Dynamische Modellierung

Prognosemodelle auf der Basis von Firmenbefragungen

Die Bestimmung des gegenwärtigen Stands im Konjunkturzyklus und die Prognose der nächsten Quartale erzielen nicht nur eine hohe Aufmerksamkeit in der Öffentlichkeit, sie sind auch für Planungen von Unternehmen und Staat von besonderer Bedeutung. Der wichtigste Frühindikator für die deutsche Wirtschaft ist dabei der ifo Geschäftsklimaindex, der basierend auf einer monatlichen Befragung von mehr als 7000 Unternehmen berechnet wird. Die große Anzahl der befragten Unternehmen erlaubt daneben eine Disaggregation der Ergebnisse in eine Vielzahl von Sektoren und Antwortkategorien bis hin zur Firmenebene. Insofern kann auf ein Panel von sektorspezifischen Umfrageindizes zurückgegriffen werden, um beispielsweise die sektorale Bruttowertschöpfung (BWS) zu prognostizieren oder die Vorlaufeigenschaften gegenüber der gesamtwirtschaftlichen Bruttowertschöpfung bzw. des Bruttoinlandsprodukts (BIP) zu überprüfen.
Bei der Modellierung ist eine Reihe von Fragen von Interesse:

Gibt es bestimmte Sektoren oder Firmen, die einen stabilen Vorlauf gegenüber der Zielzeitreihe aufweisen?
Gibt es Interaktionen zwischen Sektoren oder Firmen, die zu einer Abschwächung oder Verstärkung des ursprünglichen Signals führen?
Mit welchen Verzögerungen reagieren Firmen auf makroökonomische Impulse? Lassen sich dafür Erklärungsmuster finden?

In allen Fällen ergibt sich durch die mögliche Wirkung von Verzögerungen und diverser zeitlich variierender Einflussgrößen eine hochdimensionale Wirkungsstruktur, die eine Selektion der relevanten Einflussgrößen nötig macht. Moderne Selektionsverfahren wie parametrisches und nonparametrisches Boosting oder Random Forests sollen für diese Problemstellungen adaptiert werden.

Carstensen, Tutz

Modellierung von Verweildauern

Die Modellierung von Verweildauern liefert ein zentrales Instrument, um die Dynamik des Antwortverhaltens in Panelbefragungen abzubilden. Insbesondere der monatlich an 7000 Unternehmen durchgeführte ifo Konjunkturtest bietet durch den enormen Umfang der Daten eine hervorragende Basis zur Analyse dynamischer Verläufe auf Individualdatenniveau. Zentrale inhaltliche Fragestellungen, die sich aus Unternehmensbefragungen beantworten lassen, betreffen das Nonresponse-Verhalten und die Bildung von Erwartungen auf Firmenniveau. Nonresponse beeinflusst die Datenstabilität erheblich und kann zu Verzerrungen der Ergebnisse führen. Während für Individual- und Haushaltsumfragen zahlreiche Analysen zu dieser Problematik existieren, sind die Prozesse und Gründe der Teilnahmebereitschaft an Unternehmensbefragungen nur wenig erforscht worden. Die Identifikation der wesentlichen Faktoren, die eine „Panel-Ermüdung“, also einem nachlassenden Interesse der Teilnehmer im Laufe der Zeit, bestimmen, können zur Qualitätsverbesserung (Stichwort: Panelstabilität) genutzt werden und eventuell vorhandene Selektivitäten aufdecken. Die Untersuchung von Erwartungen auf der Ebene einzelner Firmen ist von besonderem Interesse nicht zuletzt im Hinblick auf den gegenwärtigen Stand der makroökonomischen Forschung, welche die Erwartungsbildung als zentralen Bestandteil konjunktureller Dynamik modelliert. Es zeigt sich allerdings häufig, dass die typischerweise getroffene Annahme rationaler Erwartungen empirisch nicht haltbar ist. Da die Umfragen des ifo Instituts auch Erwartungskategorien enthalten, ist eine nähere Analyse des Erwartungsprozesses möglich. Interessant ist dabei, inwieweit gegenwärtige Erwartungen mit früheren Erwartungen und mit anderen Antwortkategorien interagieren, insbesondere mit den zukünftigen Realisationen. Weitere inhaltliche Fragestellungen betreffen die Stabilität von Preisen. Zudem wird die im Rahmen des Economics & Business Data Center zu erfolgende Verknüpfung der Umfragedaten mit firmenspezifischen Angaben wie Bilanzdaten oder Beschäftigtenzahlen eine zusätzliche Analysedimension eröffnen.

Methodische Probleme, die sich speziell für die ifo Daten stellen, ergeben sich aus den Antworten auf Unternehmensebene, die in kategorialer Form vorliegen (z.B. „besser“, „unverändert“, „schlechter“). Bei den entsprechenden Competing Risks Ansätzen ist zu evaluieren, inwieweit die Erhebung auf Monatsbasis diskrete oder stetige Modellierung erlaubt. Generell zeigt sich bei der empirischen Untersuchung von Verweildauern immer wieder, dass die Wirkungsstärke von Einflussgrößen über die Zeit variiert. Eine Vernachlässigung dieser Effekte resultiert häufig in artifiziellen Effektstärken und reduzierter Prognosegenauigkeit. Um diese Variation adäquat modellieren zu können, ist es notwendig, zeitvariierende Effekte in nonparametrischer Form einzubeziehen. Damit ergeben sich erhebliche Selektionsprobleme: welche Variablen sind parametrisch zeitkonstant, welche sind nonparametrisch zeitvariierend zu modellieren. Die Auswahlprobleme sollten sich mit modernen Selektionsverfahren wie Lasso und Boosting lösen lassen. Insbesondere ist die Erweiterung auf Mehr-Zustandsmodelle und die Modellierung von Heterogenität von erheblichem Interesse für die intendierten Anwendungen auf ifo Konjunkturdaten und weitere ökonomische und soziologische Studien.

Zur infrastrukturellen Einbindung des Projekts:
Mit dem Economics & Business Data Center steht eine umfangreiche Datenbank deutscher Unternehmen zur Verfügung, die durch die Verknüpfung mit unterschiedlichen Daten und Quellen etwa zur Unternehmensfinanzierung, zur Investitionstätigkeit oder zur Governance-Struktur der Unternehmen eine ausgezeichnete Basis für Forschungen in diesem Feld bietet. Die Analyse nonparametrischer Modellierung wurde im Project C4 Semi- und nonparametrische Modellierung im Rahmen des SFB 386 (Projektleiter G. Tutz) gefördert. Die Analyse von ifo Mikrodaten sowie von verbesserten Prognoseindikatoren ist Teil des Forschungsprogramms im Bereich Konjunktur und Befragungen des ifo Instituts.

Carstensen, Tutz

Dynamische Modellierung finanz- und realwirtschaftlicher Interaktionen

Das Ziel dieses Projektes ist die Untersuchung von Abhängigkeitsstrukturen in gemischten Kapital- und Versicherungsmärkten. Um alternative Wege zur Absicherung ihrer Risiken zu finden, haben Versicherungsunternehmen versucht, das enorme Potenzial der Kapitalmärkte auszunutzen, indem sie börsennotierte, an das Versicherungsgeschäft gebundene Wertpapiere, wie z.B. Mortalitätsderivate oder Katastrophen-Versicherungsoptionen eingeführt haben. Gleichzeitig kombinieren Versicherungsprodukte, wie z.B. Einheitsbezogene Lebensversicherungen oder Restschuldversicherungen, deren Schadenzahlungen beispielsweise vom Preis einer gehandelten Aktie oder von Makroökonomischen Faktoren abhängen, traditionelle Versicherungsformen mit ökonomischen und finanztechnischen Aspekten. Deshalb können Versicherungs- und Finanzmärkte nicht länger als disjunkte Objekte verstanden, sondern müssen vielmehr als ein großer gemischter Markt, dessen Abhängigkeitsstrukturen fachgerecht verstanden werden muss, erforscht werden. Ein groß es Anliegen dieses Projektes ist das Modellieren und Kalibrieren von Preisbestimmungs-, Hedging- und Risikomess-Szenarien. Die besonders für Anwendungen interessante Klasse von Zeit-stetigen, doppelt stochastischen Markov Ketten mit mehreren Zuständen liefert in diesem Zusammenhang den mathematischen und statistischen Rahmen zur Untersuchung von Intensitäts- bzw. Hazardrate-Prozessen. Beschränkte Datenbreiten, aufgrund z.B. Datenschutzbestimmungen für Arbeitsmarktdaten, erfordern effiziente Lösungen der Zerteilung aggregierter Informationen oder auch der Cluster bzw. Abhängigkeitsanalyse. Großes Interesse besteht in der Analyse von Daten, die Makroökonomische Faktoren beinhalten.
Es besteht eine enge Kooperation mit dem IAB, dem IFO Institut, dem "Center for Quantitative Risk Analysis" (CEQURA) und dem "Munich Risk and Insurance Center" (MRIC).

Mittnik, Biagini, Carstensen