Repairing Locally Misspecified GMM: An Empirical Bayes Approach
تقترح هذه الورقة نهج "بايز التجريبي" لإصلاح مُقدِّرات "طريقة العزوم المعممة" (GMM) في ظل وجود خطأ في التوصيف المحلي، وذلك عبر تقدير المتوسط والتباين لأخطاء التوصيف لبناء مُقدِّرات مصححة الانحياز ومحسنة الدقة، والتي أظهرت قدرة على تعزيز المتانة في تطبيقات مثل دراسة أنجريست وكروجر (1991) حول العوائد على التعليم.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في عالم الاقتصاد، يحاول الباحثون غالبًا فهم كيفية عمل العالم من خلال بناء نماذج مبسطة. تعمل هذه النماذج مثل الخرائط: فهي ليست الأرض نفسها، لكنها مفيدة للتنقل فيها. وللاختبار ما إذا كانت الخريطة دقيقة، يستخدم الاقتصاديون طريقة تسمى "طريقة العزوم المعممة"، أو GMM. تخيل أنك تحاول إيجية القيمة الحقيقية لشيء ما، مثل العائد من الذهاب إلى المدرسة. لديك مجموعة من الأدلة، أو "شروط العزوم"، التي يجب أن تشير جميعها إلى نفس الإجابة إذا كانت خريطتك مثالية. وفي بعض الأحيان، يكون لديك من الأدلة أكثر مما تحتاجه فعليًا للوصول إلى الإجابة، وهذا ما يسمى بـ "التعريف الزائد". عندما يكون لديك أدلة إضافية، يمكنك التحقق مما إذا كانت جميعها متفقة. إذا كانت متفقة، فإن نموذجك يبدو جيدًا. أما إذا كانت متناقضة، فهذا يشير إلى أن نموذجك قد يكون خاطئًا قليلاً، أو "سيئ التوصيف"، لأن بيانات العالم الحقيقي فوضوية ولا توجد خريطة دقيقة تمامًا.
لعقود من الزمن، عندما كانت هذه الأدلة الإضافية تتناقض، واجه الاقتصاديون معضلة. لقد أدركوا أن نماذجهم هي مجرد تقريبات، لذا توقعوا حدوث بعض التناقض. ومع ذلك، افتقروا إلى طريقة موثوقة لقياس مدى خطأ النموذج بدقة أو كيفية إصلاح الإجابة النهائية. كانت الاختبارات الإحصائية القياسية غالبًا ما تصرخ بأن النموذج معطل، لكن الاقتصاديين كانوا يعلمون أن النموذج المثالي نادر الوجود. ترك هذا لهم خيارًا: إما تجاهل التناقض وتمني الأفضل، أو التخلي عن الأدلة المفيدة وفقدان الدقة. ظل السؤال قائمًا: هل يمكننا استخدام التناقض نفسه في الأدلة لبناء تقدير أفضل وأكثر صدقًا للحقيقة؟
يقدم بحث جديد لباتريك كلاين مسارًا للمضي قدمًا. يقترح المؤلف طريقة لإصلاح هذه النماذج غير المثالية من خلال التعامل مع التناقضات ليس كضجيج عشوائي، بل كنطاق يمكن قياسه وتصحيحه. الفكرة الجوهرية هي افتراض أن الأخطاء التي تسبب تناقض الأدلة هي أخطاء "قابلة للتبادل". وبمعنى بسيط، هذا يعني أنه بينما لا نعرف أي دليل محدد هو الخاطئ، يمكننا افتراض أن الأخطاء التي تؤثر عليها مستمدة من نفس مجموعة الاحتمالات، وتتشارك في سلوك متوسط واتساع متشابهين. ومن خلال التعامل مع هذه الأخطاء كمجموعة ذات طابع مشترك، يمكن للباحث تقدير متوسط حجم الخطأ ومدى تباين هذه الأخطاء.
بمجرد تقدير هذه الأنماط، يقدم البحث طريقتين جديدتين لحساب الإجابة النهائية. الطريقة الأولى تقوم ببساطة بطرح متوسط الخطأ المقدر من الحساب الأصلي. يشبه هذا كيف يقوم المساح بتعديل قياس ما إذا كان يعلم أن أداته بها ميل ثابت وصغير. أما الطريقة الثانية فهي أكثر تطورًا؛ حيث تستخدم تقنية إحصائية تسمى "بيز التجريبية" (Empirical Bayes) للتنبؤ بالجزء المحدد والمتوقع من الخطأ لكل دليل، ثم طرحه أيضًا. يعمل هذا النهج الثاني كمرشح (فلتر)، حيث يزيل "الضجيج" الذي يمكن للنموذج توقعه، تاركًا وراءه إشارة أكثر نقاءً.
اختبر المؤلف هذه الأفكاء باستخدام محاكاة حاسوبية، حيث أنشأ آلاف مجموعات البيانات الوهمية التي كانت فيها الإجابة الحقيقية معروفة. في هذه الاختبارات، أنتجت الطريقة القياسية تقديرات كانت غالبًا بعيدة عن الهدف لأنها تجاهلت عيوب النموذج. ومع ذلك، فإن الطرق الجديدة قربت التقديرات كثيرًا من الحقيقة. قلل التصحيح البسيط من الخطأ بشكل كبير، بينما قلل المرشح الأكثر تقدمًا من الخطأ بشكل أكبر. أظهرت عمليات المحاكاة أن هؤلاء المقدرين الجدد يمكنهم تحسين الدقة بنسبة تقارب خمسة عشر بالمائة مقارنة بالنهج القياسي، وهي زيادة كبيرة في مجال تهم فيه التحسينات الصغيرة كثيرًا.
ولرؤية ما إذا كان هذا سينجح مع البيانات الحقيقية، عاد المؤلف إلى دراسة شهيرة من عام 1991 حاولت قياس مقدار المال الإضافي الذي يكسبه الشخص مقابل كل سنة من الدراسة. استخدمت تلك الدراسة مجموعة ذكية من الأدلة القائمة على موسم وحالة ميل الشخص. أشار التحليل الجديد إلى أن الأدلة الأصلية كانت تعاني من انحياز منهجي، ويرجح أن يكون السبب هو أن موسم الميلاد لم يكن عشوائيًا كما كان مأمولًا. وعندما طبق المؤلف طرق الإصلاح الجديدة، تغير العائد المقدر للتعليم. انتقلت الأرقام المصححة لتصبح أقرب إلى النتائج التي قد تحصل عليها من طريقة أبسط وأقل دقة، مما يشير إلى أن النموذج المعقد الأصلي كان مفرط الثقة. علاوة على ذلك، جعلت الطة الجديدة النتائج أكثر استقرارًا؛ حيث لم يعد تغيير قائمة العوامل الأخرى المدرجة في النموذج يتسبب في تذبذب الإجابة بشكل حاد.
كما يوفر البحث طريقة لحساب عدم اليقين في هذه الإجابات الجديدة. ولأن الطريقة تقر بأن النموذج غير مثالي، فإن فترات الثقة الناتجة تكون أوسع من المعتاد. وهذا ليس فشلًا، بل هو ميزة؛ فهو يعكس بصدق المخاطر الإضافية التي يسببها عيب النموذج. ويوضح المؤلف أن هذه الفترات الأوسع صالحة إحصائيًا، مما يعني أنها ستلتقط الإجابة الصحيحة بالنسبة المئوية الصحيحة، حتى عندما يكون توصيف النموذج سيئًا.
في النهاية، لا يدعي هذا العمل أنه وجد نموذجًا مثاليًا للاقتصاد. بدلاً من ذلك، فإنه يقدم مجموعة أدوات للعمل مع النماذج غير المثالية. إنه يوضح أنه عندما تتناقض الأدلة، ليس علينا التخلص منها أو التظاهر بأن التناقض غير موجود. من خلال قياس نمط التناقض، يمكننا تعديل حساباتنا لنكون أكثر دقة واستنتاجاتنا لتكون أكثر صدقًا. وتعمل الطريقة بشكل أفضل عندما يكون هناك العديد من الأدلة للعمل بها، وهو وضع شائع في البحوث الاقتصادية الحديثة. إنها تحول الإحباط الناتج عن فشل النموذج إلى مصدر للمعلومات، مما يسمح للباحثين باستخراج إجابات أفضل من واقع البيانات الفوضوي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.