📈 economics

Estimation of MIDAS Regressions with Errors-in-the-Variables

Dit artikel stelt een consistente schatter voor MIDAS-regressiemodellen voor wanneer zowel laag- als hoogfrequente variabelen worden beïnvloed door meetfouten, waarbij wordt aangetoond dat de standaard profiel-likelihoodschatter in dergelijke gevallen inconsistent is.

Oorspronkelijke auteurs: Sukhbir Kaur, Sukhbir Singh, Kanchan Jain, Pooja Soni

Gepubliceerd 2026-04-28

📖 3 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Sukhbir Kaur, Sukhbir Singh, Kanchan Jain, Pooja Soni

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

De "Onregelmatige Hartslag" van de Economie: Een Verhaal over Meetfouten

Stel je voor dat je een dokter bent die de gezondheid van een patiënt probeert te monitoren. Om een goed beeld te krijgen, gebruik je twee soorten apparaten:

De Hartslagmeter (Hoge frequentie): Deze geeft elke seconde een meting. Het is heel gedetailleerd, maar de batterij is soms zwak, waardoor de cijfers soms een beetje "springen" (meetfouten).
De Bloeddrukmeter (Lage frequentie): Deze meet maar één keer per dag. Het geeft een rustiger beeld, maar ook hier kan de meter soms een beetje afwijken (meetfouten).

Als je wilt weten hoe de algemene gezondheid van de patiënt verandert, moet je deze twee verschillende ritmes met elkaar combineren. In de economie doen we precies dit: we combineren bijvoorbeeld dagelijkse beurskoersen (snel) met kwartaalcijfers over het Bruto Binnenlands Product (langzaam). Dit noemen wetenschappers een MIDAS-model.

Het Probleem: De "Ruis" in de Data

Het probleem is dat de economie, net als onze patiënt, niet perfect meetbaar is. De cijfers die we krijgen (zoals werkloosheid of inflatie) zijn vaak "vervuild". Het zijn geen exacte feiten, maar schattingen die later vaak worden gecorrigeerd. Dit noemen we Measurement Error (meetfouten).

De onderzoekers van deze paper ontdekten iets belangrijks: de huidige standaardmethode om deze gegevens te combineren is als een dokter die blind vertrouwt op een trillende hartslagmeter. Als je de meetfouten negeert, trek je verkeerde conclusies. Je denkt dat de patiënt ongezond is, terwijl het eigenlijk alleen de meter was die haperde. De oude methode is "inconsistent": hoe meer data je verzamelt, hoe groter de foutieve conclusie wordt.

De Oplossing: De "Correctie-bril"

De auteurs van dit onderzoek hebben een nieuwe methode bedacht. Je kunt het zien als een speciale correctie-bril voor de dokter.

In plaats van de data zomaar te gebruiken, zegt deze nieuwe methode: "Wacht even, we weten dat de hartslagmeter en de bloeddrukmeter een bepaalde mate van onbetrouwbaarheid hebben. Laten we die onbetrouwbaarheid wiskundig wegfilteren."

Door een slimme wiskundige truc (de corrected score approach) te gebruiken, kunnen ze de "ruis" van de meetfouten scheiden van de echte economische signalen.

Wat hebben ze bewezen? (De resultaten)

Met behulp van computersimulaties hebben ze getest of hun "bril" werkt. De resultaten waren duidelijk:

De oude methode faalt: Zelfs als je heel veel data verzamelt, blijft de oude methode naast de waarheid zitten. Het is als een kompas dat altijd 10 graden naar links wijst; hoe meer je loopt, hoe verder je van je bestemming afdwaalt.
De nieuwe methode werkt: De nieuwe methode wordt steeds nauwkeuriger naarmate je meer data krijgt. De fouten worden steeds kleiner en de schattingen komen steeds dichter bij de werkelijkheid.
De impact van de fout: Ze ontdekten ook dat een fout in de "langzame" data (zoals het BBP) vaak een grotere verwarring veroorzaakt in de algemene berekening dan een fout in de "snelle" data.

Samenvatting in één zin

Dit onderzoek biedt een nieuwe, betrouwbare wiskundige manier om economische voorspellingen te doen wanneer de gegevens die we gebruiken (zoals dagelijkse en maandelijkse cijfers) niet perfect nauwkeurig zijn.

Technische Samenvatting: Schatting van MIDAS-regressies met Meetfouten

1. Probleemstelling

In de econometrie is het gebruikelijk dat variabelen op verschillende frequenties worden waargenomen (bijv. kwartaal-BBP versus maandelijkse inflatie). Mixed Data Sampling (MIDAS) modellen zijn ontworpen om deze mixed-frequency data efficiënt te verwerken zonder informatieverlies door data-aggregatie.

Het fundamentele probleem dat dit paper adresseert, is de aanwezigheid van meetfouten (Measurement Error, ME) in zowel de endogene variabelen (lage frequentie) als de exogene variabelen (hoge frequentie). Bestaande MIDAS-schattingsmethoden, zoals de profiel-likelihood methode van Ghysels en Qian (2019), gaan uit van perfecte observaties. Wanneer er echter meetfouten aanwezig zijn, blijken deze standaard schatters inconsistent: zelfs bij een toenemende steekproefomvang convergeren de schattingen niet naar de werkelijke parameters.

2. Methodologie

De auteurs bestuderen het ADL-MIDAS (Autoregressive Distributed Lag - MIDAS) model. Ze modelleren de meetfouten als additieve, onafhankelijke normale verdelingen:

$y_t = Z_t + u_t$ (waarbij $u_t$ de meetfout is voor de endogene variabele $Z_t$ )
$x_t = \xi_t + v_t$ (waarbij $v_t$ de meetfout is voor de exogene variabele $\xi_t$ )

De voorgestelde aanpak:
Om de inconsistentie te corrigeren, maken de auteurs gebruik van de "corrected score methodology" van Nakamura (1990). De kern van hun methode is het aanpassen van de log-likelihood functie. In plaats van de standaard likelihood te maximaliseren, introduceren zij een gecorrigeerde profiel-likelihood ( $L^*_c$ ). Deze correctie compenseert voor de extra variantie die door de meetfouten $u_t$ en $v_t$ wordt geïntroduceerd.

De schatting gebeurt in twee stappen via een profielmethode:

Het concentreren van de likelihood met betrekking tot de foutvariantie ( $\sigma^2_\epsilon$ ).
Het optimaliseren van de parameters $\beta$ (regressiecoëfficiënten) en $\theta$ (de parameters van de MIDAS-polynoom, zoals de Beta-polynoom) binnen de gecorrigeerde functie.

Opmerking: De methode vereist dat de varianties van de meetfouten ( $\sigma^2_u$ en $\sigma^2_v$ ) bekend zijn of vooraf worden ingeschat.

3. Belangrijkste Bijdragen

Bewijs van Inconsistentie: Het paper levert een formeel wiskundig bewijs dat de standaard profiel-likelihood schatter inconsistent is in de aanwezigheid van meetfouten in zowel de endogene als exogene variabelen.
Nieuwe Consistent Schatter: De introductie van een nieuwe, consistente profiel-likelihood schatter voor het ADL-MIDAS model met meetfouten.
Asymptotische Analyse: De auteurs bewijzen dat hun voorgestelde schatter $\hat{\gamma}_c$ consistent is en dat de verdeling van de schatting asymptotisch normaal is.
Simulatiestudie: Een uitgebreide Monte Carlo-simulatie die de prestaties van de nieuwe schatter vergelijkt met de standaard schatter onder verschillende scenario's (verschillende steekproefgroottes, aantal lags en foutmarges).

4. Resultaten

De resultaten uit de simulaties bevestigen de theoretische claims:

Consistentie: Terwijl de bias van de standaard schatter niet naar nul convergeert naarmate de steekproefomvang ( $T$ ) toeneemt, daalt de bias van de voorgestelde gecorrigeerde schatter effectief naar nul.
Effect van Lags ( $j_{max}$ ): Een groter aantal lags verhoogt de bias en variabiliteit, wat het belang van een parsimonisch (eenvoudig) model onderstreept.
Impact van Meetfout-locatie:
- Meetfouten in de lage frequentie variabele (endogeen) hebben een grotere impact op de bias van de regressiecoëfficiënten ( $\beta$ ).
- Meetfouten in de hoge frequentie variabele (exogeen) hebben een grotere impact op de hyperparameters ( $\theta$ ) en de schatting van de foutvariantie ( $\sigma^2_\epsilon$ ).
Parameter $\theta$ : De impact van de meetfout hangt ook af van de vorm van de gewichten; bij een hoge $\theta$ (waarbij recente waarden zwaarder wegen) is de impact van de meetfout anders dan bij een lage $\theta$ .

5. Significantie

Dit onderzoek is van groot belang voor econometrische modellering in de praktijk. Economische indicatoren (zoals BBP of werkloosheidscijfers) worden vaak met vertraging of met correcties gepubliceerd, wat inherent betekent dat er sprake is van meetfouten. Door een methode te bieden die deze fouten corrigeert, stelt dit paper onderzoekers en beleidsmakers in staat om nauwkeurigere voorspellingen te doen en betrouwbaardere conclusies te trekken uit mixed-frequency data, zelfs wanneer de data imperfect zijn.