Forecasting with Feedback

Die Autoren zeigen, dass systematisch verzerrte Prognosen nicht zwangsläufig auf Irrationalität oder asymmetrische Verlustfunktionen hindeuten, sondern unter Quadratischem Verlust optimal sein können, wenn Prognosen politische Entscheidungen auslösen, die wiederum das zu prognostizierende Ziel selbst beeinflussen.

Das Wesentliche

Der Epidemiologe und der vorsichtige Gärtner

Stellen Sie sich vor, Sie sind ein Epidemiologe (der Forscher) und Sie müssen vorhersagen, wie viele Menschen nächste Woche an einer Grippe erkranken werden.

Sie veröffentlichen Ihre Vorhersage: „Die Fallzahlen werden hoch sein." Genau wegen dieser Vorhersage ändern die Menschen ihr Verhalten – sie bleiben zu Hause, tragen Masken und meiden Menschenmengen. Als Ergebnis kommt die tatsächliche Zahl der Fälle nächste Woche niedriger heraus, als Sie es vorhergesagt haben. Ihre Vorhersage hat nicht nur die Zukunft beschrieben; sie hat die Zukunft verändert, weil die tatsächliche Zahl der Fälle (die Realisierung der vorhergesagten Variable) direkt von den Handlungen abhängt, die Ihre Vorhersage ausgelöst hat.

Das ist es, was Ökonomen Rückkopplung (Feedback) nennen: Die Realisierung der vorhergesagten Variable hängt von den Handlungen ab, die als Reaktion auf die Vorhersage ergriffen werden. Ein reiner Wetterbericht hat diese Eigenschaft nicht – ob es morgen regnet, hängt nicht davon ab, ob die Leute Regenschirme mitbringen. Aber viele für die Wirtschaft interessante Variablen haben diese Eigenschaft: Die Inflation reagiert auf die Geldpolitik der Zentralbank, die selbst von Inflationsvorhersagen geprägt ist; die Fallzahlen einer Epidemie reagieren auf das Verhalten der Öffentlichkeit; Finanzmarktpreise reagieren auf konsensbasierte Erwartungen.

In der klassischen Welt (wie bei einem normalen Spaziergang) ändert Ihre Vorhersage nichts am Wetter. Ob Sie 10 oder 20 Liter vorhersagen, die Wolken machen trotzdem, was sie wollen. Das ist eine Vorhersage ohne Rückkopplung.

Aber in dieser Studie geht es um eine ganz andere Situation: Feedback.

Das Szenario: Der Gärtner

Stellen Sie sich vor, Sie prognostizieren den Regen nicht für einen Spaziergänger, sondern für einen Gärtner (den Entscheidungsträger), der einen riesigen Garten bewässert.

• Wenn Sie sagen: „Es wird viel regnen", lässt der Gärtner die Bewässerung aus.
• Wenn Sie sagen: „Es wird trocken", schaltet er die Bewässerung voll auf.

Hier passiert das Magische: Ihre Vorhersage beeinflusst das Ergebnis. Wenn Sie „viel Regen" vorhersagen, schaltet der Gärtner ab, und es wird tatsächlich trocken sein (weil er nicht bewässert). Ihre Vorhersage hat sich selbst erfüllt – oder im Gegenteil, sie hat das Ergebnis verändert.

Das Problem: Die Unsicherheit des Gärtners

Jetzt kommt der Twist aus dem Papier: Der Gärtner ist nicht immer gleich.

• Manchmal ist er sehr streng und schaltet die Bewässerung sofort ab, wenn Sie Regen vorhersagen.
• Manchmal ist er zögerlich und schaltet nur halb ab.
• Manchmal ist er chaotisch und weiß selbst nicht genau, was er tun wird.

Der Prognostiker weiß also: „Ich muss eine Vorhersage machen, aber ich weiß nicht genau, wie der Gärtner darauf reagieren wird."

Die Lösung: Warum eine „falsche" Vorhersage die beste ist

Hier ist die geniale Erkenntnis der Autoren: Wenn Sie versuchen, die wahre Menge an Regen vorherzusagen, riskieren Sie, dass der Gärtner panisch reagiert und das Ergebnis völlig durcheinanderbringt (hohe Volatilität).

Um das Ergebnis stabil zu halten, macht der Prognostiker etwas, das auf den ersten Blick dumm aussieht: Er lügt absichtlich.

Stellen Sie sich vor, der Gärtner reagiert extrem stark auf jede Vorhersage. Um zu verhindern, dass der Garten überschwemmt oder vertrocknet, sagt der Prognostiker vielleicht: „Es wird gar nicht so viel regnen", auch wenn er eigentlich weiß, dass es viel regnen wird.

• Warum? Weil er weiß, dass der Gärtner dann die Bewässerung nicht ganz abschaltet, sondern nur etwas drosselt.
• Das Ergebnis: Der Garten bleibt perfekt feucht.

Der Prognostiker opfert also die Genauigkeit seiner Vorhersage (er sagt etwas Falsches), um die Stabilität des Ergebnisses zu sichern. Er tauscht einen kleinen Fehler in der Vorhersage gegen ein riesiges Chaos im Ergebnis ein.

Die Analogie: Der schüchterne Dirigent

Stellen Sie sich einen Dirigenten vor, der ein Orchester leitet.

• Wenn er sagt: „Spielen Sie leise!", werden die Musiker vielleicht so leise spielen, dass man sie gar nicht hört.
• Wenn er sagt: „Spielen Sie laut!", spielen sie vielleicht so laut, dass die Saiten reißen.

Der Dirigent (der Prognostiker) weiß nicht genau, wie laut die Musiker genau reagieren werden (Unsicherheit). Also sagt er vielleicht: „Spielen Sie mittellaut", obwohl er eigentlich „leise" meint. Er verzerrt seine Anweisung, damit das Orchester am Ende genau die richtige Lautstärke hat.

Was bedeutet das für die Wirtschaft?

Die Autoren wenden dies auf die Zentralbank an (wie die US-Notenbank oder die EZB):

1. Die Bank macht eine Inflation-Vorhersage.
2. Basierend auf dieser Vorhersage ändert sie die Zinsen (die Aktion).
3. Die Zinsänderung beeinflusst die zukünftige Inflation (das Ergebnis).

Wenn die Bank unsicher ist, wie genau die Märkte oder die Politik auf ihre Vorhersage reagieren, wird sie ihre Vorhersage absichtlich verzerren. Sie sagt vielleicht eine etwas niedrigere Inflation voraus, als sie eigentlich erwartet, um die Zinsen nicht zu stark zu senken und die Wirtschaft nicht zu überhitzen.

Die wichtigsten Erkenntnisse für den Alltag

1. Fehler sind nicht immer Dummheit: Wenn Sie sehen, dass Experten systematisch falsch liegen (z. B. immer zu optimistisch oder zu pessimistisch), müssen Sie nicht sofort denken: „Die sind inkompetent!" oder „Sie haben eine andere Agenda." Es könnte sein, dass sie strategisch falsch liegen, um das Endergebnis zu stabilisieren.
2. Die „Wahrheit" ist schwer zu fassen: In einer Welt, in der Vorhersagen Entscheidungen auslösen, gibt es keine „reine" Vorhersage mehr. Die Vorhersage ist Teil des Spiels.
3. Tests funktionieren nicht mehr: Früher dachte man: „Wenn die Vorhersage mit der Realität übereinstimmt, ist sie gut." Aber in diesem Fall kann eine „schlechte" Vorhersage (die von der Realität abweicht) die beste sein, weil sie das System stabil hält.

Fazit

Dieses Papier sagt uns: Manchmal ist es klüger, eine Vorhersage zu machen, die man selbst für falsch hält, nur um zu verhindern, dass die Reaktion darauf das ganze System zum Kollabieren bringt.

Es ist wie bei einem Vater, der seinem Sohn sagt: „Du darfst heute nur eine Stunde fernsehen", obwohl er weiß, dass der Sohn eigentlich drei Stunden schauen würde. Der Vater verzerrt die Wahrheit, damit der Sohn nicht in Panik gerät und die ganze Nacht fernsieht. Die Vorhersage ist „verzerrt", aber das Ergebnis (ein ruhiger Abend) ist optimal.

Technische Zusammenfassung

1. Problemstellung und Motivation

Das Papier adressiert ein zentrales Problem in der Prognoseforschung: Warum weisen systematische Prognosen oft verzerrte (biased) Ergebnisse auf, obwohl die Prognostiker rationale Akteure mit quadratischen Verlustfunktionen sind?

• Herkömmliche Erklärung: In der Literatur werden solche Verzerrungen typischerweise entweder auf die „Irrationalität" der Prognostiker oder auf asymmetrische Verlustfunktionen (d.h. Unter- oder Überschätzung ist unterschiedlich teuer) zurückgeführt.
• Die Lücke: Viele Prognosen, insbesondere in der Wirtschaftspolitik (z. B. Inflationsprognosen der Federal Reserve), dienen als Input für politische Entscheidungen. Diese Entscheidungen beeinflussen wiederum die Realisierung der prognostizierten Variable. Dies wird als Feedback-Effekt bezeichnet.
• Beispiel: Eine Zentralbank nutzt Inflationsprognosen, um den Zinssatz zu setzen. Die Zinsentscheidung beeinflusst die zukünftige Inflation. Wenn die Prognose die Politik beeinflusst, ist die Prognose nicht mehr von der Realisierung unabhängig.
• Fragestellung: Können Prognosen unter der Annahme einer quadratischen Verlustfunktion (die üblicherweise zu unverzerrten, erwartungstreuen Prognosen führt) dennoch optimal verzerrt sein, wenn Feedback und Unsicherheit über die Reaktion des Entscheidungsträgers vorliegen?

2. Methodik und Modellierung

Die Autoren entwickeln ein strategisches Spiel zwischen einem Prognostiker (Sender) und einem Entscheider (Decision Maker, DM, Empfänger).

A. Das Umfeld

• Zielvariable: $y_{t+1} = \theta_t + a_t + \epsilon_{t+1}$.
  • $\theta_t$: Der Zustand der Wirtschaft (privater Signal des Prognostikers).
  • $a_t$: Die Aktion des Entscheiders (z. B. Zinssatz).
  • $\epsilon_{t+1}$: Ein nicht vorhersehbarer Fehlerterm.
• Verlustfunktion des Prognostikers: Quadratisch, $L = (y_{t+1} - f_t)^2$. Das Ziel ist die Minimierung des mittleren quadratischen Fehlers (MSE).
• Rückkopplung: Die Aktion $a_t$ hängt von der Prognose $f_t$ ab.

B. Die Reaktion des Entscheiders (DM)

Der DM versucht, eine Zielgröße $y^T$ zu erreichen. Seine Reaktionsfunktion folgt einer Art „Taylor-Regel":
$$a^*(f_t) = x_t \cdot [y^T - E(\theta_t | f_t)]$$

• Unsicherheitsfaktor $x_t$: Dies ist der kritische Parameter. $x_t$ repräsentiert die Stärke der politischen Reaktion. Der Prognostiker kennt die Verteilung von $x_t$ (Mittelwert $\mu$, Varianz $\tau^2$), aber nicht den konkreten Realisierungswert zum Zeitpunkt der Prognose. $x_t$ ist private Information des DM.
• Erwartungsbildung: Der DM unterstellt eine lineare Beziehung zwischen dem Zustand $\theta_t$ und der Prognose $f_t$ (d.h. $f_t = b + c \cdot \theta_t$) und leitet daraus seine Erwartung $E(\theta_t | f_t)$ ab.

C. Das Optimierungsproblem

Der Prognostiker minimiert den erwarteten quadratischen Fehler, wobei er die Reaktion des DM und die Unsicherheit über $x_t$ antizipiert.
Das Problem führt zu einer Bias-Varianz-Abwägung:

1. Bias-Term: Wie weit weicht die Prognose vom erwarteten Ergebnis ab?
2. Varianz-Term: Da $x_t$ unsicher ist, hängt die Varianz des Ergebnisses $y_{t+1}$ von der Prognose $f_t$ ab. Eine Prognose, die stark auf den Zustand $\theta_t$ reagiert, führt zu einer höheren Varianz der Reaktion des DM (und damit des Ergebnisses), wenn $x_t$ unsicher ist.

Der Prognostiker kann den MSE reduzieren, indem er die Sensitivität seiner Prognose gegenüber dem Signal $\theta_t$ dämpft (die Steigung flacher macht), auch wenn dies eine systematische Verzerrung (Bias) einführt.

3. Key Contributions (Hauptbeiträge)

1. Neue Erklärung für Prognoseverzerrungen: Das Papier zeigt, dass optimale Prognosen auch bei quadratischen Verlustfunktionen verzerrt sein können, sobald Feedback und Unsicherheit über die Politikreaktion vorliegen. Dies ist eine dritte Erklärung neben Irrationalität und asymmetrischen Verlusten.
2. Theorie des Feedbacks: Es wird formal gezeigt, dass Feedback allein keine Verzerrung erzeugt, wenn die Reaktion des DM deterministisch ist (vollständige Antizipation möglich). Erst die Unsicherheit über die Stärke der Reaktion ($x_t$) führt zur Verzerrung.
3. Verletzung rationaler Erwartungseigenschaften: Unter Feedback brechen die kanonischen Eigenschaften optimaler Prognosen zusammen:
   • Der Prognosefehler ist mit der Information des Prognostikers korreliert.
   • Die Mincer-Zarnowitz (MZ) Regression ($y = \alpha + \beta f + \epsilon$) liefert keine Koeffizienten von $\alpha=0$ und $\beta=1$.
4. Strategisches Gleichgewicht: Die Autoren leiten ein lineares Perfect Bayesian Equilibrium (PBE) her, in dem sowohl der Prognostiker als auch der DM korrekte Erwartungen über die Strategie des anderen haben.

4. Ergebnisse

A. Optimale Prognose (ohne Gleichgewicht, aber mit Reaktion)

Die optimale Prognose $f^*_t$ ist linear in $\theta_t$, aber die Steigung ist gegenüber der unverzerrten Prognose „gedämpft" (attenuated):
$$f^*_t = d^* + e^* \cdot \theta_t$$
wobei $e^* < 1$ (unter Annahmen). Der Prognostiker „glättet" die Prognose, um die Volatilität der politischen Reaktion zu minimieren.

B. Statistische Eigenschaften

• Systematischer Bias: Die Prognose ist verzerrt. Die Richtung der Verzerrung hängt vom Abstand zwischen dem Zustand $\theta_t$ und dem Ziel $y^T$ ab.
  • Ist $\theta_t > y^T$, neigt der Prognostiker zur Unterschätzung (unterpredict), um eine übermäßige Reaktion des DM zu vermeiden.
  • Ist $\theta_t < y^T$, neigt er zur Überschätzung.
  • Dies erklärt das Phänomen des „Sign-Wechsels" in historischen Daten (z. B. Greenbook-Prognosen).
• Mincer-Zarnowitz (MZ) Regression:
  • Der Achsenabschnitt ($\alpha$) ist ungleich null.
  • Die Steigung ($\beta$) ist ungleich eins und kann sogar negativ sein, je nach Parametern ($\mu, \tau^2$).
  • Wenn die Unsicherheit ($\tau^2$) gegen null geht, konvergieren die Koeffizienten gegen die kanonischen Werte ($\alpha=0, \beta=1$).

C. Empirische Implikationen (Greenbook-Daten)

Die Autoren verknüpfen ihre Theorie mit den US-Greenbook-Inflationsprognosen:

• Die Daten zeigen periodenweise systematische Verzerrungen, die das Vorzeichen wechseln.
• Die Steigung der MZ-Regression schwankt stark (von nahe 1 über 0 bis hin zu negativ).
• Das Modell kann diese Muster als Ergebnis von Feedback und Unsicherheit über die Fed-Reaktion erklären, ohne Irrationalität unterstellen zu müssen.

5. Signifikanz und Implikationen

• Herausforderung für die Prognoseevaluation: Traditionelle Tests auf Prognose-Rationalität (die auf der Annahme $\alpha=0, \beta=1$ basieren) sind in Umgebungen mit Feedback irreführend. Ein Scheitern dieser Tests muss nicht auf Inkompetenz oder asymmetrische Verluste hindeuten, sondern kann ein optimales Verhalten unter Feedback sein.
• Schätzung von Verlustfunktionen: Studien, die versuchen, die Verlustfunktion eines Prognostikers aus den Daten zu schätzen, müssen Feedback-Mechanismen explizit berücksichtigen, da diese die beobachteten Verzerrungen verzerren können.
• Politische Relevanz: Für Zentralbanken und andere Entscheidungsträger bedeutet dies, dass die Art und Weise, wie sie auf Prognosen reagieren (und wie unsicher diese Reaktion ist), die Qualität der Prognosen direkt beeinflusst.

Fazit: Das Paper liefert einen formalen Beweis dafür, dass Feedback und Unsicherheit in der Interaktion zwischen Prognostikern und Entscheidungsträgern ausreichen, um rationale Prognosen systematisch zu verzerren und die statistischen Eigenschaften von Prognosefehlern fundamental zu verändern. Dies erfordert eine Neubewertung der Kriterien für Prognosequalität in der Wirtschaftspolitik.