Lead
In diesem Projekt versuchen wir, die Determinanten von Verhaltenspräferenzen besser zu verstehen. Wir werden die Risiko- und Zeitpräferenzen von 1000 Kleinbauern in ganz Äthiopien messen. Das Wohlergehen in diesem Bereich ist stark vom saisonalen Regen abhängig und die Versicherung ist in der Regel nicht verfügbar, wodurch das Risikoverhalten der Probanden noch wichtiger wird. Ein besseres Verständnis der Determinanten von Präferenzen sollte es uns auch ermöglichen, zukünftige Präferenzen und zukünftiges Verhalten vorherzusagen.

Lay summary
Risikopräferenzen spielen eine entscheidende Rolle für ökonomische Entscheidungen. Sie beeinflussen unter anderem Arbeitsmarktentscheidungen, Investitionsentscheidungen, aber auch Entscheidungen zu Heirat und Nachwuchs. Intertemporelle Präferenzen (wie lange bin ich bereit zu warten, um einen höheren Betrag zu erhalten), spielen eine ähnlich wichtige Rolle. Verschiedene Personen haben oft stark unterschiedliche Präferenzen, und solche Präferenzen verändern sich obendrein über die Zeit hinweg. Leider ist unser Verständnis über was solche Veränderungen und Unterschiede bewirkt sehr eingeschränkt. 

In diesem Projekt versuchen wir, ein besseres Verständnis der Determinanten von Entscheidungen zu erhalten. Wir messen hierzu die Risiko- und Zeitpräferenzen von 1000 Kleinbauern, die über das äthiopische Hochland verteilt sind. Die Landwirtschaft in diesem Gebiet ist zum Großteil von saisonalem Regen abhängig und Versicherung gibt es in der Regel nicht, was das Risikoverhalten der Probanden um so wichtiger macht. Die Gegend ist außerdem von großen Unterschieden im Regenfall sowohl über geographische Zonen als auch über die Zeit hinweg geprägt, was sie zu einem idealen Testfall für Determinanten von Präferenzen macht.

Ein besseres Verständnis der Determinanten von Präferenzen sollte es schlussendlich auch ermöglichen, zukünftige Präferenzen und zukünftiges Verhalten vorherzusagen. Ultimativ möchten wir daher die gesammelten Informationen verwenden, um Vorhersagemodelle zu entwerfen und diese zu testen. Die Methodologie hierfür zeigt Parallelen zur Wettervorhersage auf: man sagt eine zukünftige Wahrscheinlichkeitsverteilung vorher, basierend auf vergangen Daten und unserer Kenntnis der grundlegenden Prozesse; dann vergleicht man diese Vorhersage mit der tatsächlich beobachteten Verteilung; endlich gebraucht man letztere, um das Modell zu verbessern und beginnt von vorne.