Best Feasible Conditional Critical Values for a More Powerful Subvector Anderson-Rubin Test

Resumen Técnico: Mejores Valores Críticos Condicionales Factibles para una Prueba de Anderson-Rubin de Subvector más Potente

Planteamiento del Problema
En el modelo de variables instrumentales (IV) lineales bajo homocedasticidad, la inferencia sobre un subconjunto de parámetros (inferencia de subvectores) se complica por la potencial debilidad de los instrumentos. Guggenberger, Kleibergen y Mavroeidis (2019) (GKM) propusieron una prueba de Anderson-Rubin (AR) de subvector condicional que utiliza valores críticos dependientes de los datos para adaptarse a la fuerza de identificación de los parámetros de molestia (aquellos que no están bajo prueba). La prueba de GKM condiciona sobre el autovalor más grande de una matriz de Wishart no central derivada del estadístico AR. Aunque este enfoque garantiza un tamaño correcto y una potencia estrictamente superior a las pruebas asintóticas $\chi^2$ estándar, los autores argumentan que el autovalor más grande no es el indicador óptimo para la identificación débil.

Específicamente, un autovalor más grande pequeño señala correctamente una identificación débil, pero un autovalor más grande grande no implica necesariamente una identificación fuerte para todos los parámetros de molestia. En escenarios donde el autovalor más grande es grande pero el segundo autovalor más pequeño es pequeño, los parámetros de molestia aún pueden sufrir de identificación débil. Condicionar sobre el autovalor más grande en tales casos no logra ajustar los valores críticos lo suficiente, lo que puede resultar en pruebas conservadoras con una potencia menor de la necesaria.

Metodología
El artículo propone condicionar la prueba AR de subvector sobre el segundo autovalor más pequeño ($\hat{\kappa}_{p-1}$) de la matriz de Wishart no central de $p \times p$, donde $p = m_W + 1$ ($m_W$ es el número de parámetros de molestia). El propio estadístico AR corresponde al autovalor mínimo ($\hat{\kappa}_p$).

La contribución teórica central se basa en las propiedades de la distribución conjunta de los autovalores de una matriz de Wishart no central $\Xi'\Xi \sim W_p(k, I_p, M'M)$:

1. Equivalencia Asintótica: Los autores demuestran que cuando los $p-2$ autovalores más grandes de la matriz de no centralidad $M'M$ son grandes (acercándose al infinito), la distribución conjunta de los dos autovalores más pequeños ($\hat{\kappa}_{p-1}, \hat{\kappa}_p$) es idéntica a la distribución conjunta de los autovalores de una matriz de Wishart no central de $2 \times 2$.
2. Ajuste de Grados de Libertad: En este caso límite, la matriz de $2 \times 2$ tiene grados de libertad iguales a $k - m_W + 1$ (donde $k$ es el número de instrumentos), y los parámetros de no centralidad corresponden a los dos autovalores más pequeños de la matriz original de $p \times p$.
3. Transferencia de Valores Críticos: Este resultado implica que las funciones de valores críticos tabuladas por GKM (que condicionan sobre el autovalor más grande para un sistema de $2 \times 2$) pueden aplicarse directamente a la propuesta de la prueba simplemente sustituyendo la variable de condicionamiento: reemplazando el autovalor más grande $\hat{\kappa}_1$ por el segundo autovalor más pequeño $\hat{\kappa}_{p-1}$.

Para abordar los casos donde los $p-2$ autovalores más grandes son finitos (no se acercan al infinito), los autores derivan la función de densidad de probabilidad condicional de los dos autovalores más pequeños basándose en los resultados de James (1964) y Muirhead (2009). Demuestran que la probabilidad de rechazo de la prueba es monótonamente decreciente en los valores de los autovalores más grandes. Por consiguiente, el tamaño de la prueba se mantiene controlado (limitado por el nivel nominal $\alpha$) incluso cuando los autovalores más grandes no son infinitos, ya que la probabilidad de rechazo es estrictamente inferior en el caso límite donde estos son infinitos.

Contribuciones Clave y Resultados

• Tamaño Correcto: La prueba propuesta, que condiciona sobre el segundo autovalor más pequeño, mantiene un control de tamaño correcto bajo la hipótesis nula para todas las configuraciones de los parámetros de no centralidad.
• Potencia Estrictamente Superior: Para $m_W > 1$, el valor crítico derivado de condicionar sobre el segundo autovalor más pequeño es estrictamente menor que el valor crítico derivado de condicionar sobre el autovalor más grande (para el mismo estadístico observado). Debido a que el valor crítico es menor, la prueba propuesta ($\phi_{c_{p-1}}$) tiene una potencia estrictamente mayor que la prueba original de GKM ($\phi_{c_1}$).
• Factibilidad Computacional: El método conserva la simplicidad computacional del enfoque de GKM. Evita la necesidad de condicionar sobre un conjunto mayor de autovalores, lo que aumentaría la potencia pero a costa de una complejidad computacional prohibitiva.
• Extensión a la Heterocedasticidad: Los autores muestran que sus hallazgos se extienden al escenario propuesto por Guggenberger, Kleibergen y Mavroeidis (2024), donde el modelo permite heterocedasticidad condicional con una estructura de producto de Kronecker aproximada. La ventaja de potencia de condicionar sobre el segundo autovalor más pequeño también se mantiene en este entorno robusto.

Significancia
El artículo afirma proporcionar la prueba de AR de subvector "más factible" para el entorno de IV lineal bajo homocedasticidad. Al identificar el segundo autovalor más pequeño como el indicador apropiado para la identificación débil de los parámetros de molestia, el procedimiento propuesto incorpora adecuadamente la información de identificación débil que la prueba de GKM omite. Esto resulta en una prueba que es tanto computacionalmente simple como estadísticamente más potente, particularmente cuando el número de parámetros de molestia es superior a uno. Los autores enfatizan que, si bien condicionar sobre más autovalores podría teóricamente generar mayores ganancias de potencia, el costo computacional sería excesivo; por lo tanto, condicionar sobre el segundo autovalor más pequeño representa el compromiso óptimo entre factibilidad y potencia.