Bootstrap Inference in Nonlinear Panel Data Models with Interactive Fixed Effects

1. Énoncé du problème

L'article traite du problème des paramètres accessoires dans les modèles de données de panel non linéaires comportant des effets fixes interactifs.

• Contexte : Dans les modèles où l'hétérogénéité non observée est capturée par une structure factorielle (effets individuels $\alpha_i$ et effets temporels $\gamma_t$ interagissant sous la forme $\alpha_i'\gamma_t$), l'estimateur du maximum de vraisemblance (MLE) pour les paramètres communs ($\beta_0$) est biaisé dans les échantillons finis. Ce biais persiste asymptotiquement lorsque $N, T \to \infty$ (spécifiquement lorsque $T/N \to \kappa$), rendant l'inférence standard invalide.
• Limites des méthodes existantes :
  • Corrections analytiques : Nécessitent la dérivation de dérivées complexes d'ordre élevé de la fonction de vraisemblance (jusqu'au troisième ordre), qui peuvent être numériquement instables et difficiles à mettre en œuvre.
  • Méthodes du jackknife : Bien que plus faciles à mettre en œuvre, elles souffrent souvent de pertes d'efficacité dans les échantillons finis et reposent toujours sur des approximations normales pour les intervalles de confiance.
  • Problèmes d'optimisation : La fonction de log-vraisemblance dans les modèles à facteurs non linéaires est généralement non concave, rendant difficile la garantie de convergence vers le maximiseur global à l'aide d'algorithmes standards.

2. Méthodologie

Les auteurs proposent un cadre de bootstrap paramétrique combiné à une approche basée sur la transformation pour obtenir une inférence valide.

A. Stratégie d'estimation (MLE en deux étapes)

Pour résoudre la non-concavité de la fonction de vraisemblance, les auteurs adoptent l'estimateur pénalisé par la norme nucléaire proposé par Zeleneev et Zhang (2026) comme point de départ :

1. Étape 1 : Résoudre un problème d'optimisation convexe en utilisant une pénalité de norme nucléaire pour obtenir un estimateur initial cohérent qui converge vers le maximiseur global avec une probabilité égale à un.
2. Étape 2 : Utiliser cet estimateur initial pour démarrer un algorithme de descente de gradient, assurant la convergence vers le MLE global ($\hat{\theta}$) à un faible coût computationnel.

B. Procédure de bootstrap paramétrique

Le cœur de la méthodologie consiste à générer $B$ échantillons de bootstrap basés sur les paramètres estimés :

1. Processus de génération de données (DGP) : Générer des résultats de bootstrap $Y^*_{it}$ conditionnellement aux covariables originales $X_{it}$ et aux paramètres estimés $\hat{\theta}$ :
   $$Y^*_{it} | X_{it}, \hat{\beta}, \hat{\alpha}, \hat{\gamma} \sim f(\cdot | X'_{it}\hat{\beta} + \hat{\alpha}'_i \hat{\gamma}_t)$$
2. Estimation par bootstrap : Calculer le MLE ($\hat{\theta}^*$) pour chaque échantillon de bootstrap.
3. Correction du biais : Le biais est approximé par la différence entre la moyenne des estimations de bootstrap et l'estimation originale :
   $$\hat{\beta}_{boot} = 2\hat{\beta} - \frac{1}{B}\sum_{b=1}^B \hat{\beta}^*_b$$
4. Intervalles de confiance : Construire les intervalles directement à partir des quantiles de la distribution de bootstrap ($\hat{\beta}^* - \hat{\beta}$) plutôt que de se fier à la normalité asymptotique.

C. Correction de l'asymétrie basée sur la transformation

Les auteurs observent que les intervalles de bootstrap standards peuvent être excessivement conservateurs (sur-couverture) dans les échantillons finis en raison de l'asymétrie de la distribution de l'estimateur. Pour atténuer ce problème :

• Ils appliquent une transformation monotone $\phi(\cdot)$ (par exemple, Log, Box-Cox ou Yeo-Johnson) à l'estimateur avant de construire l'intervalle.
• L'intervalle est construit sur l'échelle transformée et réinjecté :
  $$[\phi^{-1}(2\phi(\hat{\beta}) - Q^*_{\phi(\hat{\beta}^*)}(1-\alpha/2)), \dots]$$
• Cela réduit l'asymétrie, produisant des intervalles plus étroits avec des probabilités de couverture plus proches du niveau nominal.

3. Contributions théoriques clés

L'article établit une théorie asymptotique rigoureuse dans un régime où $N, T \to \infty$ avec $T/N \to \kappa \in (0, \infty)$ :

• Normalité asymptotique uniforme : Les auteurs prouvent que le MLE admet un développement asymptotique uniforme dans un voisinage du vrai paramètre, étendant les résultats précédents de Chen et al. (2021) et Higgins et Jochmans (2024).
• Cohérence du bootstrap : Ils démontrent que la distribution du bootstrap paramétrique de $\sqrt{NT}(\hat{\beta}^* - \hat{\beta})$ converge faiblement vers la vraie distribution d'échantillonnage de $\sqrt{NT}(\hat{\beta} - \beta_0)$.
• Validité sans correction de biais explicite : Crucialement, le bootstrap produit des intervalles de confiance asymptotiquement valides même sans correction de biais explicite, car la distribution de bootstrap reproduit intrinsèquement la structure de biais de l'estimateur original.
• Extension aux effets partiels moyens (EPM) : La théorie est étendue pour couvrir les EPM, montrant que le bootstrap approxime de manière cohérente leur distribution.

4. Résultats de simulation

Les auteurs mènent des simulations de Monte Carlo extensives (modèles Logit et Probit) dans divers scénarios (covariables indépendantes/corrélées avec les facteurs, valeurs aberrantes, pics épars).

• Réduction du biais : La méthode de bootstrap (utilisant une correction par la moyenne ou la médiane) surpasse constamment les corrections analytiques et du jackknife par panel divisé pour réduire le biais, en particulier lorsque $T$ est petit (par exemple, $T=20$).
• Précision de la couverture :
  • Les intervalles de bootstrap standards tendent à être conservateurs (couverture > 95 %).
  • Les intervalles basés sur la transformation (spécifiquement Yeo-Johnson et Box-Cox) améliorent considérablement les performances en réduisant la longueur de l'intervalle et en corrigeant la sur-couverture, atteignant des taux de couverture beaucoup plus proches du niveau nominal de 95 %.
• Robustesse : La méthode fonctionne bien même lorsque les covariables sont corrélées avec des facteurs non observés, un scénario où les corrections analytiques échouent souvent.

5. Application empirique

La méthode est appliquée à un ensemble de données de 328 entreprises américaines (1981–2001) pour étudier le comportement d'innovation (brevets) en présence d'hétérogénéité latente.

• Objectif : Estimer les effets des spillovers technologiques (diffusion des connaissances) et des spillovers du marché des produits (vol d'affaires) sur le dépôt de brevets.
• Résultats :
  • Spillovers technologiques : Positifs et statistiquement significatifs selon toutes les méthodes. Cependant, la correction analytique surestime l'ampleur par rapport au bootstrap.
  • Spillovers du marché des produits : Statistiquement non significatifs, suggérant que les pressions concurrentielles ne stimulent pas directement le dépôt de brevets dans ce contexte.
  • Robustesse : Les résultats du bootstrap confirment les conclusions qualitatives d'études précédentes (par exemple, Burda et Harding, 2013) tout en fournissant des erreurs standards plus fiables et des estimations corrigées du biais.

6. Importance

• Utilité pratique : Offre une alternative computationnellement faisable et robuste aux corrections de biais analytiques complexes pour les modèles de panel non linéaires avec effets fixes interactifs.
• Performance en échantillon fini : Démontre des performances supérieures dans des contextes de « petit $T$ » courants dans les données microéconomiques, où les approximations asymptotiques traditionnelles échouent.
• Innovation en inférence : L'introduction de transformations monotones pour corriger l'asymétrie du bootstrap offre une solution pratique au problème de l'inférence conservatrice dans les échantillons finis.
• Efficacité computationnelle : En intégrant l'estimateur pénalisé par la norme nucléaire, l'article résout le problème de maximisation globale dans les vraisemblances non concaves, rendant la procédure de bootstrap viable pour des applications empiriques à grande échelle.