Vielleicht
ist es nicht verwunderlich, dass eine politische Partei, die nicht
fähig ist, die wissenschaftliche Evidenz über die globale Erwärmung einzusehen,
mit weiteren Behauptungen über andere unbequeme Wahrheiten die Evidenz als politisch
manipuliert abtut, schreibt Mark Thoma
in einem lesenswerten Artikel (“How Much
Trust Should We Have in Economic Data?”) in The Fiscal Times.
Aber der Anfall auf das Bureau of Labor Statistics (BLS, Abteilung des US-Arbeitsministeriums)
durch einige Republikaner am vergangenen Freitag über den Arbeitsmarktbericht, wonach
die Beschäftigung sich verbessert, ist noch schon ein bisschen ein Schock.
Der
Vorwurf, dass die Mitarbeiter des BLS die
Beschäftigungszahlen manipulieren, um Obama einen Gefallen zu tun, ist Unsinn,
wie jeder, die mit der Berechnung der Daten vertraut ist, bezeugen kann, hebt
Thoma hervor. Das Thema rückt aber eine gute Frage in den Mittelpunkt: Welche
Faktoren sollten bei der Beurteilung der Zuverlässigkeit der wirtschaftlichen Daten
berücksichtigt werden?
(1) Die erste
Überlegung: Wie gut stimmt ein bestimmtes Daten-Element mit dem, was man misst,
überein? Zum Beispiel BIP. Die gesamten Waren und Dienstleistungen, die in
einer Volkswirtschaft hergestellt werden, sind theoretisch relativ einfach, zu definieren.
Gibt aber die aktuelle Messung die Information wieder? In den Entwicklungsländern,
wo es eine erhebliche Home Production
gibt, werden diese Daten für das BIP nicht berücksichtigt, betont der an der University of Oregon lehrende
Wirtschaftsprofessor. Das BIP kann daher eine äusserst irreführende Messgrösse
für die gesamte Produktion (output)
darstellen.
Auch wenn
ein bestimmtes Daten-Element unvollkommen ist, wie die Messung der gesamten
Produktion, die z.B. Home Production
ausschliesst, kann es sich dabei um eine nützliche Information handeln.
BIP und
Arbeitslosigkeit mögen nicht völlig korrekte Reflektionen vom tatsächlichen
Zustand der Wirtschaft zu einem bestimmten Zeitpunkt liefern. Wenn aber die
Messfehler konstant sind, können sie trotzdem ein genaues Bild zeigen, ob die
Wirtschaft im Vergleich zu den letzten Jahren gut oder schlecht abschneidet.
(2) Die
zweite Überlegung: Die Nützlichkeit eines bestimmten Daten-Elementes hängt von
der Frage, die gestellt wird, ab, erklärt Thoma weiter. Zum Beispiel: Wenn
die Frage die Lebenshaltungskosten für einen privaten Haushalt betrifft, ist die
beste Messgrösse, die zur Verfügung steht, Personal
Consumption Expenditures (PCE). Wenn aber die Frage die zugrunde liegende Trendrate der Inflation
betrifft, dann ist die core PCE
(Kern, d.h. PCE minus Nahrungsmittel und Energie) eine bessere Messgrösse.
Es ist auch
wichtig, zu erkennen, dass, wenn ein Forscher einen Datensatz aufbaut, um auf
eine bestimmte Forschungsfrage zu antworten, die Entscheidungen, die getroffen
werden, gegen die Hypothese (wegen Voreingenommenheit) überprüft werden müssen.
Dies hilft, Anschuldigungen, dass die Daten manipuliert wurden, zu vermeiden, und
erhöht das Vertrauen, dass die Hypothese übersteht, unterstreicht Thoma.
Was auch
wichtig ist, ist die Unsicherheit, die mit der Stichprobeprüfung zusammenhängt.
Im Allgemeinen sind die Schätzungen über längere Zeit besser, da die Jahresdaten
i.d.R. ziemlich gut ausfallen, während die wöchentlich erfassten Daten in
vielen Fällen mit Störfaktoren behaftet sind. Und die Schätzungen mit längeren
Stichproben sind besser als die, die auf kleinere Proben basieren.
Es gibt
einige Länder, wo die Wirtschaftsdaten aus der Regierung stammen, mit
erheblicher Skepsis betrachtet werden müssen. Aber in den USA gibt es zu viele
Menschen, die daran beteiligt sind, und die Datenerfassung und Verarbeitung stehen
stets unter Checks-and-Balances,
fasst Thoma als Fazit zusammen.
Keine Kommentare:
Kommentar veröffentlichen