Modellmisspezifikation

Modellmisspezifikation bezeichnet in Statistik, Ökonometrie und verwandten Feldern das Phänomen, dass ein gewähltes Modell die zugrunde liegende Daten-generierende Prozess nicht angemessen abbildet. Folge ist oft, dass die geschätzten Parameter verzerrt oder inkonsistent sind, die Standardfehler falsch angegeben werden und Vorhersagen oder Hypothesentests unzuverlässig werden.

Ursachen liegen in der falschen funktionalen Form, ausgelassenen Variablen, Messfehlern, falschen Verteilungsannahmen, Heteroskedastizität, Autokorrelation, Nichtlinearität oder einer unangemessenen dynamischen Struktur. Weitere Quellen sind Endogenität, Stichprobenverzerrungen oder inkonsistente Modellannahmen über das Daten-Generierungsprozess. Unterschiede zwischen theoretischem Modell und realen Daten können zu Suboptimalität auch in robusten oder flexible Modelle führen.

Folgen der Misspezifikation reichen von Bias der Schätzer über ineffiziente Schätzungen bis hin zu fehlerhaften Inferenzresultaten. Vorhersagen können systematisch verzerrt sein, und Modellvergleiche oder Hypothesentests verlieren ihre Aussagekraft. In praktischen Anwendungen kann dies zu falschen politischen oder wirtschaftlichen Entscheidungen führen, wenn Modelle unkritisch verwendet werden.

Diagnose- und Gegenmaßnahmen umfassen Residuenanalyse, Spezifikations- und Goodness-of-Fit-Tests (etwa RESET- oder Link-Tests), Tests auf Endogenität (Hausman), Heteroskedastizität (Breusch-Pagan, White), Autokorrelation (Durbin-Watson, Breusch-Godfrey) und Modellvergleich anhand Informationskriterien (AIC, BIC. Validation durch Kreuzvalidierung oder Out-of-Sample-Prüfungen). Gegenmaßnahmen reichen von der Aufnahme zusätzlicher Variablen, Transformationen, Interaktionen, Nichtlinearitäten oder alternativen Link-Funktionen bis zu robusteren Schätzverfahren, Panelstrukturen, Instrumentenvariablen oder Modelldurchschnitt/Ensemble-Ansätzen.