Die Wirtschaftsstatistik setzt demographische Sachverhalte voraus.

Das Lehrbuch berücksichtigt deshalb systematisch bevölkerungsstatistische Methoden, um daran anknüpfend Methoden der Wirtschafts- und Bevölkerungsstatistik darzustellen – Daten für Deutschland und Beispiele illustrieren den Stoff.

Das Buch geht – insbesondere für Ökonomen interessant – u.a. auch auf Input-Output-Analysen und die Volkswirtschaftliche Gesamtrechnung ein.

Als Lehrbuch ideal für Bachelor- und Masterstudierende der Wirtschafts- und der Sozialwissenschaften. Als Nachschlagewerk auch für Wissenschaftler geeignet.

Die empirische Wirtschaftsforschung schlägt die Brücke von der reinen Theorie zu empirischen Aussagen über Sachverhalte in der Praxis. Sie ist in der Fakultät für Wirtschaftswissenschaften an der Universität Duisburg-Essen ein Schwerpunkt in Forschung und Lehre. Alle Autorinnen und Autoren dieses Buches arbeiten am Campus Essen oder haben einen Teil ihres akademischen Werdegangs in Essen absolviert. Das breite Spektrum unterstreicht die Anwendungsvielfalt empirischer Forschung in den Wirtschaftswissenschaften.

The stochastic frontier analysis (Aigner et al., 1977, Meeusen and van de Broeck, 1977) is widely used to estimate individual efficiency scores. The basic idea lies in the introduction of an additive error term consisting of a noise and an inefficiency term. Most often the assumption of a half-normal distributed inefficiency term is applied, but other distributions are also discussed in relevant literature. The natural estimation method seems to be Maximum Likelihood (ML) estimation because of the parametric assumptions. But simulation results obtained for the half normal model indicate that a method of moments approach (MOM) (Olson et al., 1980) is superior for small and medium sized samples in combination with inefficiency not strongly dominating noise (Coelli, 1995). In this paper we provide detailed simulation results comparing the two estimation approaches for both the half-normal and the exponential approach to inefficiency. Based on the simulation results we obtain decision rules for the choice of the superior estimation approach. Both estimation methods, ML and MOM, are applied to a sample of German commercial banks based on the Bankscope database for estimation of cost efficiency scores.

During the last decade exploring the link between financial factors and investment has become a major field of theoretical and empirical publications. Firms in a weak financial position cannot raise capital at conditions that allow financing all profitable investment projects. Some empirical findings indicate that young, fast growing, low dividend paying firms face more liquidity constraints compared to other firms and therefore exhibit stronger reactions in investment to changes of their internal financial flow. If the credit conditions of firms will be influenced through expansionary or rather restrictive monetary conditions the cycle of real activity might be accelerated through these monetary conditions and the final effects might exceed the pure effects of the interest channel alone. In the analysis in hand the role of financial factors in the firm's investment decision is explored within the framework of the Q-theory of investment. The Q-theory is applied to a large database of German firms, covering balance sheet data for 2,314 German firms, thereof 1,342 manufacturing firms. This database, the Deutsche Bundesbank's Corporate Balance Sheet Statistics, gives the unique opportunity to analyze heterogeneity at the firm level, which is not possible using macro- or mesoeconomic data. Access to this data base was made possible during a stay at a visiting researcher in the research department at the Deutsche Bundesbank in 2002. I would like to thank Heinz Herrmann for his support and the fruitful discussions of questions arising during the research project.

In our analysis we discuss several dynamic panel data estimators proposed in the literature and assess their performance in Monte Carlo simulations. It is a well known fact that the natural choice, the least squares dummy variable estimator is biased in the context of dynamic estimation. The estimators taking into account the resulting bias can be grouped broadly into the class of instrumental estimators and the class of direct bias corrected estimators. The simulation results clearly favour the direct bias corrected estimators, especially the estimator proposed by Hansen (2001). The superiority of these estimators decreases with growing numbers of individuals in the simulation. This is the well known fact of large sample properties of the GMM-methods. In the case of endogenous predetermined regressors, the system-estimator proposed by Blundell and Bond is unbiased and most efficient, while direct bias corrected estimators perform similar to the GMM-estimator proposed by Arellano and Bond (1991). Turning to the empirical comparison, we find that the different estimators lead to the same conclusions concerning the investment behaviour of German manufacturing firms based on the Deutsche Bundesbank’s Corporate Balance Sheet Statistics. Investment is strongly positive dependent on lagged investment and Q. Nevertheless, in detail the differences of the estimated parameters are not negligible.

In der vorliegenden Arbeit werden verschiedene in der Literatur vorgeschlagen dynamische Schätzer für Paneldaten diskutiert und im Rahmen einer Monte Carlo-Studie verglichen. Es ist wohlbekannt, dass der Least Squares Dummy Variable-Estimator für den Fall verzögerter endogener erklärender Variablen einen Bias aufweist. Die diskutierten Schätzer lassen sich zwei unterschiedlichen Klassen zuordnen, einer Klasse von Instrumentenschätzern und einer Klasse von biaskorrigierten Schätzern. Den Ergebnissen der Simulationsstudie zufolge sind die biaskorrigierten Schätzer leicht überlegen, insbesondere die von Hansen (2001) vorgeschlagene Biaskorrektur. Die Überlegenheit nimmt jedoch mit wachsender Zahl der beobachteten Einheiten ab. Hier spiegeln sich die bekannt günstigen Eigenschaften von GMM-Schätzern bei großer Beobachtungszahl wider. Im Falle endogener vorherbestimmter Regressoren weist der von Blundell und Bond (1998) vorgeschlagene System-GMM-Schätzer die höchste Effizienz auf. Biaskorrigierte Schätzer führen hier zu vergleichbaren Ergebnissen wie der GMMSchätzer von Arellano und Bond (1991). Bei der empirischen Anwendung zur Schätzung von dynamischen Q-Invstitionsfunktionen für Unternehmen des deutschen Verarbeitenden Gewerbes auf Grundlage der Bilanzstatistik der Deutschen Bundesbank, zeigt sich eine starke positive Abhängigkeit der Investitionen, sowohl von den Vorjahresinvestitionen als auch von Q. Bei gleicher ökonomischer Grundaussage weisen die mittels der verschiedenen diskutierten Methoden geschätzten Parameter jedoch nicht zu vernachlässigende Unterschiede auf.

The paper explores the investment behaviour of German firms in the context of the Q-approach, which plays a dominant role in empirical investment research. The analysis is based on the Deutsche Bundesbank’s corporate balance sheet statistics. The panel data set contains some 2,300 German firms’ balance sheet data covering the years 1988-1998. While the Q-theory is mainly applied on the basis of stock market data, which facilitates the exploitation of market expectations and the calculation of average Q, the direct forecasting approach (Chirinko 1993) suggested by Abel and Blanchard (1986) and extended to panel data by Gilchrist and Himmelberg (1995, 1998) enables the Q-theory to be applied to non-quoted firms which are by far the majority in Germany. One of the key variables when using balance sheet data, which has attracted much detailed research, is firms’ net capital stock at replacement costs. The challenge is to transform historical cost data, depreciated at non-economic, tax-oriented depreciation rates, into unreported and probably unknown economically meaningful data at actual replacement values. We suggest a complex procedure for calculating reliable replacement values of a firm’s capital stock. To calculate Q we follow two different operationalisation strategies. First we estimate average Q based on balance sheet data by forecasting the present value of future profits using a VAR model. Second, we estimate marginal Q following the approach suggested by Gilchrist and Himmelberg. We compare the results from two different estimation techniques for dynamic investment models, GMM and direct bias correction. The results show that marginal as well as average Q influence investment significantly. When classifying the firms by size, we find that smaller firms react more strongly to Q and, to a lesser extent, to lagged investment.

Die vorliegende Arbeit untersucht das Investitionsverhalten deutscher Unternehmen im Rahmen der Q-Theorie, die eine der dominierenden Investitionstheorien darstellt. Grundlage der geschätzten Investitionsfunktionen ist die Unternehmensbilanzstatistik der Deutschen Bundesbank. Der Paneldatensatz umfasst über 2300 Unternehmen und den Zeitraum 1988 bis 1998. Die übliche Verwendung von Aktienkursen zur Berechnung des durchschnittlichen Q beschränkt die Anwendung der Q-Theorie auf börsennotierten Unternehmen. Die explizite Modellierung eines Prognosemodells (direct forecasting appraoch, Chirinko (1993)) in Anlehnung an Arbeiten von Abel and Blanchard (1986) und Gilchrist and Himmelberg (1995, 1998) ermöglicht die Anwendung auch für nicht börsennotierte Unternehmen, die in Deutschland eindeutig dominieren. Eine zentrale Größe der Analyse des Investitionsverhaltens auf der Grundlage von Unternehmensbilanzdaten ist der Kapitalstock der Unternehmen zu Wiederbeschaffungskosten anstelle des bilanziellen Nettoanlagevermögens zu historischen Anschaffungskosten. In der Arbeit wird ein komplexer Algorithmus zu einer möglichst exakten Schätzung vorgeschlagen. Zur Berechnung von Q werden zwei unterschiedliche Operationalisierungsstrategien verfolgt. Zum einen wird in Anlehnung an Abel und Blanchard das durchschnittliche Q über eine Schätzung des Marktwertes des Eigenkapitals mittels eines Vektor- Autoregressiven-Modells für Paneldaten ermittelt. Zum anderen wird auf dem Ansatz von Gilchrist and Himmelberg beruhend eine Abschätzung des marginalen Q vorgenommen. Die Ergebnisse der Q-Investitionsfunktionen werden für zwei alternative Schätztechniken, GMM und eine direkte Biaskorrektur, verglichen. Es zeigt sich, dass sowohl das durchschnittliche als auch das marginale Q die Investitionen in signifikantem Ausmaß beeinflussen. Die Analyse für Größenklassen zeigt, dass im wesentlichen kleinere Unternehmen in stärkerem Maße auf Q und in geringerem Maße auf zeitlich verzögerte Investitionen reagieren.

Für die Schätzung von Investitionsfunktionen spielt die Q-Theorie von Tobin eine dominierende Rolle. In dem vorliegenden Beitrag wird auf der Grundlage eines Panel-Datensatzes der mesoökonomischen Ebene eine Investitionsfunktion für Deutschland geschätzt. Da bei der Operationalisierung von Tobins Q, idealtypisch das Verhältnis von Marktwert zu Wieder-beschaffungswert der geplanten Investition, viele Spielräume bestehen, werden alternative Operationalisierungen vorgenommen und deren empirische Erklärungsgüte verglichen. Zudem wird die geschätzte Investitionsfunktion um weitere Indikatoren der Vorteilhaftigkeit der Investition und der Liquiditätssituation ergänzt. Die Schätzung erfolgt mittels der SAS Prozedur Mixed. Mit der Prozedur Mixed können auf einfache und effiziente Weise fixe und zufällige Effekte bei der Schätzung berücksichtigt werden. Für die Modellierung der Struktur der Fehlerterme bei der Schätzung steht eine große Anzahl an Varianzstrukturen zur Verfügung. Der Vortrag stellt somit ein Anwendungsbeispiel der Prozedur Mixed in der ökonometrischen Forschungspraxis dar.