Improved estimation in threshold regression with applications to price transmission modeling

Abstract

Threshold Parameter in (generalisierten) Threshold Regressionsmodellen werden üblicherweise durch Maximieren der Profile Likelihood Funktion geschätzt. Bayesianische Methoden basierend auf nicht-informativen Prioriverteilungen sind ebenfalls verbreitet. Unter bestimmten Bedingungen, insbesondere bei kleiner Stichprobe, liefern die Schätzer allerdings schlechte Ergebnisse. Diese Konditionen werden in der Dissertation herausgearbeitet und ein alternativer regularisierter Bayesianischer Schätzer entwickelt, der die Defizite der Standardschätzer in den kritischen Situationen überkommt. Der neue Schätzer ist mit geringem numerischem Mehraufwand (verglichen mit den herkömmlichen Verfahren) verbunden. In Simulationsstudien zeigt er exzellente Eigenschaften, speziell bei geringer Stichprobengröße und für die problematischen Parameter Settings. Anwendungsbeispiele belegen die praktische Relevanz der neuen Methode. Des Weiteren werden in dieser Arbeit die Eigenschaften des regularisierten Bayesianischen Schätzers im Kontext des Threshold Fehlerkorrekturmodells, dem insbesondere für die Analyse räumlicher Preistransmission und Marktintegration große Bedeutung zukommt, untersucht. Simulationen zeigen, dass der neue Schätzer den üblichen Methoden auch im Rahmen dieses komplizierteren Modells überlegen ist. Gerade bei empirischen Anwendungen im Bereich der Preistransmissionanalyse treten schwierig zu schätzende Parameter Settings jedoch häufig auf. Zwei empirische Anwendungen -- ein erneute Analyse der dem richtungsweisenden Papier von Goodwin & Piggott (2001) zugrundeliegenden Daten sowie die Untersuchung der Preistransmission zwischen spanischem und deutschem Markt für Schweinefleisch -- verdeutlichen den Wert der neuen Methode für die Beurteilung räumlicher Preistransmission.