Auswirkungen von Fehlern in den Daten auf Parameterschatzungen und Prognosen

Groe und Komplexitat empirischer okonometrischer Modelle haben in den letzten Jahrzehnten immer mehr zugenommen. Die Zuverlassigkeit des zugrundeliegenden Datenmaterials hat sich dagegen kaum verbessert, und eine Fehlspezifizierung von Mefehlermodellen zur Schlieung der Lucke zwischen theoretischen okonomischen Variablen und den verfugbaren Daten erscheint schon wegen der unglucklichen Trennung zwischen Datenproduzenten und Datennutzern kaum vermeidbar. In dieser Arbeit werden die Auswirkungen solcher Fehlspezifizierungen auf Parameterschatzungen und Prognosen in Modellen wachsender Komplexitat bis hin zu nichtlinearen interdependenten dynamischen Modellen analysiert mit Hilfe von asymptotischen Aussagen und Monte-Carlo-Simulationen. Fur ein makrookonomisches Modell fur die BRD werden auerdem Methoden diskutiert zur Beschaffung von Informationen uber Art und Groe von Mefehlern. Die Simulationsrechnungen basieren auf der Zuverlassigkeit und Schnelligkeit des zugrundeliegenden numerischen Algorithmus zur Full-Information-Maximum-Likelihood-Schatzung in nichtlinearen interdependenten Modellen. Darstellung und Diskussion eines fur diesen Zweck entwickelten Algorithmus (trust-region-Verfahren mit automatischer Skalierung) bilden den zweiten Schwerpunkt der Arbeit.