zum Hauptinhalt wechseln zum Hauptmenü wechseln zum Fußbereich wechseln Universität Bielefeld Play Search

GLASS

Glo­bal Aug­men­ted State Space Error Cor­rec­tion Mo­dels

Campus der Universität Bielefeld
© Uni­ver­si­tät Bie­le­feld

GLASS - The Glo­bal Aug­men­ted State Space Error Cor­rec­tion Model: Struc­tu­re Theo­ry, Esti­ma­ti­on and In­fe­rence

Pro­jekt­lei­ter: Prof. Dr. Diet­mar Bauer und Prof. Mar­tin Wag­ner (Uni­ver­si­tät Kla­gen­furt)

Pro­jekt­lauf­zeit: 1.4.2022 - 31.3.2025 (ge­plant)

Zu­neh­men­de öko­no­mi­sche und fi­nanz­wirt­schaft­li­che In­te­gra­ti­on, wach­sen­de Ver­füg­bar­keit von um­fang­rei­chen Daten (län­der­über­grei­fend) und Fort­schritt in der Mo­del­lie­rung von hoch­di­men­sio­na­len Zeit­rei­hen haben zu be­deu­ten­den Ent­wick­lun­gen bei der län­der­über­grei­fen­den Mo­del­lie­rung ge­führt. Diese Ent­wick­lun­gen fin­den so­wohl in theo­rie­ge­trie­be­nen öko­no­mi­schen als auch in Zeit­rei­hen­mo­del­len in re­du­zier­ter Form, spe­zi­fi­ziert durch sta­tis­ti­sche Ver­fah­ren und we­ni­ger durch öko­no­mi­sche Theo­rie, statt. Die An­wen­dung jed­we­den Mo­dell­typs er­for­dert im hoch­di­men­sio­na­len Fall eine Kom­ple­xi­täts­re­duk­ti­on.

Das Pro­jekt plant die Be­zie­hun­gen zwi­schen zwei pro­mi­nen­ten öko­no­me­tri­schen An­sät­zen zur Mo­del­lie­rung hoch­di­men­sio­na­ler (struk­tu­rier­ter) Zeit­rei­hen, glo­ba­le vek­tor­au­to­re­gres­si­ve Mo­del­le (GVAR) und ver­all­ge­mei­ner­te dy­na­mi­sche Fak­tor­mo­del­le (GDFM) zu er­for­schen und er­wei­tern. GVAR Mo­del­le er­zie­len Kom­ple­xi­täts­re­duk­ti­on durch star­ke Ein­schrän­kung des Ein­flus­ses der Va­ria­blen aller an­de­ren Län­der auf die Ent­wick­lung der Va­ria­blen im je­weils be­trach­te­ten. Der Ein­fluss aller an­de­ren Län­der wird auf so­ge­nann­te Stern-​ und glo­ba­le Va­ria­blen re­du­ziert. Die­ser An­satz ba­siert auf einer Viel­zahl von Exo­ge­ni­täts­an­nah­men und li­mi­tiert die Fle­xi­bi­li­tät der Mo­del­lie­rung des lang­fris­ti­gen (ko­in­te­grie­ren­den) Ver­hal­tens des Ge­samt­sys­tems. Wäh­rend „struk­tu­rel­le For­men“ von GVAR-​Modellen als semi­struk­tu­rell an­ge­se­hen wer­den kön­nen, haben GDFMs re­du­zier­ten Form Cha­rak­ter; ins­be­son­de­re auf­grund der Mo­del­lie­rung der ge­mein­sa­men Dy­na­mik einer gro­ßen An­zahl von Zeit­rei­hen durch ei­ni­ge sta­tis­tisch iden­ti­fi­zier­te ge­mein­sa­me Fak­to­ren. Die­ser Zu­gang ist sehr ef­fi­zi­ent bzgl. Kom­ple­xi­täts­re­duk­ti­on, li­mi­tiert je­doch struk­tu­rel­le Ana­ly­sen.

Aus­ge­hend von der An­nah­me, dass alle Va­ria­blen durch einen vek­tor­au­to­re­gres­si­ven mo­ving aver­age (VARMA) Pro­zess ge­ne­riert wer­den, wird im Pro­jekt unter Ver­wen­dung ad­äqua­ter Zu­stands­raum­dar­stel­lun­gen, das Glo­bal Aug­men­tier­te Zu­stands­raum­mo­dell (GLASS) vor­ge­schla­gen um (i) of­fe­ne Fra­gen in Bezug auf Exo­ge­ni­tät und Ko­in­te­gra­ti­ons­ei­gen­schaf­ten von GVAR-​Modellen zu klä­ren und (ii) die Be­zie­hun­gen zwi­schen (VARMA) GDFMs und GLASS-​Modellen im De­tail zu un­ter­su­chen. Die Struk­tur von Zu­stands­raum­mo­del­len, in wel­chen ein la­ten­ter (ggf. niedrig-​dimensionaler) Zu­stand die Dy­na­mik der be­ob­ach­te­ten Grö­ßen be­schreibt, ist der Struk­tur von GDFMs sehr ähn­lich; dies lie­fert den Start­punkt für die Ana­ly­se der Be­zie­hun­gen. Ein we­sent­li­cher Aspekt bei der Ana­ly­se der Mo­dell­klas­sen und Be­zie­hun­gen ist ein ge­nau­es Ver­ständ­nis der Ei­gen­schaf­ten bei end­li­chem N (in GVARs), im N-​asymptotischen Fall (in GDFMs) und der Wech­sel­wir­kun­gen.

Ba­sie­rend auf der Struk­tur­theo­rie wer­den in GLASS Schätz-​ und In­fe­renz­tools für struk­tu­rel­le Ana­ly­se in hoch­di­men­sio­na­len ko­in­te­grier­ten Sys­te­men ent­wi­ckelt. Die Ver­fah­ren wer­den mit­tels aus­führ­lich ge­tes­te­ten und ro­bus­ten Codes der Öf­fent­lich­keit zu­gäng­lich ge­macht. GLASS ist eine hoch­di­men­sio­na­le und struk­tu­rel­le Er­wei­te­rung un­se­res frü­he­ren Pro­jekts EICIP.

 

Zum Seitenanfang

Datenschutzeinstellung

Diese Webseite verwendet Cookies und ähnliche Technologien. Einige davon sind essentiell, um die Funktionalität der Website zu gewährleisten, während andere uns helfen, die Website und Ihre Erfahrung zu verbessern. Falls Sie zustimmen, verwenden wir Cookies und Daten auch, um Ihre Interaktionen mit unserer Webseite zu messen. Sie können Ihre Einwilligung jederzeit unter Datenschutzerklärung einsehen und mit der Wirkung für die Zukunft widerrufen. Auf der Seite finden Sie auch zusätzliche Informationen zu den verwendeten Cookies und Technologien.