Einige aktuelle Themen in Modellen mit bedingten Momentengleichungen: Generierte Regressoren, unbekannte Störfunktionen und Paneldaten

• Antragsteller: Professor Dr. Alois Kneip
• Fachliche Zuordnung: Statistik und Ökonometrie
• Förderung: Förderung von 2017 bis 2020
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 386140326

Modelle in den Wirtschaftswissenschaften werden oft mit Hilfe von bedingten Momentengleichungen definiert. Die bekannteste Methode in diesem Bereich ist GMM. In den letzten Jahrzehnten wurden einige neue Schätzmethoden entwickelt, die versuchen, mehr der in den bedingten Momentengleichungen enthaltenen Information zu nutzen, um die Indentifikation nicht zu verlieren. Diese Gefahr besteht bei GMM. Darüber hinaus führen einige der neuen Modelle Störfunktionen in die Momentenbedingungen ein, die spezielle semiparametrische Verfahren benötigen. Die meisten dieser modernen Methoden benötigen vom Nutzer gewählte Parameter, deren Einfluss auf die Schätzer bisher zum großen Teil nicht untersucht wurde. Aufgrund der Wichtigkeit von Erwartungen und des Einflusses von Unsicherheit in der Determination von ökonomischen Zusammenhängen hat der Gebrauch von generierten Regressoren in ökonomischen Modellen zugenommen. Wenn diese Variablen im Modell genutzt werden, müssen sie vorher geschätzt werden und können deshalb nur mit einem Fehler beobachtet werden.Die Herausforderung dieses Projekts ist die Untersuchung des sogenannten SmoothMD-Schätzers in Modellen, die durch bedingte Momentengleichungen identifiziert werden und einen teilweise unbekannten funktionalen Zusammenhang oder generierte Regressoren enthalten. Dieser Schätzer basiert auf einer unbedingten Momentengleichung, die die Identifikation garantiert. Durch die Kombination von SmoothMD mit generierten Regressoren und unbekannten funktionalen Zusammenhängen erhoffen wir uns Einblicke in den Einfluss der vom Nutzer gewählten Parameter in diesen Modellen.Die initial genutzte unbedingte Momentengleichung für SmoothMD enthält eine unbekannte Instrumentenfunktion, die geschätzt werden muss. Sie kann durch Glättung mit einem datenbasierten, vom Nutzer bestimmten Parameter geschätzt werden oder durch einen empirischen Mittelwert, was einem fixierten Parameter entspricht.Grundsätzlich erlaubt die Methode, den Einfluss des vom Nutzer gewählten Parameter zu kontrollieren.Darüber hinaus möchten wir den SmoothMD-Schätzer für Paneldaten erweitern. Bisher kann der SmoothMD-Schätzer nicht für Paneldaten genutzt werden, da er auf einer i.i.d. Annahme basiert. Aufgrund der zusätzlich enthaltenen Information in Paneldaten im Vergleich zu Zeitreihen- oder Querschnittsdaten erachten wir die Erweiterung von SmoothMD für Paneldaten als wertvoll.Die methodische Entwicklung wird von einer wichtigen Anwendung geleitet. Wir möchten den Einfuss von Regressoren auf eine zu erklärende Variable untersuchen, wenn einige der Regressoren endogen sind und der funktionale Zusammenhang zwischen den endogenen Regressoren und der abhängigen Variable nicht bekannt ist. Dies entspricht einem semiparametrischen Instrumentenvariablenansatz. Da dieser Ansatz immer häufiger genutzt wird, erachten wir seine Untersuchung als sinnvoll.

• DFG-Verfahren: Sachbeihilfen
• Internationaler Bezug: Frankreich
• Kooperationspartner: Professor Dr. Valentin Patilea