Local Linear Forests übertreffen klassische Lohnprognosen
Local Linear Forests prognostizieren Tariflöhne in Frankreich präziser als lineare Standardmodelle. Die EZB-Ökonomen Michele Lenza und Claudia Marchini belegen zudem den Nutzen makroökonomischer Indikatoren aus Deutschland und Italien für die Vorhersage.
Nichtlineare Muster in den Tariflöhnen
Michele Lenza und Claudia Marchini untersuchen Tariflöhne in Frankreich zwischen 1985 und 2025 mit Local Linear Forests (LLF).
Die Methode kombiniert Random Forests zur zeitvariablen Gewichtung von Beobachtungen mit einer Ridge-Regression.
Im empirischen Vergleich schneidet das Modell LLF-Small über alle Horizonte von einem bis fünf Quartalen besser ab als Random Walks, klassische Ridge-Regressionen und einfache Random Forests.
Über den längsten Horizont von fünf Quartalen sinkt der relative mittlere quadratische Fehler (MSE) im Vergleich zum Random Walk auf 0,5302. Die Autoren betonen, dass LLF stetige Signale besser abbildet und auch Werte außerhalb historischer Spannweiten erfassen kann, was insbesondere in extremen Niedriglohnphasen nach 2008 zum Tragen kam.
Gemeinsame Signale im Währungsraum
Die Untersuchung vergleicht rein nationale Daten mit einem erweiterten Datensatz, der Indikatoren aus Deutschland und Italien enthält.
Obwohl europäische Arbeitsmärkte als stark fragmentiert gelten, verbessert die Hinzunahme ausländischer Variablen die Prognosegüte für französische Löhne durchgehend.
Nationale Bestimmungsgrößen wie Arbeitslosigkeit, Produktivität, Kapazitätsauslastung und Inflationserwartungen erfassen gemeinsame Schocks im Euroraum allein nicht vollständig.
Methodischer Fortschritt mit Praxiswert
Das Papier liefert ein starkes Argument für flexible Algorithmen in der Zentralbankanalyse.
Der grenzüberschreitende Datenansatz entkräftet das Dogma isolierter nationaler Arbeitsmärkte im Euroraum.
Für die Geldpolitik entsteht so ein spürbarer Mehrwert bei der Früherkennung von Zweitrundeneffekten.
Quelle: Forecasting wages with local linear forests
IN: