Misspezifikation

Misspezifikation bezeichnet in Statistik und Ökonometrie den Zustand, in dem das gewählte Modell die zugrunde liegende Daten erzeugende Prozess nicht korrekt abbildet. Dadurch können Schätzwerte verzerrt oder inkonsistent sein, und Hypothesentests sowie Vorhersagen verlieren an Zuverlässigkeit. Misspezifikation kann verschiedene Formen annehmen, etwa eine falsche Funktionsform (linear statt nonlinear), ausgelassene Variablen, fehlerhafte Verteilungsannahmen oder eine falsche Fehlerstruktur (Heteroskedastizität, Autokorrelation), sowie Endogenität oder Messfehler in den Regressanden.

Ursachen liegen häufig in einer unvollständigen oder falschen Modellannahme: Wichtige Variablen werden ausgelassen, die Beziehung zwischen Variablen wird nicht adäquat abgebildet, oder die Wahl der Verteilungs- bzw Linkfunktion passt nicht zum Datentyp (z. B. lineares Modell statt logistisches Modell für binäre Ergebnisse). In Zeitreihenmodellen kann ignorierte Dynamik zu Misspezifikation führen.

Diagnose erfolgt durch Residuenanalyse, Spezifikationsheuristiken und formale Tests. Beispiele sind der Ramsey RESET-Test zur Prüfung auf vernachlässigte nichtlineare Zusammenhänge, Link-Tests sowie weitere Spezifikationstests. Informationskriterien wie AIC oder BIC ermöglichen Modellvergleiche; Kreuzvalidierung und Out-of-Sample-Tests bewerten die Vorhersagegüte. In Verfahren wie dem allgemeineren Methodenrahmen der GMM helfen Tests auf Überidentifikation (z. B. Hansen-J-Test) bei der Bewertung von Modellannahmen.

Korrekturmaßnahmen umfassen die Re-Spezifikation des Modells mit geeigneten Transformations- oder Interaktionstermen, den Einsatz flexiblerer Funktionsformen (Splines, GAMs), die Berücksichtigung von Heteroskedastizität oder Autokorrelation, sowie Instrumentalvariablen, Modelldurchschnitt oder Bayessche Ansätze. Gründliche Datensichtungen und Robustheitsanalysen unterstützen eine robustere Inferenz.