Yule-Walker Estimator and Adaptive Learning in Macroeconomic Models

Diese Arbeit untersucht adaptive Erwartungsbildung in einem hybriden neukeynesianischen Modell und fragt, wie empirische Ergebnisse von der Art abhängen, wie Stabilität im Lernalgorithmus sichergestellt wird. Dazu werden zwei Lernverfahren verglichen: constant-gain recursive least squares learning mit Projektionsregel und constant-gain Yule-Walker learning, bei dem Stabilität durch die Struktur des Schätzverfahrens selbst erhalten bleibt. Die Arbeit ist im Forschungsfeld adaptiver Lernmodelle in der Makroökonomie angesiedelt. Diese Modelle ersetzen rationale Erwartungen durch datenbasierte Prognoseregeln, die von den Agenten laufend aktualisiert werden. Beide Lernverfahren werden zunächst in einem kontrollierten Umfeld rationaler Erwartungen analysiert und anschließend in denselben bayesianischen Schätzrahmen eingebettet. Die Ergebnisse zeigen, dass die Wahl des Lernalgorithmus die empirische Interpretation deutlich beeinflusst. Constant-gain learning mit Projektionsregel bleibt nahe an dem Benchmark rationaler Erwartungen und erklärt Persistenz hauptsächlich durch Nachfrageschocks. Yule-Walker learning weist dagegen einen größeren Lernparameter auf, wodurch Erwartungsdynamiken eine stärkere Rolle spielen. Besonders in der Stichprobe der Great Moderation führt dies zu sehr reaktiver Erwartungsbildung. Insgesamt zeigt die Arbeit, dass die Behandlung von Stabilität in adaptiven Lernmodellen keine rein technische Frage ist, sondern zentrale empirische Schlussfolgerungen beeinflusst.