DAGs klären Kausalität von Unsicherheitsschocks auf Industrieproduktion
Gerichtete azyklische Graphen (DAGs) können die Spezifikation lokaler Projektionen für kausale Effekte leiten. Eine Studie der OeNB zeigt dies am Beispiel von Unsicherheitsschocks auf die deutsche Industrieproduktion.
Kausale Transparenz durch DAGs
Gerichtete azyklische Graphen (DAGs) bieten einen transparenten Rahmen zur Kodierung kausaler Strukturen und zur Identifizierung kausaler Effekte.
Dieses Working Paper der Oesterreichischen Nationalbank (OeNB) demonstriert, wie DAGs die Spezifikation lokaler Projektionen (LPs) zur Schätzung kausaler Impulsantworten anleiten.
Anhand von Beispielen wird illustriert, wie grafische Regeln zur Auswahl von Kontrollvariablen und Instrumenten für die Identifizierung von Gesamt- und pfadspezifischen Effekten genutzt werden können.
Eine empirische Anwendung auf Unsicherheitsschocks zeigt erhebliche Unterschiede in den geschätzten Reaktionen der deutschen Industrieproduktion über verschiedene LP-Spezifikationen hinweg.
Die zugrunde liegenden DAGs helfen, diese Unterschiede zu erklären und Verzerrungen zu diagnostizieren, die aus Verletzungen der angenommenen Kausalstruktur resultieren.
Eine DAG-basierte Instrumentalvariablen-LP offenbart ausgeprägte negative Effekte von US-Unsicherheitsschocks auf die deutsche Industrieproduktion.
Black Box wird transparent
Lokale Projektionen (LPs) sind populär zur Schätzung von Impulsantworten, bleiben aber ohne explizite kausale Annahmen oft „Black Boxes“, die kausale Effekte nicht korrekt identifizieren.
Gerichtete azyklische Graphen (DAGs) bieten einen transparenten Rahmen zur Darstellung kausaler Beziehungen und helfen Forschenden bei der Auswahl geeigneter Kontrollvariablen und Instrumente.
Das Papier demonstriert, wie DAGs die Spezifikation von LPs für kausal interpretierbare Impulsantworten leiten.
Es illustriert die Schockausbreitung, vermeidet Fallstricke wie die Konditionierung auf Kollider und wendet formale grafische Regeln zur Ableitung geeigneter Konditionierungsmengen und zur Entwicklung valider Instrumentalvariablen-Strategien an.
Die Anwendung von DAGs in der makroökonomischen Zeitreihenanalyse ist noch begrenzt, eine Lücke, die dieses Papier schließt.
Mehr Licht ins Dunkel
Dieses Papier ist entscheidend, um die Robustheit und Interpretierbarkeit von LP-Schätzungen zu verbessern und über rein statistische Korrelationen hinaus zu wahren kausalen Erkenntnissen zu gelangen.
Es bietet Ökonomen ein leistungsstarkes, aber noch zu wenig genutztes Werkzeug, um komplexe kausale Beziehungen in makroökonomischen Zeitreihen transparent zu modellieren.
Die Erkenntnisse sind essenziell, um fundiertere geldpolitische Entscheidungen zu treffen und die Auswirkungen von Schocks präziser zu verstehen.
Quelle: DAG-Based Local Projections
IN: