Repairing Locally Misspecified GMM: An Empirical Bayes Approach
Dieses Paper schlägt einen empirischen Bayes-Ansatz vor, um die Schätzer der verallgemeinerten Momentenmethode (GMM) unter lokaler Fehlspezifikation zu reparieren, indem der Mittelwert und die Varianz von Spezifikationsfehlern geschätzt werden, um verzerrungskorrigierte und präzisionsverbesserte Schätzer zu konstruieren, welche gezeigt werden, dass sie die Robustheit in Anwendungen wie der Studie von Angrist und Krueger (1991) über Bildungsrenditen erhöhen.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In der Welt der Wirtschaftswissenschaften versuchen Forscher oft, die Funktionsweise der Welt zu verstehen, indem sie vereinfachte Modelle erstellen. Diese Modelle fungieren wie Landkarten: Sie sind nicht das Territorium selbst, aber sie sind nützlich, um sich darin zurechtzufinden. Um zu testen, ob eine Karte genau ist, verwenden Ökonomen eine Methode namens Verallgemeinerte Momentenmethode, oder GMM (Generalized Method of Moments). Stellen Sie sich vor, Sie versuchen, den wahren Wert von etwas zu finden, wie etwa der Rendite für den Besuch einer Schule. Sie haben einen Satz an Hinweisen, oder „Momentbedingungen“, die alle zum selben Ergebnis führen sollten, wenn Ihre Karte perfekt wäre. Manchmal haben Sie mehr Hinweise, als Sie streng genommen benötigen, um die Antwort zu finden. Dies wird als „überidentifiziert“ bezeichnet. Wenn Sie zusätzliche Hinweise haben, können Sie prüfen, ob diese übereinstimmen. Wenn sie übereinstimmen, sieht Ihr Modell gut aus. Wenn sie widersprüchlich sind, deutet dies darauf hin, dass Ihr Modell möglicherweise leicht falsch oder „misspezifiziert“ ist, da die reale Welt unordentlich ist und keine Karte perfekt präzise sein kann.
Jahrzehntelang standen Ökonomen vor einem Dilemma, wenn diese zusätzlichen Hinweise voneinander abwichen. Sie wussten, dass ihre Modelle Annäherungen waren, und erwarteten daher auch Diskrepanzen. Dennoch fehlte ihnen eine zuverlässige Methode, um genau zu messen, wie falsch das Modell war oder wie man das Endergebnis korrigiert. Standardstatistische Tests schrien oft förmlich, dass das Modell kaputt sei, doch die Ökonomen wussten, dass ein perfektes Modell selten existiert. Dies ließ ihnen die Wahl: Entweder die Unstimmigkeit zu ignorieren und auf das Beste zu hoffen, oder die nützlichen Hinweise zu verwerfen und dadurch an Präzision einzubüßen. Die Frage blieb bestehen: Könnten wir gerade die Unstimmigkeit in den Hinweisen nutzen, um eine bessere, ehrlichere Schätzung der Wahrheit zu konstruieren?
Ein neues Paper von Patrick Kline bietet einen Weg nach vorn. Der Autor schlägt eine Methode vor, um diese unvollkommenen Modelle zu reparieren, indem er die Unstimmigkeiten nicht als zufälliges Rauschen behandelt, sondern als ein Muster, das gemessen und korrigiert werden kann. Der Kern der Idee besteht darin, anzunehmen, dass die Fehler, die die Hinweise zur Unstimmigkeit führen, „austauschbar“ sind. In einfachen Worten ausgedrückt: Obwohl wir nicht wissen, welcher spezifische Hinweis falsch ist, können wir davon ausgehen, dass die Fehler, die sie beeinflussen, aus demselben Pool von Möglichkeiten stammen und ähnliche Durchschnittsverhaltensweisen sowie Streuungen aufweisen. Indem wir diese Fehler als eine Gruppe mit einem gemeinsamen Charakter behandeln, kann der Forscher den durchschnittlichen Umfang des Irrtums und die Varianz dieser Fehler schätzen.
Sob-nachdem diese Muster geschätzt wurden, führt das Paper zwei neue Wege zur Berechnung des Endergebnisses ein. Die erste Methode zieht einfach den geschätzten durchschnittlichen Fehler von der ursprünglichen Berechnung ab. Dies ist vergleichbar mit einem Vermesser, der eine Messung anpasst, wenn er weiß, dass sein Instrument eine konsistente, kleine Neigung aufweist. Die zweite Methode ist anspruchsvoller. Sie nutzt eine statistische Technik namens Empirical Bayes, um den spezifischen, vorhersagbaren Teil des Fehlers für jeden Hinweis zu prognostizieren und diesen ebenfalls abzuziehen. Dieser zweite Ansatz wirkt wie ein Filter, der das „Rauschen“, das das Modell antizipieren kann, herausfiltert und so ein saubereres Signal hinterlässt.
Der Autor testete diese Ideen mithdem Hilfe von Computersimulationen, wobei er tausende von fiktiven Datensätzen erstellte, in denen die wahre Antwort bekannt war. In diesen Tests lieferte die Standardmethode Schätzungen, die oft weit vom Ziel entfernt waren, weil sie die Mängel des Modells ignorierte. Die neuen Methoden hingegen brachten die Schätzungen viel näher an die Wahrheit. Die einfache Korrektur reduzierte den Fehler signifikant, und der fortgeschrittenere Filter reduzierte ihn noch weiter. Die Simulationen zeigten, dass diese neuen Schätzer die Genauigkeit im Vergleich zum Standardansatz um etwa fünfzehn Prozent verbessern konnten – ein erheblicher Gewinn in einem Bereich, in dem kleine Verbesserungen viel bedeuten.
Um zu sehen, ob dies mit realen Daten funktioniert, untersuchte der Autor eine berühmte Studie aus dem Jahr 1991, die versuchte zu messen, wie viel zusätzliches Geld eine Person pro Schuljahr verdient. Diese Studie verwendete einen klugen Satz an Hinweisen basierend auf der Jahreszeit und dem Bundesstaat der Geburt einer Person. Die neue Analyse deutete darauf an, dass die ursprünglichen Hinweise einen systematischen Bias aufwiesen, wahrscheinlich weil die Jahreszeit der Geburt nicht so zufällig war wie erhofft. Als der Autor die neuen Reparaturmethoden anwandte, verschob sich die geschätzte Rendite der Ausbildung. Die korrigierten Zahlen rückten näher an die Ergebnisse heran, die man bei einer viel einfacheren, weniger präzisen Methode erhalten würde, was darauf hindeutet, dass das ursprüngliche komplexe Modell überkonfident war. Darüber hinaus machte die neue Methode die Ergebnisse wesentlich stabiler; das Ändern der Liste anderer in das Modell einbezogener Faktoren führte nicht mehr dazu, dass die Antwort wild schwankte.
Das Paper liefert zudem eine Möglichkeit, die Unsicherheit dieser neuen Antworten zu berechnen. Da die Methode anerkennt, dass das Modell unvollkommen ist, sind die resultierenden Konfidenzintervalle breiter als üblich. Dies ist kein Scheitern, sondern ein Merkament. Es spiegelt ehrlich das zusätzliche Risiko wider, das durch die Mängel des Modells eingeführt wird. Der Autor demonstriert, dass diese breiteren Intervalle statistisch valide sind, was bedeutet, dass sie die wahre Antwort mit der korrekten prozentualen Häufigkeit erfassen, selbst wenn das Modell misspezifiziert ist.
Letztendlich beansprucht diese Arbeit nicht, ein perfektes Modell der Wirtschaft gefunden zu haben. Stattdessen bietet sie ein Werkzeugset für den Umgang mit unvollkommenen Modellen. Sie zeigt, dass wir, wenn Hinweise widersprüchlich sind, sie nicht wegwerfen oder so tun müssen, als gäbe es die Unstimmigkeit nicht. Indem wir das Muster der Unstimmigkeit messen, können wir unsere Berechnungen anpassen, um genauer zu werden, und unsere Schlussfolgerungen, um ehrlicher zu sein. Die Methode funktioniert am besten, wenn viele Hinweise zur Verfügung stehen – eine Situation, die in der modernen wirtschaftlichen Forschung häufig vorkommt. Sie verwandelt die Frustration über das Scheitern eines Modells in eine Informationsquelle, die es Forschern ermöglicht, bessere Antworten aus der unordentlichen Realität der Daten zu extrahieren.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.