Estimation of MIDAS Regressions with Errors-in-the-Variables

तकनीकी सारांश: त्रुटियों-में-चरों (Errors-in-the-Variables) के साथ MIDAS रिग्रेशन का अनुमान

1. समस्या विवरण

यह शोध पत्र मिक्सड डेटा सैंपलिंग (MIDAS) रिग्रेशन मॉडलों में एक महत्वपूर्ण सीमा को संबोधित करता है। जबकि MIDAS मॉडल विभिन्न आवृत्तियों (जैसे, मासिक मुद्रास्फीति बनाम त्रैमासिक जीडीपी) पर नमूने लिए गए चरों के बीच संबंधों का विश्लेषण करने के लिए अत्यधिक प्रभावी हैं, वे आमतौर पर यह मान लेते हैं कि देखा गया डेटा अंतर्निहित विलुप्त प्रक्रियाओं (latent processes) का एक सटीक प्रतिबिंब है।

वास्तविक आर्थिक अनुप्रयोगों में, कम-आवृत्ति ($Z_t$) और उच्च-आवृत्ति ($\xi_t$) दोनों चर अक्सर डेटा संग्रह अंतराल, संशोधनों या प्रसंस्करण त्रुटियों के कारण मापन त्रुटि (measurement error - ME) के अधीन होते हैं। लेखक पहचानते हैं कि मानक प्रोफाइल लाइकलीहुड एस्टिमेटर—जो अपनी गणनात्मक दक्षता के लिए व्यापक रूप से उपयोग किया जाता है—अंतर्जात (endogenous) या बहिर्जात (exogenous) दोनों चरों में मापन त्रुटि की उपस्थिति में असंगत (inconsistent) हो जाता है। यह असंगतता पैरामीटर अनुमानों में पूर्वाग्रह (bias) पैदा करती है, जिससे आर्थिक पूर्वानुमानों और संरचनात्मक विश्लेषणों की विश्वसनीयता कम हो जाती है।

2. कार्यप्रणाली

लेखक ऑटोरेग्रेसिव डिस्ट्रीब्यूटेड लैग - MIDAS (ADL-MIDAS) मॉडल पर ध्यान केंद्रित करते हैं, जो कम-आवृत्ति वाले चर के लिए एक ऑटोरेग्रेसिव घटक और उच्च-आवृत्ति वाले चर के लिए एक कार्यात्मक लैग बहुपद (जैसे, बीटा बहुपद) को शामिल करता है।

मुख्य कार्यप्रणाली संबंधी चरणों में शामिल हैं:

• मापन त्रुटि का मॉडलिंग: लेखक एक ऐसा मॉडल परिभाषित करते हैं जहाँ देखे गए चर $y_t$ और $x_t$, वास्तविक विलुप्त चरों ($Z_t, \xi_t$) और योगात्मक, सामान्य रूप से वितरित मापन त्रुटियों ($u_t, v_t$) का योग हैं।
• असंगतता का प्रदर्शन: मापन त्रुटि की उपस्थिति में लॉग-लाइकलीहुड फलन के ग्रेडिएंट पर टेलर विस्तार (Taylor expansion) लागू करके, लेखक गणितीय रूप से सिद्ध करते हैं कि मानक एस्टिमेटर का प्रोबेबिलिटी लिमिट वास्तविक पैरामीटर मान के बराबर नहीं होता है ($\text{plim } \hat{\gamma}_e \neq \gamma$)।
• सुधारित स्कोर दृष्टिकोण (Corrected Score Approach): इसे ठीक करने के लिए, लेखक मापन त्रुटि के प्रसरणों ($\sigma^2_u$ और $\sigma^2_v$) के अपेक्षित मानों को ध्यान में रखते हुए एक सुधार पद (correction term) जोड़कर लॉग-लाइकलीहुड फलन को संशोधित करते हैं (नाकामुरा, 1990 पर आधारित)।
• प्रोफाइल लाइकलीहुड एस्टिमेशन: लेखक लाइकलीहुड फलन को केंद्रित करने के लिए एक प्रोफाइलिंग तकनीक का उपयोग करते हैं। वे पहले त्रुटि प्रसरण ($\sigma^2_\epsilon$) को प्रोफाइल आउट करते हैं और फिर सुधारात्मक लॉग-लाइकलीहुड का उपयोग करके MIDAS बहुपद मापदंडों ($\theta$) और रिग्रेशन गुणांकों ($\beta$) को अनुकूलित करते हैं।

3. मुख्य योगदान

• असंगतता का सैद्धांतिक प्रमाण: यह शोध पत्र औपचारिक रूप से यह प्रदर्शित करने वाला पहला प्रमाण प्रदान करता है कि मानक ADL-MIDAS प्रोफाइल एस्टिमेटर दोनों चरों में मापन त्रुटि की उपस्थिति में निरंतरता (consistency) बनाए रखने में विफल रहता है।
• एक सुसंगत एस्टिमेटर का विकास: प्राथमिक योगदान ADL-MIDAS ME मॉडल के लिए एक नए सुधारित प्रोफाइल एस्टिमेटर (Corrected Profile Estimator) का प्रस्ताव करना है।
• एसिम्प्टोटिक व्युत्पत्ति (Asymptotic Derivation): लेखक नए एस्टिमेटर के बड़े-नमूना गुणों को व्युत्पन्न करते हैं, यह सिद्ध करते हुए कि यह न केवल सुसंगत है बल्कि एसिम्प्टोटिक रूप से सामान्य रूप से वितरित (asymptotically normally distributed) भी है।
• सिमुलेशन ढांचा: वे एक मजबूत मोंटे कार्लो सिमुलेशन अध्ययन प्रदान करते हैं जो नमूना आकार ($T$), लैग की संख्या ($j_{max}$), और मापन त्रुटि के परिमाण सहित विभिन्न आयामों में एस्टिमेटर के प्रदर्शन का मूल्यांकन करता है।

4. परिणाम

मोंटे कार्लो सिमुलेशन से कई महत्वपूर्ण निष्कर्ष प्राप्त हुए:

• निरंतरता का सत्यापन (Consistency Validation): सहज (naive) एस्टिमेटर के विपरीत, जिसका पूर्वाग्रह और परिवर्तनशीलता नमूना आकार बढ़ने पर गैर-शून्य स्तरों पर स्थिर हो जाती है, प्रस्तावित सुधारात्मक एस्टिमेटर का पूर्वाग्रह और परिवर्तनशीलता $T \to \infty$ होने पर शून्य की ओर बढ़ती है।
• लैग लंबाई ($j_{max}$) का प्रभाव: लैग की संख्या बढ़ाने से एस्टिमेटर की जटिलता और पूर्वाग्रह/परिवर्तनशीलता बढ़ जाती है। लेखक सूचना कैप्चर और अनुमान स्थिरता के बीच संतुलन बनाने के लिए एक मितव्ययी मॉडल (parsimonious model) की आवश्यकता पर जोर देते हैं।
• त्रुटि प्रवर्धन प्रभाव (Error Amplification Effects):
  • कम-आवृत्ति वाले चर में मापन त्रुटि का रिग्रेशन गुणांकों ($\beta$) पर अधिक गंभीर प्रभाव पड़ता है।
  • उच्च-आवृत्ति वाले चर में मापन त्रुटि का MIDAS हाइपरपैरामीटर ($\theta$) और समीकरण त्रुटि प्रसरण ($\sigma^2_\epsilon$) पर अधिक महत्वपूर्ण प्रभाव पड़ता है।
• पैरामीटर संवेदनशीलता: एस्टिमेटर का प्रदर्शन $\theta$ के मान के प्रति संवेदनशील है। उच्च $\theta$ मान (जो हाल के उच्च-आवृत्ति अवलोकनों को अधिक भार देते हैं) रिग्रेशन गुणांकों के लिए कम पूर्वाग्रह की ओर ले जाते हैं।

5. महत्व

यह शोध अर्थशास्त्रियों और नीति विश्लेषकों के लिए अत्यधिक महत्वपूर्ण है। दूषित मिश्रित-आवृत्ति डेटा को संभालने के लिए एक गणितीय रूप से सुदृढ़ और गणनात्मक रूप से व्यवहार्य विधि प्रदान करके, यह आर्थिक गतिशीलता के अधिक सटीक मॉडलिंग की अनुमति देता है। यह अध्ययन MIDAS मॉडलिंग और "त्रुटियों-में-चरों" (Errors-in-Variables) साहित्य के बीच के अंतर को पाटता है, जो अपूर्ण रूप से मापे गए मैक्रोइकॉनॉमिक संकेतकों पर काम करने वाले शोधकर्ताओं के लिए एक व्यावहारिक उपकरण प्रदान करता है।