Bayessche Inferenz in Hohen Dimensionen für Ökonomische Zeitreihen

• Antragsteller: Dr. Jan Prüser
• Fachliche Zuordnung: Statistik und Ökonometrie
• Förderung: Förderung seit 2021
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 468814087

Die zunehmende Verfügbarkeit neuer großer Datensätze ermöglicht es empirischen Makroökonomen, eine große Anzahl von Prädiktoren zu verwenden, aber in der Regel sind nur einige hundert Beobachtungen verfügbar. Dies wirft Probleme für konventionelle Methoden der ökonometrischen Inferenz auf. Intuitiv sind nicht genug Information in den Daten vorhanden, um große Modelle präzise zu schätzen. Zusätzliche Informationen können formal durch global-lokale hierarchische A-priori-Verteilungen (kurz Prior) einbezogen werden. Wie der Name suggeriert, benutzten global-lokale Prior sowohl globale als auch lokale Varianzkomponenten in ihre Prior Verteilung. Die globale Varianzkomponente platziert eine beträchtliche Wahrscheinlichkeitsmasse in der Nähe des Prior-Mittelwerts, während die lokale Varianzkomponente schwere Ränder in der marginalen Prior Verteilung induziert. Auf diese Weise gesetzt, regulieren die global-lokalen Priors die Modellparameter stark, während sie gleichzeitig genug Flexibilität behalten, um zu verhindern, dass möglicherweise schwache Signale auf null gezwungen werden.Unser erstes Ziel ist es, die Vorhersage in hohen Dimensionen zu verbessern. Insbesondere nutzen wir die Informationen, die in "neuen" Datensätzen (z.B. Textdaten) enthalten sind, indem wir sie als Prädiktoren zusätzlich zu traditionellen makroökonomischen Variablen verwenden. In einer solchen Umgebung liefern wir eine groß angelegte Studie, die die empirische Performance einer breiten Spanne von global-lokalen Priors vergleicht. Darüber hinaus entwickeln wir eine Reihe neuer global-lokaler Prior, die die bekannten Eigenschaften des Minnesota-Priors besitzen. Um die Berechnung der Schätzungen in hohen Dimensionen zu ermöglichen und zu beschleunigen, vergleichen wir eine Reihe von bestehenden Algorithmen und entwickeln einige neue Algorithmen.Unser zweites Ziel ist es, eine Strukturanalyse in hohen Dimensionen durchzuführen. Konkret schlagen wir die Verwendung von Multi-Country-VARs vor, um Spillover-Effekte zwischen europäischen Ländern zu untersuchen und die relative Bedeutung von gemeinsamen und länderspezifischen Schocks zu vergleichen. Um präzise Schätzungen zu ermöglichen, kombinieren wir Panel-VAR-Prioren mit global-lokalen Prioren. Abschließend schlagen wir ein statistisches Maß vor, um Multi-Country-VARs mit individuellen Länder-VARs zu vergleichen.

• DFG-Verfahren: Sachbeihilfen