Efficient GMM and Weighting Matrix under Misspecification

Sintesi Tecnica: GMM Efficiente e Matrice di Ponderazione in Caso di Specificazione Errata

1. Enunciato del Problema
Il Metodo Generalizzato dei Momenti (GMM) è un quadro standard per la stima e l'inferenza nei modelli sovradeterminati. In caso di corretta specificazione, la matrice di ponderazione efficiente è l'inversa della matrice di varianza-covarianza dei momenti, producendo la più piccola varianza asintotica tra gli stimatori GMM standard (Hansen, 1982; Chamberlain, 1987). Tuttavia, i modelli economici sono frequentemente specificati in modo errato a causa di strumenti non validi, forme funzionali incorrette o eterogeneità dell'effetto trattamento.

In caso di specificazione errata, lo stimatore GMM converge a un "valore pseudo-reale" ($\theta_W$), definito come il minimizzatore della funzione obiettivo della popolazione. Crucialmente, in caso di specificazione errata, la scelta della matrice di ponderazione $W$ non influisce meramente sull'efficienza; essa determina il parametro target $\theta_W$ stesso. La letteratura esistente (ad es. Hall e Inoue, 2003; Hansen e Lee, 2021) ha stabilito procedure di inferenza valide per $\theta_W$ utilizzando errori standard robusti alla specificazione errata. Tuttavia, permane un vuoto riguardo alla questione se lo stimatore GMM standard sia efficiente per un dato $\theta_W$ in caso di specificazione errata, e se esista una classe di stimatori che raggiunga una varianza asintotica inferiore per lo stesso target.

2. Metodologia
Il documento propone una nuova classe di stimatori basata su condizioni di momento aumentate con ricentramento.

• Momenti Aumentati: L'autore osserva che la funzione di influenza dello stimatore GMM standard specificato in modo errato dipende sia dalle condizioni di momento originali $g(X_i, \theta)$ sia dal loro Jacobiano $G(X_i, \theta)$. Il documento costruisce un vettore di momenti aumentato $\psi(X_i, \theta) = [g(X_i, \theta)', \text{vec}(G(X_i, \theta)')']'$.
• Ricentramento: Per garantire che i momenti della popolazione siano nulli al valore pseudo-reale $\theta_W$, i momenti aumentati vengono ricentrati rispetto alle loro aspettative di popolazione: $\tilde{\psi}(X_i, \theta) = \psi(X_i, \theta) - E[\psi(X_i, \theta_W)]$.
• Lo Stimatore ME: Il documento definisce una classe generale di stimatori M (o stimatori Z) che risolvono $\Lambda \tilde{\psi}_n(\hat{\theta}) = 0$. Applicando la teoria delle equazioni di stima ottimali (Godambe, 1960), il documento deriva la matrice di ponderazione ottimale $\Lambda^*_W = \Gamma(\theta_W)' \Sigma(\theta_W)^{-1}$, dove $\Gamma$ è il Jacobiano dei momenti aumentati e $\Sigma$ è la loro varianza.
• Stimatore Efficiente in caso di Specificazione Errata (ME): Lo stimatore che utilizza $\Lambda^*_W$ è denominato stimatore "Efficiente in caso di Specificazione Errata" (ME). Esso raggiunge la più piccola varianza asintotica tra tutti gli stimatori in questa classe che sono consistenti per lo stesso $\theta_W$.
• Implementazioni Fattibili: Poiché lo stimatore ME oracolare richiede termini di ricentramento della popolazione sconosciuti, il documento propone tre alternative fattibili:
  1. Bootstrap Doppio-Ricentrato (DR): Una procedura bootstrap che perturba congiuntamente i momenti originali e il Jacobiano, ricentrando entrambi rispetto ai loro analoghi campionari valutati a uno stimatore GMM preliminare. Questo imita la distribuzione limite del GMM standard in caso di specificazione errata e include il bootstrap ricentrato di Hall e Horowitz (1996) come caso speciale in caso di corretta specificazione.
  2. Stimatore ME su Campione Diviso: Una procedura ispirata ad Angrist e Krueger (1995) che utilizza metà del campione per stimare i termini di ricentramento (momenti pseudo-reali e aspettative del Jacobiano) e l'altra metà per costruire la stima finale ME.
  3. Reporting del Limite Oracolare: Anche se la stima puntuale non è fattibile, il documento mostra che la varianza asintotica dello stimatore ME oracolare, $V_{ME}(W) = (\Gamma' \Sigma^{-1} \Gamma)^{-1}$, può essere stimata in modo coerente e riportata come "frontiera di efficienza".

3. Risultati Teorici Chiave

• Inefficienza del GMM Standard: Si dimostra che lo stimatore GMM standard specificato in modo errato è un caso particolare dello stimatore M aumentato, ma è generalmente subottimale. Esso non riesce a utilizzare l'informazione contenuta nella variazione del Jacobiano.
• Semplificazione nel Modello Lineare: Nei modelli lineari, la varianza asintotica dello stimatore ME si semplifica in $V_{ME} = (G' \Sigma_{11,2}^{-1} G)^{-1}$, dove $\Sigma_{11,2}$ è la varianza dei momenti originali resi residui rispetto al Jacobiano.
  • Ciò implica che, per i modelli lineari, la varianza asintotica dello stimatore ME è invariante rispetto alla scelta di $W$. Sebbene diverse $W$ targettino diversi $\theta_W$, la precisione della stima per un qualsiasi specifico $\theta_W$ è determinata dallo stesso limite di efficienza.
  • Il documento nota che la formula convenzionale della varianza del "GMM efficiente" $(G'W G)^{-1}$ con $W = \Sigma_{11}^{-1}$ è troppo piccola per il GMM standard in caso di specificazione errata, spiegando il bias al ribasso degli errori standard spesso osservato nella pratica.
• Limiti Minimax Uniformi: Il documento stabilisce limiti minimax asintotici locali uniformi su una classe di matrici di ponderazione $\mathcal{W}$. Questi limiti rappresentano la varianza nel caso peggiore che uno stimatore deve affrontare se il ricercatore è agnostico rispetto alla scelta specifica di $W$ (e quindi di $\theta_W$). Lo stimatore ME raggiunge questi limiti.
• Validità del Bootstrap: Il bootstrap Doppio-Ricentrato (DR) è dimostrato essere asintoticamente valido in caso di specificazione errata, approssimando correttamente la variazione campionaria dello stimatore GMM standard, mentre il bootstrap standard di Hall-Horowitz non riesce a catturare il termine di variazione del Jacobiano indotto dalla specificazione errata.

4. Risultati Empirici e di Simulazione

• Simulazioni Monte Carlo:
  • Le simulazioni confermano che lo stimatore ME oracolare presenta deviazioni standard e lunghezze degli intervalli di confidenza significativamente inferiori rispetto al GMM standard, in particolare quando la matrice di ponderazione è lontana dall'efficienza (ad es. $W=I$) o quando l'identificazione è moderata.
  • Gli intervalli di confidenza del bootstrap DR forniscono una copertura valida (vicina al nominale 95%) e sono spesso del 10-17% più brevi rispetto agli intervalli basati su errori standard robusti alla specificazione errata analitici.
  • Lo stimatore su campione diviso performa bene, sebbene con errori standard leggermente più grandi a causa della divisione del campione.
• Applicazioni Empiriche:
  • Card (1995) Ritorni all'Istruzione: Il limite di efficienza ME è circa del 15-20% inferiore rispetto agli errori standard convenzionali e robusti alla specificazione errata, anche quando il test J di Hansen non rifiuta.
  • Angrist e Krueger (1991) Trimestre di Nascita: Si trovano risultati simili. Il limite ME è notevolmente più stretto rispetto agli errori standard robusti, specialmente quando si utilizza la matrice identità ($W=I$) come schema di ponderazione. I risultati evidenziano che, sebbene le stime puntuali possano essere simili tra le diverse specificazioni, i guadagni di efficienza derivanti dall'utilizzo delle informazioni del Jacobiano sono sostanziali.

5. Significato e Affermazioni

Il documento afferma di fornire un quadro teorico e pratico per migliorare l'inferenza nei modelli GMM sovradeterminati in caso di specificazione errata. I suoi contributi principali sono:

1. Ridefinizione dell'Efficienza: Mette in discussione la nozione secondo cui lo stimatore GMM standard sia ottimale in caso di specificazione errata, mostrando che una classe di stimatori che utilizza momenti aumentati (momenti + Jacobiano) può raggiungere una varianza asintotica strettamente inferiore per lo stesso valore pseudo-reale.
2. Frontiera di Efficienza: Fornisce una misura fattibile (il limite ME) che i ricercatori possono riportare insieme agli errori standard per indicare i potenziali guadagni di efficienza disponibili se le informazioni di ricentramento fossero pienamente utilizzate. Ciò funge da benchmark trasparente per la "migliore possibile" precisione data la specificazione errata del modello.
3. Strumenti di Inferenza Robusti: Introduce il bootstrap Doppio-Ricentrato e gli stimatori su campione diviso come alternative fattibili e valide all'inferenza GMM standard che tengono conto del comportamento asintotico specifico degli stimatori in caso di specificazione errata.
4. Chiarificazione degli Errori Standard: Offre una spiegazione teorica per il bias al ribasso degli errori standard del GMM efficiente in contesti specificati in modo errato, suggerendo che la formula convenzionale è valida solo per lo stimatore ME oracolare, non per il GMM standard.

Il documento limita esplicitamente il suo ambito agli stimatori GMM a un passo con matrici di ponderazione fisse e assume un'identificazione di rango pieno, lasciando le estensioni al GMM iterato e all'identificazione debole come direzioni per ricerche future. Non afferma di risolvere l'identificazione del parametro causale "vero", ma si concentra su un'inferenza valida e migliorata per i valori pseudo-reali a cui mirano gli stimatori GMM standard.