Die Verfügbarkeit umfangreicher Datensätze aus administrativen und unternehmerischen Quellen bzgl. der wirtschaftlichen Entscheidungen von Privataushalten und Unternehmen verändert die empirische Forschung in den Sozialwissenschaften grundlegend.

Wirtschaftswissenschaftler/innen und Statistiker/innen entwickeln neue Methoden, die Antworten auf altbekannte empirische Fragen liefern und eine wesentlich schnellere und genauere Forschung ermöglichen. Gleichzeitig verändern neue Daten und Methoden auch die Arbeitsweise von Verwaltungen und Unternehmen, was neue und herausfordernde Fragen für Politik und Gesellschaft aufwirft.

Keynotes

Die Hauptvorträge beleuchten verschiedene Aspekte der Nutzung von Big Data in der Wirtschaftsforschung. Raj Chetty (Harvard University) erklärt, wie Verwaltungsdaten wie zum Beispiel Steuererklärungen genutzt werden können, um die heterogenen Auswirkungen von makroökonomischen Schocks und Politikmaßnahmen auf den Einzelnen zu verstehen und eine Echtzeitdiagnose der Wirtschaft abgeben zu können. Raffaella Sadun (Harvard Business School) beschäftigt sich mit der Frage, wie Manager/innen große Datenmengen, die ihre Unternehmen erzeugen, in Bereichen wie dem Personalmanagement nutzen. Michael Lechner (Universität St. Gallen) untersucht die Forschungsmöglichkeiten, die sich aus der Kombination von Methoden des maschinellen Lernens mit großen Verwaltungsdatensätzen ergeben, um die Auswirkungen von Politikmaßnahmen zu ermitteln. Das Kerntagungspanel gibt einen Überblick über die Chancen und Herausforderungen der Nutzung von „Big Data“ in der Wirtschaftsforschung in Deutschland, Österreich und der Schweiz.

Montag, 11.30 Uhr: Michael Lechner „Causal machine learning“

In recent years microeconometrics experienced the ‘credibility revolution’ culminating in the 2021 Nobel prices for David Card, Josh Angrist and Guido Imbens. These developments, hopefully, lead to more reliable estimation of causal effects of certain public policies. At same time, computer science, and to some extent also statistics, developed powerful algorithms (Machine Learning) that are very successful in prediction tasks. The new literature on Causal Machine Learning attempts to unit these two developments, i.e., use Machine Learning to improve causal analysis. In this talk, I review some of these developments. Subsequently, I use an empirical example from the field of active labour market evaluation to show how these methods can be fruitfully applied to improve the usefulness of empirical studies w.r.t. to evaluating and improving policies. I conclude with some considerations about current shortcomings and possible future developments of these methods.

Montag, 14.15 Uhr: Raj Chetty "Using Big Data for real-time diagnostics in the economy“

Dienstag, 14.15 Uhr: Raffella Sadun "Using Big Data to analyze Management Practices“

Kerntagungspanel

Mittwoch 14. Sept. / 12:15-13:15

Datenzugang für die Forschung

• Moderation: Gert G. Wagner, DIW Berlin
• Kerstin Schneider, Bergische Universität Wuppertal, Vorsitzende RatSWD
• Tobias Thomas, Generaldirektor Statistik Austria
• Kurt Schmidheiny, Universität Basel