This dissertation is concerned with model uncertainty and model selection in macroeconometric time series analysis, covering model choice in both reduced-form as well as structural models. The former deals with lag selection, whereas the latter focuses on the appropriate specification of contemporaneous interactions between variables. In both areas, quantifying and limiting the degree to which model uncertainty affects conclusions in applied work is important in safeguarding science from `data snooping' or making bad model choices.
Chapter 1 compares and evaluates a range of model selection methods in the context of univariate autoregressive processes. Among these methods are the model confidence set, model averaging techniques, shrinkage estimators, and standard information criteria. It is found that for forecasting and impulse response analysis, incorporating model uncertainty through model averaging offers substantial reductions in mean square error when model uncertainty is high. When this uncertainty is low, standard approaches that pick a single model outperform other competitors.
Chapters 2 and 3 turn to structural time series analysis. Both chapters address the use of causal graphs in structural vector autoregressive (SVAR) analysis, which serves two purposes. Graphs succinctly summarise key modelling assumptions and, secondly, formalise the search for assumptions that are likely to be in accord with the data. Chapter 2 elaborates specific properties of these graphs in the context of SVAR models. In particular, it clarifies when a graph represents a SVAR model identified through short-run exclusion restrictions and highlights caveats when using causal graphs to learn about suitable restrictions from the data.
Chapter 3 showcases the usefulness of combining causal graphs with sign restrictions to identify SVAR models for the global crude oil market. Such a combination yields economically interpretable and meaningful results. The restrictions inspired by causal graph analysis replace a set of rather ad hoc assumptions in the literature. The results therefore add robustness to the finding that demand shocks play a more significant role for oil price movements than supply shocks.
Diese Dissertation beschäftigt sich mit Modellunsicherheit und Modellauswahl in der makroökonomischen Zeitreihenanalyse. Die Arbeit befasst sich sowohl mit der Wahl von Modellen in reduzierter Form als auch in strukturellen Modellen. Erstere Form besteht aus der Wahl der inkludierten vergangenen Beobachtungen (engl. lags), letztere betrifft die geeignete Spezifikation der zeitgleichen Interaktionen zwischen den Modellvariablen. In beiden Bereichen ist die Quantifizierung und Limitierung der Effekte auf die Ergebnisse angewandter Arbeit, die durch Modellunsicherheit entstehen, von Bedeutung. So gilt es, irreführende Ergebnisse aufgrund von Überspezifizierung sowie die Wahl schlechter Modelle im Allgemeinein zu verhindern oder zu begrenzen.
Das erste Kapitel vergleicht und evaluiert eine Reihe an Modellselektionsverfahren im Kontext univariater autoregressiver Prozesse. Zu diesen Methoden gehören das Model Confidence Set, Modellmittelungsverfahren, sowie Shrinkage und Informationskriterien. Für die Prognose und Impulsantwortanalyse wird festgestellt, dass die Berücksichtigung von Modellunsicherheit durch Modellmittelung zur Reduzierung quadrierter Fehler beiträgt, wenn diese Unsicherheit hoch ist. Bei geringerer Unsicherheit sind Standardverfahren, die ein einzelnes Modell wählen, von Vorteil.
Kapitel 2 und 3 wenden sich der strukturellen Zeitreihenanalyse zu. Beide Kapitel beschäftigen sich mit Kausalgraphen für strukturelle vektorautoregressive (SVAR) Modelle. Kausalgraphen veranschaulichen wichtige Modellierungsannahmen und können darüber hinaus die Suche nach Annahmen formalisieren, so dass diese den Daten\-eigenschaften Rechnung tragen. Kapitel 2 eruiert Eigenschaften dieser Graphen im Zusammenhang mit SVAR-Modellen. Insbesondere erörtert das Kapitel inwiefern ein Graph ein identifiziertes VAR-Modell widerspiegelt. Es zeigt auch Probleme bei der datengetriebenen Suche nach Restriktionen auf.
Kapitel 3 veranschaulicht die Vorzüge einer Kombination von Kausalgraphen mit Vorzeichenrestriktionen zur Identifizierung von SVAR-Modellen. Eine solche Kombination liefert sowohl ökonomisch interpretierbare als auch aussagekräftige Ergebnisse. Die durch Kausalgraphen inspirierten Restriktionen ersetzen ad-hoc Restriktionen aus der Literatur. Mit dieser Veränderungen kann die Robustheit von Ergebnissen, die die Bedeutsamkeit von Nachfrageschocks auf dem globalen Rohölmarkt gegenüber Angebotsschocks hervorheben, bekräftigt werden.
