Empirische Wirtschaftsforschung und Ökonometrie

Die zentrale Aufgabe der empirischen Wirtschaftsforschung besteht darin, quantitative oder qualitative Aussagen über ökonomische Zusammenhänge zu treffen, die auf Beobachtungen von realen wirtschaftlichen Aktivitäten basieren. Dabei werden verschiedene Zielsetzungen verfolgt, auf die im Kapitel etwas näher eingegangen wird. Hierzu gehören die empirische Analyse von Entwicklungen in der Vergangenheit, die Analyse der aktuellen Situation und die Prognose der zukünftigen Entwicklung. Es wird dargestellt, wie ökonomische Theorie, Daten und statistische Methoden zusammenwirken, um diese Ziele zu erreichen.

Die Verfügbarkeit und angemessene Qualität von Daten stellt eine zentrale Voraussetzung für die empirische Wirtschaftsforschung dar. Häufig wird davon ausgegangen, dass die notwendigen Daten ohne besonderen Aufwand und in der geforderten Qualität aus bestehenden Datenbanken bezogen werden können. Dies trifft bei genauerem Hinsehen in der Praxis aber selten zu. In diesem Kapitel wird daher zunächst ein theoretischer Rahmen eingeführt, um den Begriff der „Daten“ zu konkretisieren. Dies ermöglicht, die Qualität von Daten anhand der Kriterien der Objektivität, Zuverlässigkeit und Validität zu bewerten. Nach einer Darstellung verschiedener Datenarten und gängiger Datenquellen für die empirische Wirtschaftsforschung wird schließlich ein Versuch unternommen, eine Herangehensweise aufzuzeigen, um zu einer ganzheitlichen Bewertung der Datenqualität zu gelangen.

Die Aufbereitung von Roh- oder Ursprungsdaten kann aus verschiedenen Gründen notwendig sein und mit unterschiedlichen Zielsetzungen durchgeführt werden. In diesem Kapitel geht es vorrangig um Methoden der Datenaufbereitung, die dem Ziel dienen, die in den Daten enthaltene Information zu komprimieren. Grafische Darstellungen sind zu diesem Zweck besonders geeignet und weit verbreitet, können aber auch zu Missverständnissen führen oder gar manipulativ eingesetzt werden. Dar überhinaus werden in diesem Kapitel einfache Transformationen der Daten, grundlegende statistische Kenngrößen, Preis- und Mengenindizes sowie als spezifisches Thema die Saldierung von Tendenzindikatoren vorgestellt. Schließlich wird auch das Problem von Messfehlern und Ausreißern kurz angesprochen.

Der Einsatz von Wirtschaftsindikatoren kann auf eine lange Geschichte blicken, wobei traditionell vor allem der Einsatz zur Konjunkturanalyse eine besondere Rolle gespielt hat. Daher werden in diesem Kapitel bestimmte Eigenschaften von und Anforderungen an Wirtschaftsindikatoren zunächst am Beispiel der Konjunkturanalyse diskutiert. Insbesondere geht es darum, dass Wirtschaftsindikatoren im Idealfall quantitative Aussagen über ökonomische Größen erlauben, die selbst entweder gar nicht mess- beziehungsweise erfassbar sind oder aber nur mit großem Aufwand oder erheblicher zeitlicher Verzögerung. Nach einem kurzen historischen Abriss der Konjunkturanalyse werden einige zentrale Wirtschaftsindikatoren vorgestellt und diskutiert. Insbesondere werden Indikatoren zum Preisniveau, dem Beschäftigungsstand, des außenwirtschaftlichen Gleichgewichst und des Wachstums besprochen. Hinzu kommen Verteilungsindikatoren, Maße für Rolle des staatlichen Sektors in der Ökonomie und einige komplexere Gesamtindikatoren.

Entwickelte Volkswirtschaften sind in der Produktion von Waren und Dienstleistungen hochgradig arbeitsteilig organisiert. Die Herstellung nahezu jeden Gutes setzt neben dem Einsatz der Produktionsfaktoren des eigenen Betriebs Vorleistungen in Form von Zwischenprodukten oder Dienstleistungen anderer Betriebe voraus. Die zwei zentralen Aufgaben der Input-Output-Analyse bestehen darin, eine transparente Darstellungsform für diese Verflechtungen zwischen Unternehmen zu finden und ein Instrumentarium zur Verfügung zu stellen, mit dem Rückwirkungen von Veränderungen in einem Betrieb auf andere Bereiche der Volkswirtschaft der empirischen Analyse zugänglich werden. Grundsätzlich können und werden derartige Überlegungen auf unterschiedlichen Aggregationsebenen angestellt. Neben einzelnen Betrieben können auch mehr oder weniger groß definierte Sektoren betrachtet werden. Für die Anwendung auf sektoraler Ebene ist es notwendig, die einzelnen Betriebe in geeigneter Form zu Sektoren zusammenzufassen. Die Aufgabe der transparenten Darstellung der Verflechtungen zwischen diesen Sektoren aufgrund der Vorleistungsstruktur erfolgt in Input-Output-Tabellen. Sollen auf Basis dieser Strukturen Aussagen übermögliche Rückwirkungen einzelner Maßnahmen oder Veränderungen getroffen werden, so ist dies eine Aufgabe für die Input-Output-Analyse, die in diesem Kapitel ebenfalls vorgestellt wird.

Das Ziel der ökonometrischen Analyse – oder kurz der Ökonometrie – besteht darin, den theoretischen Ansatz der Wirtschaftstheorie, soweit er quantifizierbare Elemente enthält, mit dem empirischen Ansatz, d.h. der Beobachtung realer Fakten, zu verbinden. Diese Verbindung ist essentiell für die Diagnose und Prognose der wirtschaftlichen Lage als Teil wirtschaftspolitischer Aufgaben, aber ebenso für die Weiterentwicklung der ökonomischen Theorie. In diesem Kapitel wird ein ökonometrisches Modell definiert als ein mathematisch, quantitativer Zusammenhang zwischen ökonomischen Größen, zwischen denen ein theoretisch begründeter Wirkungszusammenhang besteht. Es wird summarisch auf die Aspekte der Modellspezifikation, der Schätzung von Modellparametern, der Überprüfung der Schätzung und der Bewertung und Interpretation der Ergebnisse eingegangen, die in den folgenden Kapiteln jeweils in größerem Detail erläutert werden.

Als klassischer Ansatz zur Quantifizierung von Parametern in ökonomischen Modellen wird in diesem Kapitel das lineare Regressionsmodell vorgestellt. Es wird präsentiert, wie ausgehend von einem unterstellten linearen Zusammenhang zwischen erklärenden und abhängigen Variablen die Steigungskoeffizienten mittels des Kleinste-Quadrate-Schätzers berechnet werden können. Darüber hinaus wird motiviert, warum diese Schätzer als Zufallsvariablen aufgefasst werden können, deren Werte sich je nach gewählter Stichprobe verändern können. Die so beschriebene Schätzunsicherheit wird modelliert, und es wird aufgezeigt, wie sie empirisch gemessen werden kann. Daraus werden die klassischen Methoden des t- und F-Test abgeleitet, mit denen Hypothesen über die „wahren“ Parameter der betrachteten Modelle statistisch überprüft werden können.

Die Schätzung von Parametern im linearen Regressionsmodell mittels der Kleinste-Quadrate-Methode ist dann in einem gewissen Sinne optimal, wenn eine Reihe von Anforderungen an Modell und Daten erfüllt sind. Damit auch die statistischen Schlussfolgerungen aus den Hypothesentests korrekt sind, werden weitere Voraussetzungen benötigt. In diesem Kapitel wird diskutiert, welche Probleme in welchen Anwendungskontexten häufig zu erwarten sind. Außerdem werden Methoden vorgestellt, um auf Basis der geschätzten Modelle einige der zentralen Anforderungen zu überprüfen. Insbesondere geht es dabei um das Thema Multikollinearität, im Modell fehlende Variablen, die möglicherweise nicht konstante Varianz der Fehlerterme im Modell (Heteroskedastie), die Frage nach der Normalverteilung der Fehlerterme, die mögliche Autokorrelation von Fehlertermen, die Endogenität erklärender Größen und schließlich um mögliche Strukturbrüche in den betrachteten Zusammenhängen. Mit einem kurzen Hinweis auf robuste und nicht parametrische Verfahren werden Ansatzpunkte für den Umgang mit Problemen aufgezeigt, die mit klassischen Verfahren nur bedingt lösbar erscheinen.

Qualitative Variablen spielen eine wichtige Rolle in der empirischen Wirtschaftsforschung, da nicht alle ökonomisch relevanten Größen in Form intervallskalierter Daten verfügbar sind. Besonders häufig treten auf mikroökonomischer Ebene Merkmale auf, die sich auf einzelne Individuen, Haushalte oder Firmen beziehen, und nur ein nominales oder ordinales Skalenniveau aufweisen. Beispiele hierfür sind etwa das Geschlecht oder der höchste erreichte Schulabschluss einer Person beziehungsweise die Sektorzugehörigkeit oder das Rating einer Firma. Das Kapitel zeigt auf, welche besonderen Aspekte sich beim Einsatz derartiger Variablen als erklärende Variable ergeben, insbesondere im Hinblick auf die Interpretation zugehöriger Parameterschätzer. In einem zweiten Teil des Kapitels wird auf die spezifischen Herausforderungen eingegangen, die sich ergeben, wenn eine qualitativ abhängige Variable betrachtet wird. Dies führt zum Linearen Wahrscheinlichkeitsmodell und zum Probit- und Logit-Schätzer.

Betrachtet man die Entwicklung ökonomischer Größen wie des verfügbaren Einkommens, des privaten Konsums oder des Produktionsindex über die Zeit hinweg, zeigt sich häufig eine klare trendmäßige Entwicklung, die kurzfristig durch zyklische Veränderungen überlagert wird. Besonders ausgeprägt sind dabei in vielen Reihen die zyklischen Veränderungen mit einer Periode von einem Jahr, die so genannte Saisonfigur. Das Kapitel stelle eine Reihe von Verfahren vor, mit denen ausgehend von einer gegebenen Zeitreihe einzelne Komponenten identifiziert werden können. Damit ist dann insbesondere auch die Bereinigung um eine Trend- oder Saisonkomponente möglich, indem diese von den Ursprungsdaten subtrahiert wird. Neben der Vorstellung der Verfahren mit ihren jeweiligen Vor- und Nachteilen wird explizit auch auf Probleme eingegangen, die resultieren, wenn mit saisonbereinigten Daten weitere ökonometrische Analysen, z.B. in einem linearen Regressionsmodell durchgeführt werden.

Das Kapitel stellt ökonometrische Modellansätze vor, mit deren Hilfe auch dynamische Aspekte explizit erfasst werden können. Derartige Ansätze sind für viele ökonomische Fragestellungen eher die Regel als die Ausnahme. So sind beispielsweise in der Konsumfunktion zwei Grundlinien einer Abhängigkeit über die Zeit angelegt. Einmal können die Werte von erklärenden Variablen auch aus den Vorperioden in die Analyse einbezogen werden. Im Fall des Konsums kann etwa das verfügbare Einkommen der Vorperiode relevant sein. Einen anderen ökonomischen Gehalt hat die Einbeziehung der Werte der zu erklärenden Variablen aus den Vorperioden. In der Konsumfunktion könnte der Konsum der Vorperiode eine Rolle spielen, wenn von einer trägen Anpassung der Verhaltensweisen an geänderte Rahmenbedingungen ausgegangen werden muss. Als Modellklassen werden unterschiedliche Varianten der Modelle mit verteilten Verzögerungen, Fehlerkorrekturmodelle und stochastische Zeitreihenmodelle (ARMA) behandelt.

Für viele ökonometrische Verfahren muss davon ausgegangen werden, dass die betrachteten Variablen kein trendmäßiges Verhalten aufweisen oder dass sich das trendmäßige Verhalten adäquat durch einen deterministischen Trend beschreiben lässt. Dass viele ökonomische Zeitreihen wie Bruttoinlandsprodukt, privater Verbrauch und Produktionsindex einen Trend aufweisen, ist allerdings offensichtlich. Zur Beschreibung dieser Trends erscheint allerdings ein Modelle so genannter stochastischer Trends häufig angemessener, so dass klassische ökonometrische Verfahren nicht sinnvoll angewendet werden könnten. Das Kapitel stellt statistische Testverfahren vor, mit deren Hilfe geklärt werden kann, ob eine Variable einen solchen stochastischen Trend aufweist. Dann spricht man von Nichtstationarität der Variablen. In einem weiteren Schritt kann überprüft werden, ob zwischen mehreren derartiger Variablen dennoch ein statistisch relevanter Zusammenhang besteht, also Kointegration vorliegt. Dazu wird das Engle-Granger Verfahren präsentiert.

In der angewandten Wirtschaftsforschung spielen Prognosen nach wie vor eine zentrale Rolle ebenso wie die Evaluation wirtschaftspolitischer Entscheidungen. Eine Klassifikation von Prognoseverfahren und eine Darstellung ihrer Grenzen werden in diesem abschließenden Kapitel am Beispiel der Konjunkturprognosen vorgenommen. Neben in der Praxis nach wie vor gebräuchlichen Methoden wird vor allem auf die Prognose mit ökonometrischen Modellen fokussiert. Dafür werden auch Kennzahlen der Prognosegüte und statistische Tests zum Vergleich verschiedener Prognosen eingeführt. Schließlich umfasst das Kapitel auch modellbasierte Simulationen, die als Spezialfall der Prognose mit ökonometrischen Modellen aufgefasst werden können.