Schätzung von Parametern der Nutzenfunktion: Maximum-Likelihood-Schätzung und Generalized-Moments-Schätzung

Die Schätzung von Parametern der Nutzenfunktion stellt einen zentralen Baustein der angewandten Mikroökonomie dar. Um die Präferenzen von Konsumenten quantitativ zu erfassen, setzen Ökonomen auf verschiedene methodische Ansätze. Zwei der präzisesten Verfahren sind die Maximum-Likelihood-Schätzung (ML) und die Generalized-Moments-Schätzung (GMM). Beide Methoden zielen darauf ab, die unbekannten Parameter eines theoretischen Modells so zu bestimmen, dass die empirischen Daten am besten mit den theoretischen Vorhersagen übereinstimmen.

Das Grundprinzip der Parameter-Schätzung

Bevor auf die spezifischen Verfahren eingegangen wird, ist es essenziell, das gemeinsame Ziel dieser Methoden zu verstehen. In der Theorie der individuellen Nachfrage wird die Nutzenfunktion oft als eine spezifische Form von exogener Funktion modelliert, beispielsweise die Cobb-Douglas-Funktion oder die Constant Elasticity of Substitution (CES)-Funktion. Die Parameter dieser Funktionen, wie der Elastizitätsparameter oder die Skalierungsfaktoren, sind theoretisch definiert, aber empirisch unbekannt. Die Aufgabe der Schätzung besteht darin, diese Werte so zu ermitteln, dass das Modell die beobachteten Ausgabendaten am besten erklärt.

Ein fundamentales Konzept, das beide Verfahren untermauert, ist die Annahme der Rationalität. Konsumenten maximieren ihren Grenznutzen unter dem Budgetbeschränkung. Die Schätzung versucht nun, diese theoretische Struktur an reale Daten anzupassen. Dabei wird unterschieden zwischen parametrischen und nicht-parametrischen Ansätzen. Die hier diskutierten Methoden gehören zur Klasse der parametrischen Verfahren, da sie eine spezifische funktionale Form der Nutzenfunktion vorauszusetzen.

Maximum-Likelihood-Schätzung: Maximierung der Wahrscheinlichkeit

Die Maximum-Likelihood-Schätzung (ML) ist ein klassisches Verfahren der statistischen Inferenz. Ihr Kernprinzip ist die Suche nach den Parameterwerten, bei denen die Wahrscheinlichkeit der Beobachtung der tatsächlich vorliegenden Daten maximal ist. Im Kontext der Nutzenfunktion bedeutet dies, dass man die Parameter so wählt, dass die beobachteten Ausgabenkombinationen am wahrscheinlichsten sind, gegeben die zugrundeliegende Nutzenmaximierungsbedingung.

Der algorithmische Ablauf ist logisch strukturiert:

• Modellbildung: Es wird eine Nutzenfunktion spezifiziert, z.B. $U = A \cdot X_1^\alpha \cdot X_2^\beta$.
• Wahrscheinlichkeitsdichte: Unter der Annahme, dass die Fehlerterme normalverteilt sind, wird eine Dichtefunktion für die Ausgaben ableitet.
• Optimierung: Durch die Maximierung des Likelihood-Funktionals werden die Parameter geschätzt.
• Validierung: Die Ergebnisse werden durch die Berechnung von Standardfehlern und Konfidenzintervallen bewertet.

Ein wesentlicher Vorteil der ML-Methode ist ihre Effizienz unter bestimmten Annahmen. Wenn die Modellvoraussetzungen, wie die Normalverteilung der Störgrößen, erfüllt sind, liefert ML Schätzer, die die kleinste Varianz aufweisen. Dies macht sie zur ersten Wahl, wenn die Datenreihen groß genug sind und die theoretischen Annahmen plausibel erscheinen. Allerdings ist die Methode empfindlich gegenüber falschen Spezifikationen des Modells. Fehlt die richtige funktionale Form der Nutzenfunktion, kann die Schätzung zu verzerrten Ergebnissen führen.

Generalized-Moments-Schätzung: Nutzung der Momente

Die Generalized-Moments-Schätzung (GMM) bietet einen flexiblen Rahmen, der weniger strenge Annahmen über die Verteilung der Störgrößen stellt als die ML-Methode. Das Verfahren basiert auf der Idee, dass die ersten Momente der Störgrößen (Mittelwert) unter bestimmten Bedingungen null sind. Diese Momente dienen als instrumentale Gleichungen zur Identifikation der Parameter.

Der entscheidende Unterschied zur ML liegt in der Behandlung der Fehlerstruktur. Während ML die gesamte Verteilung der Fehler betrachtet, nutzt GMM nur bestimmte Eigenschaften, wie den Erwartungswert. Dies macht GMM besonders robust in Situationen, in denen die Annahmen der Normalverteilung verletzt sind oder die Stichprobe zu klein ist.

Die Vorgehensweise bei GMM lässt sich wie folgt zusammenfassen:

• Momentbedingungen: Es werden Gleichungen aufgestellt, die besagen, dass der Erwartungswert der Störgrößen multipliziert mit bestimmten Instrumenten null ist.
• Gewichtungsmatrix: Da die Momentbedingungen oft überbestimmt sind, wird eine optimale Gewichtungsmatrix verwendet, um die Schätzer zu kombinieren.
• Schätzung: Durch die Minimierung einer quadratischen Form der Momentfehler werden die Parameter bestimmt.

Ein großer Vorteil von GMM ist seine Konsistenz auch dann, wenn die Standardannahmen der ML nicht vollständig erfüllt sind. Zudem ermöglicht es die Einbeziehung komplexer Instrumente, die die endogenen Fehler korrigieren. In der Anwendung auf die Nutzenfunktion wird GMM häufig eingesetzt, wenn die Datenverteilung unklar ist oder wenn die Modellierung der Fehlerstruktur zu aufwendig wäre.

Vergleich und Anwendungsbereich

Beide Methoden haben ihre Berechtigung und werden je nach Forschungsfrage ausgewählt. Die Maximum-Likelihood-Schätzung ist ideal, wenn die theoretischen Annahmen über die Datenverteilung klar sind und ein präzises Modell benötigt wird. Sie liefert effiziente Schätzer und detaillierte Inferenzstatistiken.

Die Generalized-Moments-Schätzung hingegen gewinnt an Bedeutung, wenn Robustheit gegenüber Verteilungsannahmen Priorität hat. Sie ist weniger anfällig für Spezifikationsfehler und bietet einen breiteren Anwendungsbereich für komplexe ökonometrische Probleme.

In der Praxis wird oft ein hybrider Ansatz verfolgt. Zuerst wird GMM verwendet, um konsistente Schätzer zu erhalten, ohne strenge Verteilungsannahmen zu treffen. Anschließend kann ML angewendet werden, um die Effizienz zu prüfen und die Verteilung der Fehler zu testen. Eine sorgfältige Wahl des Schätzverfahrens ist entscheidend für die Validität der Schlussfolgerungen über die Präferenzen der Konsumenten und die Struktur der Nachfrage.

Fazit

Die Schätzung von Parametern der Nutzenfunktion ist ein anspruchsvolles Unterfangen, das tiefe Kenntnisse sowohl der ökonomischen Theorie als auch der angewandten Statistik erfordert. Sowohl die Maximum-Likelihood-Schätzung als auch die Generalized-Moments-Schätzung bieten mächtige Werkzeuge zur Analyse von Konsumentenverhalten. Die Wahl des geeigneten Verfahrens hängt von der Datenverfügbarkeit, der Komplexität des Modells und den spezifischen Annahmen ab. Nur durch die sorgfältige Anwendung dieser Methoden lassen sich fundierte Aussagen über die wirtschaftliche Wirkung von Preisen und Einkommen treffen.