The purpose of an estimator is what it does: Misspecification, estimands, and over-identification

إليك ملخص تقني مفصل لورقة "Misspecification, estimands, and over-identification" (الخطأ في التوصيف، والمقدرات، والتعريف الزائد) من تأليف أندروز، وتشن، وتيكيو.

1. بيان المشكلة

تتناول الورقة انفصالاً جوهرياً بين النظرية الاقتصادية القياسية والممارسة التجريبية في علم الاقتصاد، وتحديداً فيما يتعلق بـ النماذج ذات التعريف الزائد (النماذج التي يتجاوز فيها عدد شروط العزوم عدد المعلمات).

• المعيار النظري: توصي الكتب المرجعية القياسية في الاقتصاد القياسي باختبار قيود التعريف الزائد (عبر اختبار هانسن $J$)، وإذا لم يتم رفض النموذج، يُستخدم مُقدّر طريقة العزوم المعممة (GMM) الفعالة مع أوزان مثلى.
• الواقع التجريبي: كشف مسح لـ 36 ورقة بحثية في مجلة American Economic Review (للفترة 2020–2024) أن الباحثين غالباً ما:
  1. يتجاهلون اختبارات $J$ الرسمية (3 فقط من أصل 22 ورقة تتناول التعريف الزائد أبلغت عنها).
  2. يستخدمون مُقدّرات غير فعالة (مثل أوزان الهوية، أو أوزان مختارة يدوياً، أو مجموعات فرعية من العزوم) بدلاً من المُقدّر الفعال الأمثل.
  3. يعتمدون على "اختبارات النظر بالعين" (الفحص البصري لفجوات العزوم) بدلاً من اختبارات التوصيف الرسمية.

القضية الجوهرية: إذا كان يُفترض أن النماذج صحيحة، فإن هذه الممارسات تكون دون المستوى الأمثل. ومع ذلك، إذا كانت النماذج خاطئة في التوصيف (وهو ما يرى المؤلفون أنه هو السائد)، فإن حجج الكفاءة القياسية تنهار. إن مصفوفات الأوزان المختلفة في GMM لا تؤدي فقط إلى تباينات مختلفة لنفس المعلمة، بل تتقارب نحو مقدرات (estimands) مختلفة (قيم احتمالية حدية مختلفة). تجادل الورقة بأن الباحثين يختارون ضمنياً أي معلمة يرغبون في تقديرها بناءً على مخاوفهم المتعلقة بخطأ التوصيف، لكن هذا الاختيار غالباً ما يكون غامضاً ويؤدي إلى "درجات حرية للباحث".

2. المنهجية والإطار العملي

يستخدم المؤلفون إطاراً نظرياً صارماً يجمع بين التحليل التقاربي، والخطأ المحلي في التوصيف، والتدقيق التجريبي.

أ. التمايزات المفاهيمية

تُحدد الورقة التمايز بين:

1. النموذج الاقتصادي القياسي ($M$): مجموعة الأزواج $(\theta, P)$ المتسقة مع النظرية الاقتصادية، حيث $\theta$ هي المعلمة محل الاهتمام و $P$ هو توزيع البيانات.
2. النموذج الإحصائي ($\mathcal{P}$): مجموعة توزيعات البيانات $P$ التي يوجد لها $\theta$ متسق مع $M$.
3. أنواع الخطأ في التوصيف:
   • الخطأ في التوصيف الإحصائي: توزيع البيانات الحقيقي $P \notin \mathcal{P}$ (النموذج لا يمكنه ملاءمة البيانات).
   • الخطأ في التوصيف الاقتصادي القياسي: الزوج الحقيقي $(\theta, P) \notin M$ (الخريطة من البيانات إلى المعلمة الاقتصادية غير صحيحة).

ب. "الغرض من المُقدّر"

يتبنى المؤلفون وجهة نظر مفادها أن "الغرض من المُقدّر هو ما يفعله". في ظل خطأ التوصيف، يتقارب المُقدّر $\hat{\theta}$ نحو قيمة حقيقية كاذبة (pseudo-true value) $\theta^*(P)$، والتي تعتمد على مصفوفة الأوزان المستخدمة.

• رؤية رئيسية: في نماذج التعريف الزائد، يؤدي تغيير مصفوفة الأوزان $\Omega$ إلى تغيير الحد الاحتمالي ($\text{plim}(\hat{\theta}_\Omega)$). لذلك، فإن اختيار مصفوفة الأوزان هو في الواقع اختيار للمقدر (estimand).

ج. إطار الخطأ في التوصيف المحلي

لتحليل المقايضات بين الانحياز والتباين، يستخدم المؤلفون إطار الخطأ في التوصيف المحلي (Newey, 1985). يفترضون أن عملية توليد البيانات الحقيقية $P_n$ تحقق:
$$E_{P_n}[g(X_i, \psi)] = \frac{\eta}{\sqrt{n}}$$
يضمن هذا أن حجم الخطأ في التوصيف هو من نفس رتبة عدم اليقين في العينة ($\sqrt{n}$)، مما يمنع الخطأ في التوصيف من الهيمنة على التوزيع التقاربي مع السماح بوجود حدود انحياز غير صفرية.

د. التدقيق التجريبي

أجرى المؤلفون مراجعة منهجية لأوراق AER التي تستخدم GMM، وحسبوا إحصاءات $J$ للأوراق التي لم تبلغ عنها (حيث توفرت البيانات/الأكواد) لقياس مدى انتشار انتهاكات التعريف الزائد في الممارسة العملية.

3. المساهمات الرئيسية والنتائج النظرية

أ. توصيف المقدرات تحت خطأ التوصيف

تجمع الورقة الأدبيات الحديثة التي تُظهر أنه تحت خطأ التوصيف:

• OLS مقابل WLS: في النماذج السببية الخطية، يقدر المربعات الصغرى العادية (OLS) والمربعات الصغرى الموزونة (WLS) متوسطات موزونة مختلفة من الآثار السببية. لا يوجد أي منهما "أكثر كفاءة" بالمعنى العام؛ فهما ببساطة يستهدفان معلمات مختلفة.
• أوزان GMM: تستهدف مصفوفات الأوزان المختلفة في GMM قيمًا حقيقية كاذبة مختلفة. المُقدّر "الفعال" في GMM يكون فعالاً فقط إذا كان النموذج صحيح التوصيف. تحت خطأ التوصيف، هو مجرد واحد من العديد من المقدرات الممكنة.

ب. الاستدلال القوي ضد خطأ التوصيف

يؤكد المؤلفون على ضرية استخدام الأخطاء المعيارية القوية ضد خطأ التوصيف (مُقدّر "الساندوتش") لـ GMM.

• الأخطاء المعيارية التقليدية لـ GMM غير صالحة تحت خطأ التوصيف لأنها تتجاهل مساهمة التباين الناتجة عن المتوسط غير الصفر لشرط العزوم.
• يوصون باستخدام البوتستراب غير المعلمي (non-parametric bootstrap) (بدون إعادة تمركز) كبديل قوي، مشيرين إلى أن إعادة تمركز العزوم تفرض فرضية العدم الخاصة بصحة التوصيف، مما يؤدي إلى استدلال غير صالح تحت خطأ التوصيف.

ج. النتيجة النظرية الجديدة: إحصاءات $J$ ونطاق التقديرات

تتمثل أهم مساهمة نظرية للورقة في نتيجة جديدة تربط إحصائية هانسن $J$ بـ نطاق التقديرات الممكنة تحت خطأ التوصيف المحلي.

• النتيجة: إن مجموعة تقديرات GMM التي يمكن الحصول عليها عبر تغيير مصفوفة الأوزان (مع مراعاة حد على الخطأ المعياري بالنسبة للمُقدّر الفعال) تشكل فاصلاً مركزُه مُقدّر GMM الفعال. عرض هذا الفاصل يتناسب مع $\sqrt{J}$.
• النتيجة المترتبة (حد "التلاعب بالأوزان"): يمكن للباحث التلاعب بمصفوفة الأوزان لتحقيق إحصائية $t$ لا تقل عن $\sqrt{J}$ لأي فرضية صفرية.
  • إذا كان $\sqrt{J} > 1.96$، يمكن لباحث "خبيث" رفض أي فرضية صفرية عند مستوى 5% ببساطة عن طريق اختيار مصفوفة أوزان (غير فعالة) مناسبة.
  • لذلك، تقيس إحصائية $J$ نطاق درجات الحرية للباحث في نماذج التعريف الزائد.

4. النتائج التجريبية

• نتائج المسح: في عينة الـ 22 ورقة بحثية، لم تستخدم 14 ورقة أوزاناً فعالة. وبلغت 3 أوراق فقط عدد إحصاءات $J$.
• إعادة حساب إحصاءات $J$: قام المؤلفون بحساب إحصاءات $J$ للأوراق التي لم تبلغ عنها.
  • بينما لم يتم رفض عدد قليل من النماذج عند مستوى 5% بواسطة اختبار $J$ (مما يشير إلى أن النماذج ليست "خاطئة تماماً")، إلا أن العديد منها كان لديه $\sqrt{J} > 1.96$.
  • الدلالة: حتى عندما لا يتم رفض النماذج رسمياً، فإن حجم إحصائية $J$ يشير غالباً إلى أنه كان بإمكان الباحثين "التلاعب" بنتائجهم بسهولة لتحقيق الدلالة الإحصائية عبر تغيير الأوزان.

5. الأهمية والتوصيات

تغير هذه الورقة بشكل جذري تفسير نماذج التعريف الزائد من كونها مشكلة اختبار فرضيات ("هل النموذج صحيح؟") إلى مشكلة تقدير ("ما هي المعلمة التي نقدرها؟").

التوصيات الرئيسية للباحثين:

1. التمييز بين أنواع التوصيف: الفصل بوضوح بين المخاوف المتعلقة بالتوصيف الاقتصادي (هل يصف النموذج الآلية؟) والتوصيف الإحصائي (هل يلائم النموذج البيانات؟).
2. تبرير المقدرات (Estimands): إذا كان الباحث يستخدم مُقدّراً غير فعال (مثل الأوزان المختارة يدوياً)، فيجب عليه التصريح بوضوح عن القيمة الحقيقية الكاذبة التي يستهدفها ولماذا هي مفضلة على القيمة الفعالة.
3. استخدام الأخطاء المعيارية القوية: يجب دائماً استخدام الأخطاء المعيارية القوية ضد خطأ التوصيف (أو البوتستراب) بدلاً من أخطاء GMM التقليدية.
4. الإبلاغ عن إحصاءات $J$: يجب على الباحثين الإبلاء عن إحصاءات $J$ حتى لو لم يقوموا باختبارات $J$ رسمية. تعمل إحصائية $J$ كأداة تشخيص لـ حساسية النتائج لاختيارات الأوزان. إن وجود إحصائية $J$ كبيرة يعني أن النتائج حساسة للغاية لاختيار المُقدّر، مما يحد من مصداقية أي تقدير نقطي منفرد.

الخلاصة:
تجادل الورقة بأنه في ظل وجود خطأ حتمي في التوصيف، فإن المُقدّر "الأفضل" ليس بالضرورة هو الأكثر كفاءة. بدلاً من ذلك، فإن الشفافية بشأن المقدر (ما الذي يتم تقديره) وحساسية النتائج لاختيارات الأوزان (التي تقاس بإحصائية $J$) أمر بالغ الأهمية للبحث التجريبي الرصين. لقد أعيد تعريف إحصائية $J$ ليس فقط كاختبار لصحة النموذج، بل كمقياس لـ "درجات الحرية للباحث" المتاحة للتلاعب بالنتائج.