Regressionsanalyse verstehen

Die Regressionsanalyse ist eines der mächtigsten statistischen Werkzeuge im Toolkit des Ökonomen. Im einfachsten Fall modelliert die Methode die Beziehung zwischen einer abhängigen Variablen (dem Ergebnis von Interesse) und einer oder mehreren unabhängigen Variablen (potenziellen Prädiktoren oder Ursachen). Für Wirtschaftshistoriker bedeutet dies, dass sie sich über narrative Beschreibungen vergangener Ereignisse hinausbewegen, um Hypothesen mit messbaren Beweisen zu testen. Zum Beispiel könnte ein Forscher fragen, ob höhere Alphabetisierungsraten im England des 19. Jahrhunderts mit einem schnelleren Wachstum der industriellen Produktion verbunden sind. Regression ermöglicht es ihnen, diese Assoziation zu quantifizieren, während sie andere Faktoren wie Kapitalinvestitionen oder Urbanisierung kontrollieren.

Die Kernidee ist, eine Linie (oder Kurve) durch historische Datenpunkte zu passen, die die systematische Beziehung zwischen Variablen am besten beschreibt. Die häufigste Form ist die Regression der gewöhnlichen kleinsten Quadrate (OLS), die die Summe der quadrierten Unterschiede zwischen beobachteten Werten und Modellvorhersagen minimiert. Aber die Wirtschaftsgeschichte verwendet auch häufig logistische Regression, wenn die Ergebnisse binär sind (z. B. ob ein Unternehmen eine Krise überlebt hat) und multiple Regression, wenn viele Einflüsse gleichzeitig berücksichtigt werden müssen. Das Verständnis der Annahmen hinter diesen Modellen - Linearität, Unabhängigkeit von Fehlern, Homoscedastizität und Abwesenheit von perfekter Multikollinearität - ist entscheidend für das Ziehen gültiger Rückschlüsse aus historischen Datensätzen, die oft chaotisch oder unvollständig sind.

Anwendungen in der Wirtschaftsgeschichte

Arbeitsmärkte und Humankapital

Wirtschaftshistoriker haben Regression benutzt, um zu untersuchen, wie Bildung, Fähigkeiten und Gesundheit Löhne über Jahrhunderte hinweg prägten. Eine klassische Studie könnte individuelle Einkommen nach Schuljahren, Alter und Geschlecht regressieren, indem sie Volkszählungsdaten aus dem Amerika des 19. Jahrhunderts verwendete. Die geschätzten Koeffizienten zeigen nicht nur die Rückkehr zur Bildung zu der Zeit, sondern auch, wie diese Renditen nach Region oder Industrie variierten. Ausgefeiltere Modelle beinhalten feste Effekte für Städte oder Geburtsjahre, um unbeobachtete Heterogenität zu kontrollieren, was ein klareres Fenster in die historische Arbeitsmarktdynamik bietet.

Handel und Globalisierung

Regressionsanalysen haben die wirtschaftlichen Folgen der Handelspolitik geklärt, von den britischen Corn Laws bis hin zu modernen Zöllen. Forscher verwenden oft Gravitationsmodelle, eine Form der Regression, die bilaterale Handelsströme basierend auf Ländergrößen, Entfernungen und Handelsabkommen vorhersagt. Durch die Analyse historischer Handelsdaten aus dem 19. und 20. Jahrhundert können Historiker abschätzen, wie Protektionismus oder Freihandelsabkommen das Nationaleinkommen, die industrielle Spezialisierung und die Lohnungleichheit beeinflusst haben. Diese Modelle zeigen, dass Handelsoffenheit nicht immer allen Segmenten der Gesellschaft gleichermaßen zugute kommt, eine Nuance, die einfache historische Narrative übersehen könnten.

Technologischer Wandel und Produktivität

Zu verstehen, wie Dampfkraft, Elektrizität und Computer das Wirtschaftswachstum beeinflussten, ist ein zentrales Rätsel in der Wirtschaftsgeschichte. Regressionsmodelle können das Produktivitätswachstum in Beiträge aus Kapitalvertiefung, Verbesserung der Arbeitsqualität und Gesamtfaktorproduktivität (TFP) zerlegen - ein Rest, der oft den technologischen Fortschritt erfasst. Zum Beispiel ermöglicht eine Zeitreihenregression der Gesamtproduktion auf Kapital- und Arbeitseinträgen den Forschern, die Wachstumsrechnungsgleichungen abzuschätzen, die zuerst von Robert Solow entwickelt wurden. Wenn sie auf US-Daten des 19. Jahrhunderts angewendet werden, zeigen solche Modelle, dass das TFP-Wachstum nach 1860 anstieg und mit der Ausbreitung der Eisenbahn- und Telegrafennetze zusammenfiel.

Demographische und gesundheitliche Übergänge

Die demografische Geschichte profitiert von Regressionsanalysen, die Säuglingssterblichkeit, Fruchtbarkeit und Lebenserwartung mit wirtschaftlichen Bedingungen, Sanitärinvestitionen und öffentlichen Gesundheitsinterventionen verbinden. Eine Studie könnte die Sterblichkeitsraten in Städten des frühen 20. Jahrhunderts über Maßnahmen zur Wasserqualität, Wohnungsdichte und Einkommen regressieren, um zu bestimmen, welche Faktoren die meisten Todesfälle reduzieren. Diese Modelle können auch räumliche oder zeitliche Verzögerungen berücksichtigen, wobei anerkannt wird, dass Gesundheitsverbesserungen oft mit Verzögerung auf Infrastrukturinvestitionen folgen. Die Ergebnisse informieren über Debatten darüber, ob steigende Einkommen oder öffentliche Politik die Haupttreiber des modernen Sterblichkeitsrückgangs waren.

Fallstudie: Die industrielle Revolution erneut besucht

Der ursprüngliche Artikel berührte Regressionsanalysen der industriellen Revolution, aber die Tiefe der modernen Arbeit verdient eine umfassendere Behandlung. Historiker haben lange darüber diskutiert, was den Durchbruch im britischen Wachstum nach 1760 verursacht hat. Traditionelle Berichte betonen Kohle, Dampf und mechanische Erfindungen. Aber Regressionsmodelle erlauben es Wissenschaftlern, konkurrierende Erklärungen quantitativ zu testen. Eine bahnbrechende Studie der 1990er Jahre verwendete länderübergreifende Daten aus England und Wales, um Patentzahlen - ein Stellvertreter für Innovation - auf Kohlevorkommen, Nähe zu Flüssen und Bevölkerungsdichte zu regressieren. Die Modelle fanden heraus, dass die Kohleverfügbarkeit einen statistisch signifikanten positiven Effekt auf Innovation hatte, aber dass der Effekt kleiner war als gedacht, sobald sie die Urbanisierungs- und Transportkosten kontrolliert hatten.

Neuere Panel-Regressionen der britischen Industrieproduktion von 1700 bis 1850 beinhalten Variablen wie Baumwollpreise, Eisenproduktion und landwirtschaftliche Erträge. Durch die Einbeziehung von zeitlich festgelegten Effekten können Forscher häufige Schocks wie Kriege oder Ernteausfälle absorbieren und die Rolle spezifischer technologischer Veränderungen isolieren. Die Ergebnisse deuten darauf hin, dass die Dampfmaschine zwar transformativ war, ihre Auswirkungen auf die Gesamtproduktivität jedoch bis in die 1830er Jahre, Jahrzehnte nach ihrer Erfindung, bescheiden waren. Dies widerspricht heroischen Erzählungen, die eine einzige Erfindung für die industrielle Revolution anerkennen. Stattdessen deuten die Regressionen auf eine Gruppe komplementärer Innovationen in den Bereichen Textilien, Eisen und Maschinenbau hin, die jeweils mit sinkenden Energiekosten und expandierenden Märkten interagieren.

Die Fallstudie verdeutlicht auch die Bedeutung der Modellspezifikation. Frühe Regressionen, die nur Kapital und Arbeit als Prädiktoren beinhalteten, produzierten oft „Restwerte (der TFP-Teil), die unplausibel groß waren, was bedeutet, dass Technologie fast alles Wachstum erklärt. Moderne Ansätze fügen Humankapital, Institutionen und Energiepreise hinzu, wodurch der Rest auf einen vertretbaren Anteil reduziert wird. Diese iterative Verfeinerung - Testen eines Modells, Anpassung an ausgelassene Variablen, Neuschätzung - ist das Kennzeichen einer rigorosen historischen Regressionsarbeit.

Herausforderungen und Überlegungen

Datenfragmentierung und Messfehler

Historische Datensätze sind selten so sauber wie aktuelle Umfragen. Wirtschaftshistoriker arbeiten oft mit Steuerunterlagen, Gemeinderegistern, Handelsbüchern und Volkszählungstabellen, die Lücken, Transkriptionsfehler und inkonsistente Definitionen enthalten. Messfehler in einer unabhängigen Variable verzerren typischerweise Regressionskoeffizienten gegen Null - ein Phänomen, das als Abschwächungsbias bekannt ist. Forscher reagieren mit instrumentellen Variablen, Robustheitsprüfungen oder sorgfältiger Dokumentation der Datenkonstruktion. Zum Beispiel könnte eine Studie der britischen Lohnsätze des 19. Jahrhunderts Daten aus verschiedenen Quellen (Handelsberichte, Unternehmensgehaltsabrechnungen und lokale Zeitungen) vergleichen und Ergebnisse unter verschiedenen Messannahmen testen.

Ausgelassene variable Verzerrung

Eine Regression, die eine starke positive Verbindung zwischen der Eisenbahnausdehnung und dem Wirtschaftswachstum findet, kann die Tatsache vermissen, dass beide von einer dritten Variablen angetrieben wurden - sagen wir, steigende Exportnachfrage. Wenn diese ausgelassene Variable sowohl mit der unabhängigen Variablen (Eisenbahnen) als auch mit der abhängigen Variablen (Wachstum) korreliert, wird der geschätzte Koeffizient verzerrt. Wirtschaftshistoriker befassen sich damit, indem sie so viele Kontrollen wie möglich einbeziehen, regionale oder zeitlich festgelegte Effekte verwenden und manchmal natürliche Experimente anwenden. Die Differenz-in-Differenzen-Methode vergleicht zum Beispiel eine behandelte Gruppe (eine Region, die eine Eisenbahn bekommen hat) mit einer Kontrollgruppe vor und nach der Behandlung, um zeitinvariante nicht beobachtete Faktoren effektiv zu unterscheiden.

Scheinbare Regression und Nicht-Stationarität

Bei der Analyse langer Zeitreihen (z. B. BIP von 1800 bis 2000) tendieren viele ökonomische Variablen mit der Zeit nach oben. Eine Trendreihe auf eine andere zu regressieren, kann hohe R-Quadratwerte und beeindruckende t-Statistiken erzeugen, selbst wenn die beiden nicht miteinander verwandt sind – ein klassischer Fall von Fehlregression. Wirtschaftshistoriker müssen auf Einheitswurzeln und Kointegration testen und oft unterschiedliche Daten oder Fehlerkorrekturmodelle verwenden, um diese Fallstricke zu vermeiden. Kointegrationstechniken, die in den 1980er Jahren entwickelt wurden, erlauben es Forschern, langfristige Gleichgewichtsbeziehungen zwischen nichtstationären Variablen zu modellieren, während sie dennoch eine kurzfristige Dynamik erlauben. Dies war besonders nützlich für die Untersuchung historischer Beziehungen zwischen Geldmenge, Preisen und Output.

Multikollinearität und Probengröße

Historische Prädiktoren wie Bildung, Einkommen und Urbanisierung sind oft über Regionen hinweg stark korreliert, was es schwierig macht, den einzigartigen Beitrag jeder Variablen zu isolieren. Multikollinearität bläst Standardfehler auf, was zu ungenauen Koeffizientenschätzungen führt. Forscher können dies durch den Einsatz von Techniken zur Dimensionsreduktion (z. B. Hauptkomponenten) angehen, indem sie Daten bündeln oder die Anzahl der Variablen begrenzen. Kleine Stichprobengrößen, ein weiteres häufiges Problem in der historischen Arbeit, reduzieren die statistische Leistungsfähigkeit und erhöhen das Risiko falscher Negative. Bayessche Methoden oder Bootstrap-Inferenz können helfen, aber letztendlich müssen Forscher die Grenzen ihrer Beweise anerkennen.

Fortgeschrittene Regressionstechniken in der Wirtschaftsgeschichte

Paneldaten und Fixed Effects

Viele historische Datensätze kombinieren Querschnittseinheiten (Länder, Regionen, Unternehmen), die über mehrere Zeiträume beobachtet werden. Die Panel-Regression nutzt beide Dimensionen aus und ermöglicht es Forschern, einheitsspezifische, nicht beobachtete Faktoren, die im Laufe der Zeit konstant sind (z. B. Geographie, Kultur) und Zeitfaktoren, die allen Einheiten gemeinsam sind (z. B. globale Rezessionen), zu kontrollieren. Dies reduziert die ausgelassene variable Verzerrung drastisch. So könnte eine Studie der wirtschaftlichen Auswirkungen des Schwarzen Todes in europäischen Städten Stadt-Fixed-Effekte verwenden, um zeitinvariante Unterschiede in der Klima- oder Bodenqualität zu absorbieren, während Jahr-Fixed-Effekte pandemieweite Sterblichkeitsschocks erfassen. Der Koeffizient einer Variablen wie "Handelsrouten" spiegelt dann innerstädtische Veränderungen im Handel wider im Laufe der Zeit, abzüglich nationaler Trends.

Instrumentale Variablen

Wenn der Verdacht auf eine Endogenität besteht, d. h. dass die unabhängige Variable mit dem Fehlerbegriff korreliert ist, wenden sich Ökonomen Instrumenten zu: Variablen, die die unabhängige Variable beeinflussen, aber nicht direkt mit dem Ergebnis korreliert sind, außer durch diese Variable. In historischen Kontexten stammen Instrumente oft aus natürlichen Experimenten oder historischen Unfällen. Um beispielsweise die kausale Wirkung von Eigentumsrechten auf landwirtschaftliche Investitionen im kolonialen Indien abzuschätzen, könnten Forscher den Zeitpunkt der Landeinkommensabrechnungen als Instrument verwenden, indem sie argumentieren, dass die Siedlungszuweisung in keinem Zusammenhang mit der lokalen Bodenqualität steht. Eine zweistufige Regression der kleinsten Quadrate isoliert dann die exogene Komponente der Durchsetzung von Eigentumsrechten. Die Verwendung instrumentaler Variablen ist in der Wirtschaftsgeschichte schnell gewachsen, insbesondere für die Untersuchung langfristiger Entwicklungsergebnisse.

Differenz-in-Differenzen und synthetische Kontrollen

Unterschied in Differenzen (DiD) vergleicht die Entwicklung eines Ergebnisses in einer Gruppe, die einen Politikwechsel erlebt hat, im Vergleich zu einer Gruppe, die vor und nach dem Wandel keine Politik gemacht hat. Wirtschaftshistoriker haben DiD angewendet, um die Einführung von Schulpflichtgesetzen, Bankenvorschriften und Wahlrechtsverlängerungen zu bewerten. Die wichtigste Annahme ist, dass die Trends in den beiden Gruppen ohne die Politik parallel gewesen wären - ein überprüfbarer Zustand mit Vorbehandlungsdaten. Synthetische Kontrollmethoden erweitern DiD durch die Konstruktion einer gewichteten Kombination von Vergleichseinheiten, die dem Vorbehandlungspfad der behandelten Einheit sehr gut entspricht, was eine strengere Kontrafaktik darstellt. Dies wurde beispielsweise verwendet, um die wirtschaftlichen Auswirkungen der Teilung Koreas nach dem Zweiten Weltkrieg oder die Folgen der deutschen Wiedervereinigung abzuschätzen.

Zeitreihen-Methoden für Strukturbrüche

Historische Zeitreihen weisen oft strukturelle Brüche auf - plötzliche Veränderungen im Mittelwert oder Trend aufgrund von Kriegen, Finanzkrisen oder politischen Regimewechseln. Traditionelle Regressionstechniken können diese Brüche möglicherweise nicht erkennen oder richtig modellieren. Moderne Ansätze wie endogene Brüchetests (z. B. Bai-Perron-Tests) ermöglichen es den Daten, Brüche zu identifizieren, die dann in Regressionsmodelle mit Dummy-Variablen integriert werden können. Eine Studie der US-Industrieproduktion von 1880 bis 1940 könnte Brüche im Jahr 1914 (Erster Weltkrieg) und 1929 (Große Depression) aufdecken. Durch Modellierung dieser Brüche kann der Forscher vermeiden, dass eine einzige konstante Beziehung über grundlegend unterschiedliche Perioden hinweg angenommen wird.

Schlussfolgerung und zukünftige Richtungen

Regressionsanalyse ist für die Wirtschaftsgeschichte unverzichtbar geworden, indem sie die Disziplin von einem rein narrativen Feld in ein Feld verwandelt, das Hypothesen mit statistischer Strenge testet. Durch die Quantifizierung von Beziehungen, die Kontrolle von Störfaktoren und die Identifizierung kausaler Effekte haben Regressionsmodelle unser Verständnis vergangener wirtschaftlicher Transformationen vertieft - von der industriellen Revolution bis zur Weltwirtschaftskrise. Die beste Arbeit auf diesem Gebiet erkennt offen Einschränkungen an, verwendet robuste Identifikationsstrategien und validiert Ergebnisse über verschiedene Datenquellen und Methoden hinweg.

Mit Blick auf die Zukunft wenden Wirtschaftshistoriker zunehmend maschinelle Lerntechniken wie Zufallswälder und Lasso-Regression an, um hochdimensionale historische Daten zu verarbeiten und nichtlineare Beziehungen aufzudecken, die traditionelle OLS möglicherweise übersehen. Text-as-Data-Ansätze (z. B. Zählen von Wörtern in historischen Zeitungen) werden auch mit Regression kombiniert, um kulturelle Einstellungen, den politischen Diskurs und die institutionelle Qualität zu messen. Diese Innovationen versprechen, neue Grenzen zu öffnen, aber die grundlegenden Prinzipien der Regressionsanalyse - sorgfältige Spezifikation, Bewusstsein für Vorurteile und vorsichtige Interpretation - bleiben so relevant wie eh und je. Für diejenigen, die daran interessiert sind, tiefer zu tauchen, bieten Ressourcen wie der und die Cambridge Economic History of the Modern World hervorragende Ausgangspunkte. Die ] Wirtschaftsgeschichte Association Website und VoxEU-Kolumnen bieten zugängliche Zusammenfassungen der jüngsten Forschung. Da sich die Datenverfügbarkeit verbessert und Rechenwerkzeuge erweitert werden Regressionsanalyse wird weiterhin die wirtschaftlichen Kräfte beleuchten