Bootstrap Inference in Nonlinear Panel Data Models with Interactive Fixed Effects

1. Enunciato del Problema

Il lavoro affronta il problema del parametro accidentale nei modelli di dati di panel non lineari caratterizzati da effetti fissi interattivi.

• Contesto: In modelli in cui l'eterogeneità non osservata è catturata da una struttura fattoriale (effetti individuali $\alpha_i$ ed effetti temporali $\gamma_t$ che interagiscono come $\alpha_i'\gamma_t$), lo stimatore della massima verosimiglianza (MLE) per i parametri comuni ($\beta_0$) è distorto in campioni finiti. Tale distorsione persiste asintoticamente al tendere di $N, T \to \infty$ (specificamente quando $T/N \to \kappa$), rendendo invalida l'inferenza standard.
• Limiti dei Metodi Esistenti:
  • Correzioni Analitiche: Richiedono la derivazione di derivate complesse di ordine elevato della funzione di verosimiglianza (fino al terzo ordine), che possono essere numericamente instabili e difficili da implementare.
  • Metodi Jackknife: Sebbene più semplici da implementare, soffrono spesso di perdite di efficienza in campioni finiti e continuano a fare affidamento su approssimazioni normali per gli intervalli di confidenza.
  • Problemi di Ottimizzazione: La funzione di log-verosimiglianza nei modelli fattoriali non lineari è generalmente non concava, rendendo difficile garantire la convergenza verso il massimizzatore globale utilizzando algoritmi standard.

2. Metodologia

Gli autori propongono un framework di bootstrap parametrico combinato con un approccio basato su trasformazioni per ottenere un'inferenza valida.

A. Strategia di Stima (MLE in Due Fasi)

Per affrontare la non concavità della funzione di verosimiglianza, gli autori adottano lo stimatore penalizzato con norma nucleare proposto da Zeleneev e Zhang (2026) come punto di partenza:

1. Fase 1: Risolvere un problema di ottimizzazione convessa utilizzando una penalità a norma nucleare per ottenere uno stimatore iniziale consistente che converge al massimizzatore globale con probabilità uno.
2. Fase 2: Utilizzare questo stimatore iniziale per avviare un algoritmo di discesa del gradiente, garantendo la convergenza verso l'MLE globale ($\hat{\theta}$) a un basso costo computazionale.

B. Procedura di Bootstrap Parametrico

Il nucleo della metodologia consiste nella generazione di $B$ campioni bootstrap basati sui parametri stimati:

1. Processo Generatore di Dati (DGP): Generare esiti bootstrap $Y^*_{it}$ condizionati alle covariate originali $X_{it}$ e ai parametri stimati $\hat{\theta}$:
   $$Y^*_{it} | X_{it}, \hat{\beta}, \hat{\alpha}, \hat{\gamma} \sim f(\cdot | X'_{it}\hat{\beta} + \hat{\alpha}'_i \hat{\gamma}_t)$$
2. Stima Bootstrap: Calcolare l'MLE ($\hat{\theta}^*$) per ciascun campione bootstrap.
3. Correzione della Distorsione: La distorsione è approssimata dalla differenza tra la media delle stime bootstrap e la stima originale:
   $$\hat{\beta}_{boot} = 2\hat{\beta} - \frac{1}{B}\sum_{b=1}^B \hat{\beta}^*_b$$
4. Intervalli di Confidenza: Costruire gli intervalli direttamente dai quantili della distribuzione bootstrap ($\hat{\beta}^* - \hat{\beta}$) piuttosto che fare affidamento sulla normalità asintotica.

C. Correzione dell'Asimmetria Basata su Trasformazioni

Gli autori osservano che gli intervalli bootstrap standard possono essere eccessivamente conservativi (sovra-copertura) in campioni finiti a causa dell'asimmetria nella distribuzione dello stimatore. Per mitigare ciò:

• Applicano una trasformazione monotona $\phi(\cdot)$ (ad es. Log, Box-Cox o Yeo-Johnson) allo stimatore prima di costruire l'intervallo.
• L'intervallo è costruito sulla scala trasformata e mappato indietro:
  $$[\phi^{-1}(2\phi(\hat{\beta}) - Q^*_{\phi(\hat{\beta}^*)}(1-\alpha/2)), \dots]$$
• Ciò riduce l'asimmetria, producendo intervalli più stretti con probabilità di copertura più vicine al livello nominale.

3. Principali Contributi Teorici

Il lavoro stabilisce una rigorosa teoria asintotica in un regime in cui $N, T \to \infty$ con $T/N \to \kappa \in (0, \infty)$:

• Normalità Asintotica Uniforme: Gli autori dimostrano che l'MLE ammette uno sviluppo asintotico uniforme in un intorno del parametro vero, estendendo i risultati precedenti di Chen et al. (2021) e Higgins e Jochmans (2024).
• Consistenza del Bootstrap: Dimostrano che la distribuzione del bootstrap parametrico di $\sqrt{NT}(\hat{\beta}^* - \hat{\beta})$ converge debolmente alla vera distribuzione campionaria di $\sqrt{NT}(\hat{\beta} - \beta_0)$.
• Validità senza Correzione Esplicita della Distorsione: Crucialmente, il bootstrap produce intervalli di confidenza asintoticamente validi anche senza correzione esplicita della distorsione, poiché la distribuzione bootstrap replica intrinsecamente la struttura della distorsione dello stimatore originale.
• Estensione agli Effetti Parziali Medi (APE): La teoria è estesa per coprire gli APE, mostrando che il bootstrap approssima coerentemente la loro distribuzione.

4. Risultati delle Simulazioni

Gli autori conducono estese simulazioni Monte Carlo (modelli Logit e Probit) su vari scenari (covariate indipendenti/correlate con i fattori, valori anomali, picchi sparsi).

• Riduzione della Distorsione: Il metodo bootstrap (utilizzando correzione della media o mediana) supera costantemente le correzioni analitiche e jackknife a panel diviso nella riduzione della distorsione, in particolare quando $T$ è piccolo (ad es. $T=20$).
• Accuratezza della Copertura:
  • Gli intervalli bootstrap standard tendono a essere conservativi (copertura > 95%).
  • Gli intervalli basati su trasformazioni (in particolare Yeo-Johnson e Box-Cox) migliorano significativamente le prestazioni riducendo la lunghezza dell'intervallo e correggendo la sovra-copertura, raggiungendo tassi di copertura molto più vicini al livello nominale del 95%.
• Robustezza: Il metodo si comporta bene anche quando le covariate sono correlate con fattori non osservati, uno scenario in cui le correzioni analitiche spesso falliscono.

5. Applicazione Empirica

Il metodo è applicato a un dataset di 328 imprese statunitensi (1981–2001) per studiare il comportamento innovativo (brevettazione) in presenza di eterogeneità latente.

• Obiettivo: Stimare gli effetti degli spillover tecnologici (diffusione della conoscenza) e degli spillover di mercato del prodotto (furto di business) sulla brevettazione.
• Risultati:
  • Spillover Tecnologici: Positivi e statisticamente significativi in tutti i metodi. Tuttavia, la correzione analitica sovrastima l'entità rispetto al bootstrap.
  • Spillover di Mercato del Prodotto: Statisticamente non significativi, suggerendo che le pressioni competitive non guidano direttamente la brevettazione in questo contesto.
  • Robustezza: I risultati del bootstrap confermano le conclusioni qualitative di studi precedenti (ad es. Burda e Harding, 2013) fornendo al contempo errori standard più affidabili e stime corrette per la distorsione.

6. Significato

• Utilità Pratica: Fornisce un'alternativa computazionalmente fattibile e robusta alle complesse correzioni analitiche della distorsione per i modelli di panel non lineari con effetti fissi interattivi.
• Prestazioni in Campioni Finiti: Dimostra prestazioni superiori in contesti di "piccolo $T$" comuni nei dati microeconomici, dove le approssimazioni asintotiche tradizionali falliscono.
• Innovazione nell'Inferenza: L'introduzione di trasformazioni monote per correggere l'asimmetria del bootstrap offre una soluzione pratica al problema dell'inferenza conservativa in campioni finiti.
• Efficienza Computazionale: Integrando lo stimatore penalizzato con norma nucleare, il lavoro risolve il problema di massimizzazione globale in verosimiglianze non convesse, rendendo la procedura di bootstrap praticabile per applicazioni empiriche su larga scala.