As you all may know, Norwegians have mixed feelings about Swedes.
But one of the good things about the Swedes: They know how to pronounce my last name correctly.
So, I was here two years ago and I enjoyed very much speaking to the students then as well.
Two years ago I simply gave my most recent paper in forty minutes and that's pretty fast for a paper.
Generally, when you give a seminar you have an hour and a half.
And so, at the NSF luncheon one of the students was nice enough to give me some feedback.
He said it was interesting to hear the paper, but it's tough to get much out of it in such a short period of time.
And so he said, to him it would have been more interesting
if I would have talked about how the two papers came about that the Nobel Committee decided.
And I thought about that.
And so I've decided that's what I will talk about for the first roughly third of the talk.
Then, in the second third, I'll talk about what I regard as the long run implications
of what we can learn from especially the second paper today.
And finally, I can't resist to still tell you something about my most recent paper.
And of course that's a different paper than the one I talked about two years ago.
Obviously I won't be able to tell you that much.
But I'll tell you about the motivation for the paper, I'll show you some pictures and some graphs,
be clear on the question we address.
And give you the main gist of the findings.
So, how did these two papers come about?
Personally I regard the second, the Econometric 1982 as the one that had the most long lasting implications.
The first time inconsistency obviously gets referred to sometimes as a potential source
for argument for independent central banks for example.
That's important, a practical implication.
So, an important feature of that paper is the fact that economic policy, optimal policy is time inconsistency,
there's that dynamic inconsistency problem.
And so the first question is: When did I first run across dynamic inconsistency? Well, as a PhD student.
By the way, the message of this first part of the talk is that these results didn't come about as kind of a flash, just like that.
Lots of grungy work was needed before really the message became clear.
Looking around for a thesis topic I had read some papers in a literature called "the assignment problem".
Kind of a popular literature at the time.
And the idea was that the government has certain instruments and the government may have certain goals.
And the idea was that some instruments were more appropriate for some goals than others.
How to assign instruments to goals?
And sometimes there was a division between monetary policy instruments and fiscal policy instruments.
I actually thought that literature was kind of silly.
So I was thinking about what would make more sense.
And I came up with the idea of formulating that problem as a dynamic game.
And the idea was monetary and fiscal policy makers they all had their objectives
and they would have different weights on the arguments of their objectives.
Quite a reasonable thing to do.
And furthermore thinking about the way policy is done, at least in the United States.
Fiscal policy going through congress and so on and monetary policy
is simply being done day by day almost or at least month by month by the Federal Reserve.
It made sense to me to make this game what I called a dominant player game.
Some people call it the Stackelberg game.
And the basic features that the dominant player moves first and the other players are followers.
Well, this was a dynamic game.
And right there I saw the time inconsistency, the policy of the dominant player,
the fiscal policy maker in my model was clearly, the optimal policy was time inconsistent.
Well, I didn't make much of it,
I simply argued that the recursive time consistent policy there was a natural candidate for an equilibrium
and that's what I focused on.
I also had an example in my thesis of a dominant firm example, a dominant firm oligopoly.
So, the key was to-at the stage when I was done I had been working with Prescott a lot.
I was fortunate enough that he showed up as a faculty member two years before I was done.
I ran into him in the hallway.
He asked me what I was working on and I told him and he expressed a great deal of interest.
It turned out he had done some game theory himself.
And so at the end of my studies, in fact even before the thesis defense
we came across an important paper by Robert Lucas called "Econometric Policy Evaluation: A Critique".
That was an astounding paper to us.
It seemed very important.
He had three quite graphic examples of his message, one being an investment tax credit example.
And we decided to pick up on-take Lucas a step further and think of the policy making,
policy being chosen optimally in a framework, more or less like Robert Lucas's investment tax credit example.
And so the key was to realize that in that sort of set up clearly the policy maker, the government was a dominant player.
The rest of the economy being atomistic of course, there was no reverse,
strategic power from people to the government except in the aggregate maybe.
No individual power.
And even then, in the beginning, we didn't make that much out of the time inconsistency.
Because of the focus on the recursive equilibrium I had not even ever calculated an optimal policy.
That was a much tougher thing to do.
Not easy to do using dynamic programming for example.
But instead we focused more on the fact that at the time there was this belief
that optimal control theory had solved all of economists problems.
I remember there was a two page article in Business Week at the time, talking about:
Now economists could write down models of the economy.
They could set up an objective, calculate the best policy and then: voila.
So, at some point I decided to have a research assistant calculate the optimal policy,
in a simple example actually, a dominant firm example.
A very good research assistant by the name of Nina Bjerkedal who is now at the Finance Department in Norway,
almost at the top of their hierarchy.
I was very disappointed she didn't go on for a PhD.
But I had her calculate the optimal policy using brute force and compared with the time consistent.
And the difference was amazing.
And that's really when it struck us that that's a big issue.
And then from there on we set up a model with considerable dynamics in it.
And we found to our amazement that the time consistent policy could be very bad.
To us that was a very important finding.
Now, back to the optimal control thing.
So, the first time I gave the paper at the conference in Cambridge, Massachusetts.
This was a conference where half the people were control theorists and half the people were economists and so on.
We had a more provocative title than it finally ended up.
The first version of the paper was called "On the Inapplicability of Optimal Control to Policy Making".
Well, I got up to talk about this paper and all hell broke loose.
The rest of the session pretty much consisted in everyone trying to figure out
where is the mistake-there's got to be a mistake here somewhere.
Of course I was pretty confident from all my other work with dominant players that there's no mistake here.
And so, I suppose one message to students is: If people think you came up with something that's wrong,
well, you'd better check that it is correct.
But if it is correct, that could be a sign that you are onto something quite important.
Going from that paper to the "Time-to-Build-paper"-in some sense mechanically it was an easy step.
But the main thinking was how to approach the problem,
or how to approach it in such a way that we could come up with good quantitative answers.
We knew we had to calculate competitive equilibriums, dynamic competitive equilibriums.
And in fact we were able to use some of the same programs that we had used for the "Time-Inconsistency-paper".
There as well we calculated dynamic equilibriums.
So that wasn't the biggest problem.
The question we wanted to address,
something everyone around that time thought that the main driving forces for the business cycle had to be something-
either monetary shocks or fiscal shocks.
So we decided to check out the following question:
Suppose technological shocks were the only source of fluctuations, suppose there were no other shocks,
how much of the business cycle would remain? We set up a model that we thought would answer that question.
The key about that model is that it contains an explicit description of people's dynamic decision problems.
It also contains a description of businesses.
There are millions of people in the model,
thousands of businesses and they define the technology for converting capital and labour inputs into outputs.
It's explicit about people's budget constraints, as a result the aggregate resource constraint etc.
Of course you may not having been back there in the late '70s let's say-
you may not realize that this was quite different from what I usually call a system of equations approach.
Most of macroeconomics at the time was in a form of-well,
you just formulated a consumption function, investment function, labour supply equation, labour demand equation etc.
And then at least many people had great faith in statistical methods to quantify the parameters of those equations.
Well, Robert Lucas changed all of that with his critique, at least for the purpose of evaluation of policy.
And so it was inevitable that something would come instead.
And I guess Prescott and I were lucky to be around the time when that movement started.
So, to me that's the key to have this explicit description of people.
Admittedly in the beginning simple descriptions partly for reasons-well,
it wasn't really necessary to have more detail for that particular question.
And also in those days computers were much slower than they are today.
Since then great strides have been made in expanding the set of questions that can be addressed.
Some people call this kind of theory Real Business Cycle Theory
because of the nature of the question addressed in that first paper.
But there's really no difference in type or model used for studying monetary phenomena, monetary policy.
And I've done some of that myself and that kind of paper I talked about two years ago in this particular room.
For questions of more-where the long run is more important, questions about the health of the social security system or...
the benefits or costs of immigration or other such questions...
These models have been expanded also to allow for life cycle behaviour, overlapping generations.
I regard Victor Rios Rull as one of the pioneers in that field.
And I had fun from the fact that he was my colleague at Carnegie Mellon the first three years of his career.
I saw how those models developed from models that took-well,
in the beginning they might take a day or two or a week to calculate the equilibrium.
So, I regard the longer run benefits of that work.
The long run benefit I think is that this is the way people have come to realize,
this is the way we need to set up models to address interesting questions.
Let me just talk a little bit about the key steps I see in writing a good paper.
One is: One should always be explicit about-or have a well thought out question to address.
Otherwise it's hard to get readers interested.
There's no standard model to be used for any question.
The model you select must be a model that you can regard as appropriate in light of the question you are addressing.
And so the models will look very different from one question to the next.
Sometimes some similarities, still a description of people's decision problems and the technology, the nation's technology etc.
These days we are using models also for looking at for example the interaction of the household sector and the business sector,
quite detailed models of decisions made in a family.
Very interesting work taking place.
One of the benefits of this set up is it's often quite transparent how to quantify the parameters of these models.
These models need to be calibrated, in order to give credible answers
and much of the effort taking place in calibrating such a model has to do with-it's kind of an inverse mapping.
So, if you calculate the equilibrium, the steady state of a typical model,
you get the steady state in the form of relations among variables.
And many of those relations among variables can be observed or measured quite easily in the data.
So, there's a mapping from the model to relations among variables that potentially are observable.
Calibration, most of the time is represented by that inverse mapping.
You go out and measure those things.
Often they are simple averages of things.
There could be a capital output ratio,
could be long run consumption related to GDP or average capital and labour income as a fraction of gross domestic income.
Things you can easily measure and then you map backwards to the parameter values.
Some people talk about deep structural parameters.
And sometimes I have the impression that there's kind of a magical number associated with each of them, no such thing.
There are some parameters that can be quite different.
Same parameter but across models may have different values depending on what else is in the model.
Just to illustrate that... Here's about the simplest model I can think of.
And I put it down only so I can talk about a couple of these parameters.
It has a description of people's preferences.
There's a utility function, a function of consumption leisure, discount factor, there's a resource constraint.
Consumption plus investment less than equal or equal here to the aggregate output.
That's the production function, and it's of course well known in national income-well,
that's gross domestic product in the model and that must equal gross domestic income which is a sum of capital and labour income.
There's a constraint on time.
And then there are the two dynamic relations between or among state and decision variables.
In the first the capital stock is the state variable, investment the decision variable.
And then there's a typical long motion for the technology level with a stochastic shock.
That in practice can be drawn from a normal distribution, from a random number generator in the model.
So, let me just mention two parameters.
One is the alpha, here on this coefficient on consumption, and 1-alpha on leisure.
This alpha is very much related to the following potentially observable thing.
Namely the fraction of total time on the average, devoted to market activity.
In other words: How large is N in relation to total time?
Once you plonk that down then there's a first order steady state relation.
You can work out and you can determine alpha.
There are a couple of other things in that steady state relation typically.
And so you won't always get-if you say that N is one third or 30% of total time, a typical value,
for some models you will get an alpha of 0.35 maybe and for some other model 0.28.
And that's a sense in which I say that there is no magical number associated with any of these parameters.
The point is either way you will get, you will satisfy the goal of making the model consistent
with something that you have observed, namely that N represents 30% of people's average time.
The other example that I can mention is the theta.
Although for some questions you obviously want to disaggregate for example into structures and equipment on the capital side.
And into high skill and low skill workers on the labour side.
But this is the most simplified version of it.
And again the theta... It's an example of where typically there's only one thing it depends on.
And that is the fraction on the average of gross domestic income that is in a form of capital income
and of course 1 - theta, the fraction that's in the form of labour income.
So then, if you come up with a number for them, for example capital income is 36% of gross domestic income,
then typically theta will be 0.36.
If you have more decimals, more decimals than theta.
So, then of course there's the much used computational experiment to calculate outcomes.
The idea is that you put people in the environment,
you wish to put them to study the question you are interested in and you observe how they would behave in that environment.
In some cases there could be substantial challenges associated with that,
some cases you may discover that-well, for my question there's not really a methodology that exactly does what I want to do.
You may need to develop some new technology.
And that's something-I don't have much interest in technology, in methodology per se-
but it's something if you need to, you need to develop it.
And finally the presentation of findings,
and one thing that beginners often are a little nervous about is being upfront about anomalies.
That's a big mistake.
One definition of an anomaly is a discrepancy in the data relative to standard theory or maybe relative to your theory.
And if the model gives good answers to your questions but there's still some anomaly,
those often are the great research projects for the future.
So you want to emphasize them.
Now, the recent application.
This is a paper co-authored, it's getting close to being finished.
And in fact, my two co-authors or at least one of them I think will present it in Milano next week.
There's a big European conference.
So, it's joint with Espen Henriksen who is at the University of Oslo and Roman Sustek who is at the Bank of England.
They are both former students of mine at Carnegie Mellon University where I used to be before 2004.
And the paper is called "The High Correlations of Prices and of Interest Rates across Nations".
Now, what we discovered and I'll show you some pictures.
Here's a picture, suppose you detrend all of these variables,
you use either Hodrick-Prescott filter or I think in this case we used so-called Band-pass filter.
So, you take out the trend component
and you picture the cyclical component of real GDP on the left side and prices on the right-hand side.
And this is for a bunch of countries.
Eight countries in fact.
Now we had data for two of these eight countries only from 1970, for the rest starting in 1960.
These are Australia, Canada, Germany, Japan, UK and United States.
So these are credible countries.
And after 1970 we add Austria and France.
What these pictures indicate is-well, especially there is some synchronicity in output,
but the output picture is somewhat blurred.
The synchronicity to the naked eye I would say is substantially greater in the price level.
It's always best to check the actual correlations.
And this is a table of correlations across nations.
So, for GDP the average correlation across nations is 0.27.
And later, when we get to the price level and interest rates you may wonder if this would have been any different,
if they are driven by the Bretton Woods period which is included in this sample period starting in 1960.
And it turns out no difference.
So these are rather low correlations.
They are not particularly high across nations, when we look at real GDP.
For the nominal interest rate you get a mean correlation much higher, 0.57 versus 0.27.
And if we do the same for the price level, we get 0.52 versus again 0.27.
This may seem a little surprising, I mean these are that the synchronicity of nominal variables,
the price level and nominal interest rates would be higher than that of output.
You might think, well, domestically you do have some control over the nominal environment.
You would think you are less subject to external shocks than in the case of output and so we decided to investigate.
We figured if we get a handle on why this is, we will understand better how nominal variables or how monetary policy propagates.
And so the question we address is especially this relation among correlations.
Is this consistent with a baseline or a standard model?
Here's another way to look at it.
If we picture, make a dot for each of the combination of output correlations-I put correlations on the horizontal axis,
interest rate and price level correlations respectively by circles and blue dots.
The fact that most of them are above the forty-five degree line is an indication
that the nominal correlations are substantially higher than the output correlations.
I don't have time to give you much detail about the model economy.
We used a model that I helped co-author with David Backus and Patrick Kehoe, a model I forgot the exact title,
it appeared in the AER 1994, something involving the J-curve.
It's a two country model, symmetric, each country has its own production function, its own preferences,
but they are all symmetric but they produce different goods.
How these goods get combined to produce output of a consumption investment
is described in the form of a so-called Armington aggregator
which allows you to think about and quantify the elasticity of substitution between home produced and foreign produced goods.
And relate the magnitude of the elasticity to numbers people have estimated.
There's a whole book by John Whalley looking at elasticities between home produced and import goods
at different levels of aggregation.
That model was a purely real model and so we augmented that model with nominal assets, money and bonds,
and also monetary policy is described by Taylor rule which we argue is a standard,
I should have put that in quotation marks, parsimonious approximation of a central banks behaviour.
Here's a key thing I want to show you from the model because it's the key to our finding.
We find that the model is indeed consistent with the relation you saw between correlations.
It is consistent with much higher nominal interest rate and price level correlation than the output correlations.
And this is one of the fun things about doing this kind of work.
It's often hard to predict what's going to matter the most.
We had some conjections about why this would be,
what would be the key feature that would result either in the model doing well relative to the data or not so well.
And the surprising thing to us was these red numbers turned out to be crucial.
So this is a description of the technology levels in the two countries.
Z you saw that on a previous slide, the notation Z for the technology level and Z1 is technology level in country one,
Z2 in country two.
And what this slide says is that the technology level movement in the two countries they are interdependent in two ways.
And the sense in which they are Backus, Kehoe and I estimated the extent of this interdependence
using as the one country empirically United States on one hand
and the collection of major European countries as the other country.
The estimates weren't exactly symmetric and so we made them symmetric by choosing the symmetric matrix in this case
with the same eigenvalues as the actual estimated ones.
But the estimated ones weren't far from symmetric.
So the interpretation of these two numbers I would call them spillover effects.
They say that if there's a shock in one country, it spills over to the other country at the speed given by that 0.088.
There's also a second source of interdependence namely
that-contemporaneously there's a positive correlation between the two shocks
but that's not so important for our purpose.
So this turned out to be an important thing.
If we put these two numbers to zero and instead make the diagonal elements higher, this relation virtually disappears.
But in case you are a little suspicious about this high number,
obviously we did some sensitivity analysis
and we checked whether the relation among the correlations would still maintain, suppose you reduce it to 0.06 or 0.04 or 0.02.
It works even for small numbers, for small spillover effect.
So that's the key finding.
I saw a zero coming from Peter.
I guess I'm out of time.
What I can do is recommend strongly that you get hold of that paper and read it if this sounds interesting to you.
Thank you very much for listening to me.
Wie Sie vielleicht alle wissen, haben wir Norweger gemischte Gefühle gegenüber den Schweden.
Eine gute Seite der Schweden ist allerdings, dass sie meinen Nachnamen richtig aussprechen können.
Ich war vor zwei Jahren auch bereits hier und habe es schon damals sehr genossen, vor den Studenten hier zu sprechen.
Vor zwei Jahren habe ich einfach vierzig Minuten lang über meine neueste Veröffentlichung gesprochen -
und das ist ziemlich kurz für eine Veröffentlichung, in einer normalen Vorlesung hat man anderthalb Stunden Zeit.
Beim Mittagessen der National Science Foundation war dann einer der Studenten so freundlich, mir ein Feedback zu geben.
Er sagte, es sei interessant gewesen, aber es sei schwierig, in so kurzer Zeit viel von dem Inhalt zu begreifen.
Daher wäre es für ihn interessanter gewesen,
wenn ich über die Entstehungshintergründe der beiden Publikationen berichtet hätte, die vom Nobelkomitee ausgewählt wurden.
Das hat mir zu denken gegeben, und so habe ich beschlossen,
in meinem heutigen Vortrag etwa ein Drittel auf dieses Thema zu verwenden.
Im zweiten Drittel werde ich darüber sprechen, welche langfristigen Folgerungen sich aus meiner Sicht
vor allem aus dem zweiten Artikel ergeben.
Und zum Schluss kann ich dann doch nicht widerstehen, auch noch kurz über meine neueste Arbeit zu berichten.
Das ist diesmal natürlich ein anderes Thema als das vor zwei Jahren.
Natürlich kann ich nicht sehr ins Detail gehen.
Aber ich werde Ihnen meine Motivation für die Veröffentlichung beschreiben,
einige Folien und Grafiken dazu zeigen und die untersuchte Fragestellung klarstellen.
Am Schluss werde ich die wichtigsten Erkenntnisse zusammenfassen.
Wie kam es also damals zu den beiden Veröffentlichungen?
Ich persönlich finde, dass der zweite, der Economist-Artikel von 1982, die stärksten langfristigen Implikationen hatte.
Darin wurde z.B. erstmals das Thema Inkonsistenz als potenzielle Problemquelle bei politischen Entscheidungen
von unabhängigen Zentralbanken angesprochen.
Das ist ein wichtiges Thema, eine konkrete praktische Auswirkung.
Ein wichtiger Aspekt dieses Artikels ist die Erkenntnis, dass Wirtschaftspolitik, dass die optimale Politik zeitinkonsistent ist.
Es gibt da dieses Problem einer dynamischen Inkonsistenz.
Die erste Frage lautet also: Wann ist mir diese dynamische Inkonsistenz zum ersten Mal aufgefallen?
Nun, das war während meinem Doktorandenstudium.
Ich möchte Ihnen hier vor allem vermitteln, dass mich diese Ergebnisse nicht ganz plötzlich wie der Blitz getroffen haben.
Es hat viel mühsame Arbeit gekostet, bis mir der wesentliche Punkt richtig klar wurde.
Als ich auf der Suche nach einem Dissertationsthema war, hatte ich in der Literatur einige Beiträge
zum sogenannten Assignment Problem gefunden, das war damals ein ziemlich populäres Thema.
Die Überlegung war, dass eine Staatsregierung bestimmte Ziele verfolgt und ihr bestimmte Instrumente zur Verfügung stehen.
Dabei wurde angenommen, dass bestimmte Instrumente für einige Ziele besser geeignet waren als für andere.
Aber wie sollte man nun feststellen, welches das optimale Instrument für jedes Ziel ist?
Gelegentlich wurde dabei eine Unterscheidung zwischen geldpolitischen und fiskalpolitischen Instrumenten getroffen.
Ich fand damals die Literatur zu diesem Thema nicht sehr intelligent.
Also dachte ich darüber nach, wie man zu einer besseren Lösung kommen könnte, und mir kam die Idee,
die Problemstellung als ein dynamisches Spiel zu formulieren.
Meine Überlegung dabei war, dass die geld- und fiskalpolitischen Entscheidungsträger alle ihre eigenen Ziele haben
und die Beweggründe für diese Ziele unterschiedlich gewichtet sind.
Das ist ziemlich logisch. Und es entspricht dem praktischen politischen Prozess, jedenfalls in den USA.
Die Fiskalpolitik geht durch den Kongress usw., während die Geldpolitik fast auf täglicher
oder zumindest auf monatlicher Basis von der Federal Reserve gesteuert wird.
Mir schien es also sinnvoll, dieses Spiel zu modellieren,
das ich als Spiel marktbeherrschender Akteure (dominant player game) bezeichnete, manche nennen es auch Stackelberg-Spiel.
Das Wesentliche daran ist, dass der marktbeherrschende Akteur als erster handelt
und die übrigen Akteure erst anschließend am Zug sind. Es war also ein dynamisches Spiel.
Und genau hier erkannte ich die Zeitinkonsistenz, bei der Politik des marktbeherrschenden Spielers.
Der fiskalpolitische Entscheidungsträger in meinem Modell war eindeutig - die optimale Politik war zeitinkonsistent.
Nun, ich machte mir darüber zunächst keine größeren Gedanken.
Ich argumentierte einfach, die rekursive, zeitkonsistente Politik sei ein natürlicher Gleichgewichtskandidat,
und dem galt mein Hauptinteresse.
Meine Dissertation enthielt auch ein Beispiel für marktbeherrschende Unternehmen,
und zwar ein Oligopol marktbeherrschender Unternehmen.
Der Schlüssel war also - während ich an meiner Arbeit schrieb, arbeitete ich übrigens viel mit Ed Prescott zusammen.
Ich hatte das Glück, dass ich ihn zwei Jahre, bevor ich fertig wurde, als Fakultätsmitglied kennen lernte.
Wir begegneten uns auf dem Flur, und er fragte mich, woran ich arbeite.
Als ich es ihm erzählte, zeigte er großes Interesse.
Wie sich herausstellte, hatte er sich selbst auch schon mit Spieltheorie beschäftigt.
Am Ende meines Studiums, kurz vor meiner Disputation,
stießen wir auf einen wichtigen Artikel von Robert Lucas mit dem Titel
Econometric Policy Evaluation: A Critique [Ein kritische Würdigung der Wirtschaftspolitik].
Dieser Artikel erstaunte uns und schien uns sehr wichtig.
Er verdeutlichte seine Hauptaussage mit drei grafischen Beispielen, darunter eines zu Steuervergünstigungen für Investitionen.
Wir beschlossen, Lucas' Gedanken einen Schritt weiter zu verfolgen und den politischen Prozess zu betrachten.
Die optimale Politikauswahl in einem bestimmten Bezugsrahmen,
ähnlich wie das Steuervergünstigungsbeispiel für Investitionen von Robert Lucas.
Der wichtigste Punkt bestand darin zu erkennen, dass in einer solchen Konstellation der politische Entscheidungsträger,
d.h. die Regierung, ein marktbeherrschender Akteur ist. Das restliche Wirtschaftssystem war ein Polypol,
in dem es außer dem System als Ganzes kein strategisches Gegengewicht der Regierung gab. Kein einzelnes Gegengewicht.
Auch zu diesem Zeitpunkt haben wir der Zeitinkonsistenz noch nicht viel Aufmerksamkeit geschenkt.
Weil wir uns so auf das rekursive Gleichgewicht konzentrierten, hatte ich noch nicht einmal die optimale Politik berechnet.
Das war eine viel schwierigere Aufgabe, die man nicht auf die Schnelle z.B. mittels dynamischer Programmierung lösen konnte.
Stattdessen ließen wir uns von der damaligen Überzeugung leiten,
die Theorie der optimalen Kontrolle könnte jedes ökonomische Problem lösen.
Ich erinnere mich an einen zweiseitigen Artikel in der Business Week, in dem es damals hieß,
Ökonomen könnten jetzt erfolgreich Wirtschaftsmodelle erstellen.
Sie müssten nur ein Ziel formulieren und könnten dann im Handumdrehen die optimale Politik dafür berechnen.
Also beschloss ich, dass ein wissenschaftlicher Assistent die optimale Politik berechnen sollte,
in einem einfachen Beispiel für ein marktbeherrschendes Unternehmen.
Ich wählte eine sehr gute Assistentin namens Nina Bjerkedal, die heute im norwegischen Finanzministerium arbeitet
und dort fast in der Führungsspitze ist.
Ich war damals sehr enttäuscht, dass sie nicht noch promovieren wollte.
Jedenfalls ließ ich sie mittels der Brute-Force-Methode die optimale Politik berechnen.
Anschließend verglich ich das Ergebnis mit der zeitkonsistenten Politik und stellte fest,
dass eine erstaunliche Differenz zwischen den beiden Resultaten lag.
Erst da fiel es uns wie Schuppen von den Augen, dass hier ein wichtiges Problem lag,
und daraufhin entwickelten wir dann ein Modell mit einer starken Dynamik.
Mit großer Überraschung stellten wir dabei fest, dass zeitkonsistente Politik mitunter zu sehr schlechten Ergebnissen führte.
Dies war damals eine sehr wichtige Erkenntnis für uns. Nun zurück zur optimalen Kontrolle.
Zum ersten Mal präsentierte ich den Artikel auf einem Kongress in Cambridge, Massachusetts.
Von den Kongressteilnehmern waren etwa 50 Prozent Kontrolltheoretiker, 50 Prozent waren Ökonomen usw.
Zu Beginn war unser Titel noch provokanter als in der Endversion: unsere erste Fassung des Artikels lautete
On the Inapplicability of Optimal Control to Policy Making
Kurz nachdem ich meine Präsentation begonnen hatte, brach plötzlich völliges Chaos aus.
Der Rest des Vortrags bestand dann darin, dass alle versuchten, den Fehler in der Arbeit zu finden -
es musste doch irgendwo ein Fehler darin zu finden sein.
Ich war nach meiner ganzen Vorerfahrung mit marktbeherrschenden Akteuren natürlich ziemlich sicher,
dass es keinen Fehler darin gab.
Daher ist aus meiner Sicht eine wichtige Botschaft an Studenten: Wenn Sie etwas erarbeitet haben,
das die Leute für falsch halten, sollten Sie als erstes noch einmal genau prüfen, ob es richtig ist.
Wenn es aber tatsächlich richtig ist, könnte es ein Zeichen dafür sein, dass Sie etwas ziemlich Wichtigem auf der Spur sind.
Der Schritt von dieser Veröffentlichung zum anschließenden Time to Build-Artikel war dann relativ einfach.
Die meiste Denkarbeit ging in die Frage, wie wir das Thema angehen sollten bzw. wie wir es so angehen könnten,
dass gute quantitative Ergebnisse dabei herauskämen.
Wir wussten, dass wir Wettbewerbsgleichgewichte berechnen mussten, dynamische Wettbewerbsgleichgewichte.
Und wir konnten tatsächlich einige derselben Programme nutzen,
die wir auch für den Zeitinkonsistenz-Artikel verwendet hatten, dort hatten wir auch dynamische Gleichgewichte berechnet.
Das war also kein besonderes Problem.
Wir wollten der Frage nachgehen - damals dachten alle, dass der Dynamik des Konjunkturzyklus
eine bestimmte Triebfeder zu Grunde läge, und zwar entweder geldpolitische oder fiskalpolitische Schocks.
Daher entschieden wir uns für die folgende Fragestellung: Angenommen,
die einzige Quelle für Veränderungen wären technologische Schocks, und es gäbe keine anderen Arten von Schocks.
Was würde in diesem Fall vom Konjunkturzyklus übrig bleiben?
Wir entwickelten ein Modell, mit dem wir diese Frage beantworten wollten.
Das Wesentliche an diesem Modell war, dass darin das dynamische Entscheidungsproblem
der Menschen explizit beschrieben wurde, ebenso wie das der Unternehmen.
Es gibt in dem Modell Millionen von Menschen und Tausende von Unternehmen, und sie alle gemeinsam bestimmen die Technologie,
mit deren Hilfe Kapital und Arbeit in Output umgewandelt wird.
Das Modell enthält explizite Beschreibungen der Budgetrestriktionen der Menschen,
der daraus folgenden aggregierten Ressourcenbeschränkungen usw.
Sie kennen natürlich die späten 1970er Jahre nicht so gut und können daher nicht wissen,
dass diese ein sehr anderer Ansatz war als - sagen wir ein Ansatz mit einem Gleichungssystem.
Die damalige Makroökonomie bestand großteils aus - nun, man formulierte eine Konsumfunktion, eine Investitionsfunktion,
eine Arbeitsangebots- und -nachfragegleichung usw.
Außerdem hatten die meisten Leute großes Vertrauen in statistische Methoden,
um die Parameter in diesen Gleichungen zu quantifizieren.
Mit der Kritik von Robert Lucas änderte sich das alles, zumindest für die Bewertung von Politik.
Somit war es unvermeidlich, dass etwas Neues aufkommen musste.
Und ich glaube, Ed Prescott und ich hatten einfach das Glück, genau diesen Zeitpunkt abzupassen.
Aus meiner Sicht ist also diese explizite Beschreibung der Menschen das Wesentliche in unserem Modell.
Zugegeben waren es anfangs nur sehr einfache Beschreibungen.
Zum Teil war das begründet, denn für unsere Fragestellung brauchte man nicht sehr viele Details.
Ein anderer Punkt war aber, dass damals die Computer noch viel langsamer waren als heute.
Im Vergleich zu damals gab es zwischenzeitlich große Fortschritte hinsichtlich der Anzahl von Fragen, die man untersuchen kann.
Aufgrund der Fragen, die wir in unserem ersten Artikel untersucht haben,
bezeichnet man diese Art von Theorie gelegentlich als Theorie realer Konjunkturzyklen (real business cycle theory).
Aber eigentlich verwendet man auch für geldpolitische Fragen keine anderen Modelle.
Ich habe selbst daran gearbeitet in diesem Artikel, den ich vor zwei Jahren genau in diesem Saal vorgestellt habe.
Bei Fragen zu - wenn die langfristige Perspektive besonders wichtig ist,
wie bei Fragen zur Eignung des Sozialversicherungssystems, Kosten und Nutzen von Einwanderung oder ähnlichem -
diese Modelle wurden erweitert, um auch Lebenszyklusverhalten, d.h. überlappende Generationen zu berücksichtigen.
Einer der Pioniere auf diesem Gebiet ist für mich Victor Rios Rull, und ich war froh,
ihn in seinen ersten drei Berufsjahren als Kollegen an Carnegie Mellon zu haben.
Ich habe miterlebt, wie sich diese Modelle weiterentwickelt haben.
Anfangs waren sie - nun, am Anfang brauchte man mitunter ein bis zwei Tage oder sogar eine Woche,
um das Gleichgewicht zu berechnen. So, nun zum längerfristigen Nutzen dieser Arbeit.
Der langfristige Nutzen besteht aus meiner Sicht darin, dass mit der Zeit erkannt wurde,
dass man Modelle auf diese Weise aufbauen muss, um interessante Fragestellungen zu beantworten.
Lassen Sie mich auch noch kurz darauf eingehen, was aus meiner Sicht die wichtigsten Schritte sind,
um eine gute Veröffentlichung zu schreiben.
Erstens sollte man immer explizit sein bezüglich - ich meine, eine gut durchdachte Fragestellung haben.
Anderenfalls ist es schwierig, Interesse bei den Lesern zu wecken.
Es gibt nicht ein einziges Standardmodell, das man für jede Fragestellung nutzen könnte.
Stattdessen muss man ein Modell suchen, das man im Hinblick auf die relevante Fragestellung für geeignet hält.
Daher sehen die Modelle für verschiedene Fragestellungen sehr unterschiedlich aus.
Manchmal gibt es Ähnlichkeiten, z.B. Beschreibungen der Entscheidungsfragen von Menschen, der Technologie des Landes usw.
Heutzutage nutzen wir auch Modelle, um z.B. die Interaktion zwischen Haushaltssektor und Unternehmenssektor zu untersuchen,
oder ziemlich detaillierte Modelle der Entscheidungen, welche in einer Familie getroffen werden.
Es sind da sehr interessante Arbeiten im Gang.
Einer der Vorteile dieser Entwicklung ist, dass oft ziemlich transparent ist,
wie man die Parameter dieser Modelle quantifizieren kann.
Solche Modelle müssen kalibriert werden, um glaubwürdige Antworten zu generieren.
Ein wichtiger Aspekt bei dieser Kalibrierung ist - es ist eine Art umgekehrtes Mapping.
Wenn man ein Gleichgewicht berechnet, das Steady-State-Gleichgewicht eines typischen Modells,
erhält man dieses Gleichgewicht in Form von Beziehungen unter den Variablen.
Viele solcher Beziehungen zwischen Variablen können leicht anhand der Daten ermittelt bzw. gemessen werden.
Daher wird das Modell auf die Beziehungen unter den potenziell auftretenden Variablen abgebildet bzw. gemappt.
Die Kalibrierung erfolgt also meistens durch ein solches umgekehrtes Mapping.
Sie fangen also einfach an, indem Sie die Daten erheben.
Oft sind es irgendwelche einfachen Durchschnittswerte, wie z.B. Kapitalkoeffizient (Capital Output Ratio),
langfristiger Verbrauch im Verhältnis zum BIP oder das Verhältnis von durchschnittlichem Kapitalertrag
bzw. Arbeitseinkommen zum BIP.
Solche Daten sind leicht zu ermitteln, und anschließend werden im Rückschluss die entsprechenden Parameterwerte zugeordnet.
Einige Fachleute sprechen in dem Zusammenhang von tiefen strukturellen Parametern.
Mir scheint es manchmal, als gäbe es für jeden Parameter eine Art magische Zahl, aber so etwas gibt es nicht.
Manche Parameter können auch stark variieren, d.h.
derselbe Parameter nimmt in verschiedenen Modellen sehr unterschiedliche Werte an, je nach dem,
was sonst noch in dem Modell abgebildet ist. Lassen Sie mich ein Beispiel zeigen.
Hier haben wir ein ganz einfaches Modell, nur damit wir uns einige dieser Parameter näher angesehen können.
Es beschreibt die Präferenzen von Menschen.
Es gibt eine Nutzenfunktion, eine Konsum-Freizeit-Funktion, einen Diskontierungsfaktor, und es gibt eine Ressourcenbeschränkung.
Konsum plus Investitionen kleiner oder gleich aggregierter Output.
Das ist die Produktionsfunktion, die natürlich durch das Nationaleinkommen gut bekannt ist - hier haben wir im Modell das BIP,
und das muss dem Bruttonationaleinkommen entsprechen, der Summe aus Kapitalertrag und Arbeitseinkommen.
Es gibt eine Zeitbeschränkung, und dann sind hier zwei dynamische Beziehungen zwischen Zustands- und Entscheidungsvariablen.
In der ersten ist der Kapitalbestand die Zustandsvariable, und die Investitionen sind die Entscheidungsvariable.
Und dann haben wir eine typische langsame Bewegung des Technologieniveaus mit einem stochastischen Schock.
Das kann man in der Praxis aus einer Normalverteilung ableiten, aus einem Zufallsgenerator im Modell.
Lassen Sie mich auf zwei Parameter kurz eingehen.
Einer ist das Alpha, hier auf diesem Koeffizienten beim Konsum, und 1-Alpha auf Freizeit.
Dieses Alpha hängt stark mit einer anderen Größe zusammen, die oft gut zu ermitteln ist, und zwar mit der Zeit,
die im Durchschnitt auf Marktaktivitäten entfällt, als Anteil von der Gesamtzeit.
Mit anderen Worten: Wie groß ist N im Verhältnis zur Gesamtzeit?
Wenn Sie das haben, erhalten Sie eine Steady-State-Beziehung erster Ordnung.
Daraus können Sie Alpha ableiten, und außerdem enthält diese Steady-State-Beziehung in der Regel noch ein paar andere Dinge.
Man bekommt also nicht immer - angenommen, N ist ein Drittes oder 30% der Gesamtzeit - ein typischer Wert -
dann erhält man in einigen Modellen vielleicht ein Alpha von 0,35 und in anderen 0,28.
Das meinte ich damit, dass es keinen magischen Wert für irgendeinen dieser Parameter gibt.
Der Punkt ist, dass Sie in jedem Fall das Ziel eines konsistenten Modells erreichen, und zwar mit Daten,
die zu beobachten sind - nämlich dass N im Durchschnitt 30% der Gesamtzeit der Menschen ausmacht.
Als weiteres Beispiel möchte ich noch Theta nennen, 1 Theta in der Cobb-Douglas-Produktionsfunktion,
einer häufig verwendeten Produktionsfunktion.
Für bestimmte Fragen würden Sie noch die Kapitalseite z.B. nach Strukturen und Betriebsmitteln und die Arbeitsseite nach hohem
und niedrigem Ausbildungsniveau disaggregieren.
Hier haben wir die Funktion in der einfachsten Version, und wir haben Theta.
Dies ist ein Beispiel dafür, dass es nur auf eine einzige Variable ankommt -
und zwar den prozentualen Anteil von Kapitaleinkünften am durchschnittlichen Bruttoinlandseinkommen,
und natürlich auch 1 Theta, den Anteil von Arbeitseinkommen.
Wenn man Werte für diese Größen hat, z.B. Kapitalerträge in Höhe von 36% vom Bruttonationaleinkommen,
dann beträgt Theta normalerweise 0,36. Wenn Sie mehr Dezimalstellen haben, mehr Dezimalstellen als Theta.
Dann gibt es noch das viel verwendete Rechenexperiment, bei dem Ergebnisse berechnet werden.
Der Gedanke dabei ist, Menschen in ein Umfeld zu bringen, in dem sie mit der untersuchten Fragestellung konfrontiert sind,
so dass man beobachten kann, wie sie sich in diesem Umfeld verhalten.
In einigen Fällen kann dies mit größeren Schwierigkeiten verbunden sein.
So stellen Sie vielleicht fest, dass es für Ihre Fragestellung gar keine geeignete Methode gibt,
mit der sie genau machen könnten, was Sie wollen.
Dann müssen Sie unter Umständen erst eine neue Technologie entwickeln.
Und das ist etwas - ich selbst interessiere mich nur wenig für Technologie bzw. generell für Methoden - aber es hilft nichts,
in diesem Fall müssen Sie eine neue Technologie entwickeln.
Am Schluss steht dann die Präsentation der Ergebnisse.
Etwas, vor dem junge Wissenschaftler oft etwas zurückschrecken, sind Anomalien. Das ist ein großer Fehler.
Eine Definition von Anomalie ist: Datenabweichung gegenüber der Standardtheorie oder anderen Theorien.
Wenn ein Modell gute Antworten auf ihre Fragen liefert und trotzdem eine Anomalie zeigt,
ist dies oft der Ausgangspunkt für ein wichtiges neues Forschungsgebiet.
Daher sollten Sie mögliche Anomalien immer besonders beachten. Nun noch etwas zu meiner aktuellen Arbeit.
Dies ist ein Gemeinschaftsartikel, den wir fast fertig haben.
Meine beiden Co-Autoren - oder zumindest einer von ihnen wird den Artikel soweit ich weiß nächste Woche
in Mailand auf einem großen europäischen Kongress vorstellen.
Ich habe diesen Artikel als Co-Autor gemeinsam mit Espen Henriksen von der Universität Oslo
und Roman Sustek von der Bank of England geschrieben.
Sie waren beide meine Studenten an der Carnegie Mellon Universität, wo ich bis 2004 tätig war.
Der Titel des Artikels lautet The High Correlations of Prices and of Interest Rates across Nations.
Wir haben Folgendes festgestellt - ich zeige Ihnen ein paar Grafiken dazu.
Hier ist die erste.
Als erstes müssen Sie alle diese Variablen trendbereinigen, entweder mit dem Hodrick-Prescott-Filter,
bzw. in diesem Fall haben wir soweit ich weiß den sogenannten Bandpass-Filter verwendet.
Sie nehmen also die Trendkomponente heraus und tragen in der Grafik auf der linken Seite die zyklische Komponente
des realen BIP und auf der rechten Seite die Preise ein.
Das machen Sie für eine Reihe von Ländern, genauer gesagt für acht Länder.
Für zwei der acht Länder hatten wir erst ab 1970 Daten zur Verfügung, für den Rest ab 1960,
und zwar für Australien, Kanada, Deutschland, Japan, Großbritannien und die USA. Das sind alles glaubwürdige Länder.
Ab 1970 nehmen wir dann noch Österreich und Frankreich mit hinzu.
Diese Abbildungen zeigen zunächst einmal gewisse Parallelitäten beim volkswirtschaftlichen Output,
wobei die Grafik etwas verzerrt ist.
Mit bloßem Auge betrachtet würde ich sagen, dass die Parallelitäten bei den Preisen deutlich höher sind.
Aber am besten betrachtet man immer die tatsächlichen Korrelationen.
Hier haben wir eine Tabelle der Korrelationen zwischen den Ländern.
Beim BIP beträgt die durchschnittliche Korrelation 0,27.
Wenn wir zu den Preisen und Zinsen kommen, werden Sie sich vielleicht fragen, ob es einen Unterschied machen würde -
ob vielleicht das Bretton-Woods-System einen Einfluss hatte, das in diesem Betrachtungszeitraum ab 1960 noch bestand.
Es hat sich aber herausgestellt, dass es keinen Unterschied macht.
Hier bestehen also ziemlich geringe Korrelationen zwischen den Ländern.
Sie sind nicht sonderlich hoch, wenn man das reale BIP betrachtet.
Bei den nominalen Zinsen erhält man im Durchschnitt eine deutlich höhere Korrelation von 0,57 im Vergleich zu 0,27.
Und auch bei den Preisen erhalten wir eine durchschnittliche Korrelation von 0,52 im Vergleich zu 0,27.
Dies scheint vielleicht etwas überraschend - ich meine die Tatsache, dass die Synchronizität bei nominalen Variablen,
also Preisniveau und nominalen Zinsen höher ist als beim Output.
Vielleicht denken Sie, nun, innerhalb der einzelnen Volkswirtschaft hat man ja eine gewisse Kontrolle über die nominalen Größen.
Man könnte annehmen, sie seien weniger anfällig für externe Schocks als der Output.
Lassen Sie uns das also näher untersuchen.
Wir haben festgestellt, dass man die Gründe verstehen muss, um besser zu verstehen,
wie sich nominale Variablen oder geldpolitische Maßnahmen im System auswirken.
Daher untersuchen wir speziell den Zusammenhang zwischen den verschiedenen Korrelationen.
Ist es derselbe Zusammenhang wie bei einem Basis- oder einem Standardmodell?
Hier ist noch eine anderer Blickwinkel darauf.
Wenn wir alle Kombinationen von Output-Korrelationen in eine Grafik einzeichnen -
hier sehen Sie die Korrelationen auf der x-Achse, die Kreise sind die Zinskorrelationen
und die blauen Punkte die Preiskorrelationen.
Die Tatsache, dass die meisten dieser Punkte oberhalb der 45-Grad-Linie liegen, ist ein Hinweis darauf,
dass die Korrelationen bei den nominalen Größen deutlich höher sind als beim Output.
Ich habe hier nicht die Zeit, um im Detail auf das modellierte Wirtschaftssystem einzugehen.
Wir haben ein Modell verwendet, das ich als Co-Autor gemeinsam mit David Backus und Patrick Kehoe veröffentlicht habe.
Mir ist der genaue Name des Modells entfallen, es wurde 1994 in der AER veröffentlicht, irgendetwas mit der J-Kurve.
Es war ein symmetrisches Zweiländermodell, beide Länder haben ihre eigene Produktionsfunktion und ihre eigenen Präferenzen.
Ansonsten sind sie völlig symmetrisch, aber sie produzieren unterschiedliche Güter.
Wie diese Güter miteinander kombiniert werden, um den Output hervorzubringen,
ist in Form des sogenannten Armington-Aggregators beschrieben.
Damit kann man die Elastizität zwischen im Inland und im Ausland produzierten Gütern untersuchen und quantifizieren
und sie mit vorherigen Schätzwerten vergleichen.
Es gibt ein ganzes Buch von John Whalley über die Elastizitäten zwischen im Inland produzierten
und importierten Gütern auf verschiedenen Aggregationsstufen.
Dieses Modell war ein reines Realmodell.
Wir haben es dann erweitert um nominale Vermögenswerte, Geld und Anleihen.
Die Geldpolitik ist in der Taylor-Regel beschrieben, die wir als Standard definieren.
Das müsste ich eigentlich in Anführungszeichen setzen - nennen wir es eine sparsame Annäherung an das Verhalten von Zentralbanken.
Ich möchte Ihnen noch einen wichtigen Aspekt an dem Modell zeigen, der den Schlüssel zu unseren Erkenntnissen darstellte.
Wie man sieht, ist das Modell konsistent mit der Beziehung zwischen den Korrelationen, die wir vorhin gesehen haben.
Es ist konsistent in der Hinsicht, dass die Korrelationen bei nominalen Zinsen und Preisen viel höher sind als beim Output.
Dies ist einer der Punkte, warum mir diese Arbeit Freude macht.
Es ist oft schwierig vorherzusagen, welcher Faktor die größte Rolle spielt.
Wir hatten einige widersprüchliche Ideen zu der Frage, welche Schlüsseleigenschaft dafür verantwortlich wäre,
ob sich das Modell mehr oder weniger konsistent zu den Daten verhält.
Zu unserer großen Überraschung stellte sich dann heraus, dass diese rot eingezeichneten Zahlen die entscheidende Rolle spielten.
Es handelt sich um die Beschreibung der technologischen Niveaus in den beiden Ländern.
Wie Sie auf einer früheren Folie schon gesehen habe, steht Z für das Technologieniveau, Z1 ist das Technologieniveau in Land 1
und Z2 in Land 2.
Diese Darstellung zeigt, dass sich die Technologieniveaus der beiden Länder in zweierlei Hinsicht unabhängig voneinander bewegen.
Diese Unabhängigkeit haben Backus, Kehoe und ich auf empirischer Basis geschätzt,
indem wir für Land eins die USA und für Land zwei eine Gruppe wichtiger europäischer Länder einsetzten.
Da die Schätzungen nicht genau symmetrisch waren, stellten wir Symmetrie her,
indem wir eine symmetrische Matrix wählten mit Eigenwerten, die den Schätzwerten entsprachen.
Die Schätzwerte waren auch nicht sehr stark asymmetrisch.
Ich würde diese beiden Zahlen also als Spillover-Effekt interpretieren.
Sie zeigen an, dass sich ein Schock, der sich in einem der Länder ereignet, auf das andere Land überträgt.
Dieser Wert von 0,088 bezeichnet dabei die Übertragungsgeschwindigkeit.
Und es gibt noch einen zweiten Unabhängigkeitsaspekt, nämlich dass gleichzeitig eine positive Korrelation
zwischen den beiden Schocks besteht, aber das ist für unsere Zwecke hier nicht so wichtig.
Dies war also eine wichtige Erkenntnis.
Wenn wir für diese beide Größen Null einsetzen und für diese diagonalen Elemente stattdessen höhere Werte,
lässt das die Beziehung praktisch verschwinden.
Falls Ihnen diese hohe Zahl nicht ganz geheuer ist - wir haben natürlich Sensitivitätsanalysen durchgeführt und geprüft,
ob das Verhältnis zwischen den Korrelationen bei verschiedenen Werten bestehen bleibt.
Wir haben den Wert also auf 0,06, 0,04, 0,02 usw. reduziert, und es funktionierte tatsächlich auch bei sehr kleinen Zahlen,
also geringen Spillover-Effekten. Dies war unsere wichtigste Erkenntnis.
Peter hat mir eben eine Null angezeigt, ich glaube meine Zeit ist abgelaufen.
Wenn Sie sich für dieses Thema interessieren, kann ich Ihnen nur ans Herz legen, sich diesen Artikel zu besorgen und ihn zu lesen.
Vielen Dank für Ihre Aufmerksamkeit.
