Description du projet
Une meilleure mesure de l’activité économique
Mesurer l’activité économique représente un défi essentiel. Par exemple, examiner les problèmes de production à la manière dont une entreprise produit des marchandises à partir de biens intermédiaires ou dont les revenus d’une personne sont produits à partir de ses compétences cognitives et non cognitives. Ces contributions (biens intermédiaires ou compétences) sont intrinsèquement difficiles à mesurer, et les chercheurs se demandent souvent si leurs données mesurent véritablement ce qu’elles sont censées mesurer. Le projet MEImpact, financé par l’UE, développera une nouvelle méthodologie afin d’évaluer officiellement l’impact potentiel de l’erreur de mesure, qui est la différence entre une quantité mesurée et sa véritable valeur. Le projet entend changer la manière dont les chercheurs empiriques abordent les problèmes de mesure et empêchent les conclusions et les décisions politiques erronées.
Objectif
Measuring economic activity is a fundamental challenge for empirical work in economics. Most empirical projects raise concerns about whether the data do in fact measure what they purport to measure. Mismeasurement may lead to severe model misspecification, biased estimates, and misled conclusions and policy decisions. Unfortunately, formally accounting for the possibility of mismeasurement in the econometric model is complicated and possible only under strong assumptions that limit the credibility of resulting conclusions. Therefore, the most common approaches to measurement issues are to ignore them, to informally argue why they may not be of first-order importance, to abandon the project, or to search for better data.
The objective of the research described in this proposal is to develop new methodologies for formally assessing the potential impact of measurement error (ME) on all aspects of an empirical project: on model-building, on estimation and inference, and on decision-making. For instance, the new inference procedures allow the researcher to test whether ME is a statistically significant feature that should be modeled, whether ME distorts objects of interest (e.g. a production or utility function), whether ME distorts conclusions from hypothesis tests, and whether ME affects subsequent decision-making.
I show that answering such questions is possible under much weaker assumptions than identification and estimation of a ME model and thus leads to more credible and robust conclusions. In addition, the implementation of the new procedures can be based on standard nonparametric estimation techniques that are part of many applied researchers’ toolkits.
In consequence, the research has the potential to fundamentally transform the way empirical researchers approach measurement issues, to significantly impact empirical practice, and ultimately to avoid misled conclusions and policy decisions.
Champ scientifique
Mots‑clés
Programme(s)
Thème(s)
Régime de financement
ERC-STG - Starting GrantInstitution d’accueil
80539 MUNCHEN
Allemagne