Navigation

Ökonomische Wirkungsanalyse mit Big Data

 

Big Data kann nicht nur die Prognose ökonomischer Entwicklungen, sondern auch deren Wirkungsanalyse verbessern. Während jedoch für die Prognose in der Vergangenheit dramatische Fortschritte erzielt wurden, steht die Nutzung dieser Daten für die Wirkungsmessung erst am Anfang. Daher wollen wir Methoden zur Wirkungsmessung weiterentwickeln und auf ausgewählte Forschungsfragen exemplarisch anwenden.

Porträt / Projektbeschrieb (laufendes Forschungsprojekt)

Wir werden im ersten Projektteil kausalanalytische Methoden aus der Mikroökonometrie mit den statistischen Methoden des maschinellen Lernens kombinieren. Die Eigenschaften der resultierenden neuen statistischen Verfahren untersuchen wir zuerst mit Hilfe von Simulationsmethoden. Danach überprüfen – und optimieren – wir die Methoden in drei Anwendungsgebieten auf ihre Praxistauglichkeit: 1) Wirkungsanalyse eines wirtschaftspolitischen Arbeitsmarktprogrammes, 2) Preisbildung auf Online-Gebrauchtwagenmärkten, und 3) Aufdeckung einer möglichen Diskriminierung von professionellen Fussballspielern.

Hintergrund

In den letzten Jahren hat die mikroökonometrische Forschung grosse Fortschritte bei der Entwicklung eines Methodenapparates zur Beantwortung kausaler Fragestellungen erzielt. Diese Methoden wurden – etwa zur Beurteilung wirtschaftspolitischer Massnahmen – schon erfolgreich eingesetzt. Doch leider ist dieser Methodenapparat zur Analyse komplexer Datenmengen weitgehend ungeeignet. Lassen sich die Methoden erweitern, so dass auch in der Wirkungsmessung massive Fortschritte bei der Verwendung von Big Data erzielt werden können?

Ziele

In diesem Projekt wollen wir die mikroökonometrische Methoden der Kausalanalyse (Wirkungsmessung) und die statistischen Prognosemodelle des maschinellen Lernens kombinieren, um die umfangreichen Datensätze für eine deutlich verbesserte Wirkungsanalyse wirtschaftspolitischer und privatwirtschaftlicher Entscheidungen verwenden zu können.

Bedeutung / Anwendung

Bei erfolgreichem Abschluss des Projektes lassen sich in vielen wirtschaftlichen Bereichen deutlich zuverlässigere Aussagen über die Wirkung von einzelnen Massnahmen und Entscheidungen treffen. Somit ergibt sich einerseits für den öffentlichen Sektor die Möglichkeit einer effizienteren, da evidenzbasierten, Wirtschaftspolitik. Andererseits profitieren im privaten Sektor auch Firmen von verbesserten Entscheidungsgrundlagen.

Originaltitel

Causal analysis with Big Data

Projektverantwortlicher

Prof. Michael Lechner, Schweizerisches Institut für Empirische Wirtschaftsforschung, Universität St. Gallen

 

 

Weitere Informationen zu diesem Inhalt

 Kontakt

Prof. Michael Lechner Schweizerisches Institut für Empirische Wirtschaftsforschung Varnbüelstrasse 14 9000 St. Gallen michael.lechner@unisg.ch

Zu diesem Thema