Programming lesson
IV-Schätzung in der Ökonometrie: Ein praktischer Leitfaden mit MATLAB und Monte-Carlo-Simulationen (Frühjahr 2025)
Lernen Sie, wie Sie IV-Schätzer in MATLAB implementieren und mit Monte-Carlo-Simulationen die Eigenschaften von OLS und IV bei schwachen Instrumenten analysieren. Inklusive aktueller Beispiele aus der Finanzökonomie und praktischer Tipps für Ihre Hausarbeit.
Einführung in die Instrumentvariablen-Schätzung
Die Instrumentvariablen (IV)-Schätzung ist ein zentrales Werkzeug der Ökonometrie, um kausale Effekte zu identifizieren, wenn erklärende Variablen endogen sind. Im Kontext der Wirtschaftsforschung wird sie häufig eingesetzt, um Verzerrungen durch unbeobachtete Störfaktoren zu korrigieren. In Ihrem Econometrics II Homework 10 (Frühjahr 2025) wenden Sie IV auf US-Konsumdaten an und untersuchen die Zuverlässigkeit des Schätzers mittels Monte-Carlo-Simulationen. Dieser Leitfaden hilft Ihnen, die Konzepte zu verstehen und die MATLAB-Implementierung erfolgreich umzusetzen.
1. IV-Schätzung mit US-Konsumdaten (Aufgabe 1)
1.1 Modell und Endogenitätsproblem
Sie schätzen eine Konsumwachstumsgleichung: Δc_t = β_0 + β_1 Δy_t + β_2 r_t + ε_t. In Hausaufgabe 1 haben Sie dies mit OLS geschätzt. Nun wird angenommen, dass das Einkommenswachstum Δy_t endogen ist – es korreliert mit dem Fehlerterm. Als valides Instrument wird die verzögerte Einkommenswachstumsrate Δy_{t-1} vorgeschlagen, da sie exogen (nicht mit ε_t korreliert) und relevant (mit Δy_t korreliert) ist.
1.2 Wahl des IV-Schätzers
Ein geeigneter IV-Schätzer ist der Zweistufige Kleinste-Quadrate-Schätzer (2SLS). In der ersten Stufe regressieren Sie das endogene Δy_t auf das Instrument Δy_{t-1} und die exogene Variable r_t. In der zweiten Stufe schätzen Sie die ursprüngliche Gleichung mit den angepassten Werten aus der ersten Stufe. MATLAB bietet dafür die Funktion ivregress oder Sie können es manuell mit fitlm umsetzen.
1.3 Implementierung in MATLAB
Nehmen wir an, Ihre Daten liegen in einem Table data mit den Spalten ConsGrowth, IncGrowth, InterestRate und LagIncGrowth. Der 2SLS-Schätzer lässt sich wie folgt berechnen:
% Erste Stufe: Δy_t auf Instrumente und exogene Variablen regressieren
Z = [data.LagIncGrowth, data.InterestRate, ones(size(data,1),1)];
first_stage = fitlm(Z, data.IncGrowth);
Y_hat = first_stage.Fitted;
% Zweite Stufe: Δc_t auf angepasste Werte und exogene Variablen regressieren
X_2sls = [Y_hat, data.InterestRate, ones(size(data,1),1)];
second_stage = fitlm(X_2sls, data.ConsGrowth);
alpha_IV = second_stage.Coefficients.Estimate;
Für die Standardfehler verwenden Sie die korrigierte Varianz-Kovarianz-Matrix (siehe Ökonometrie-Lehrbuch). MATLABs ivregress liefert diese automatisch.
1.4 Alternativinstrument und Vergleich
Als zweites Instrument könnten Sie Δy_{t-2} oder die Zinsänderung verwenden. Schätzen Sie erneut mit 2SLS und vergleichen Sie die Koeffizienten. Unterschiedliche Instrumente können zu verschiedenen Schätzergebnissen führen, was auf die Gültigkeit der Instrumente hinweist. Berechnen Sie auch die OLS-Standardfehler und vergleichen Sie sie mit den IV-Standardfehlern – letztere sind meist größer.
1.5 Test auf Signifikanz
Testen Sie die Nullhypothese, dass der Koeffizient des Einkommenswachstums null ist. Verwenden Sie den t-Test aus der 2SLS-Schätzung. Ein signifikanter t-Wert (|t| > 1,96 bei 5% Niveau) würde die Null ablehnen. Achten Sie darauf, dass die IV-Standardfehler korrekt berechnet sind.
2. Monte-Carlo-Simulation zur IV-Schätzung (Aufgabe 2)
2.1 Design der Simulation
Sie simulieren Daten nach dem Modell: Z ~ N(0, σ_z^2) mit σ_z²=10, U, V ~ N(0,1), X = Z + σ_u U, Y = α X + σ_u U + V mit α=1. Der Parameter σ_u steuert die Stärke des Instruments: Für σ_u=1 ist die Korrelation zwischen X und Z hoch (starkes Instrument), für σ_u=50 ist sie niedrig (schwaches Instrument). Führen Sie S=10.000 Simulationen für N=20 und N=2000 durch.
2.2 Erwartungen vor der Simulation
Bevor Sie die Ergebnisse sehen: Bei σ_u=1 erwarten Sie geringe Verzerrung und gute Präzision sowohl für OLS als auch IV. Bei σ_u=50 wird OLS stark verzerrt sein (da Endogenität), während IV zwar konsistent, aber aufgrund des schwachen Instruments unpräzise und bei kleinem N verzerrt ist. Für N=2000 sollte IV bei σ_u=50 etwa unverzerrt, aber mit großen Standardfehlern sein.
2.3 MATLAB-Implementierung
Hier ist ein Grundgerüst für die Simulation:
S = 10000;
N_vec = [20, 2000];
sigma_u_vec = [1, 5, 50];
alpha = 1;
sigma_z2 = 10;
results = struct();
for n_idx = 1:length(N_vec)
N = N_vec(n_idx);
for s_idx = 1:length(sigma_u_vec)
sigma_u = sigma_u_vec(s_idx);
alpha_OLS_store = zeros(S,1);
alpha_IV_store = zeros(S,1);
t_OLS_store = zeros(S,1);
t_IV_store = zeros(S,1);
for sim = 1:S
% Daten generieren
Z = randn(N,1) * sqrt(sigma_z2);
U = randn(N,1);
V = randn(N,1);
X = Z + sigma_u * U;
Y = alpha * X + sigma_u * U + V;
% OLS
ols = fitlm(X, Y);
alpha_OLS_store(sim) = ols.Coefficients.Estimate(2);
t_OLS_store(sim) = ols.Coefficients.tStat(2);
% IV (2SLS) mit Z als Instrument
first = fitlm(Z, X);
X_hat = first.Fitted;
iv = fitlm(X_hat, Y);
alpha_IV_store(sim) = iv.Coefficients.Estimate(2);
% Korrekte t-Statistik für IV (vereinfacht)
% In der Praxis: Standardfehler aus ivregress verwenden
se_IV = std(Y - X_hat*alpha_IV_store(sim)) / std(X_hat) / sqrt(N);
t_IV_store(sim) = (alpha_IV_store(sim) - 0) / se_IV;
end
% Ergebnisse speichern
results.(['N' num2str(N)]).(['su' num2str(sigma_u)]).mean_OLS = mean(alpha_OLS_store);
results.(['N' num2str(N)]).(['su' num2str(sigma_u)]).std_OLS = std(alpha_OLS_store);
results.(['N' num2str(N)]).(['su' num2str(sigma_u)]).mean_IV = mean(alpha_IV_store);
results.(['N' num2str(N)]).(['su' num2str(sigma_u)]).std_IV = std(alpha_IV_store);
% Ähnlich für t-Statistiken
end
end
Hinweis: Die t-Statistik für IV ist hier vereinfacht. Für die Hausarbeit sollten Sie die korrekte Formel verwenden oder ivregress nutzen.
2.4 Interpretation der Ergebnisse
Nach der Simulation vergleichen Sie Mittelwert und Standardfehler der Schätzer. Für σ_u=1: OLS und IV sollten nahe am wahren Wert α=1 liegen, OLS hat kleinere Standardfehler. Für σ_u=50: OLS ist stark verzerrt (nach oben, da positive Korrelation zwischen X und U), IV ist bei N=2000 unverzerrt, aber mit großen Standardfehlern. Bei N=20 ist IV ebenfalls verzerrt (weak instrument bias). Die t-Statistiken für IV sind bei schwachen Instrumenten oft überhöht (Size distortion).
3. Praktische Tipps für Ihre Hausarbeit
- Datenqualität prüfen: Stellen Sie sicher, dass die Zeitreihen stationär sind (z.B. durch Dickey-Fuller-Tests).
- Instrumentengültigkeit testen: Führen Sie einen Hansen J-Test für Überidentifikation durch, wenn Sie mehr als ein Instrument haben.
- Schwache Instrumente erkennen: Berechnen Sie die F-Statistik der ersten Stufe; ein Wert unter 10 deutet auf ein schwaches Instrument hin.
- Robustheit: Variieren Sie die Anzahl der Verzögerungen oder verwenden Sie unterschiedliche Instrumente, um die Robustheit Ihrer Ergebnisse zu zeigen.
4. Aktueller Bezug: Inflation und Konsum 2025
Angenommen, wir schreiben Mai 2026. Die US-Notenbank hat die Zinsen im Laufe des Jahres 2025 mehrfach angepasst, um die Inflation zu kontrollieren. Die Konsumausgaben reagierten verhalten. In Ihrer Analyse könnten Sie die Zinspolitik als exogenes Instrument nutzen, um den Einfluss des Einkommenswachstums auf den Konsum zu identifizieren – ein klassisches Beispiel für IV in der Makroökonomie.
5. Fazit
Die IV-Schätzung ist ein mächtiges Werkzeug, aber ihre Anwendung erfordert Sorgfalt. Schwache Instrumente können zu verzerrten und unpräzisen Schätzungen führen, wie Ihre Monte-Carlo-Ergebnisse zeigen. Mit diesem Leitfaden und den MATLAB-Codebeispielen sind Sie gut gerüstet, um Aufgabe 1 und 2 Ihrer Ökonometrie-Hausarbeit zu lösen. Denken Sie daran: Die Wahl der Instrumente sollte theoretisch begründet sein und empirisch überprüft werden.
Viel Erfolg bei Ihrer Abgabe!