In den letzten Jahren hat die Verfügbarkeit von sozioökonomischen Daten, die sich durch große Komplexität und hohe Dimensionalität auszeichnen, enorm zugenommen. Die gängigen Methoden, die zur Information von Praktikern und politischen Entscheidungsträgern eingesetzt werden, konzentrieren sich jedoch immer noch auf kleine bis mittelgroße Datensätze. Infolgedessen werden wichtige Übertragungskanäle leicht übersehen, und die entsprechenden Schlussfolgerungen leiden häufig unter der Verzerrung durch ausgelassene Variablen. Daher sind neuartige Methoden erforderlich, die es den Forschern ermöglichen, die ständig wachsende Datenmenge voll auszuschöpfen.
In diesem Projekt wollen wir untersuchen, wie die weitgehend getrennten Forschungsrichtungen der Bayes'schen Ökonometrie, der statistischen Modellprüfung und des maschinellen Lernens kombiniert und integriert werden können, um innovative und leistungsfähige Werkzeuge für die Analyse von Big Data in den Wirtschaftswissenschaften und anderen Sozialwissenschaften zu schaffen. Besonderes Augenmerk legen wir dabei auf die angemessene Berücksichtigung relevanter Unsicherheitsquellen. Obwohl dieser Aspekt für gründliche empirische Analysen von entscheidender Bedeutung ist, wird er bei traditionellen Verfahren des maschinellen Lernens oft übersehen, die sich hauptsächlich auf die Erstellung von Punktprognosen für die wichtigsten interessierenden Größen konzentrieren. Im Gegensatz dazu basieren Bayes'sche Statistik und Ökonometrie auf der Entwicklung von Algorithmen zur Durchführung exakter Posterior-Inferenz, die wiederum Dichteprognosen ermöglicht. Unsere Beiträge sind zweifach: Aus methodischer Sicht entwickeln wir hochmoderne Methoden, die eine vollständig probabilistische Inferenz dynamischer Modelle in großen Dimensionen ermöglichen. Was die empirischen Fortschritte angeht, so wenden wir diese Methoden auf hochkomplexe Datensätze an, die Situationen umfassen, in denen entweder die Anzahl der Beobachtungen, die Anzahl der potenziellen Zeitreihen und/oder die Anzahl der einbezogenen Variablen groß ist. Konkret konzentrieren sich die empirischen Anwendungen auf vier aktuelle Themen im Bereich der nachhaltigen Entwicklung und der sozioökonomischen Politik, um Fragen wie die folgenden zu beantworten:
- Wie wirken sich Markt- und Wirtschaftsunsicherheit auf die Einkommensungleichheit aus?
- Welche Beziehungen bestehen zwischen Treibhausgasemissionen und makroökonomischen Indikatoren?
- Welche Rolle spielen Tweets bei der Entwicklung der Preise von Kryptowährungen?
- Welche politischen Maßnahmen sind am wirksamsten, um nachhaltige städtische Mobilitätsmuster zu fördern?
Bei diesen Anwendungen konzentrieren wir uns auf probabilistische Prognosen unter Verwendung von Echtzeitdaten, um eine effiziente Modellvalidierung durchzuführen. Darüber hinaus befassen wir uns mit struktureller Inferenz. Da politische Entscheidungsträger in der Regel daran interessiert sind, ihre Maßnahmen quantitativ zu bewerten, sind robuste ökonometrische Instrumente für kontrafaktische Simulationen von entscheidender Bedeutung. Angesichts der zunehmenden Komplexität der Wirtschaft müssen jedoch große Informationsmengen genutzt werden, um die zugrundeliegenden Kausalstrukturen angemessen zu erfassen und ein umfassendes Bild der potenziellen Übertragungskanäle politischer Interventionen zu erhalten.
