Über die Initialisierung adaptiven Lernens in makroökonomischen Modellen

Wie wir unsere Erwartungen formulieren, ist in der ökonomischen Modellbildung generell eine wichtige Frage. Es hat sich herausgestellt, dass die Hypothese rationaler Erwartungen nicht alle Dimensionen erfasst, wie in der Realität Erwartungen bestimmt werden. Vorgeschlagen wurden Algorithmen adaptiven Lernens, um Prozesse der Formulierung von Erwartungen handelnder Personen in ihrer Verfahrensrationalität zu betrachten. Die Heuristik von Lernalgorithmen entfacht erneut die langjährige Debatte darüber, wie Erwartungen in makroökonomischen Modellen zu modellieren sind, und bringt den Nachteil mit sich, neue Freiheitsgrade in die Analyse einzuführen.

Eine offene Frage betrifft die Art der Initialisierung dieser rekursiven Mechanismen, damit sie repräsentativ für das Erlernen eines Prognoseverhaltens durch eine handelnde Person sind. Wesentlich ist, dass eine Nichtüberprüfung der Festlegung der Anfangsannahmen den Weg bahnt für das Risiko schwerwiegender Verzerrungen bei wirtschaftlichen Folgerungen, z. B. ausgelöst durch Datenüberanpassung und schwache Identifizierung der Modellparameter. Besonders relevant ist dies, wenn Interessen sich am Anfang einer Datenstichprobe auswirken, wie bei historischen Analysen zur Effektivität alternativer Politikentwürfe.

Hauptcharakteristikum des Ansatzes adaptiven Lernens ist, dass er auf rekursive Algorithmen baut, um darzustellen, wie handelnde Personen ihre Überzeugungen anpassen, wenn neue Beobachtungen über die betreffenden Wirtschaftsbeziehungen verfügbar werden. Derartige Rekursionen bedürfen selbstverständlich eines Anfangspunktes und die numerische Spezifikation dieser Bedingungen kann als Initialisierungsproblem bezeichnet werden. Unsicherheiten mit Auswirkung auf die Initialisierung des Lernprozesses werden sich offensichtlich auch rekursiv auf die durch das Modell erhaltenen Vorhersagen übertragen. Entscheidend scheint daher, dass ein Forscher das Ausmass dieser Verzerrungen und ihre Auswirkungen für strukturelle Verallgemeinerungen begreift.

In ihrer neuen Veröffentlichung «Über die Initialisierung adaptiven Lernens in makroökonomischen Modellen» untersuchen Michele Berardi und Jaqueson K. Galimberti das Thema unter besonderer Berücksichtigung der anwendungsbezogenen Literatur zum Thema Lernen in der Volkswirtschaftslehre.

Sie überprüfen und bewerten vormals angewandte Methoden in der anwendungsbezogenen Literatur adaptiven Lernens, um die Überzeugungen handelnder Personen zu initialisieren. Vorhergehende Methoden werden in drei grosse Klassen eingeteilt: gleichgewichtsbezogen, lernstichprobenbasiert und schätzungsbasiert.

Sie führen verschiedene Simulationen durch, um die Genauigkeit der Initialschätzungen dieser Methoden und ihre Auswirkungen auf die Exaktheit anderer Schätzparameter der Modelle miteinander zu vergleichen. Sie erhalten Beweise gegen ihre gemeinsame Annahme mit Standard-Situationsbedingungen (standard moment conditions): Da die Genauigkeit geschätzter Initialisierungen mit der Grösse einer Stichprobe tendenziell abnimmt, führen Spill-over-Effekte auch zu einer Abnahme der Exaktheit der geschätzten Strukturparameter eines Modells.

Mit anderen Worten, je umfangreicher die Datenstichprobe, die für die Schätzung des Modells und der zugehörigen Anfangsvermutungen verwendet wird, desto grösser ist die Gefahr irreführender historischer Schlussfolgerungen. In dem Papier werden Lösungen für dieses Problem erörtert.