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

तकनीकी सारांश: एक अधिक शक्तिशाली उप-वेक्टर (Subvector) एंडरसन-रुबिन टेस्ट के लिए सर्वश्रेष्ठ व्यवहार्य सशर्त क्रिटिकल मान (Conditional Critical Values)

समस्या विवरण
होमोस्केडैस्टिसिटी (homoskedasticity) के तहत लीनियर इंस्ट्रुमेंटल वेरिएबल्स (IV) मॉडल में, मापदंडों के एक उपसमुच्चय (subvector) पर निष्कर्ष निकालना, उपकरणों (instruments) की संभावित कमजोरी के कारण जटिल हो जाता है। गुगेनबर्गर, क्लीबरगेन और माव्रोइडिस (2019) (GKM) ने एक सशर्त उप-वेक्टर एंडरसन-रुबिन (AR) टेस्ट प्रस्तावित किया है जो नगण्य मापदंडों (nuisance parameters—जो परीक्षण के अधीन नहीं हैं) की पहचान शक्ति (identification strength) के अनुकूल होने के लिए डेटा-निर्भर क्रिटिकल मानों का उपयोग करता है। GKM टेस्ट एक गैर-सेंट्रल विशार्ट (non-central Wishart) मैट्रिक्स से प्राप्त AR सांख्यिकी के सबसे बड़े आइगेनवैल्यू (largest eigenvalue) पर सशर्त होता है। हालांकि यह दृष्टिकोण सही आकार (size) सुनिश्चित करता है और मानक एसिम्प्टोटिक $\chi^2$ टेस्ट की तुलना में स्पष्ट रूप से उच्च शक्ति (power) प्रदान करता है, लेखक तर्क देते हैं कि सबसे बड़ा आइगेनवैल्यू कमजोर पहचान (weak identification) के लिए इष्टतम संकेतक नहीं है।

विशेष रूप से, एक छोटा सबसे बड़ा आइगेनवैल्यू कमजोर पहचान का सही संकेत देता है, लेकिन एक बड़ा सबसे बड़ा आइगेनवैल्यू आवश्यक रूप से सभी नगण्य मापदंडों के लिए मजबूत पहचान का संकेत नहीं देता है। उन परिदृश्यों में जहाँ सबसे बड़ा आइगेनवैल्यू बड़ा है लेकिन दूसरा सबसे छोटा आइगेनवैल्यू छोटा है, वहां नगण्य मापदंड अभी भी कमजोर पहचान से ग्रस्त हो सकते हैं। ऐसे मामलों में सबसे बड़े आइगेनवैल्यू पर सशर्त होना क्रिटिकल मानों को पर्याप्त रूप से समायोजित करने में विफल रहता है, जिससे परीक्षण अत्यधिक रूढ़िवादी (conservative) हो सकता है और आवश्यक शक्ति से कम शक्ति प्राप्त कर सकता है।

कार्यप्रणाली
यह शोध पत्र उप-वेक्टर AR टेस्ट को $p \times p$ गैर-सेंट्रल विशार्ट मैट्रिक्स के दूसरे सबसे छोटे आइगेनवैल्यू ($\hat{\kappa}_{p-1}$) पर सशर्त करने का प्रस्ताव देता है, जहाँ $p = m_W + 1$ ($m_W$ नगण्य मापदंडों की संख्या है)। AR सांख्यिकी स्वयं न्यूनतम आइगेनवैल्यू ($\hat{\kappa}_p$) से संबंधित है।

मुख्य सैद्धांतिक योगदान एक गैर-सेंट्रल विशार्ट मैट्रिक्स $\Xi'\Xi \sim W_p(k, I_p, M'M)$ के आइगेनवैल्यू के गुणों पर आधारित है:

1. एसिम्प्टोटिक तुल्यता (Asymptotic Equivalence): लेखक प्रदर्शित करते हैं कि जब $p-2$ सबसे बड़े आइगेनवैल्यू (गैर-सेंट्रलिटी मैट्रिक्स $M'M$ के) बड़े (अनंत की ओर बढ़ते) होते हैं, तो दो सबसे छोटे आइगेनवैल्यू ($\hat{\kappa}_{p-1}, \hat{\kappa}_p$) का संयुक्त वितरण एक $2 \times 2$ गैर-सेंट्रल विशार्ट मैट्रिक्स के आइगेनवैल्यू के वितरण के समान होता है।
2. डिग्री ऑफ फ्रीडम एडजस्टमेंट: इस सीमित मामले में, $2 \times 2$ मैट्रिक्स के डिग्री ऑफ फ्रीडम $k - m_W + 1$ के बराबर होते हैं (जहाँ $k$ उपकरणों की संख्या है), और गैर-सेंट्रलिटी पैरामीटर्स मूल $p \times p$ मैट्रिक्स के दो सबसे छोटे आइगेनवैल्यू के अनुरूप होते हैं।
3. क्रिटिकल वैल्यू ट्रांसफर: यह परिणाम बताता है कि GKM द्वारा सूचीबद्ध क्रिटिकल वैल्यू फंक्शन (जो $2 \times 2$ सिस्टम के लिए सबसे बड़े आइगेनवैल्यू $\hat{\kappa}_1$ पर सशर्त होते हैं) को सीधे प्रस्तावित टेस्ट पर लागू किया जा सकता है, बस अपने सशर्त चर को बदलकर: $\hat{\kappa}_1$ के स्थान पर दूसरे सबसे छोटे आइगेनवैल्यू $\hat{\kappa}_{p-1}$ का उपयोग करके।

उन मामलों को संबोधित करने के लिए जहाँ $p-2$ सबसे बड़े आइगेनवैल्यू परिमित (finite) हैं (अनंत की ओर नहीं बढ़ रहे हैं), लेखक जेम्स (1964) और मुइरहेड (2009) के परिणामों के आधार पर दो सबसे छोटे आइगेनवैल्यू के सशर्त संभाव्यता घनत्व (conditional probability density function) को व्युत्पन्न करते हैं। वे सिद्ध करते हैं कि टेस्ट की रिजेक्शन प्रोबेबिलिटी (rejection probability) बड़े आइगेनवैल्यू के मानों के प्रति एकतत (monotonically) घटती है। इसके परिणामस्वरूप, टेस्ट का आकार (size) शून्य परिकल्पना (null hypothesis) के तहत नियंत्रित रहता है (नाममात्र स्तर $\alpha$ द्वारा सीमित), भले ही सबसे बड़े आइगेनवैल्यू अनंत न हों, क्योंकि रिजेक्शन प्रोबेबिलिटी उस सीमित मामले की तुलना में कम होती है जहाँ वे अनंत होते हैं।

मुख्य योगदान और परिणाम

• सही आकार (Correct Size): प्रस्तावित टेस्ट, जो दूसरे सबसे छोटे आइगेनवैल्यू पर सशर्त है, नगण्य मापदंडों के सभी विन्यास (configurations) के तहत शून्य परिकल्पना के तहत सही आकार नियंत्रण बनाए रखता है।
• स्पष्ट रूप से उच्च शक्ति (Strictly Higher Power): $m_W > 1$ के लिए, दूसरे सबसे छोटे आइगेनवैल्यू पर सशर्त प्राप्त क्रिटिकल वैल्यू, सबसे बड़े आइगेनवैल्यू पर सशर्त प्राप्त क्रिटिकल वैल्यू से स्पष्ट रूप से छोटी होती है (समान प्रेक्षित सांख्यिकी के लिए)। चूंकि क्रिटिकल वैल्यू कम है, इसलिए प्रस्तावित टेस्ट ($\phi_{c_{p-1}}$) में मूल GKM टेस्ट ($\phi_{c_1}$) की तुलना में स्पष्ट रूप से उच्च शक्ति है।
• कंप्यूटेशनल व्यवहार्यता (Computational Feasibility): यह पद्धति GKM दृष्टिकोण की कम्प्यूटेशनल सरलता को बनाए रखती है। यह आइगेनवैल्यू के बड़े उपसमुच्चय पर सशर्त होने की आवश्यकता से बचती है, जो शक्ति तो बढ़ा सकता है लेकिन अत्यधिक कम्प्यूटेशनल जटिलता की कीमत पर।
• विषम विसंगति (Heteroskedasticity) तक विस्तार: लेखक दिखाते हैं कि उनके निष्कर्ष गुगेनबर्गर, क्लीबरगेन और माव्रोइडिस (2024) द्वारा प्रस्तावित सेटिंग में भी विस्तारित होते हैं, जहाँ मॉडल अनुमानित क्रोनेकर उत्पाद संरचना (approximate Kronecker product structure) के साथ सशर्त विषम विसंगति की अनुमति देता है। दूसरे सबसे छोटे आइगेनवैल्यू पर सशर्त होने का शक्ति लाभ इस सुदृढ़ (robust) सेटिंग में भी बना रहता है।

महत्व
यह शोध पत्र दावा करता है कि यह होमोस्केडैस्टिक लीनियर IV सेटिंग के लिए "सर्वश्रेष्ठ व्यवहार्य" (best feasible) उपसमुच्चय AR टेस्ट प्रदान करता है। नगण्य मापदंडों की कमजोर पहचान के लिए उपयुक्त संकेतक के रूप में दूसरे सबसे छोटे आइगेनवैल्यू की पहचान करके, प्रस्तावित प्रक्रिया उस कमजोर पहचान संबंधी जानकारी को उचित रूप से शामिल करती है जिसे GKM टेस्ट छोड़ देता है। इसके परिणामस्वरूप एक ऐसा टेस्ट प्राप्त होता है जो कम्प्यूटेशनल रूप से सरल और सांख्यिकीय रूप से अधिक शक्तिशाली है, विशेष रूप से तब जब नगण्य मापदंडों की संख्या एक से अधिक होती है। लेखक इस बात पर जोर देते हैं कि हालांकि अधिक आइगेनवैल्यू पर सशर्त होने से सैद्धांतिक रूप से और अधिक शक्ति मिल सकती है, लेकिन इसकी कम्प्यूटेशनल लागत अत्यधिक होगी; अतः, दूसरे सबसे छोटे आइगेनवैल्यू पर सशर्त होना व्यवहार्यता और शक्ति के बीच इष्टतम संतुलन (optimal trade-off) का प्रतिनिधित्व करता है।