Repairing Locally Misspecified GMM: An Empirical Bayes Approach
Este artículo propone un enfoque de Bayes Empírico para reparar estimadores del Método de Momentos Generalizados (GMM) bajo una especificación errónea local mediante la estimación de la media y la varianza de los errores de especificación para construir estimadores con corrección de sesgo y mejora de precisión, los cuales demuestran mejorar la robustez en aplicaciones como el estudio de Angrist y Krueger (1991) sobre los rendimientos de la escolaridad.
Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
En el mundo de la economía, los investigadores a menudo intentan comprender cómo funciona el mundo construyendo modelos simplificados. Estos modelos actúan como mapas: no son el territorio en sí, pero son útiles para navegar en él. Para probar si un mapa es preciso, los economistas utilizan un método llamado Método de Momentos Generalizado, o GMM. Imagine que está tratando de encontrar el valor real de algo, como el rendimiento de ir a la escuela. Tiene un conjunto de pistas, o "condiciones de momento", que deberían apuntar todas a la misma respuesta si su mapa fuera perfecto. A veces, se tienen más pistas de las estrictamente necesarias para encontrar la respuesta. Esto se llama estar "sobredeterminado". Cuando se tienen pistas adicionales, se puede comprobar si todas están de acuerdo. Si lo están, su modelo parece bueno. Si no están de acuerdo, sugiere que su modelo podría estar ligeramente equivocado, o "mal especificado", porque el mundo real es desordenado y ningún mapa es perfectamente preciso.
Durante décadas, cuando estas pistas adicionales no estaban de acuerdo, los economistas enfrentaron un dilema. Sabían que sus modelos eran aproximaciones, por lo que esperaban cierto grado de desacuerdo. Sin embargo, carecían de una forma fiable de medir exactamente qué tan equivocado estaba el modelo o cómo corregir la respuesta final. Las pruebas estadísticas estándar a menudo gritaban que el modelo estaba roto, pero los economistas sabían que un modelo perfecto rara vez existe. Esto los dejaba ante una elección: ignorar el desacuerdo y esperar lo mejor, o descartar las pistas útiles y perder precisión. La pregunta seguía siendo: ¿podríamos usar el mismísimo desacuerdo entre las pistas para construir una estimación mejor y más honesta de la verdad?
Un nuevo artículo de Patrick Kline ofrece un camino a seguir. El autor propone un método para reparar estos modelos imperfectos tratando los desacuerdos no como ruido aleatorio, sino como un patrón que puede ser medido y corregido. La idea central es asumir que los errores que causan que las pistas no coincidan son "intercambiables". En términos sencillos, esto significa que, aunque no sabemos qué pista específica está mal, podemos asumir que los errores que las afectan provienen del mismo grupo de posibilidades, compartiendo un comportamiento promedio y una dispersión similares. Al tratar estos errores como un grupo con un carácter compartido, el investigador puede estimar el tamaño promedio del error y cuánto varían los errores.
Una vez que se estiman estos patrones, el artículo introduce dos nuevas formas de calcular la respuesta final. El primer método simplemente resta el error promedio estimado del cálculo original. Esto es similar a cómo un agrimensor podría ajustar una medición si sabe que su herramienta tiene una inclinación constante y pequeña. El segundo método es más sofisticado. Utiliza una técnica estadística llamada Bayes Empírico para predecir la parte específica y predecible del error de cada pista y resta eso también. Este segundo enfoque actúa como un filtro, eliminando la "señal de ruido" que el modelo puede anticipar, dejando atrás una señal más limpia.
El autor probó estas ideas utilizando simulaciones por computadora, creando miles de conjuntos de datos falsos donde se conocía la respuesta verdadera. En estas pruebas, el método estándar producía estimaciones que a menudo estaban muy alejadas de la marca debido a que ignoraba los fallos del modelo. Los nuevos métodos, sin embargo, acercaron las estimaciones mucho más a la verdad. La corrección simple redujo el error significativamente, y el filtro más avanzado lo redujo aún más. Las simulaciones mostraron que estos nuevos estimadores podían mejorar la precisión en aproximadamente un quince por ciento en comparación con el enfoque estándar, una ganancia sustancial en un campo donde las pequeñas mejoras importan mucho.
Para ver si esto funcionaba con datos reales, el autor revisó un famoso estudio de 1991 que intentaba medir cuánto dinero adicional gana una persona por cada año de escolaridad. Ese estudio utilizó un ingenioso conjunto de pistas basado en la estación y el estado del nacimiento de una persona. El nuevo análisis sugirió que las pistas originales tenían un sesgo sistemático, probablemente porque la estación de nacimiento no era tan aleatoria como se esperaba. Cuando el autor aplicó los nuevos métodos de reparación, la estimación del rendimiento de la escolaridad cambió. Los números corregidos se acercaron a los resultados que se obtendrían con un método mucho más simple y menos preciso, lo que sugiere que el modelo complejo original había sido excesivamente optimista. Además, el nuevo método hizo que los resultados fueran mucho más estables; cambiar la lista de otros factores incluidos en el modelo ya no causaba que la respuesta oscilara salvajemente.
El artículo también proporciona una forma de calcular la incertidumbre de estas nuevas respuestas. Debido a que el método reconoce que el modelo es imperfecto, los intervalos de confianza resultantes son más amplios de lo habitual. Esto no es un fallo, sino una característica. Refleja honestamente el riesgo adicional introducido por los fallos del modelo. El autor demuestra que estos intervalos más amplios son estadísticamente válidos, lo que significa que capturarán la respuesta correcta el porcentaje de veces correcto, incluso cuando el modelo está mal especificado.
Al final, este trabajo no pretende haber encontrado un modelo perfecto de la economía. En cambio, ofrece un conjunto de herramientas para trabajar con modelos imperfectos. Demuestra que cuando las pistas no coinciden, no tenemos que descartarlas ni pretender que el desacuerdo no existe. Al medir el patrón del desacuerdo, podemos ajustar nuestros cálculos para ser más precisos y nuestras conclusiones para ser más honestas. El método funciona mejor cuando hay muchas pistas con las que trabajar, una situación común en la investigación económica moderna. Convierte la frustración del fallo del modelo en una fuente de información, permitiendo a los investigadores extraer mejores respuestas de la desordenada realidad de los datos.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.