Efficient GMM and Weighting Matrix under Misspecification

ملخص تقني: طريقة المومنتات المعممة (GMM) الفعالة ومصفوفة الأوزان في ظل سوء التوصيف

1. بيان المشكلة
تُعد طريقة المومنتات المعممة (GMM) إطار عمل قياسي للتقدير والاستدلال في النماذج ذات التحديد الزائد. في حالة التوصيف الصحيح، تكون مصفوفة الأوزان الفعالة هي مقلوب مصفوف التباين والتباين المشترك للمومنتات، مما يعطي أصغر تباين تقاربي بين مقدرات GMM القياسية (Hansen, 1982; Chamberlain, 1987). ومع ذلك، غالباً ما تعاني النماذج الاقتصادية من سوء التوصيف بسبب الأدوات غير الصالحة، أو الأشكال الدالية الخاطئة، أو عدم تجانس أثر المعالجة.

تحت سوء التوصيف، يتقارب مقدر GMM نحو "قيمة شبه حقيقية" ($\theta_W$)، والتي تُعرف بأنها المقلل لدالة الهدف السكانية. ومن الأهمية بمكان أنه تحت سوء التوصيف، فإن اختيار مصفوفة الأوزان $W$ لا يؤثر فقط على الكفاءة، بل يحدد أيضاً القيمة المستهدفة $\theta_W$ نفسها. وقد أرست الأدبيات الحالية (على سبيل المثال، Hall و Inoue, 2003; Hansen و Lee, 2021) إجراءات استدلال صالحة لـ $\theta_W$ باستخدام أخطاء معيارية متينة تجاه سوء التوصيف. ومع ذلك، لا تزال هناك فجوة فيما يتعلق بما إذا كان مقدر GMM القياسي فعالاً لقيمة $\theta_W$ معينة تحت سوء التوصيف، وما إذا كانت هناك فئة من المقدرات يمكنها تحقيق تباين تقاربي أصغر لنفس الهدف.

2. المنهجية
تقترح الورقة فئة جديدة من المقدرات تعتمد على المومنتات المعممة مع إعادة التمركز.

• المومنتات المعممة: يلاحظ المؤلف أن دالة التأثير لمقدر GMM القياسي تحت سوء التوصيف تعتمد على كل من شروط المومنتات الأصلية $g(X_i, \theta)$ وجاكوبي (Jacobian) هذه الشروط $G(X_i, \theta)$. وتقوم الورقة ببناء متجه مومنتات معمّم $\psi(X_i, \theta) = [g(X_i, \theta)', \text{vec}(G(X_i, \theta)')']'$.
• إعادة التمركز: لضمان أن المومنتات السكانية تساوي صفراً عند القيمة شبه الحقيقية $\theta_W$، يتم إعادة تمركز المومنتات المعممة عبر طرح توقعاتها السكانية: $\tilde{\psi}(X_i, \theta) = \psi(X_i, \theta) - E[\psi(X_i, \theta_W)]$.
• مقدر ME: تُعرّف الورقة فئة عامة من مقدرات M (أو مقدرات Z) التي تحل المعادلة $\Lambda \tilde{\psi}_n(\hat{\theta}) = 0$. ومن خلال تطبيق نظرية معادلة التقدير المثلى (Godambe, 1960)، تشتق الورقة مصفوفة الأوزان المثلى $\Lambda^*_W = \Gamma(\theta_W)' \Sigma(\theta_W)^{-1}$، حيث $\Gamma$ هو جاكوبي المومنتات المعممة و$\Sigma$ هو تباينها.
• مقدر الكفاءة تحت سوء التوصيف (ME): يُطلق على المقدر الذي يستخدم $\Lambda^*_W$ اسم مقدر "الكفاءة تحت سوء التوصيف" (ME). وهو يحقق أصغر تباين تقاربي بين جميع المقدرات في هذه الفئة التي تظل متسقة لنفس القيمة $\theta_W$.
• التطبيقات الممكنة: نظراً لأن مقدر ME "الأوراكل" (Oracle) يتطلب حدود إعادة تمركز سكانية غير معروفة، تقترح الورقة ثلاثة بدائل ممكنة:
  1. بوتستراب إعادة التمركز المزدوج (DR Bootstrap): إجراء بوتستراب يقوم باضطراب المومنتات الأصلية والجاكوبي معاً، ويعيد تمركز كليهما عند نظائرهما العينية المقيمة عند تقدير GMM أولي. هذا الإجراء يحاكي التوزيع الحدي لمقدر GMM القياسي تحت سوء التوصيف، ويحتوي حالة Hall و Horowitz (1996) كحالة خاصة تحت التوصيف الصحيح.
  2. مقدر ME لعينات مجزأة (Split-Sample ME): إجراء مستوحى من Angrist و Krueger (1995) يستخدم نصف العينة لتقدير حدود إعادة التمركز (المومنتات السكانية وتوقعات الجاكوبي) والنصف الآخر لبناء تقدير ME النهائي.
  3. تقرير حد الأوراكل: حتى لو لم يكن تقدير النقطة متاحاً، توضح الورقة أن التباين التقاربي لمقدر الأوراكل ME، $V_{ME}(W) = (\Gamma' \Sigma^{-1} \Gamma)^{-1}$، يمكن تقديره باستمرار والإبلاغ عنه كـ "حد الكفاءة".

3. النتائج النظرية الرئيسية

• عدم كفاءة GMM القياسي: يُظهر أن مقدر GMM القياسي تحت سوء التوصيف هو حالة خاصة من مقدر M المعمم، ولكنه غير أمثل بشكل عام، حيث يفشل في استغلال المعلومات الواردة في تباين الجاكوبي.
• تبسيط النموذج الخطي: في النماذج الخطية، يتبسط التباين التقاربي لمقدر ME إلى $V_{ME} = (G' \Sigma_{11,2}^{-1} G)^{-1}$، حيث $\Sigma_{11,2}$ هو تباين بقايا المومنتات الأصلية بعد إزالة أثر الجاكوبي.
  • وهذا يعني أنه في النماذج الخطية، يكون التباين التقاربي لمقدر ME ثابتاً بغض النظر عن اختيار $W$. وبينما تستهدف قيم $W$ المختلفة قيم $\theta_W$ مختلفة، فإن دقة التقدير لأي $\theta_W$ محددة تحددها نفس حدود الكفاءة.
  • تشير الورقة إلى أن صيغة التباين لـ "GMM الفعال" التقليدي $(G'W G)^{-1}$ مع $W = \Sigma_{11}^{-1}$ تكون أصغر من اللازم بالنسبة لـ GMM القياسي تحت سوء التوصيف، مما يفسر الانحياز نحو الأسفل في الأخطاء المعيارية الملاحظ غالباً في الممارسة العملية.
• حدود المينماكس الموحدة (Uniform Minimax Bounds): تضع الورقة حدود مينماكس محلية موحدة عبر فئة من مصفوفات الأوزان $\mathcal{W}$. تمثل هذه الحدود أسوأ تباين قد يواجهه المقدر إذا كان الباحث غير مطلع على الاختيار المحدد لـ $W$ (وبالتالي $\theta_W$). ويحقق مقدر ME هذه الحدود.
• صلاحية البوتستراب: ثبت أن بوتستراب إعادة التمركز المزدوج (DR) صالح تقاربياً تحت سوء التوصيف، حيث ينجح في تقريب التباين في العينة لـ GMM القياسي، بينما يفشل بوتستراب Hall-Horowitz القياسي في التقاط حد تباين الجاكوبي الناتج عن سوء التوصيف.

4. النتائج التجريبية والمحاكاة

• محاكاة مونت كارلو:
  • تؤكد عمليات المحاكاة أن مقدر الأوراكل ME يمتلك انحرافات معيارية وأطوال فترات ثقة أصغر بكثير مقارنة بـ GMM القياسي، خاصة عندما تكون مصفوفة الأوزان بعيدة عن الكفاءة (مثل $W=I$) أو عندما يكون التحديد متوسطاً.
  • توفر فترات الثقة لبوتستراب DR تغطية صالحة (قريبة من 95% الاسمية) وهي أقصر بنسبة 10-17% من الفترات القائمة على الأخطاء المعيارية المتينة تحليلياً.
  • يعمل مقدر العينات المجزأة بشكل جيد، وإن كان بانحرافات معيارية أكبر قليلاً بسبب تقسيم العينة.
• التطبيقات التجريبية:
  • دراسة Card (1995) حول عوائد التعليم: يكون حد كفاءة ME أصغر بنسبة 15-20% تقريباً من الأخطاء المعيارية التقليدية والمتينة تجاه سوء التوصيف، حتى عندما لا يرفض اختبار Hansen J التوصيف.
  • دراسة Angrist و Krueger (1991) حول ربع السنة للميلاد: تم العثور على نتائج مماثلة. يكون حد ME أكثر إحكاماً بشكل ملحوظ من الأخطاء المعيارية المتينة، خاصة عند استخدام مصفوفة الوحدة ($W=I$) كمخطط للأوزان. تسلط النتائج الضوء على أنه بينما قد تكون التقديرات النقطية متشابهة عبر المواصفات، فإن مكاسب الكفاءة من استغلال معلومات الجاكوبي تعتبر جوهرية.

5. الأهمية والادعاءات

تدعي الورقة أنها توفر إطاراً نظرياً وعملياً لتحسين الاستدلال في نماذج GMM ذات التحديد الزائد تحت سوء التوصيف. وتتمثل مساهماتها الرئيسية في:

1. إعادة تعريف الكفاءة: تتحدى الورقة فكرة أن مقدر GMM القياسي هو الأمثل تحت سوء التوصيف، وتوضح أن فئة من المقدرات التي تستخدم المومنتات المعممة (المومنتات + الجاكوبي) يمكن أن تحقق تبايناً تقاربياً أصغر لـ $\theta_W$ نفسه.
2. حد الكفاءة (Efficiency Frontier): توفر مقياساً ممكناً (حد ME) يمكن للباحثين الإبلاغ عنه بجانب الأخطاء المعيارية للإشارة إلى مكاسب الكفاءة المتاحة إذا تم استغلال معلومات إعادة التمركز بالكامل. يعمل هذا كمعيار شفاف لـ "أفضل دقة ممكنة" بالنظر إلى سوء توصيف النموذج.
3. أدوات استدلال متينة: تقدم بوتستراب إعادة التمركز المزدوج ومقدرات العينات المجزأة كبدائل صالحة وممكنة لاستدلال GMM القياسي التي تأخذ في الاعتبار السلوك التقاربي المحدد للمقدرات تحت سوء التوصيف.
4. توضيح الأخطاء المعيارية: تقدم تفسيراً نظرياً للانحياز نحو الأسفل في الأخطاء المعيارية لـ GMM الفعال التقليدي، مما يشير إلى أن الصيغة التقليدية صالحة فقط لمقدر الأوراكل ME، وليس لـ GMM القياسي.

تحدد الورقة نطاقها صراحةً في مقدرات GMM ذات الخطوة الواحدة (one-step) مع مصفوفات أوزان ثابتة، وتفترض تحديداً كامل الرتبة، تاركةً التوسعات إلى GMM المتكرر (iterated GMM) والتحديد الضعيف كتوجهات للبحوث المستقبلية. وهي لا تدعي حل مشكلة تحديد المعلمة السببية "الحقيقية"، بل تركز على تحسين وصحة الاستدلال للقيم شبه الحقيقية التي يستهدفها GMM القياسي.