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

Sintesi Tecnica: I Migliori Valori Critici Condizionali Fattibili per un Test Anderson-Rubin su Subvettori Più Potente

Enunciato del Problema
Nel modello di variabili strumentali (IV) lineare sotto omoschedasticità, l'inferenza su un sottoinsieme di parametri (inferenza su subvettori) è complicata dal potenziale indebolimento degli strumenti. Guggenberger, Kleiberber, e Mavroeidis (2019) (GKM) hanno proposto un test Anderson-Rubin (AR) condizionale su subvettori che utilizza valori critici dipendenti dai dati per adattarsi alla forza di identificazione dei parametri di disturbo (quelli non oggetto di test). Il test GKM condiziona sul autovalore massimo di una matrice di Wishart non centrale derivata dalla statistica AR. Sebbene questo approccio garantisca la correttezza della dimensione e una potenza strettamente superiore ai test asintotici $\chi^2$ standard, gli autori sostengono che l'autovalore massimo non sia l'indicatore ottimale per l'identificazione debole.

Nello specifico, un autovalore massimo piccolo segnala correttamente l'identificazione debole, ma un autovalore massimo grande non implica necessariamente un'identificazione forte per tutti i parametri di disturbo. In scenari in cui l'autovalore massimo è grande ma il secondo autovalore più piccolo è piccolo, i parametri di disturbo possono ancora soffrire di identificazione debole. Condizionare sull'autovalore massimo in tali casi non riesce ad aggiustare sufficientemente i valori critici, portando potenzialmente a test conservativi con una potenza inferiore rispetto a quanto necessario.

Metodologia
Il documento propone di condizionare il test AR su subvettori sul secondo autovalore più piccolo ($\hat{\kappa}_{p-1}$) della matrice di Wishart non centrale $p \times p$, dove $p = m_W + 1$ ($m_W$ è il numero di parametri di disturbo). La statistica AR corrisponde all'autovalore minimo ($\hat{\kappa}_p$).

Il nucleo del contributo teorico si basa sulle proprietà della distribuzione congiunta degli autovalori di una matrice di Wishart non centrale $\Xi'\Xi \sim W_p(k, I_p, M'M)$:

1. Equivalenza Asintotica: Gli autori dimostrano che quando i $p-2$ autovalori maggiori della matrice di non centralità $M'M$ sono grandi (tendenti all'infinito), la distribuzione congiunta dei due autovalori più piccoli ($\hat{\kappa}_{p-1}, \hat{\kappa}_p$) è identica alla distribuzione congiunta degli autovalori di una matrice di Wishart non centrale $2 \times 2$.
2. Regolazione dei Gradi di Libertà: In questo caso limite, la matrice $2 \times 2$ ha gradi di libertà pari a $k - m_W + 1$ (dove $k$ è il numero di strumenti), e i parametri di non centralità corrispondono ai due autovalori più piccoli della matrice $p \times p$ originale.
3. Trasferimento dei Valori Critici: Questo risultato implica che le funzioni dei valori critici tabulate da GKM (che condizionano sull'autovalore massimo per un sistema $2 \times 2$) possono essere applicate direttamente al test proposto semplicemente sostituendo la variabile di condizionamento: sostituendo l'autovalore massimo $\hat{\kappa}_1$ con il secondo autovalore più piccolo $\hat{\kappa}_{p-1}$.

Per affrontare i casi in cui i $p-2$ autovalori maggiori sono finiti (non tendono all'infinito), gli autori derivano la funzione di densità di probabilità condizionata dei due autovalori più piccoli basandosi sui risultati di James (1964) e Muirhead (2009). Essi dimostrano che la probabilità di rifiuto del test è monotonicamente decrescente rispetto ai valori degli autovalori maggiori. Di conseguenza, la dimensione del test rimane controllata (limitata al livello nominale $\alpha$) anche quando gli autovalori maggiori non sono infiniti, poiché la probabilità di rifiuto è strettamente inferiore rispetto al caso limite in cui essi sono infiniti.

Contributi Chiave e Risultati

• Correttezza della Dimensione: Il test proposto, che condiziona sul secondo autovalore più piccolo, mantiene il controllo della dimensione corretta sotto l'ipotesi nulla per tutte le configurazioni dei parametri di non centralità.
• Potenza Strettamente Maggiore: Per $m_W > 1$, il valore critico derivato dal condizionamento sul secondo autovalore più piccolo è strettamente minore del valore critico derivato dal condizionamento sull'autovalore massimo (per lo stesso valore osservato). Poiché il valore critico è più basso, il test proposto ($\phi_{c_{p-1}}$) ha una potenza strettamente superiore rispetto al test GKM originale ($\phi_{c_1}$).
• Fattibilità Computazionale: Il metodo mantiene la semplicità computazionale dell'approccio GKM. Esso evita la necessità di condizionare su un sottoinsieme più ampio di autovalori, il che aumenterebbe la potenza ma a costo di una complessità computazionale proibitiva.
• Estensione all'Eteroschedasticità: Gli autori mostrano che le loro scoperte si estendono al setting proposto da Guggenberger, Kleibergen e Mavroeidis (2024), dove il modello permette l'eteroschedasticità condizionale con una struttura di prodotto di Kronecker approssimata. Il vantaggio di potenza del condizionamento sul secondo autovalore più piccolo si mantiene anche in questo setting robusto.

Significatività
Il documento sostiene di fornire il test AR su sottovettori "migliore e fattibile" per il setting IV lineare sotto omoschedasticità. Identificando il secondo autovalore più piccolo come l'indicatore appropriato per l'identificazione debole dei parametri di disturbo, la procedura proposta incorpora correttamente le informazioni sull'identificazione debole che il test GKM tralascia. Ciò risulta in un test che è sia computazionalmente semplice che statisticamente più potente, particolarmente quando il numero di parametri di disturbo è superiore a uno. Gli autori sottolineano che, sebbene il condizionamento su più autovalori potrebbe teoricamente produrre ulteriori guadagni di potenza, il costo computazionale sarebbe eccessivo; pertanto, il condizionamento sul secondo autovalore più piccolo rappresenta il miglior compromesso tra fattibilità e potenza.