Anpassungen sind wichtig

Beamte der Federal Reserve nennen ihre Entscheidungen gerne "datenabhängig". Wirtschaftsführer sagen es ein wenig anders, oft "datengesteuert". In beiden Fällen geht es um etwas wie: "Wir berücksichtigen relevante Daten, wenn wir wichtige Entscheidungen treffen." Alles schön und gut, aber sagt denn wirklich jemand etwas anderes? "Ich ziehe es vor, aus dem Bauch heraus zu raten" beeindruckt die Anleger in der Regel nicht. Natürlich behaupten die Leute, datenorientiert zu sein, auch wenn sie es nicht sind.

Schlimmer noch, man kann aufrichtig glauben, datenorientiert zu sein, während man Daten betrachtet, die unvollständig, verzerrt oder schlichtweg falsch sind. Wir leben in einer komplexen Welt. Die Messungen, die zu guten Entscheidungen führen, sind nicht einfach, selbst wenn es alle Beteiligten gut meinen. Wenn man dann noch bedenkt, dass wir alle auf unterschiedliche Weise voreingenommen sind, wird alles sehr schnell sehr kompliziert.

Heute möchte ich an den Artikel von letzter Woche anknüpfen, in dem wir die Art und Weise erörterten, in der Wirtschaftsprognosen Annahmen über die Zukunft treffen. Wie ich bereits sagte, sind diese Annahmen notwendig, aber wir sollten verstehen, worum es sich dabei handelt und warum wir sie treffen. In ähnlicher Weise müssen wir die Anpassungen verstehen, die oft an den Rohdaten vorgenommen werden, bevor wir sie sehen. Auch diese können hilfreich sein. Aber Sie müssen sie verstehen, wenn Sie sich auf bereinigte Daten verlassen, um wichtige Entscheidungen zu treffen - was Sie wahrscheinlich tun.


Anpassungen haben Grenzen

Viele der monatlichen und vierteljährlichen Daten, die wir verfolgen - Beschäftigung, BIP usw. - sind "saisonbereinigt". Was Sie sehen, ist nicht die tatsächliche Zahl der neuen Arbeitsplätze, die in den Umfragen ermittelt wurden. Das ist nur der Ausgangspunkt. Die rohe Zahl wird dann bereinigt, um "saisonale" Effekte zu entfernen.

Saisonale Effekte gibt es wirklich und sie sind sogar ziemlich häufig. Die Einzelhandelsumsätze steigen um die Feiertage. Landwirte kaufen zur Pflanzzeit mehr Saatgut und stellen zur Erntezeit mehr Helfer ein. Freizeitparks, die sich an Familien mit Kindern richten, haben im Sommer mehr Besucher. Hier im sonnigen Puerto Rico sind unsere Urlaubsorte im Winter stärker frequentiert. Die Immobilienpreise steigen in der Regel im Sommer. All das ist normal und zu erwarten. Aber es ist ein Problem, wenn man versucht, Trends über einen längeren Zeitraum zu beobachten.

Wenn zum Beispiel die Arbeitsmarktdaten zeigen, dass der Einzelhandel im letzten Monat 100.000 neue Mitarbeiter eingestellt hat, was bedeutet das dann? Geben die Verbraucher mehr aus? Boomt die Wirtschaft? Vielleicht, vielleicht auch nicht. Wir brauchen mehr Kontext.

Wenn wir sehen, dass der Einzelhandel in den letzten Jahren im gleichen Kalendermonat durchschnittlich 70.000 neue Mitarbeiter eingestellt hat, dann sind 100.000 also 30.000 mehr als "normal". Das ist signifikant, vor allem, wenn es sich über mehrere Monate fortsetzt. In diesem Beispiel würden wir sagen, dass die Beschäftigung im Einzelhandel um 100.000 oder saisonbereinigt um 30.000 zugenommen hat. Die Bereinigung hebt die Veränderung hervor. (Hinweis: Dies ist ein vereinfachtes Beispiel, die Berechnung ist in Wirklichkeit viel komplizierter).

Nun haben saisonale Anpassungen ihre Grenzen, insbesondere wenn Dinge wie COVID-19 zu großen, aber vorübergehenden Verzerrungen führen. Diese wirken sich auf die Grundlinie aus und können sich Jahre später in merkwürdigen saisonalen Anpassungen niederschlagen. Statistiker können auch das bereinigen, aber sie können nur so viel bereinigen, bis die Zahlen bedeutungslos werden. Das ist ein Grund, warum die Daten seit 2020 so schwer zu interpretieren sind.

Ich habe das schon einmal gesagt, und es lohnt sich, es zu wiederholen: Rückwärtsgerichtete Daten, die das Jahr 2020 einschließen, werden für mehrere Jahre verzerrt sein, bis die extreme Volatilität des Jahres 2020 im Grunde in den langfristigen Kuchen eingebacken ist. Wir sehen das bei vielen Datenveröffentlichungen, ganz zu schweigen von Gewinnvergleichen, und es kann die Situation schlechter oder besser aussehen lassen, als sie tatsächlich ist.

Aber auch in normalen Zeiten kann die Saisonalität die zugrunde liegenden Trends verschleiern. Das ist in der Wirtschaftsanalyse wichtig, denn Trends sind wichtiger als einzelne Datenpunkte. Ein bestimmter Monat oder ein bestimmtes Quartal kann aus allen möglichen Gründen ungewöhnlich sein. Mehrere anormale Monate hintereinander sind aussagekräftiger. Ohne saisonale Anpassungen würden wir sie wahrscheinlich weniger bemerken.

Die Regierungsbehörden, die Wirtschaftsdaten veröffentlichen, heben normalerweise aus genau diesem Grund die saisonbereinigten Daten hervor, aber sie stellen auch nicht bereinigte Daten zur Verfügung. Manchmal ist es hilfreich, die Zahlen in beiden Richtungen zu betrachten. Betrachten wir einmal etwas so "einfaches" wie die Arbeitslosenquote (man beachte den Sarkasmus). Dieser erste Chart zeigt die Arbeitslosigkeit seit 1980. Dies ist der saisonbereinigte Chart, und wie wir bereits erwähnt haben, ist es ziemlich einfach, zurück zu gehen und die Trends zu betrachten.



Betrachten wir nun die nicht saisonbereinigte Rate. Ich habe mich dafür entschieden, mit dem Jahr 1980 zu beginnen, weil dadurch die Volatilität deutlicher wird. Es handelt sich um ziemlich große Schwankungen. Können Sie sich vorstellen, dass diese großen Schwankungen inmitten eines rasanten Wirtschaftsbooms Teil der monatlichen Veröffentlichung sind? Das ist jetzt schon verrückt genug. Die saisonalen Anpassungen geben uns einen Kontext ohne den außergewöhnlichen "Lärm".