Complete Subset Averaging with Many Instruments

तकनीकी सारांश: कई उपकरणों के साथ पूर्ण उपसमुच्चय औसत (Complete Subset Averaging)

समस्या विवरण
इंस्ट्रुमेंटल वेरिएबल्स (IV) अनुमानक, विशेष रूप से टू-स्टेज लीस्ट स्क्वायर्स (2SLS), आर्थिक मॉडलों में एंडोजेनिटी (endogeneity) को संबोधित करने के लिए मानक हैं। जबकि उपकरणों के एक बड़े सेट का उपयोग करना (ओवर-आइडेंटिफिकेशन) दक्षता में सुधार कर सकता है, यह एक व्यापार-बंद (trade-off) भी लाता है: उपकरणों की संख्या बढ़ाने से अक्सर अनुमानक का परिमित-नमूना पूर्वाग्रह (finite-sample bias) बढ़ जाता है। मौजूदा साहित्य ने इसे मॉडल चयन (जैसे, डोनाल्ड और न्यूई, 2001), अनुमानित भारों के साथ मॉडल औसत (जैसे, कुएरस्टीनर और ओकुई, 2010), या श्रिंकेज विधियों (जैसे, ओकुई, 2011) के माध्यम से संबोधित किया है। हालांकि, ये दृष्टिकोण तब सीमाओं का सामना करते हैं जब उपकरण अत्यधिक सहसंबंधित होते हैं (जहाँ लासो जैसी मॉडल चयन विधियाँ विफल हो सकती हैं) या जब उच्च आयामों में इष्टतम भारों का अनुमान लगाने से परिमित-नमूना दक्षता हानि होती है। इसके अलावा, मौजूदा मॉडल औसत दृष्टिकोणों के लिए अक्सर नेस्टेड मॉडल या पूर्व-निर्धारित मुख्य इंस्ट्रुमेंट सेट्स की आवश्यकता होती है।

कार्यप्रणाली
लेखक पूर्ण उपसमुच्चय औसत (CSA) 2SLS अनुमानक का प्रस्ताव करते हैं। यह विधि कुल $K$ उपलब्ध उपकरणों में से $k$ उपकरणों के सभी संभावित पूर्ण उपसमुच्चयों (complete subsets) पर निर्मित समान-भारित फिटेड मानों के माध्यम से प्रथम चरण में कार्य करती है।

1. अनुमानक निर्माण:

   • मान लीजिए कि $Z_{K,i}$, $K$ बहिष्कृत उपकरणों का वेक्टर है।
   • एक चुने हुए उपसमुच्चय आकार $k$ के लिए, $M = \binom{K}{k}$ संभावित उपसमुच्चय हैं।
   • प्रत्येक उपसमुच्चय $m$ के लिए, एक मानक 2SLS प्रोजेक्शन मैट्रिक्स $P^k_m$ की गणना की जाती है।
   • CSA प्रोजेक्शन मैट्रिक्स, जिसे $P^k$ द्वारा दर्शाया गया है, इन $M$ प्रोजेक्शन मैट्रिसेस का अंकगणितीय माध्य है: $P^k = \frac{1}{M} \sum_{m=1}^M P^k_m$।
   • अनुमानक को $\hat{\beta} = (X'P^k X)^{-1} X'P^k y$ के रूप में परिभाषित किया गया है।
   • महत्वपूर्ण रूप से, $P^k$ सममित (symmetric) है लेकिन सामान्यतः इडेम्पोटेंट (idempotent) नहीं है, जो इसे मानक 2SLS प्रोजेक्शन मैट्रिसेस से अलग करता है।

2. उपसमुच्चय आकार का चयन:

   • $k$ का चयन एक अनुमानित मीन स्क्वेर्ड एरर (MSE) के नमूना प्रतिरूप (sample counterpart) को न्यूनतम करके किया जाता है।
   • अनुमानित MSE को नागर (1959) विस्तार का उपयोग करके प्राप्त किया गया है, जो परिमित नमूनों में पूर्वाग्रह-विचरण (bias-variance) व्यापार-बंद को पकड़ता है।
   • लेखक $k$ के चयन के लिए एक वैकल्पिक विधि के रूप में क्रॉस-वैलिडेशन (CV) विधि भी प्रस्तावित करते हैं, जो प्रथम-चरण के मीन स्क्वेर्ड प्रेडिक्शन एरर को न्यूनतम करती है।

3. अप्रासंगिक उपकरणों को संभालना:

   • शोध पत्र उन परिदृश्यों के लिए अनुमानित MSE का सामान्यीकरण करता है जहाँ अप्रासंगिक उपकरणों की संख्या नमूना आकार के साथ बढ़ती है।
   • व्युत्पन्न सूत्र में एक दंड पद (penalty term) शामिल है जो प्रासंगिक और कुल उपसमुच्चयों के अनुपात पर निर्भर करता है, जो यह सुझाव देता है कि सिग्नल के तनुकरण (dilution) को कम करने के लिए इष्टतम $k$ अप्रासंगिक उपकरणों की उपस्थिति में बड़ा होना चाहिए।

प्रमुख सैद्धांतिक योगदान

1. अनुमानित MSE का व्युत्पन्न: लेखक नागर विस्तार का उपयोग करके CSA-2SLS अनुमानक के लिए अनुमानित MSE को व्युत्पन्न करते हैं। एक महत्वपूर्ण तकनीकी चुनौती यह है कि गैर-नेस्टेड प्रोजेक्शन मैट्रिसेस का औसत इडेम्पोटेंट नहीं होता है, जिसके लिए उन साहित्यों की तुलना में नई विश्लेषणात्मक तकनीकों की आवश्यकता होती है जो नेस्टेड मॉडलों को मानते हैं। व्युत्पन्न सूत्र स्पष्ट रूप से पूर्वाग्रह-विचरण व्यापार-बंद को दर्शाता है।
2. अनंतस्पर्शी अनुकूलता (Asymptotic Optimality): शोध पत्र सिद्ध करता है कि CSA-2SLS अनुमानक, जिसमें $k$ को नमूना अनुमानित MSE को न्यूनतम करने के लिए चुना गया है, विभिन्न उपसमुच्चय आकारों वाले CSA-2SLS अनुमानकों के वर्ग के भीतर अनंतस्पर्शी रूप से इष्टतम है। यह परिणाम ली (1987) और व्हिटल (1960) के अनुकूलता मानदंडों के आधार पर स्थापित किया गया है।
3. अप्रासंगिक उपकरणों के लिए सामान्यीकरण: लेखक बढ़ते हुए अप्रासंगिक उपकरणों के सेट वाले मामलों के लिए MSE विश्लेषण का विस्तार करते हैं। वे दिखाते हैं कि अप्रासंगिक उपकरणों की उपस्थिति छोटे उपसमुच्चय आकारों के लिए दंड को बढ़ाती है, जो सैद्धांतिक रूप से यह न्यायसंगत बनाता है कि केवल प्रासंगिक उपकरणों वाले सेटिंग की तुलना में एक बड़ा $k$ चुना जाए।
4. ऑर्थोगोनल (Orthogonal) उपकरण मामला: शोध पत्र प्रदर्शित करता है कि यदि उपकरण परस्पर ऑर्थोगोनल हैं, तो CSA-2SLS अनुमानक सभी $K$ उपकरणों का उपयोग करने वाले मानक 2SLS अनुमानक के समान होगा, चाहे चुना गया $k$ कुछ भी हो।

अनुभवजन्य और सिमुलेशन परिणाम

• मोंटे कार्लो सिमुलेशन: व्यापक सिमुलेशन दिखाते हैं कि जब उपकरण सहसंबंधित होते हैं, तो CSA-2SLS अनुमानक अन्य विधियों (डोनल्ड-न्यूई चयन, कुएरस्टीनर-ओकुई औसत और मानक 2SLS सहित) की तुलना में पूर्वाग्रह और मीन स्क्वेर्ड एरर (MSE) के संदर्भ में बेहतर प्रदर्शन करता है। यह विधि उच्च एंडोजेनिटी की उपस्थिति में छोटे इंस्ट्रुमेंट सेट्स से जुड़े "मोमेंट्स प्रॉब्लम" (बड़े आउटलेर्स) को कम करने में विशेष रूप से प्रभावी है।
• अनुभवजन्य चित्रण: लेखक ऑटोमोबाइल के लिए एक लॉजिस्टिक डिमांड फंक्शन का अनुमान लगाने के लिए बेरी, लेविनसन और पेक्स (1995) के डेटा का उपयोग करके इस विधि को लागू करते हैं।
  • एक विस्तारित डिज़ाइन में, जहाँ कई उपकरण हैं, मानक 2SLS और अन्य अनुमानक (DN, KO) ऐसे अनुमान प्रदान करते हैं जो उत्पादों के एक बड़े हिस्से के लिए इनइलास्टिक डिमांड (inelastic demand) का संकेत देते हैं, जो आर्थिक सिद्धांत के विपरीत है।
  • CSA-2SLS अनुमानक ने मूल्य लोच (price elasticity) गुणांक के लिए बहुत बड़े पूर्ण मान (absolute value) को दर्शाया, जिसमें केवल 0.3% उत्पाद इनइलास्टिक डिमांड दिखाते हैं। यह सुझाव देता है कि CSA अनुमानक ने उस कई-इंस्ट्रुमेंट पूर्वाग्रह को सफलतापूर्वक ठीक किया है जिसने अनुमानों को असंगत OLS परिणामों की ओर खींचा था।

महत्व और दावे
शोध पत्र का दावा है कि CSA-2SLS अनुमानक कई उपकरणों वाले सेटिंग्स के लिए, विशेष रूप से जब वे उपकरण सहसंबंधित होते हैं, एक मजबूत विकल्प प्रदान करता है। मॉडल चयन या भार अनुमान के बजाय पूर्ण उपसमुच्चयों पर समान-भारित औसत का उपयोग करके, यह विधि उच्च सहसंबंध के कारण टूटने वाली विफलताओं और उच्च-आयामी भारों के अनुमान से होने वाली दक्षता हानि से बचती है। लेखक दावा करते हैं कि यह विधि अपने वर्ग के भीतर अनंतस्पर्शी अनुकूलता प्राप्त करती है और मौजूदा दृष्टिकोणों की तुलना में पूर्वाग्रह और MSE में कमी लाने में पर्याप्त परिमित-नमूना लाभ प्रदान करती है, जैसा कि सिमुलेशन और अनुभवजन्य अनुप्रयोग दोनों से सिद्ध होता है।

लेखकों द्वारा नोट की गई सीमाएँ

• अनुमानित MSE का व्यु डेरिवेशन सशर्त होमोस्केडास्टिक त्रुटियों (conditionally homoskedastic errors) को मानता है।
• ध्यान पूरी तरह से 2SLS अनुमानक पर केंद्रित है; k-क्लास अनुमानकों जैसे लिमिटेड इंफॉर्मेशन मैक्सिमम लाइक्लीहुड (LIML) के विस्तार को भविष्य के शोध के लिए स्थगित कर दिया गया है।
• विधि मानती है कि उपकरण वैध (valid) हैं; जबकि यह अप्रासंगिक उपकरणों को संभालती है, यह अमान्य (invalid) उपकरणों को संबोधित नहीं करती है।