Testing for Endogeneity: A Moment-Based Bayesian Approach

Diese Studie entwickelt einen konsistenten Bayes-Faktor-Test auf Endogenität für lineare Regressionsmodelle mittels des Rahmens der exponentiell gekippten empirischen Likelihood, der die Exogenität der Regressoren überprüft und dabei sowohl durch Simulationen als auch durch empirische Anwendungen zu Automobil- und Flugticketpreisen validiert wird.

Das Wesentliche

Stellen Sie sich vor, Sie sind ein Detektiv, der herausfinden soll, ob ein bestimmter Verdächtiger (nennen wir ihn X) wirklich die Ursache für ein Verbrechen (das Ergebnis Y) ist, oder ob er nur zufällig in der Nähe war.

In der Statistik und Ökonomie versuchen Forscher oft, solche Zusammenhänge zu messen. Das Problem ist: Manchmal ist X nicht unschuldig. Vielleicht gibt es einen unsichtbaren Drahtzieher (einen versteckten Fehler), der sowohl X als auch Y beeinflusst. Wenn man das ignoriert, kommt man zu falschen Schlussfolgerungen. Man könnte denken, X verursacht Y, dabei ist es nur ein Zufall oder ein dritter Faktor.

Dieses Papier von Chib, Shin und Simoni stellt eine neue, clevere Methode vor, um genau das herauszufinden: Ist X wirklich unschuldig (exogen) oder schuldig (endogen)?

Hier ist die Erklärung der Methode, übersetzt in eine einfache Geschichte:

1. Das Problem: Der verdächtige Verdächtige

Stellen Sie sich vor, Sie untersuchen, ob der Preis von Autos (X) die Nachfrage (Y) beeinflusst.

• Die naive Annahme: "Wenn der Preis steigt, sinkt die Nachfrage." Das ist logisch.
• Das Problem: Was, wenn die Preise nicht zufällig sind? Was, wenn teure Autos auch in wohlhabenden Gegenden verkauft werden, wo die Leute einfach mehr Geld haben? Der "Reichtum" ist der unsichtbare Drahtzieher. Er treibt den Preis hoch und die Nachfrage hoch.
• Wenn man das nicht beachtet, denkt man, der Preis sei weniger wichtig als er ist, oder man schätzt den Effekt falsch ein.

2. Die Lösung: Zwei Detektive im Wettstreit

Die Autoren schlagen vor, zwei verschiedene "Theorien" (Modelle) zu bauen und zu vergleichen, welche besser zur Realität passt.

• Detektiv A (Das Basis-Modell): Er ist ein idealistischer Detektiv. Er glaubt fest daran, dass X unschuldig ist. Er ignoriert jeden Hinweis auf Manipulation. Er baut sein Modell so, als gäbe es keine Verbindung zwischen dem Verdächtigen und dem unsichtbaren Drahtzieher.
• Detektiv B (Das Erweiterte Modell): Er ist ein skeptischer, vorsichtiger Detektiv. Er sagt: "Ich gehe nicht davon aus, dass X unschuldig ist. Ich baue einen extra Platz für den 'Schuld-Parameter' ein." Er erlaubt seinem Modell, dass X mit dem Fehler verbunden sein könnte. Er ist flexibler.

3. Der Vergleich: Der "Bayes-Faktor" als Richter

Jetzt kommt der spannende Teil. Wie entscheiden wir, welcher Detektiv recht hat?
Die Autoren nutzen einen mathematischen Trick namens Exponentially Tilted Empirical Likelihood (ETEL).

Stellen Sie sich das so vor:
Sie haben einen riesigen Haufen Beweismittel (Daten). Sie werfen diese Beweise auf die Waage beider Detektive.

• Die Regel: Der Detektiv, dessen Theorie die Beweise besser erklärt, gewinnt.
• Der Clou: Wenn X wirklich unschuldig ist, wird Detektiv A (der Idealist) gewinnen. Warum? Weil er "sparsamer" ist. Er hat weniger Parameter zu erklären. In der Wissenschaft gilt oft: Die einfachste Erklärung, die funktioniert, ist die beste (Ockhams Rasiermesser).
• Aber: Wenn X tatsächlich schuldig ist (also endogen), dann wird Detektiv A scheitern. Seine Theorie passt nicht zu den Beweisen, weil er den "Schuld-Parameter" ignoriert. Dann wird Detektiv B (der Skeptiker) gewinnen, weil sein Modell die Beweise viel besser abbildet.

4. Warum ist das so besonders?

Frühere Methoden waren oft wie ein starrer Richter, der nur "Schuldig" oder "Unschuldig" sagt, basierend auf komplexen Formeln, die schwer zu verstehen sind.
Diese neue Methode ist wie ein intelligenter, lernender Richter:

1. Keine starren Regeln: Sie muss nicht annehmen, dass die Daten einer bestimmten Glockenkurve (Normalverteilung) folgen. Sie ist flexibel wie ein Wasser, das sich jeder Form anpasst.
2. Automatische Strafe: Wenn Detektiv B (der flexible) gewinnt, muss er sich aber "strafen" lassen, weil er mehr Parameter hat. Das System sorgt automatisch dafür, dass man nur dann den komplexeren Weg geht, wenn es wirklich nötig ist.
3. Zuverlässigkeit: Die Autoren haben mathematisch bewiesen, dass wenn man genug Daten hat, dieser Richter immer die richtige Entscheidung trifft. Wenn X unschuldig ist, wählt er A. Wenn X schuldig ist, wählt er B.

5. Ein echtes Beispiel aus dem Papier

Die Autoren haben ihre Methode an zwei echten Problemen getestet:

1. Autopreise: Sie haben geprüft, ob der Preis von Autos die Nachfrage beeinflusst. Das Ergebnis? Ja, der Preis ist "schuldig" (endogen). Das Basis-Modell (das annahm, der Preis sei unschuldig) war falsch. Das erweiterte Modell hat gewonnen und zeigte einen stärkeren Effekt des Preises auf die Nachfrage.
2. Flugticketpreise: Hier haben sie geprüft, ob der Preis die Anzahl der Passagiere beeinflusst. In diesem Fall war der Preis "unschuldig" (exogen). Das einfachere Modell gewann.

Zusammenfassung in einem Satz

Die Autoren haben einen neuen, flexiblen mathematischen "Richter" entwickelt, der automatisch prüft, ob ein Faktor (wie ein Preis) wirklich die Ursache für ein Ergebnis ist oder ob er nur durch einen versteckten Trick verzerrt wird, und dabei die einfachste, aber korrekte Erklärung gewinnt.

Es ist wie ein Test, der Ihnen sagt: "Vertraue deiner einfachen Theorie, solange sie funktioniert. Aber sobald die Beweise zeigen, dass etwas faul ist, weiche sofort auf die komplexere, ehrlichere Theorie aus."

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des Papers „Testing for Endogeneity: A Moment-Based Bayesian Approach" von Chib, Shin und Simoni auf Deutsch.

1. Problemstellung

In der bayesschen Schätzung linearer Regressionsmodelle wird standardmäßig angenommen, dass die Regressoren exogen sind, d. h., sie sind nicht mit dem Modellfehlerterm korreliert. In der empirischen Praxis ist diese Annahme jedoch oft ungültig (Endogenität), was zu verzerrten Schätzungen und falschen kausalen Schlussfolgerungen führt.

Das zentrale Problem dieses Papers ist die Testung auf Endogenität im bayesschen Rahmen. Herkömmliche frequentistische Methoden (wie der Durbin-Wu-Hausman-Test) basieren auf asymptotischen Vergleichen von Schätzern unter verschiedenen Annahmen und lassen sich nicht direkt in die bayessche Modellvergleichslogik übertragen. Es fehlt eine rigorose Methode, um basierend auf den Daten zu entscheiden, ob ein Modell mit Exogenitätsannahme (Basis-Modell) oder ein Modell, das Endogenität explizit erlaubt (Erweitertes Modell), vorzuziehen ist.

2. Methodik

Die Autoren entwickeln einen Test auf Basis des Bayes-Faktors innerhalb eines Rahmens für Momentenbedingungen-Modelle unter Verwendung der Exponentiell-Geneigten Empirischen Likelihood (ETEL).

A. Modellierung

Es werden zwei konkurrierende Spezifikationen betrachtet:

1. Basis-Modell ($M_b$): Geht von Exogenität aus. Die Momentenbedingungen lauten:
   $E[\varepsilon(\theta)x] = 0$, $E[\varepsilon(\theta)z_1] = 0$, $E[\varepsilon(\theta)z_2] = 0$.
   Hier sind $x$ die endogenen Variablen, $z_1$ exogene Kontrollen und $z_2$ Instrumente. Wenn $x$ tatsächlich endogen ist, ist dieses Modell falsch spezifiziert.
2. Erweitertes Modell ($M_e$): Relaxiert die Exogenitätsannahme für $x$ durch Einführung eines zusätzlichen Parameters $v = E[\varepsilon(\theta)x]$. Die Momentenbedingungen sind:
   $E[\varepsilon(\theta)x] = v$, $E[\varepsilon(\theta)z_1] = 0$, $E[\varepsilon(\theta)z_2] = 0$.
   Dieses Modell ist korrekt spezifiziert, unabhängig davon, ob $x$ exogen oder endogen ist (da $v$ im Fall der Exogenität gegen 0 konvergiert).

B. ETEL und Posterior

Anstatt parametrische Verteilungsannahmen für die Fehlerterme zu treffen, nutzen die Autoren die ETEL. Dies ermöglicht eine robuste, nichtparametrische Inferenz, die nur auf den Momentenbedingungen basiert.

• Die ETEL-Gewichte $\hat{q}_i(\theta)$ werden als Lösung eines Optimierungsproblems definiert, das die Kullback-Leibler-Divergenz zur empirischen Verteilung minimiert, unter Einhaltung der Momentenbedingungen.
• Der Posterior wird als $\pi_n(\theta | w) \propto \pi(\theta) \cdot \hat{q}(w|\theta)$ gebildet.
• Der Bayes-Faktor $BF_{eb} = m(w|M_e) / m(w|M_b)$ vergleicht die marginalen Likelihoods der beiden Modelle.

C. Asymptotische Analyse

Ein Kernstück der Arbeit ist die Analyse der asymptotischen Eigenschaften der log-marginalen ETEL. Unter Verwendung der Identität von Chib (1995) wird die log-marginalen Likelihood in drei Teile zerlegt:

1. Log-ETEL (Likelihood-Term).
2. Log-Prior.
3. Negativer Log-Posterior (Ordinate).

Die Autoren zeigen, dass sich die log-marginalen Likelihood asymptotisch wie ein strafbehaftetes Kriterium verhält:
$$\log m(w|M) \approx -n \cdot KL(P || Q^*) - \frac{k}{2} \log n + O_p(1)$$
wobei $KL(P || Q^*)$ die Kullback-Leibler-Divergenz zwischen der wahren Verteilung $P$ und der am nächsten liegenden Verteilung $Q^*$ innerhalb des Modells ist, und $k$ die Anzahl der Parameter ist.

3. Wichtige Beiträge

1. Konstruktion spezifischer Testmodelle: Im Gegensatz zu früheren Arbeiten (z. B. Chib et al., 2018), die allgemeine Modellvergleiche behandeln, konstruieren die Autoren hier explizit die Basis- und Erweiterten Modelle, die notwendig sind, um Endogenität zu testen.
2. Existenzbedingung für ETEL: Sie führen eine neue Annahme ein, die garantiert, dass die ETEL-Funktion in einer Umgebung des wahren Parameters fast sicher existiert (die zulässige Menge des Optimierungsproblems ist nicht leer). Dies löst ein bisher unbehandeltes Problem in der ETEL-Literatur.
3. Direkter Beweis der LAN-Eigenschaft: Sie liefern einen direkteren Beweis für die stochastische lokale asymptotische Normalität (LAN) der log-ETEL-Funktion, indem sie die Linearität der Momentenbedingungen im IV-Regressionskontext ausnutzen. Dies führt zu einem neuen Beweis des Bernstein-von-Mises-Theorems für dieses Setting.
4. Konsistenz des Tests: Sie beweisen, dass der Bayes-Faktor-Test konsistent ist:
   • Wenn $x$ exogen ist, wählt der Test mit Wahrscheinlichkeit 1 das Basis-Modell $M_b$ (wegen der Strafe für die zusätzlichen Parameter in $M_e$, da beide Modelle korrekt spezifiziert sind).
   • Wenn $x$ endogen ist, wählt der Test mit Wahrscheinlichkeit 1 das erweiterte Modell $M_e$ (da $M_b$ falsch spezifiziert ist und die KL-Divergenz dominiert).
5. Neue asymptotische Darstellung: Sie leiten eine neue Darstellung der log-marginalen Likelihood her, die zeigt, dass die „Strafe" (Penalty) nicht ad hoc eingeführt wird, sondern natürlich aus der Posterior-Konzentration und der Variablentransformation (Jacobian) resultiert.

4. Ergebnisse

• Simulationen: Monte-Carlo-Simulationen zeigen, dass der Test auch bei kleinen bis mittleren Stichprobengrößen ($n=250$) sehr gut funktioniert. Er erkennt Endogenität zuverlässig, sobald der Korrelationskoeffizient zwischen Fehler und Regressor ($\rho$) von Null abweicht. Der Test übertrifft in der Diskriminierungskraft bei $\rho \approx 0$ sogar klassische frequentistische Kriterien wie GMM-BIC.
• Empirische Anwendungen:
  1. Automobilnachfrage (BLP-Modell): Analyse des Einflusses von Preisen auf die Nachfrage. Der Test bestätigt, dass Preise endogen sind. Die Berücksichtigung der Endogenität führt zu einer stärkeren Preiselastizität (in absoluten Werten) als bei Annahme von Exogenität. Zudem zeigt sich, dass nichtlineare Kontrollvariablen die Schätzung weiter verfeinern.
  2. Flugpreise und Passagieraufkommen: Analyse von longitudinalen Daten. Der Test deutet darauf hin, dass die Flugpreise in diesem spezifischen Datensatz als exogen betrachtet werden können (oder der Effekt der Endogenität statistisch nicht signifikant ist), was zu einer anderen Interpretation der Elastizität führt.

5. Bedeutung und Fazit

Dieses Paper schließt eine wichtige Lücke in der bayesschen Ökonometrie, indem es einen rigorosen, modellbasierten Test für Endogenität bereitstellt, der keine parametrischen Verteilungsannahmen erfordert.

• Methodische Bedeutung: Es etabliert den Bayes-Faktor als äquivalentes Werkzeug zum Hausman-Test, aber mit dem Vorteil der natürlichen Einbettung in die Modellvergleichslogik und der Robustheit gegenüber Verteilungsspezifikationen.
• Praktische Relevanz: Die Methode ermöglicht es Forschern, kausale Effekte (wie Preiseffekte) zuverlässiger zu schätzen, indem sie automatisch zwischen korrekter und falscher Spezifikation unterscheiden können.
• Theoretischer Fortschritt: Die Herleitung der Konsistenz und die neue asymptotische Zerlegung der marginalen Likelihood liefern tiefe Einblicke in das Verhalten von Momentenbedingungen-Modellen unter Misspezifikation und stärken die theoretische Fundierung der ETEL-basierten bayesschen Inferenz.

Zusammenfassend bietet das Paper einen robusten, theoretisch fundierten und praktisch anwendbaren Rahmen für die Behandlung von Endogenitätsproblemen in der bayesschen Analyse linearer Modelle.