Kausale Inferenz ist ein zentrales Thema in der empirischen Forschung, insbesondere wenn endogene Regressoren vorliegen. Klassische Ansätze zur Korrektur von Endogenität basieren auf Instrumentalvariablen (IV), erfordern jedoch starke und valide Instrumente – die in der Praxis oft schwer zu finden sind.

Dieses Projekt entwickelt einen IV-freien Ansatz zur Korrektur endogener Verzerrungen, indem die gemeinsame Verteilung des strukturellen Fehlers und der endogenen Regressoren mithilfe einer Copula-Funktion nichtparametrisch-bayesianisch modelliert wird. Während bisher vorwiegend parametrische Verfahren wie der frequentistische Copula-Ansatz von Park und Gupta (2012) eingesetzt wurden, verzichtet der vorgeschlagene Ansatz bewusst auf solche Restriktionen.

Die Verteilung des strukturellen Fehlers wird flexibel über Dirichlet-Process-Mixture Priors modelliert, während die Copula-Funktion durch eine unendliche Mixtur erfasst wird. Dadurch entfällt die Notwendigkeit restriktiver Verteilungsannahmen, und Schätzunsicherheit lässt sich vollständig berücksichtigen. Fortschritte in der Markov-Chain-Monte-Carlo-Simulation ermöglichen zugleich eine effiziente praktische Umsetzung, ohne dass asymptotische Approximationen erforderlich sind.

Das Projekt bietet somit eine allgemeine, robuste und flexible Methodik zur IV-freien Endogenitätskorrektur und leistet einen Beitrag zur Weiterentwicklung moderner kausaler Inferenzverfahren.