Neuer Kleinste-Quadrate-Filter für Sequenzraummodelle
Ein neues Verfahren ermöglicht die effiziente Filterung ungesehener Schocks in linearen Sequenzraummodellen. Die Methode löst ein Kleinste-Quadrate-Problem und verbessert die ökonometrische Analyse von Modellen mit heterogenen Akteuren.
Effiziente Schock-Rückgewinnung
Das Working Paper stellt einen Algorithmus zur effizienten Filterung unbeobachteter Schocks in linearen Sequenzraummodellen vor.
Der vorgeschlagene Filter löst ein Kleinste-Quadrate-Optimierungsproblem in geschlossener Form und liefert die Erwartung unbeobachteter Schocks, bedingt durch beobachtete Daten.
Die Methode ist flexibel und kann Heteroskedastizität, fehlende Beobachtungen, Messfehler und nicht-Gauss'sche Schockverteilungen verarbeiten.
Sie wurde erfolgreich auf simulierte Daten eines mittelgroßen heterogenen-Agenten-New-Keynesianischen (HANK) Modells angewendet, wobei die zugrunde liegenden strukturellen Schocks präzise wiederhergestellt wurden.
Die zeitaufwendigste Phase des Algorithmus besteht in der Lösung eines positiv definiten linearen Systems, dessen Laufzeit selbst bei typischen Stichprobengrößen im Bereich von Millisekunden liegt.
Im Gegensatz zum Kalman-Filter für Zustandsraummodelle benötigt dieser Filter keine Verteilungsannahmen für Anfangsbedingungen.
Lücke in der ökonometrischen Werkzeugkiste
Sequenzraummodelle gewinnen in der Makroökonomie zunehmend an Bedeutung, insbesondere in der Literatur über heterogene Akteure.
Diese Modelle sind besonders nützlich, um ökonomische Phänomene zu untersuchen, die Heterogenität beinhalten, wie etwa die unterschiedliche Reaktion von Haushalten mit verschiedenen Vermögensniveaus auf geldpolitische Maßnahmen.
Bisher war die ökonometrische Werkzeugkiste für diese Modelle jedoch weniger entwickelt als für traditionelle Zustandsraummethoden.
Die neue Filterungsmethode schließt diese Lücke, indem sie eine systematische und handhabbare Möglichkeit bietet, unbeobachtbare ökonomische Variablen in diesen komplexen Umgebungen zu rekonstruieren.
Die Autoren demonstrieren zudem, wie Messfehler, Heteroskedastizität und fehlende Beobachtungen einfach in den Rahmen integriert werden können.
Wichtiger Schritt für HA-Modelle
Diese Studie liefert einen entscheidenden Beitrag zur ökonometrischen Analyse von Sequenzraummodellen, die für die Forschung zu heterogenen Akteuren unerlässlich sind.
Die Effizienz und Flexibilität des Filters könnten die praktische Anwendbarkeit dieser komplexen Modelle erheblich verbessern.
Trotz der technischen Natur des Papiers ist sein Potenzial für die makroökonomische Modellierung und Politikberatung nicht zu unterschätzen.
Quelle: A least-squares filter for sequence-space models
IN: