen führen. Das Ziel des Projekts bestand daher in der Entwicklung statistisch-ökonometrischer Verfahren, die auch in Gegenwart solcher Eigenschaften der Daten robuste Ergebnisse liefern. Es zeigte sich, dass zeitvariable Dynamik spezielle Anforderungen an die Verwendung von Verfahren wie dem wild bootstrap stellt, der ansonsten sehr breit anwendbar ist. Panelverfahren sind hierbei besonders herausfordernd, da sich auch kleine Fehler in einzelnen Einheiten des Panels akkumulieren. Das Projekt quantifiziert daher die aus zeitvariabler Dynamik resultierenden Verzerrungen und diskutiert potenzielle Lösungen und Korrekturen. Im Projektverlauf zeigte sich, dass die aus zeitvariabler Dynamik resultierenden Probleme allgemeinerer Natur als antizipiert sind, und Arbeiten zu einem umfassenderen Verständnis der Herausforderungen und Lösungen sind aktuell im Gange. Darüber hinaus stellt das Projekt neue Verfahren zum Testen von Renditen-Vorhersagbarkeit (d.h. ob Variablen wie Dividendenrenditen Prognosegehalt für Aktienrenditen haben) in Panels bereit. Wir entwickeln zudem Kombinationstests in Konstellationen, in denen mehrere valide Tests zur Verfügung stehen und bei Berechnung all dieser konfligierende Ergebnisse resultieren können. Ein weiterer Baustein des Projektes besteht in der Herleitung von Überwachungsprozeduren für die dynamischen Eigenschaften von Zeitreihen. Diese ermöglichen es beispielsweise, auf Tagesbasis zu bewerten, ob sich die Hypothese einer konstanten Eintrittswahrscheinlichkeit extremer Ereignisse aufrechterhalten lasst. Aktuell verfügbare Verfahren erlauben solche Testentscheidungen lediglich und anders als in der Praxis typischerweise erforderlich in der Rückschau. Schließlich illustrieren Simulationsstudien und empirische Anwendungen zu etwa der Überlegenheit professioneller Prognostiker über einfache Benchmarks, dem pradiktiven Zusammenhang der amerikanischen Geldpolitik und Unternehmensaktienrenditen oder den Extremwerteigenschaften solcher Renditen die praktische Relevanz unserer methodischen Forschung.
Projektbezogene Publikationen (Auswahl)
- (2022) Testing for episodic predictability in stock returns. Journal of Econometrics 227 (1) 85–113
Demetrescu, Matei; Georgiev, Iliyan; Rodrigues, Paulo M.M.; Taylor, A. RobertM.
(Siehe online unter https://doi.org/10.1016/j.jeconom.2020.01.001) - (2017). ‘‘Change Point Tests for the Tail Index of β-Mixing Random Variables’’. Econometric Theory 33 (4), pp. 915–954
Hoga, Y.
(Siehe online unter https://doi.org/10.1017/S0266466616000189) - (2017). ‘‘Monitoring Multivariate Time Series’’. Journal of Multivariate Analysis 155, pp. 105–121
Hoga, Y.
(Siehe online unter https://doi.org/10.1016/j.jmva.2016.12.003) - (2018). ‘‘A Structural Break Test for Extremal Dependence in β-Mixing Random Vectors’’. Biometrika 105, pp. 627–643
Hoga, Y.
(Siehe online unter https://doi.org/10.1093/biomet/asy030) - (2018). ‘‘Multiple Testing for No Cointegration under Nonstationary Volatility’’. Oxford Bulletin of Economics and Statistics 80.3, pp. 485–513
Demetrescu, M. and C. Hanck
(Siehe online unter https://doi.org/10.1111/obes.12214) - (2019). ‘‘Confidence Intervals for Conditional Tail Risk Measures in ARMA-- GARCH Models’’. Journal of Business & Economic Statistics 37 (4), pp. 613–624
Hoga, Y.
(Siehe online unter https://doi.org/10.1080/07350015.2017.1401543)
