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

Résumé Technique : Meilleures Valeurs Critiques Conditionnelles Faisables pour un Test d'Anderson-Rubin de Sous-vecteur Plus Puissant

Énoncé du Problème
Dans le modèle de variables instrumentales (IV) linéaires sous homoscédasticité, l'inférence sur un sous-ensemble de paramètres (inférence de sous-vecteur) est compliquée par la faiblesse potentielle des instruments. Guggenberger, Kleibergen et Mavroeidis (2019) (GKM) ont proposé un test d'Anderson-Rubin (AR) de sous-vecteur conditionnel qui utilise des valeurs critiques dépendantes des données pour s'adapter à la force d'identification des paramètres de nuisance (ceux qui ne sont pas l'objet du test). Le test de GKM conditionne sur la plus grande valeur propre d'une matrice de Wishart non centrale dérivée de la statistique AR. Bien que cette approche garantisse une taille correcte et une puissance strictement supérieure aux tests asymptotiques $\chi^2$ standards, les auteurs soutiennent que la plus grande valeur propre n'est pas l'indicateur optimal de l'identification faible.

Plus précisément, une petite plus grande valeur propre signale correctement une identification faible, mais une grande plus grande valeur propre n'implique pas nécessairement une identification forte pour tous les paramètres de nuisance. Dans les scénarios où la plus grande valeur propre est élevée mais où la deuxième plus petite valeur propre est faible, les paramètres de nuisance peuvent encore souffrir d'une identification faible. Conditionner sur la plus grande valeur propre dans ces cas échoue à ajuster suffisamment les valeurs critiques, ce qui peut conduire à des tests conservateurs avec une puissance inférieure à celle souhaitée.

Méthodologie
L'article propose de conditionner le test AR de sous-vecteur sur la deuxième plus petite valeur propre ($\hat{\kappa}_{p-1}$) d'une matrice de Wishart non centrale de dimension $p \times p$, où $p = m_W + 1$ ($m_W$ est le nombre de paramètres de nuisance). La statistique AR correspond elle-même à la valeur propre minimale ($\hat{\kappa}_p$).

La contribution théorique centrale repose sur les propriétés de la distribution jointe des valeurs propres d'une matrice de Wishart non centrale $\Xi'\Xi \sim W_p(k, I_p, M'M)$ :

1. Équivalence Asymptotique : Les auteurs démontrent que lorsque les $p-2$ plus grandes valeurs propres de la matrice de non-centralité $M'M$ sont grandes (tendant vers l'infini), la distribution jointe des deux plus petites valeurs propres ($\hat{\kappa}_{p-1}, \hat{\kappa}_p$) est identique à la distribution jointe des valeurs propres d'une matrice de Wishart non centrale de dimension $2 \times 2$.
2. Ajustement des Degrés de Liberté : Dans ce cas limite, la matrice $2 \times 2$ possède des degrés de liberté égaux à $k - m_W + 1$ (où $k$ est le nombre d'instruments), et les paramètres de non-centralité correspondent aux deux plus petites valeurs propres de la matrice $p \times p$ d'origine.
3. Transfert de Valeur Critique : Ce résultat implique que les fonctions de valeurs critiques tabulées par GKM (qui conditionnent sur la plus grande valeur propre pour un système $2 \times 2$) peuvent être directement appliquées au test proposé en substituant simplement la variable de conditionnement : en remplaçant la plus grande valeur propre $\hat{\kappa}_1$ par la deuxième plus petite valeur propre $\hat{\kappa}_{p-1}$.

Pour traiter les cas où les $p-2$ plus grandes valeurs propres sont finies (ne tendant pas vers l'infini), les auteurs dérivent la fonction de densité de probabilité conditionnelle des deux plus petites valeurs propres à partir des résultats de James (1964) et Muirhead (2009). Ils prouvent que la probabilité de rejet du test est décroissante de manière monotone par rapport aux valeurs des plus grandes valeurs propres. Par conséquent, la taille du test reste contrôlée (bornée par le niveau nominal $\alpha$) même lorsque les plus grandes valeurs propres ne sont pas infinies, car la probabilité de rejet est strictement inférieure au cas limite où elles sont infinies.

Principales Contributions et Résultats

• Taille Correcte : Le test proposé, qui conditionne sur la deuxième plus petite valeur propre, maintient un contrôle correct de la taille sous l'hypothèse nulle pour toutes les configurations des paramètres de non-centralité.
• Puissance Strictement Supérieure : Pour $m_W > 1$, la valeur critique dérivée en conditionnant sur la deuxième plus petite valeur propre est strictement plus petite que la valeur critique dérivée en conditionnant sur la plus grande valeur propre (pour la même statistique observée). Parce que la valeur critique est plus basse, le test proposé ($\phi_{c_{p-1}}$) possède une puissance strictement supérieure au test AR original de GKM ($\phi_{c_1}$).
• Faisabilité Computationnelle : La méthode conserve la simplicité de calcul de l'approche de GKM. Elle évite de devoir conditionner sur un ensemble plus large de valeurs propres, ce qui augmenterait la puissance mais au prix d'une complexité computationnelle prohibitive.
• Extension à l'Hétéroscédasticité : Les auteurs montrent que leurs conclusions s'étendent au cadre proposé par Guggenberger, Kleibergen et Mavroeidis (2024), où le modèle permet une hétéroscédasticité conditionnelle avec une structure de produit de Kronecker approximative. L'avantage de puissance du conditionnement sur la deuxième plus petite valeur propre est également maintenu dans ce cadre robuste.

Signification
L'article affirme fournir le test AR de sous-vecteur "le mieux faisable" pour le cadre IV linéaire sous homoscédasticité. En identifiant la deuxième plus petite valeur propre comme l'indicateur approprié de l'identification faible des paramètres de nuisance, la procédure proposée incorpore correctement l'information sur l'identification faible que le test de GKM omet. Cela aboutit à un test qui est à la fois computationnellement simple et statistiquement plus puissant, particulièrement lorsque le nombre de paramètres de nuisance est supérieur à un. Les auteurs soulignent que, bien que le conditionnement sur davantage de valeurs propres puisse théoriquement engendrer des gains de puissance supplémentaires, le coût de calcul serait excessif ; ainsi, le conditionnement sur la deuxième plus petite valeur propre représente l'arbitrage optimal entre faisabilité et puissance.