Four essays on probabilistic forecasting in econometrics
Fabian Krüger
Die vorliegende Dissertation befasst sich mit probabilistischen Prognosen, die seit einigen Jahren ein aktives ökonometrisches Forschungsgebiet darstellen. Da solche Prognosen eine vollständige Verteilung für die interessierende Zufallsvariable angeben, beinhalten sie Information über sämtliche ihrer Eigenschaften wie etwa Erwartungswert, Quantile, und Varianz und können als Grundlage für ökonomische Entscheidungen in verschiedenen Situationen dienen. Dieser Aspekt ist von zentraler Bedeutung, da Prognosen üblicherweise mit dem Ziel konstruiert werden, "gute" Entscheidungen herbeizuführen. Die Erstellung probabilistischer Prognosen ist insbesondere dann nützlich, wenn die Prognose an mehrere Nutzer kommuniziert wird. Durch Angabe einer vollständigen Zufallsverteilung legt der Prognostiker seine Unsicherheit über die Zukunft gegenüber den Nutzern offen. Das vielleicht wichtigste ökonomische Beispiel für solch eine Situation sind so genannte "Fan Charts" für Inflation, wie sie von einigen Zentralbanken veröffentlicht werden. Die Analyse probabilistischer Prognosen wirft zwei grundlegende Fragen auf: Erstens, was zeichnet eine gute probabilistische Prognose aus? Zweitens, wie kann eine solche Prognose erstellt werden? Grob gesprochen dreht sich jedes Kapitel der vorliegenden Dissertation um eine oder beide dieser Fragen. Die Kapitel sind eigenständige Forschungspapiere, die ich während meines Promotionsstudiums an der Universität Konstanz verfasst habe. Wie unten beschrieben, sind drei der Kapitel gemeinsam mit Koautoren entstanden. Kapitel 1 und 2 behandeln den Fall einer binären Zielgröße; die probabilistische Prognoseverteilung ist hier eine Zahl zwischen null und eins. Dies vereinfacht viele konzeptionelle und technische Aspekte der Evaluation dieser Prognose. Gleichzeitig ist der binäre Fall praxisrelevant; beispielsweise berichtet die Wirtschaftspresse regelmäßig über die Wahrscheinlichkeit einer Rezession oder eines Staatsbankrotts. Kapitel 3 und 4 behandeln kompliziertere (stetige bzw. gemischt stetig-diskrete) Zielgrößen, die ebenfalls anwendungsrelevant sind.
