Quasi-Bayesian Local Projection Instrumental-Variables Method: Application to Renewable Energy and Electricity Prices

Sintesi Tecnica: Metodo Quasi-Bayesiano di Proiezioni Locali con Variabili Strumentali

Enunciato del Problema
La stima degli effetti causali dinamici mediante Proiezioni Locali (LP) è un approccio standard nell'econometria applicata. Quando la variabile di trattamento è endogena, i ricercatori combinano le LP con le Variabili Strumentali (IV) per formare stimatori LP–IV. Tuttavia, una limitazione significativa delle LP–IV standard è che le stime a diversi orizzonti temporali sono calcolate indipendentemente. In campioni finiti, specialmente con dati ad alta frequenza e bassi rapporti segnale-rumore, questa indipendenza genera rumore di campionamento che produce funzioni di risposta all'impulso (IRF) irregolari e difficili da interpretare. Inoltre, l'inferenza standard si basa spesso su intervalli di confidenza puntuali, che non tengono conto della correlazione tra orizzonti intrinseca a una traiettoria di risposta, portando potenzialmente a conclusioni fuorvianti riguardo alla forma complessiva dell'effetto dinamico.

Metodologia
Il documento propone un quadro Quasi-Bayesiano LP–IV che regolarizza le risposte all'impulso attraverso gli orizzonti mantenendo al contempo le proprietà di identificazione della stima IV. La metodologia integra tre componenti fondamentali:

1. Quasi-Posteriore Basato su Momenti: Seguendo Chernozhukov & Hong (2003), l'approccio costruisce una distribuzione quasi-posteriore utilizzando la funzione obiettivo del Metodo dei Momenti Generalizzati (GMM) derivata dalle condizioni di momento IV. Ciò evita la necessità di una specifica completa della verosimiglianza, preservando così la robustezza dell'identificazione IV rispetto a una specifica errata della verosimiglianza.

   • Il quasi-posteriore è definito come:
     $$\pi(\theta) \propto \exp\left\{ -\frac{T}{2} \bar{m}(\theta)^\top W \bar{m}(\theta) \right\} p(\theta)$$
     dove $\bar{m}(\theta)$ rappresenta le condizioni di momento campionarie, $W$ è una matrice di ponderazione e $p(\theta)$ è una prior.

2. Prior con Penalità di Irregolarità: Per affrontare il rumore nelle stime specifiche per orizzonte, il documento introduce una prior corretta di campo casuale di Markov gaussiano con una penalità di irregolarità.

   • Per un percorso di coefficienti $\theta_j$ attraverso gli orizzonti, la prior è $\theta_j | \tau_j \sim N(0, \tau_j^2 Q^{-1})$.
   • La matrice di precisione $Q = D^\top D + \frac{8}{\rho^2}I$ penalizza le differenze adiacenti (tramite la matrice di differenza del primo ordine $D$) e il livello complessivo (tramite il termine ridge).
   • Il parametro di scala $\tau_j$ segue una prior gerarchica semi-Cauchy, permettendo ai dati di determinare il grado di contrazione. Ciò consente allo stimatore di attingere informazioni dagli orizzonti vicini, levigando il percorso dell'IRF senza imporre restrizioni parametriche rigide.

3. Inferenza e Calcolo:

   • Calcolo: Il quasi-posteriore è campionato utilizzando un campionatore di Gibbs. La distribuzione condizionale dei coefficienti dati i parametri di scala è gaussiana, sfruttando la struttura sparsa della matrice di precisione per l'efficienza. I parametri di scala sono aggiornati tramite una miscela di scale di distribuzioni gamma inverse.
   • Inferenza: Mentre le stime puntuali sono derivate dalla media del quasi-posteriore, la quantificazione dell'incertezza rimane frequentista. Il documento costruisce intervalli di confidenza puntuali e bande di confidenza simultanee utilizzando una matrice di covarianza a panino basata sulle condizioni di momento impilate. Ciò garantisce che le misure di incertezza riflettano la variabilità di campionamento dello stimatore basato sui momenti piuttosto che l'incertezza a posteriori sui parametri di levigatura.

Contributi Chiave

1. Integrazione Metodologica: Il documento introduce la prima formulazione quasi-Bayesiana basata su momenti specificamente per LP–IV. A differenza dei metodi Bayesiani LP esistenti (ad es. Tanaka, 2020; Ferreira et al., 2025) che si basano su restrizioni narrative o VAR, questo approccio incorpora direttamente le restrizioni di momento IV nel quasi-posteriore.
2. Regolarizzazione senza Verosimiglianza: Offre un modo per levigare le risposte all'impulso attraverso gli orizzonti utilizzando una prior con penalità di irregolarità senza richiedere una verosimiglianza strutturale completa, mantenendo così la flessibilità e i vantaggi di identificazione del quadro LP–IV.
3. Inferenza Congiunta: Stimando l'intera sequenza di coefficienti come un vettore di parametri combinato, il quadro facilita l'inferenza congiunta (bande simultanee) che tiene conto della dipendenza tra orizzonti, affrontando una limitazione nota dell'inferenza puntuale.
4. Equivalenza Asintotica: Il documento stabilisce che, sotto condizioni di regolarità standard, la media del quasi-posteriore è asintoticamente equivalente allo stimatore GMM standard, garantendo che la regolarizzazione non comprometta le proprietà del campione grande dello stimatore IV.

Risultati Empirici
Il metodo è applicato a dati giornalieri dal mercato all'ingrosso dell'elettricità danese (DK1 e DK2) per stimare l'effetto causale dinamico della generazione eolica e solare sui prezzi dell'elettricità.

• Strumentazione: Il potenziale rinnovabile guidato dal meteo (derivato dai dati di reanalisi ERA5) è utilizzato come strumento per la generazione rinnovabile osservata per affrontare l'endogeneità.
• Risultati:
  • Eolico: Un aumento di una deviazione standard nella generazione eolica porta a una diminuzione significativa e immediata dei prezzi all'ingrosso dell'elettricità (circa 8 EUR/MWh in DK1 e 4 EUR/MWh in DK2). Questo effetto diminuisce nel corso di 3–4 giorni, coerentemente con l'effetto merit-order.
  • Solare: L'effetto della generazione solare è più piccolo e meno precisamente stimato nei dati giornalieri, con intervalli di confidenza che spesso includono lo zero.
  • Prestazioni Metodologiche: Lo stimatore quasi-Bayesiano con la prior a penalità di irregolarità produce percorsi IRF più levigati e interpretabili rispetto allo stimatore GMM non vincolato. Studi di simulazione confermano che questa regolarizzazione riduce l'Errore Quadratico Medio (RMSE), specialmente a orizzonti medi e lunghi, mitigando il rumore di campionamento.

Significato e Affermazioni
Il documento afferma di avanzare il campo della stima delle risposte all'impulso fornendo uno strumento che bilancia la flessibilità delle LP non parametriche con la stabilità della regolarizzazione.

• Significato Econometrico: Dimostra che la regolarizzazione quasi-Bayesiana è efficace per parametri indicizzati da un orizzonte (percorsi) piuttosto che per coefficienti scalari. Migliora le prestazioni in campioni finiti (minore RMSE) e facilita l'inferenza congiunta senza sacrificare le garanzie di identificazione dei metodi IV.
• Significato Politico: L'applicazione empirica evidenzia che l'integrazione delle energie rinnovabili influisce non solo sui prezzi immediati ma anche sulla dinamica dei prezzi a breve termine. I risultati suggeriscono che l'effetto merit-order è più rilevante a orizzonti brevi, con implicazioni per i mercati di bilanciamento, gli incentivi allo stoccaggio e le strategie di gestione del rischio nei sistemi elettrici con alta penetrazione di rinnovabili.

Gli autori mantengono una posizione modesta, notando che il metodo è uno strumento di regolarizzazione per la stima puntuale mentre l'identificazione si basa sulle condizioni di momento IV. Riconoscono che gli strumenti funzionano come strumenti "stato-meteo" piuttosto che come strumenti "innovazione-meteo" puri, e i risultati sono interpretati sotto una restrizione di esclusione condizionata. Le direzioni di ricerca future suggerite includono l'estensione del quadro a sistemi sovradeterminati e lo sviluppo di procedure per strumenti deboli.