2sls Rückbildung Im Stata Forex

Endogene Variable Was ist eine endogene Variable Eine endogene Variable ist eine Klassifikation einer Variablen, die durch ein statistisches Modell erzeugt wird, das durch die Beziehungen zwischen Funktionen innerhalb des Modells erklärt wird. Zum Beispiel ist der Gleichgewichtspreis eines Gutes in einem Angebot und Nachfrage-Modell endogen, weil es von einem Hersteller als Reaktion auf die Nachfrage der Verbraucher festgelegt wird. Sie ist das Gegenteil einer exogenen Variablen. BREAKING DOWN Endogene Variable Endogene Variablen sind für die Ökonometrie und die ökonomische Modellierung von Bedeutung, weil sie zeigen, ob eine Variable einen bestimmten Effekt bewirkt. Ökonomen verwenden kausale Modellierung, um Ergebnisse oder abhängige Variablen, basierend auf einer Vielzahl von Faktoren oder unabhängige Variablen zu erklären und zu bestimmen, inwieweit ein Ergebnis einer endogenen oder exogenen Ursache zugeschrieben werden kann. Endogene Variablen haben Werte, die sich als Teil einer funktionalen Beziehung zwischen anderen Variablen innerhalb des Modells verschieben. Diese Beziehung wird auch als abhängig und wird als vorhersehbar in der Natur gesehen. Im allgemeinen korrelieren die Variablen in einer Weise, in der die allgemeine Bewegung eines davon erwartet werden kann, ein bestimmtes Ergebnis in dem anderen, wenn auch nicht notwendigerweise in der gleichen Richtung zu erzeugen, da ein Anstieg in einer Variablen einen Sturz in einen anderen verursachen kann. Solange die Veränderung korreliert, gilt sie als endogen. Außerhalb der Ökonomie, andere Felder auch Modelle mit endogenen Variablen. Dazu gehören das Gebiet der Meteorologie und bestimmte Aspekte der Landwirtschaft. In bestimmten Fällen ist die Beziehung nur endogen in einer Richtung. Zum Beispiel, während angenehmes Wetter kann dazu führen, dass höhere Mengen an Tourismus, höhere Mengen an Tourismus keine Auswirkungen auf das Wetter. Beispiele für endogene Variablen Wenn ein Modell die Beziehung zwischen den Pendelzeiten der Mitarbeiter und dem Kraftstoffverbrauch untersucht, steigt der Kraftstoffverbrauch im Allgemeinen, wenn sich die Pendelzeit innerhalb des Modells erhöht. Dies ist aufgrund der Tatsache, je länger eine Person pendeln neigt dazu, desto mehr Kraftstoff es braucht, um sein Ziel zu erreichen, wie eine 30-Meile pendeln erfordert mehr als eine 20-Meile pendeln. Andere Beziehungen, die in der Natur endogen sein können, umfassen persönliches Einkommen zum persönlichen Verbrauch, Niederschlag und Pflanzenwachstum oder Bildung und künftige Einkommensniveaus. Endogene vs. exogene Variablen Im Gegensatz zu endogenen Variablen werden exogene Variablen als unabhängig betrachtet. Dies bedeutet, dass eine Variable innerhalb der Formel nicht diktiert oder direkt mit einer Änderung in der anderen korreliert. Exogene Variablen haben keine direkte oder formelhafte Beziehung, wie persönliches Einkommen und Farbpräferenz, Niederschlag und Gaspreise oder Bildung erhalten und Lieblingsblume. Die eigentliche Frage ist nicht, warum so viele Ökonomen Stata anstelle von R. Die eigentliche Frage ist, warum so Verwenden viele Ökonomen in ihren empirischen Analysen niemals etwas anderes als lineare Regression oder 2SLS mit FE und gruppierte Standardfehler. Ja Stata kann dies effizient, aber wenn das ist die einzige statistische Technik, die Sie jemals in Ihrer Forschung verwenden, vielleicht ist es Zeit, um ein wenig mehr zu lernen. Die eigentliche Frage ist nicht, warum so viele Ökonomen Stata statt R verwenden. Die eigentliche Frage ist, warum so viele Ökonomen niemals etwas anderes als lineare Regression oder 2SLS mit FE und gruppierte Standardfehler in ihren empirischen Analysen verwenden. Ja Stata kann dies effizient, aber wenn das ist die einzige statistische Technik, die Sie jemals in Ihrer Forschung verwenden, vielleicht ist es Zeit, um ein wenig mehr zu lernen. Weil einfache Techniken mit klarer Identifikation ist, was MHE espouses. SAS ist besonders ghey. Was ist mit dieser Daten-Schritt sht sowieso Die Daten-Schritt-Semantik wurden entworfen, wenn die Computer hatte etwa halb Megabyte Random Access Memory und Bänder für die dauerhafte Speicherung. Daher die idiotische Semantik des DATA STEP. In Wirklichkeit gibt es NICHTS, die SAS besser macht als mit einem Datenbanksystem wie MySQL kombiniert mit R oder Matlab. Aber versuchen Sie, ein Modell mit mehr als 50 GB Daten mit R. Mögliche durch die Karte zu reduzieren, aber ein Streit. Sag hallo zum gesunden Menschenverstand. Nur weil Sie viele Daten haben bedeutet nicht, dass Sie alle in random access memory auf einmal laden müssen. Verwenden Sie eine Schleife. Und 99 Prozent der Zeit, glauben die Ökonomen, dass SAS für große Daten besser ist, weil sie eine Umfrage Stata-Set analysieren müssen, obwohl 99 Prozent davon Müll-Informationen, die aus dem Datensatz entfernt werden muss. Es könnte weit mehr intuitiv in MySQL gereinigt werden und dann die gefüttert R oder Matlab, sobald Sie nur die Bits, die Sie benötigen. Es ist wirklich nur ein Unfall der Geschichte, dass SAS in der Lage ist, durch große Datensätze zu kauen, weil es ursprünglich gemacht wurde, mit Band-Speicher zu arbeiten (wenn auch noch ziemlich ineffizient und unintuitiv für unser Alter). Die eigentliche Frage ist nicht, warum so viele Ökonomen Stata statt R verwenden. Die eigentliche Frage ist, warum so viele Ökonomen niemals etwas anderes als lineare Regression oder 2SLS mit FE und gruppierte Standardfehler in ihren empirischen Analysen verwenden. Ja Stata kann dies effizient, aber wenn das ist die einzige statistische Technik, die Sie jemals in Ihrer Forschung verwenden, vielleicht ist es Zeit, um ein wenig mehr zu lernen. Ich finde nicht, dass Schreiben Papiere mit nur 2SLS plus FE plus gruppierten Fehler schlecht ist. Wir verstehen diese Techniken ziemlich gut und daher sind sie weniger fehleranfällig für den Autor und die Ergebnisse einfacher, um das Publikum zu übertragen. Ich denke, jeder Ökonom sollte wissen, andere Sachen, so dass die Begrenzung ist nicht automatisch (d. H. Sie wählen das einfache Werkzeug b / c es die optimale ein), aber ich glaube nicht, wie mehr anspruchsvolle Werkzeuge sind eine Notwendigkeit oder etwas. Identifizierung nicht generell aus etwas anspruchsvoller kommen. WRDS arbeitet nun mit R, aber alle Beispielprogramme befinden sich noch im SAS. Werden Sie beschäftigt und schreiben Sie einige WRDS R Beispielprogramme. R saugt, und so auch Python. Früher habe ich früher SAS für die Datenmanipulation und GAUSS für die Modellierung verwendet. Jetzt benutze ich Python für die Datenmanipulation und Python / R für die Modellierung. Der ehemalige fx-Devisen - und Rohstoffspezialist Pierre Vermaak leitet die UBS an die Spitze seiner neu gestalteten FRC-Abteilung und ersetzt damit den ausgehenden Thomas Klocker, der im Juni die Bank of America Merrill Lynch verlassen hat. - Sehen Sie mehr unter: expert. forexmagnates / ubs-poaches-algo-trading-spezialist-pierre-vermaak-fx / sthash. MpdGJVvr. dpuf Pierre Vermaaks Fähigkeiten amp Expertise Fixed Income Investment Banking Elektronischer Handel Quantitative Finance Equity Derivate Derivate Trading Systems Sybase Structured Quantitative Analytics Marktrisiko R Quantitative Investing Bonds Können wir EM-Algorithmen in R durchführen? Hat jemand tatsächlich Experten implementiert. forexmagnates / ubs-poaches-algo-trading-spezialist-pierre-vermaak-fx / Der ehemalige fx forex und Rohstoffspezialist Pierre Vermaak ist Um UBS zu übernehmen, um seine neu-überarbeitete FRC Abteilung zu ersetzen, den ausgehenden Thomas Klocker zu ersetzen, der für Bank von Amerika Merrill Lynch zurück im Juni verließ. - Sehen Sie mehr unter: expert. forexmagnates / ubs-poaches-algo-trading-spezialist-pierre-vermaak-fx / sthash. MpdGJVvr. dpuf uk. linkedin / pub / pierre-vermaak / 2/23 / 5b2 Pierre Vermaaks Skills amp Expertise Fixed Income Investment Banking Elektronischer Handel Quantitative Finance Equity Derivate Derivate Handelssysteme Sybase Strukturierte Produkte Quantitative Analytik Marktrisiko R Quantitative Anlagen Anleihen Ja. Die meistens harmlose Ökonometrie sagt uns nicht viel mehr als OLS / IV / FE plus einige Quantilregressionen. Darüber hinaus würde die Ökonometrie schädlich werden. Die eigentliche Frage ist nicht, warum so viele Ökonomen Stata statt R verwenden. Die eigentliche Frage ist, warum so viele Ökonomen niemals etwas anderes als lineare Regression oder 2SLS mit FE und gruppierte Standardfehler in ihren empirischen Analysen verwenden. Ja Stata kann dies effizient, aber wenn das ist die einzige statistische Technik, die Sie jemals in Ihrer Forschung verwenden, vielleicht ist es Zeit, um ein wenig mehr zu lernen. Ich finde nicht, dass Schreiben Papiere mit nur 2SLS plus FE plus gruppierten Fehler schlecht ist. Wir verstehen diese Techniken ziemlich gut und daher sind sie weniger fehleranfällig für den Autor und die Ergebnisse einfacher, um das Publikum zu übertragen. Ich denke, jeder Ökonom sollte wissen, andere Sachen, so dass die Begrenzung ist nicht automatisch (d. H. Sie wählen das einfache Werkzeug b / c es die optimale ein), aber ich glaube nicht, wie mehr anspruchsvolle Werkzeuge sind eine Notwendigkeit oder etwas. Identifizierung nicht generell aus etwas anspruchsvoller kommen. Schlägt den Nagel auf den Kopf. Die eigentliche Frage ist nicht, warum so viele Ökonomen Stata statt R verwenden. Die eigentliche Frage ist, warum so viele Ökonomen niemals etwas anderes als lineare Regression oder 2SLS mit FE und gruppierte Standardfehler in ihren empirischen Analysen verwenden. Ja Stata kann dies effizient, aber wenn das ist die einzige statistische Technik, die Sie jemals in Ihrer Forschung verwenden, vielleicht ist es Zeit, um ein wenig mehr zu lernen. Ich finde nicht, dass Schreiben Papiere mit nur 2SLS plus FE plus gruppierten Fehler schlecht ist. Wir verstehen diese Techniken ziemlich gut und daher sind sie weniger fehleranfällig für den Autor und die Ergebnisse einfacher, um das Publikum zu übertragen. Ich denke, jeder Ökonom sollte wissen, andere Sachen, so dass die Begrenzung ist nicht automatisch (d. H. Sie wählen das einfache Werkzeug b / c es die optimale ein), aber ich glaube nicht, wie mehr anspruchsvolle Werkzeuge sind eine Notwendigkeit oder etwas. Identifizierung nicht generell aus etwas anspruchsvoller. Forecasting und ökonometrische Modelle Ein n ökonometrischen Modell ist eines der Werkzeuge Ökonomen nutzen, um die zukünftige Entwicklung in der Wirtschaft prognostizieren. Ökonometriker messen in der einfachsten Form Vergangenheit Beziehungen zwischen den Variablen wie Konsumausgaben, Haushaltseinkommen, Steuersätze, Zinsen. Beschäftigung und dergleichen und versuchen dann zu prognostizieren, wie sich Veränderungen in einigen Variablen auf den zukünftigen Verlauf anderer auswirken werden. Bevor Ökonometriker solche Berechnungen durchführen können, beginnen sie in der Regel mit einem ökonomischen Modell, einer Theorie, wie verschiedene Faktoren in der Wirtschaft miteinander interagieren. Denken Sie beispielsweise an die Wirtschaft, die Haushalte und Unternehmen umfasst, wie in Abbildung 1 dargestellt. Die Haushalte versorgen die Unternehmen mit Arbeitsleistungen (wie Schneider, Buchhalter, Ingenieure usw.) und erhalten im Gegenzug Löhne und Gehälter der Unternehmen Ihre Arbeit. Mit der Arbeit Dienstleistungen, Unternehmen produzieren verschiedene Ausgänge (Kleidung, Autos, etc.), die zum Kauf zur Verfügung stehen. Die Haushalte, die das Ergebnis ihrer Arbeitsleistungen nutzen, werden die Kunden, die die Produktion kaufen. Die Produkte, die die Unternehmen produzieren Wind in den Haushalten, und die Löhne und Gehälter Zahlungen zurück zu den Unternehmen im Austausch für die Produkte der Haushalte zu erwerben. Diese Kette von Ereignissen, wie durch die in Abbildung 1 mit 15 bezeichneten Aktivitäten gezeigt, ist ein schematisches Modell für den Betrieb einer Privatwirtschaft. Es ist offensichtlich unvollständig. Es gibt keine Zentralbank, die Geld, kein Bankensystem und keine Regierung leistet, die Steuern erhebt, Straßen baut oder Bildung oder nationale Verteidigung anbietet. Aber das Wesentliche der Wirtschaft des privaten Sektors, die Produkte und Dienstleistungen produziert und kauft, sind in Abbildung 1 nützlich dargestellt. Das schematische Modell von 1 hat gewisse Nachteile, wenn es darum geht, Größen wie den Wert der Lohn - und Gehaltszahlungen oder die Anzahl der hergestellten Autos darzustellen. Um die Größenordnungen bequemer darzustellen, verwenden Ökonomen ein mathematisches Modell, eine Menge von Gleichungen, die verschiedene Beziehungen zwischen Variablen beschreiben. Betrachten wir die Haushaltskäufe der Produktion, dargestellt als Aktivität 4 in Abbildung 1. Wenn W der Wert der Löhne und Gehälter ist, die Haushalte verdienen, und C Haushaltsausgaben für Kleidung ist, dann stellt die Gleichung C.12 W fest, dass die Haushalte 12 Prozent ihrer Ausgaben ausgeben Löhne und Gehälter auf Kleidung. Eine Gleichung könnte auch konstruiert werden, um Haushaltskäufe von Autos oder anderen Waren und Dienstleistungen zu vertreten. Tatsächlich kann jede der in Abbildung 1 dargestellten Aktivitäten in Form einer Gleichung dargestellt werden. Dies kann eine Mischung aus ökonomischer Theorie, grundlegenden ökonomischen Tatsachen über die jeweilige Wirtschaft und mathematische Raffinesse, aber einmal getan werden, wäre das Ergebnis ein mathematisches oder quantitatives Wirtschaftsmodell, das nur ein wichtiger Schritt weg von einem ökonometrischen Modell ist. In der Gleichung für Bekleidungskäufe, C .12 W, 12 Prozent wurde nur zu illustrativen Zwecken ausgewählt. Aber wenn das Modell etwas Nützliches über die heutige amerikanische Wirtschaft zu sagen hat, muss es Zahlen (Ökonometriker und andere mit ähnlichen statistischen Methoden beziehen sich auf solche Zahlen als Parameter), die beschreiben, was tatsächlich geht in der realen Welt. Zu diesem Zweck müssen wir uns den relevanten historischen Daten zuwenden, um herauszufinden, welcher Prozentsatz des Haushaltseinkommens Amerikaner tatsächlich in der Regel für Kleidung ausgeben. Die Spalte mit der Überschrift Gesamtsumme in Tabelle 1 zeigt den Prozentsatz des (nach Steuern) Einkommens der Amerikaner für Kleidung (einschließlich Schuhe) für jedes der Jahre 19952002. Eine Tatsache ist sofort offensichtlich: 12 Prozent waren weg. Wenn es im Modell verbleiben würde, hätte es zu einer erheblichen Überschätzung der Bekleidungskäufe geführt und wäre nutzlos gewesen, das Verhalten in der amerikanischen Wirtschaft zu verstehen oder vorherzusagen. Etwas näher an 4,21 Prozent, der Durchschnitt der Jahreswerte in der Spalte Gesamtsumme, würde genauer spiegeln die jährlichen Ausgaben für Kleidung und Schuhe als Prozentsatz des Haushaltseinkommens in den Vereinigten Staaten. Tabelle 1 Ausgaben für Bekleidung und Schuhe, 1995-2002 Ein sorgfältigerer Blick auf die Fakten zeigt jedoch, dass 4,21 Prozent das tatsächliche Verhalten nicht ausreichend darstellen können. Es gab erhebliche jährliche Abweichung von so viel 4,5 Prozent auf so wenig wie 3,9 Prozent Haushaltseinkommen für Kleidung und Schuhe ausgegeben. Darüber hinaus scheint es einen Abwärtstrend zu geben, wobei die größeren Prozentzahlen Mitte der neunziger Jahre und die kleineren Prozentzahlen vor kurzem kommen. Das folgende einfache statistische Verfahren kümmert sich um diese Einwände. Beginnen Sie mit den jährlichen Ausgaben für Kleidung und Schuhe, subtrahieren Sie 100 Milliarden und berechnen Sie dann die restlichen Ausgaben für Kleidung und Schuhe über die ersten 100 Milliarden pro Prozent des Haushaltseinkommens hinaus. Die Spalte mit der Überschrift Gesamt 100 in Tabelle 1 zeigt das Ergebnis sehr zufrieden stellend, mit einer geringen jährlichen Veränderung um den Durchschnitt von 2,65 Prozent und ohne erkennbare Tendenz im Laufe der Zeit. Sie könnten sich fragen, was diese Subtraktion von 100 Milliarden darstellt. Hier ist eine nützliche Möglichkeit, darüber nachzudenken. Die US-Bevölkerung betrug im Jahre 19952002 277,6 Millionen Personen. Daher repräsentiert der Wert 100 Milliarden in runden Zahlen 360 pro Person (100 Milliarden, geteilt durch 277,6 Millionen Personen). Die Fakten in Tabelle 1 deuten darauf hin, dass ein Ausgaben für Kleidung und Schuhe mit durchschnittlich rund 360 pro Person pro Jahr eine Basis, oder minimal akzeptabel, Betrag in den Vereinigten Staaten in diesen Tagen ist. Sobald dieses Minimum berücksichtigt wird, werden zusätzliche Käufe von Kleidung und Schuhe 2,65 Prozent des Haushaltseinkommens betragen. Mit anderen Worten, die Amerikaner verbringen mehr an Kleidung und Schuhen, je höher ihr Einkommen, aber sie verbringen mindestens 100 Milliarden pro Jahr. Und die beste Prognose für die Summe, die ausgegeben wird, ist: 100 Milliarden plus ein zusätzliches 2,65 Prozent des Haushaltseinkommens. In Gleichung wird dies durch C 100,0265 W dargestellt, ein weites Schreien aus dem C .12 W, mit dem wir begannen. Die Tatsache, dass die Parameterwerte 100 und .0265 in der Bekleidungsgleichung unter Verwendung der relevanten Daten ermittelt wurden, lässt uns annehmen, dass die Gleichung etwas Sinnvolles über die Wirtschaft sagt. Die Verwendung der Daten zur Bestimmung oder Schätzung aller Parameterwerte im Modell ist der kritische Schritt, der das mathematische Wirtschaftsmodell in ein ökonometrisches Modell verwandelt. Ein ökonometrisches Modell gilt als vollständig, wenn es gerade genug Gleichungen enthält, um Werte für alle Variablen im Modell vorherzusagen. Die Gleichung C 100 .0265 W beispielsweise sagt C voraus, wenn der Wert von W bekannt ist. Daher muss es irgendwo im Modell eine Gleichung geben, die W bestimmt. Wenn alle derartigen logischen Verbindungen hergestellt wurden, ist das Modell vollständig und kann grundsätzlich dazu verwendet werden, die Wirtschaft vorherzusagen oder Theorien über sein Verhalten zu testen. Eigentlich ist kein ökonometrisches Modell wirklich vollkommen. Alle Modelle enthalten Variablen, die das Modell nicht vorhersagen kann, weil sie durch Kräfte außerhalb des Modells bestimmt werden. Zum Beispiel muss ein realistisches Modell persönliche Einkommensteuern beinhalten, die von der Regierung gesammelt werden, weil die Steuern der Keil zwischen dem Bruttoeinkommen der privaten Haushalte und dem Nettoeinkommen (was die Ökonomen für das verfügbare Einkommen nennen) für die privaten Haushalte zur Verfügung stehen. Die erhobenen Steuern hängen von den Steuersätzen der Einkommensteuergesetze ab. Aber die Steuersätze werden von der Regierung als Teil ihrer Fiskalpolitik bestimmt und werden nicht durch das Modell erklärt. Wenn das Modell genutzt werden soll, um die Wirtschaftstätigkeit mehrere Jahre in die Zukunft zu prognostizieren, muss der Ökonometriker die voraussichtlichen künftigen Steuersätze in der Modell-Informationsbasis enthalten. Das erfordert eine Annahme darüber, ob die Regierung künftige Einkommensteuersätze ändern wird, und wenn ja, wann und wie viel. Ebenso erfordert das Modell eine Annahme über die Geldpolitik, die die Zentralbank (das Federal Reserve System in den Vereinigten Staaten) verfolgen wird, sowie Annahmen über eine Vielzahl anderer solcher außerhalb des Modells (oder exogener) Variablen, um Prognose aller Inneren des Modells (oder endogenen) Variablen. Die Notwendigkeit für den Ökonometriker, das beste verfügbare ökonomische Urteil über äußere Faktoren zu verwenden, ist inhärent in der Wirtschaftsprognose. Eine ökonomisch fundierte Konjunkturprognose kann also aus zwei Gründen falsch sein: (1) falsche Annahmen über die äußeren oder exogenen Variablen, die Eingangsfehler genannt werden, oder (2) ökonometrische Gleichungen, die nur annähernd der Wahrheit entsprechen Mindestens nicht genau 2,65 Prozent des Haushaltseinkommens jedes Jahr). Abweichungen von den Vorhersagen dieser Gleichungen werden als Modellfehler bezeichnet. Die meisten ökonometrischen Prognostiker glauben, dass ökonomische Beurteilung nicht nur verwendet werden kann, um Werte für exogene Variablen (eine offensichtliche Anforderung) zu bestimmen, sondern auch, um die wahrscheinliche Größe des Modellfehlers zu verringern. Wörtlich genommen bedeutet die Gleichung C 100 .0265 W, dass jede Abweichung von Bekleidungskäufen von 100 plus 2,65 Prozent des Haushaltseinkommens als eine zufällige Abweichung von normalem oder erwartetem Verhalten betrachtet werden sollte, die von Natur aus unvorhersagbare Schwankungen menschlichen Verhaltens sind, Ökonomen und anderen, die sozioökonomische Ereignisse prognostizieren wollen. Der Wirtschaftsprognostiker muss aufgrund eines unvorhersehbaren Modellfehlers bereit sein, falsch zu sein. Aber ist alle Modell-Fehler wirklich unberechenbar Angenommen, der Prognostiker liest Berichte, die ungewöhnlich günstige Verbraucher Reaktion auf die neuesten Stile in der Kleidung anzuzeigen. Angenommen, auf dieser Basis, glaubt der Prognostiker, dass im nächsten Jahr Kleidung Käufe voraussichtlich das übliche Minimum um etwas näher an 3 Prozent als die üblichen 2,65 Prozent des Haushaltseinkommens übersteigen werden. Sollte der Prognostiker diese begründete Überzeugung ignorieren, dass der Verkauf von Kleidungsstücken im Begriff ist, zu starten, und dadurch eine Prognose zu erzeugen, die tatsächlich erwartet wird, falsch zu sein? Die Antwort hängt vom Zweck der Prognose ab. Wenn der Zweck der rein wissenschaftlichen ist, zu bestimmen, wie genau ein gut konstruiertes Modell prognostizieren kann, muss die Antwort sein: Ignorieren Sie die äußeren Informationen und lassen Sie das Modell alleine. Wenn der Zweck die pragmatischere der Verwendung der besten verfügbaren Informationen zur Erzeugung der informativsten Prognose ist, muss die Antwort sein: Einbeziehen der äußeren Informationen in das Modell, auch wenn dies bedeutet, dass effektiv Löschen des Parameterwerts .0265 und ersetzen Sie es mit. 0300 während der Erstellung der nächsten Jahre Prognose. Das Aufstellen solcher ständigen Anpassungen der Prognosen wurde auf einmal als völlig unwissenschaftlich gemildert. Heutzutage betrachten viele Forscher ein solches Verhalten als unvermeidlich in der Sozialwissenschaft der ökonomischen Prognose und haben begonnen zu studieren, wie am besten von einer wissenschaftlichen Perspektive zu solchen externen Informationen zu integrieren. Ein Großteil der Motivation hinter dem Versuch, das am genauesten beschreibende ökonomische Modell zu spezifizieren, versucht, Parameterwerte zu bestimmen, die ökonomisches Verhalten am ehesten repräsentieren, und kombiniert diese mit den besten verfügbaren Außeninformationen aus dem Wunsch, genaue Prognosen zu erzeugen. Leider ist eine wirtschaftliche Prognosen Genauigkeit nicht leicht zu beurteilen, gibt es einfach zu viele Dimensionen von Detail und Interesse. Ein Nutzer der Prognose kümmert sich vor allem um das Bruttoinlandsprodukt (BIP), zum anderen um Exporte und Importe, zum anderen um Inflation und Zinssätze. Somit kann die gleiche Prognose für einige Benutzer sehr nützliche Informationen bereitstellen, während sie anderen gegenüber irreführend sind. Aus Mangel an nichts offensichtlich überlegen, ist die häufigste Maßstab für die Qualität einer makroökonomischen Prognose, wie genau es prognostiziert reale BIP-Wachstum. Das reale Bruttoinlandsprodukt ist das umfassendste Gesamtmaß aller fertigen Erzeugnisse und Dienstleistungen, die innerhalb der geographischen Grenzen der Nation hergestellt werden. Für viele Zwecke gibt es viel Wert darauf, mit einer gewissen Vorlaufzeit zu wissen, ob das reale Bruttoinlandsprodukt mit einer rasanten Zunahme (einer boomenden Wirtschaft mit einer Wachstumsrate von über 4 Prozent) zu erwarten ist, die sich gegenüber dem jüngsten Verhalten verlangsamt oder beschleunigt (Eine schwache Konjunktur mit einer Wachstumsrate unter 1 Prozent oder sogar eine Rezessionsökonomie mit einer negativen Wachstumsrate). Die in Abbildung 2 enthaltenen Informationen können verwendet werden, um in der soeben genannten Zusammenfassung die ökonometrische Prognosegenauigkeit zu beurteilen, die das Forschungsseminar in der quantitativen Wirtschaft (RSQE) der University of Michigan in den vergangenen drei Jahrzehnten erreicht hat. Das RSQE Prognoseprojekt aus den 1950er Jahren ist eines der ältesten in den USA. Abbildung 2 vergleicht für die Jahre 19712003 die tatsächliche prozentuale Veränderung des realen BIP (die Wachstumsrate der Wirtschaft) mit der im November des Vorjahres veröffentlichten RSQE-Prognose. Es gibt mehrere Möglichkeiten, die Qualität der RSQE-Prognose zu charakterisieren. Obwohl die Prognosen die tatsächliche prozentuale Veränderung um durchschnittlich nur 1,1 Prozentpunkte (gemessen durch den durchschnittlichen Prognosefehler ohne Hinweis auf das Vorzeichen) verpassten, war der Prognosefehler in dreizehn der dreiunddreißig geplanten drei Jahre so gering wie 0,5 Prozentpunkte oder weniger . Auf der anderen Seite hatten sechs Jahre Prognosefehler von 2 Prozentpunkten oder mehr, und für die Jahre 1982 und 1999 betrugen die Prognosefehler 3,1 bzw. 3,0 Prozentpunkte. Trotz einiger relativ großer Fehler gab es nie ein Boom-Jahr, dass RSQE ein schwaches Jahr nie ein schwaches Jahr, dass RSQE prognostiziert ein Boom-Jahr und nur ein paar Instanzen letzten vor kurzem, 1999 und 2001, in denen die Prognose wirklich ging Falschen Weg in dem Sinne, dass es schlecht fehlt, ob die Wachstumsrate des Wirtschaftswachstums im Vergleich zu der Wachstumsrate der vorangegangenen Jahre steigen oder sinken würde. Die bisherige Diskussion konzentriert sich auf das, was als strukturelles ökonometrisches Modell bezeichnet wird. Das heißt, der Ökonometriker verwendet eine Mischung aus Wirtschaftstheorie, Mathematik und Informationen über die Struktur der Wirtschaft, um ein quantitatives Wirtschaftsmodell zu konstruieren. Der Ökonometriker wendet sich dann dem beobachteten Datum zu, um die unbekannten Parameterwerte zu schätzen und das ökonomische Modell zu einem strukturellen ökonometrischen Modell zu machen. Der Begriff Struktur bezieht sich auf die Tatsache, dass das Modell erhält seine Struktur, oder Spezifikation, aus der ökonomischen Theorie, dass die Ökonometrie beginnt mit. Die Idee, zum Beispiel, dass die Ausgaben für Kleidung und Schuhe durch Haushaltseinkommen bestimmt ist, kommt aus dem Kern der ökonomischen Theorie. Ökonomische Theorien sind komplex und unvollständig. Um zu veranschaulichen: Dont andere Variablen, wie der Preis der Kleidung im Vergleich zu anderen Konsumgütern, Materie als auch Diese Situation macht es viel schwieriger als impliziert, auf diesem Punkt zu spezifizieren, das ökonomische Modell muss man mit dem Aufbau einer ökonometrischen Struktur beginnen Modell für den Einsatz in der Prognose. In den letzten Jahren haben die Ökonometriker festgestellt, dass es möglich ist, wirtschaftliche Prognosen mit einem einfacheren, nichtstrukturellen Verfahren durchzuführen, ohne viel Prognosegenauigkeit zu verlieren. Obwohl das einfachere Verfahren erhebliche Kosten verursacht, erscheinen diese Kosten nicht im normalen Verlauf der Prognose. Dies wird nach einer kurzen Einführung in das alternative Verfahren, das als Zeitreihenvorhersage bekannt ist, erläutert. Die Idee der Zeitreihenvorhersage lässt sich mit Hilfe von Abbildung 3 leicht erläutern und zeigt jährlich die Ausgaben für Kleidung und Schuhe ab 1981 und Abbildung 2 RSQE Prognosegenauigkeit: Reales BIP-Wachstum, 1971-2003 (Tatsächlich Vs. RSQE-Prognose aus dem vorangegangenen November) Abbildung 3 Ausgaben für Bekleidung und Schuhe, Jahr für Jahr Veränderungen, 1981-2002 bis 2002. Die horizontale Linie markiert die durchschnittliche jährliche Veränderung von 8,8 Milliarden. Der Großteil der jährlichen Veränderungen liegt im Bereich von 4,413,2 Milliarden, und nur eine Veränderung, die von 2001, ist weit außerhalb dieses Bereichs. Die Jahresänderungen scheinen stabil zu sein. Einige sind über 8,8 Milliarden und einige sind unter 19831988 zeigte eine Reihe von Änderungen, die alle nahe waren 11 Milliarden, aber das war ungewöhnlich. Häufiger ist ein Jahrwechsel wenig Anleitung zu den nächsten Jahren ändern, da die Änderungen springen um zu viel. Also, eine Prognose Regel, die im nächsten Jahr Ausgaben für Kleidung und Schuhe wird 8,8 Milliarden mehr als in diesem Jahr verbringen Ausgaben sinnvoll. Und das ist für diesen einfachen Fall die Essenz der Zeitreihenvorhersage. Schauen Sie sorgfältig auf das historische Verhalten der Variablen von Interesse, und wenn dieses Verhalten durch eine Art von Stabilität gekennzeichnet ist, kommen mit einer quantitativen Beschreibung dieser Stabilität und verwenden Sie es, um die Prognose zu erstellen. Es ist nicht immer leicht, die Stabilität zu sehen, auf die man sich verlassen kann, um eine zuverlässige Prognose zu liefern, und Ökonometriker haben anspruchsvolle Verfahren entwickelt, um die Stabilität herauszureißen und zu messen. Im Allgemeinen scheinen das Zeitreihenverfahren und das strukturelle Modellverfahren vergleichsweise gute oder schlechte Prognosen für ein oder zwei Jahre in die Zukunft zu bringen. Aber das Zeitreihenverfahren hat den deutlichen Vorteil, dass es viel einfacher ist. Wir können die Ausgaben für Kleidung und Schuhe prognostizieren, ohne sich um das theoretische Verhältnis zwischen Ausgaben und Haushaltseinkommen zu sorgen. Es muss nicht spezifiziert werden und seine Parameter müssen nicht geschätzt werden nur auf die Kleidung Variable selbst konzentrieren. Also, wo sind die erheblichen Kosten bei der Verwendung der Zeitreihe Prognoseverfahren Sie kommen aus der Tatsache, dass das Verfahren gibt eine numerische Antwort und sonst nichts. Wenn der Benutzer der Prognose zum Beispiel, ein Bekleidungshersteller, warum die Prognose sagt, was es tut, kann die Zeitreihe Ökonometriker nur beantworten, weil das ist die Art und Weise Ausgaben für Kleidung hat sich in der Vergangenheit verhalten, nicht, Weil das Haushaltseinkommen steigen wird Scharf in Reaktion auf eine expansive Geldpolitik, die durchgeführt wird, um. Kurz gesagt, es gibt keine Wirtschaftlichkeit in der Analyse in den ersten Platz. Wenn es gab, wäre der Benutzer in der Lage zu reagieren, Das macht Sinn Ill Plan auf der Grundlage der Prognose, oder alternativ, glaube ich, dass die Prognose zu gut ist, um wahr zu sein, weil Im überzeugt, dass expansive Geldpolitik im Begriff ist, Und so Im Rasieren der Prognose in meiner Planung. Zeitreihen-Prognosen lassen den Benutzer hängen: nehmen Sie ihn einfach oder lassen Sie ihn. Da viele Prognostiker mit Strukturmodellen arbeiten, können die Benutzer nicht nur die verschiedenen numerischen Prognosen erwerben, sondern auch die ökonomische Analyse, die jede Prognose begleitet und rechtfertigt oder erklärt. Ein Benutzer, der auf der Basis einer Prognose handeln muss und unter den verfügbaren Alternativvorhersagen wählen kann, erhält sicherlich viel mehr Informationen, wenn diese Prognosen eine strukturelle ökonomische Basis haben. Schließlich und im Zusammenhang mit der vorangegangenen Diskussion sind Strukturmodelle das einzige Spiel in der Stadt, wenn es um das wichtige Gebiet der ökonometrischen Politik Analyse oder andere, was, wenn Berechnungen kommt. Somit kann eine Basisvorhersage unter Verwendung eines strukturellen ökonometrischen Modells und der besten Informationen, die dem Prognostiker zur Verfügung stehen, berechnet werden. Und dann fragt jemand, was ist, wenn der Kongress erhöht den Einkommensteuersatz um fünf Prozentpunkte Diese einzelne Störung wird dann auf die ursprüngliche Berechnung auferlegt, und die Prognose wird neu berechnet, um die Modelle Beurteilung der Auswirkungen auf die Wirtschaft des gesetzten Wandels in der Regierung zeigen Finanzpolitik. Ökonomen verwenden häufig solche Berechnungen im Prozess der Beratung von Unternehmen und Regierungseinheiten. Die praktische Gültigkeit solcher Anwendungen hängt davon ab, wie gut die Modellstruktur das wirtschaftliche Verhalten repräsentiert, das von zentraler Bedeutung für die Frage ist, wenn eine Frage gestellt wird. Bei allen Modellen handelt es sich lediglich um Annäherungen an die Realität, die Frage, ob eine gegebene Modellannäherung für die vorliegende Frage gut genug ist. Daher ist eine genaue Erstellung von Strukturmodellen eine wichtige Aufgabe. Solange Modellbenutzer fragen, was, wenn, strukturelle ökonometrische Modelle weiterhin verwendet werden und nützlich sind. Über den Autor Saul H. Hymans ist emeritierter Professor für Ökonomie und Statistik und Direktor des Forschungsseminars für quantitative Wirtschaft an der University of Michigan. Weiterführende Literatur Howrey, E. Philip, Saul H. Hymans und Michael R. Donihue. Zusammenführung von monatlichen und vierteljährlichen Prognosen: Erfahrung mit MQEM. Journal of Forecasting 10 (Mai 1991): 255268. Hymans, Saul H. Joan P. Crary und Janet C. Wolfe. Der US-Konjunkturausblick für 20042005. In der Wirtschaftsaussichten 2004, Proceedings of the Fifty-first Annual Conference über den Wirtschaftsausblick, Ann Arbor, Mich. 2004. Pp. 184. Kennedy, Peter. Ein Leitfaden für Ökonometrie. 5. Aufl. Cambridge: MIT Press, 2003. Besonders chaps. 18, und 19. Klein, Lawrence R. ed. Vergleichende Performance der US-amerikanischen Ökonometriemodelle. Oxford: Oxford University Press, 1991. Besonders chaps. 1, 3, 10, 11 und 12. Klein, Lawrence R. und Richard M. Young. Eine Einführung in die ökonometrischen Prognose - und Prognosemodelle. Lexington, Mass. Lexington Bücher, 1980.