Welches ökonometrische Verfahren für deine VWL-Arbeit 2026? Querschnitt, Zeitreihe oder Panel — der Vergleich

Die Frage «Welches Modell soll ich rechnen?» wird in volkswirtschaftlichen Abschlussarbeiten fast immer falsch gestellt. Sie wird gestellt, als sei sie eine Frage des Anspruchsniveaus — als würde eine Panelregression eine bessere Note bringen als eine einfache Querschnittsschätzung. Sie ist aber eine Frage der Datenstruktur. Wer 26 Kantone für ein einziges Jahr hat, kann keine Fixed Effects schätzen, egal wie ambitioniert die Fragestellung ist. Wer eine Quartalszeitreihe über 40 Jahre hat, braucht keine Panelmethoden, sondern Zeitreihenökonometrie.

Dieser Vergleich führt dich in drei Schritten zur richtigen Wahl: Datenstruktur bestimmen, Identifikationsstrategie klären, Verfahren wählen. Zu jedem Verfahren findest du die Voraussetzungen, die nötige Diagnostik, den typischen Fehler und eine Vorlage für den Methodenabsatz.

Schritt 1: Bestimme deine Datenstruktur

Es gibt genau vier Möglichkeiten, und sie schliessen sich gegenseitig aus.

Querschnitt. Viele Einheiten, ein Zeitpunkt. Beispiel: Arbeitslosenquote und Bildungsstand in 26 Kantonen im Jahr 2025.

Zeitreihe. Eine Einheit, viele Zeitpunkte. Beispiel: Schweizer Inflationsrate, monatlich von 1990 bis 2025.

Gepoolter Querschnitt. Verschiedene Einheiten zu mehreren Zeitpunkten, ohne dass dieselben Einheiten wiederkehren. Typisch bei wiederholten Haushaltsbefragungen mit jeweils neuer Stichprobe.

Panel. Dieselben Einheiten über mehrere Zeitpunkte. Beispiel: 26 Kantone über 20 Jahre.

Zähle deine Beobachtungen aus, bevor du weiterliest: N Einheiten mal T Zeitpunkte. Diese beiden Zahlen bestimmen, welche Verfahren überhaupt in Frage kommen. Ein Panel mit N = 26 und T = 5 verhält sich völlig anders als eines mit N = 5 und T = 60.

Schritt 2: Kläre deine Identifikationsstrategie

Bevor du ein Verfahren wählst, beantworte diese Frage: Willst du einen Zusammenhang beschreiben oder einen kausalen Effekt schätzen?

Der Unterschied ist keine Feinheit. Eine deskriptive Fragestellung — «Wie hängen Bildungsausgaben und Arbeitslosenquote zusammen?» — beantwortest du mit einer Regression und formulierst die Ergebnisse als Assoziation. Eine kausale Fragestellung — «Wie wirkt sich eine Erhöhung der Bildungsausgaben auf die Arbeitslosigkeit aus?» — braucht eine Identifikationsstrategie: ein natürliches Experiment, eine Instrumentvariable, eine Differenz-von-Differenzen-Konstellation oder zumindest eine plausible Kontrolle für Störfaktoren.

Der häufigste inhaltliche Fehler in VWL-Abschlussarbeiten ist, eine deskriptive Schätzung kausal zu interpretieren. Wenn du keine Identifikationsstrategie hast, ist das kein Mangel — dann formulierst du eben deskriptiv. Der Mangel entsteht erst, wenn im Fazit steht «X führt zu Y», obwohl nur eine Korrelation geschätzt wurde.

Verfahren 1: OLS im Querschnitt

Wann: Ein Zeitpunkt, mehrere Einheiten, deskriptive oder konditionale Fragestellung.

Voraussetzungen, die du prüfen musst: Linearität, keine perfekte Multikollinearität, Homoskedastizität, keine einflussreichen Ausreisser. Normalverteilung der Residuen ist bei grösseren Stichproben nachrangig, bei kleinen aber relevant.

Diagnostik: Residuenplot gegen die Vorhersagewerte, Varianzinflationsfaktoren für Multikollinearität, ein Test auf Heteroskedastizität und die Prüfung einflussreicher Beobachtungen. Der praktische Ablauf inklusive der Frage, welche Häkchen im Statistikprogramm gesetzt werden müssen und wie du die Ausgabe liest, ist in der Anleitung zur multiplen Regression beschrieben.

Standardlösung bei Heteroskedastizität: Robuste Standardfehler. Das ist in der modernen angewandten Ökonometrie der Normalfall und keine Notlösung — berichte sie und nenne den Typ.

Typischer Fehler: Zu viele Prädiktoren bei zu wenigen Beobachtungen. Bei 26 Kantonen sind drei Kontrollvariablen viel; sechs sind zu viele. Wie du die nötige Fallzahl vorab abschätzt, zeigt der Beitrag zur Berechnung der Stichprobengrösse.

Methodenabsatz: «Der Zusammenhang wurde mit einer linearen Regression nach der Methode der kleinsten Quadrate geschätzt. Aufgrund eines signifikanten Befunds im Breusch-Pagan-Test werden heteroskedastizitätsrobuste Standardfehler berichtet.»

Verfahren 2: Logistische Regression

Wann: Die abhängige Variable ist binär — erwerbstätig ja/nein, Unternehmensgründung ja/nein, Zahlungsausfall ja/nein.

Das ist keine Stilfrage, sondern zwingend: Ein lineares Modell über einer 0/1-Variable produziert Vorhersagewerte ausserhalb des Intervalls und verletzt die Homoskedastizitätsannahme systematisch. Warum die Wahl nicht dir überlassen ist und wie du Odds Ratios korrekt interpretierst, erklärt der Vergleich lineare oder logistische Regression.

Berichten musst du: Koeffizienten oder Odds Ratios mit Konfidenzintervall, ein Pseudo-Bestimmtheitsmass mit dem Hinweis, dass es nicht wie ein R-Quadrat zu lesen ist, und die Fallzahl je Ausprägung. Für die Faustregel zur Mindestzahl von Ereignissen pro Prädiktor gilt: Massgeblich ist die seltenere Ausprägung, nicht die Gesamtstichprobe.

Verfahren 3: Panelmodelle — Fixed oder Random Effects

Wann: Dieselben Einheiten über mehrere Perioden. Das ist die häufigste Struktur bei kantonalen oder länderübergreifenden VWL-Arbeiten.

Der Kern des Panelvorteils: Du kannst für alles kontrollieren, was sich zwischen den Einheiten unterscheidet, aber über die Zeit konstant bleibt — Sprachregion, Topografie, historisch gewachsene Wirtschaftsstruktur. Diese Faktoren musst du nicht messen; das Fixed-Effects-Modell eliminiert sie.

Fixed Effects schätzt nur die Variation innerhalb der Einheiten über die Zeit. Zeitkonstante Merkmale fallen heraus und können nicht geschätzt werden — wenn dich der Effekt der Sprachregion interessiert, ist Fixed Effects das falsche Modell.

Random Effects nutzt zusätzlich die Variation zwischen den Einheiten und kann zeitkonstante Merkmale schätzen. Der Preis ist eine starke Annahme: Die einheitenspezifischen Effekte dürfen nicht mit den erklärenden Variablen korrelieren. In der Praxis ist diese Annahme selten haltbar.

Die Entscheidung: Der Hausman-Test prüft formal, ob die Random-Effects-Annahme verletzt ist. In der angewandten Praxis wird häufig Fixed Effects als Standard gewählt und Random Effects nur dann, wenn die Fragestellung zeitkonstante Merkmale erfordert und die Annahme begründbar ist. Berichte den Test, aber begründe die Wahl auch inhaltlich.

Zwingend dazu: Zeiteffekte. Nimm Jahresdummies auf, sonst schreibst du gemeinsame Konjunkturbewegungen deinen erklärenden Variablen zu. Und cluster die Standardfehler auf Ebene der Einheit — Beobachtungen desselben Kantons über die Jahre sind nicht unabhängig.

Typischer Fehler: Ein Panel mit T = 3 und dem Anspruch, Dynamik zu modellieren. Dynamische Panelmodelle brauchen mehr Perioden und mehr methodisches Rüstzeug, als eine Bachelorarbeit bietet.

Verfahren 4: Zeitreihenmodelle

Wann: Eine Einheit, viele Perioden — makroökonomische Aggregate für die Schweiz.

Hier gilt eine Regel, die in Querschnittsarbeiten keine Rolle spielt: Prüfe zuerst die Stationarität. Zwei Zeitreihen, die beide einen Trend haben, korrelieren fast immer hoch — auch wenn sie nichts miteinander zu tun haben. Diese Scheinregression ist der klassische Anfängerfehler der Zeitreihenökonometrie.

Ablauf:

1. Zeitreihe grafisch anschauen. Trend? Strukturbruch? Saisonalität?
2. Einheitswurzeltest durchführen. Ist die Reihe stationär?
3. Wenn nicht stationär: differenzieren, oder — wenn mehrere Reihen gemeinsam einen langfristigen Zusammenhang haben — auf Kointegration testen und ein Fehlerkorrekturmodell schätzen.
4. Autokorrelation der Residuen prüfen und gegebenenfalls berücksichtigen.

Typischer Fehler: Zwei Niveaureihen in eine Regression werfen und ein hohes Bestimmtheitsmass als Erfolg feiern.

Verfahren 5: Differenz-von-Differenzen

Wann: Eine Politikmassnahme trifft eine Gruppe und eine andere nicht, und du hast Daten vor und nach der Einführung. In der Schweiz besonders ergiebig, weil kantonale Unterschiede in Steuer-, Bildungs- und Sozialpolitik natürliche Vergleichssituationen erzeugen.

Das Verfahren vergleicht die Veränderung in der betroffenen Gruppe mit der Veränderung in der Vergleichsgruppe. Die entscheidende Annahme heisst parallele Trends: Ohne die Massnahme hätten sich beide Gruppen gleich entwickelt. Diese Annahme kannst du nicht beweisen, aber du musst sie plausibel machen — üblicherweise durch eine Grafik der Vorperioden, die zeigt, dass die Trends vor der Einführung parallel verliefen.

Konzeptionell ist das eng verwandt mit dem klassischen Vorher-Nachher-Vergleich mit Kontrollgruppe; die Logik der Messwiederholung erklärt der Beitrag zum Prä-Post-Design.

Typischer Fehler: Kein Blick auf die Vorperioden. Ohne Nachweis paralleler Trends ist die Schätzung nicht interpretierbar.

Die Entscheidungstabelle

• N gross, T = 1, deskriptiv → OLS mit robusten Standardfehlern
• N gross, T = 1, binäre Zielgrösse → Logistische Regression
• N mittel, T ≥ 3, dieselben Einheiten → Fixed Effects mit Zeitdummies und geclusterten Standardfehlern
• N = 1, T gross → Zeitreihenanalyse mit vorheriger Stationaritätsprüfung
• Politikeingriff mit Vergleichsgruppe → Differenz-von-Differenzen mit Prüfung paralleler Trends

Wenn du zwischen zwei Zeilen stehst, ist fast immer die einfachere Wahl die richtige. Eine sauber durchgeführte und ehrlich interpretierte OLS-Schätzung bewertet jede Betreuung höher als ein Panelmodell, dessen Annahmen nicht geprüft wurden.

Was im Ergebnisteil stehen muss

Unabhängig vom Verfahren gehören in die Ergebnistabelle: Koeffizient, Standardfehler, Fallzahl, das Bestimmtheitsmass beziehungsweise sein Äquivalent, und eine Angabe, welche Fixed Effects und welche Standardfehler verwendet wurden. Sternchen für Signifikanzniveaus sind üblich, ersetzen aber keine Konfidenzintervalle.

Zur Interpretation: Ein Koeffizient ist erst dann interpretiert, wenn du seine Grössenordnung inhaltlich einordnest. «Ein Anstieg der Bildungsausgaben um 1000 Franken pro Kopf ist mit einer um 0,3 Prozentpunkte niedrigeren Arbeitslosenquote assoziiert» ist eine Interpretation. «Der Koeffizient ist signifikant» ist keine. Warum Signifikanz und Bedeutsamkeit zwei verschiedene Dinge sind und wie du Effektgrössen einordnest, behandelt der Beitrag zur Interpretation von Effektstärken.

Und wenn nichts signifikant wird: Das ist ein Ergebnis, kein Scheitern. Wie du daraus ein tragfähiges Kapitel machst, statt die Spezifikation so lange zu ändern, bis etwas passt, zeigt der Beitrag zu nicht signifikanten Ergebnissen. Das nachträgliche Suchen nach der passenden Spezifikation ist ein Integritätsproblem und wird von erfahrenen Prüfenden erkannt.

Robustheitsprüfungen

Eine gute VWL-Arbeit zeigt nicht ein Modell, sondern eine Haupspezifikation und zwei bis drei Varianten: mit und ohne bestimmte Kontrollvariablen, mit alternativer Operationalisierung der Zielgrösse, mit und ohne auffällige Beobachtungen. Wenn das Vorzeichen und die ungefähre Grössenordnung stabil bleiben, ist dein Befund robust. Wenn nicht, gehört das in die Diskussion und nicht in die Schublade.

Zum Umgang mit auffälligen Beobachtungen gilt dabei dieselbe Regel wie überall: Die Entscheidung fällt vorab und wird dokumentiert — der Beitrag zum Erkennen und Behandeln von Ausreissern beschreibt, wie das ohne den Verdacht der Datenmassage funktioniert.

Vom Modell zum fertigen Kapitel

Die Modellwahl ist in einer VWL-Arbeit eine halbe Seite Text — aber sie bestimmt, wie Methodenteil, Ergebnisteil und Diskussion aufgebaut sein müssen. Wer das Modell erst wählt, wenn die Daten schon aufbereitet sind, schreibt den Methodenteil zweimal.

Tesify hält Fragestellung, Datenstruktur, Modellentscheidung und Quellen an einem Ort und baut dir daraus ein Kapitelgerüst, das zu deinem Verfahren passt. Leg deine VWL-Arbeit in Tesify an und triff die Modellentscheidung, bevor sie dich einholt.