Repairing Locally Misspecified GMM: An Empirical Bayes Approach
Questo articolo propone un approccio Empirical Bayes per riparare gli stimatori del Generalized Method of Moments (GMM) in presenza di misspecificazione locale, stimando la media e la varianza degli errori di specificazione per costruire stimatori corretti per il bias e migliorati nella precisione, i quali si dimostrano potenziare la robustezza in applicazioni come lo studio di Angrist e Krueger (1991) sui rendimenti dell'istruzione.
Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Nel mondo dell'economia, i ricercatori cercano spesso di capire come funziona il mondo costruendo modelli semplificati. Questi modelli agiscono come mappe: non sono il territorio stesso, ma sono utili per navigarlo. Per testare se una mappa è accurata, gli economisti utilizzano un metodo chiamato Metodo dei Momenti Generalizzati, o GMM. Immaginate di cercare di trovare il valore reale di qualcosa, come il rendimento dell'andare a scuola. Avete un insieme di indizi, o "condizioni di momento", che dovrebbero tutti puntare alla stessa risposta se la vostra mappa fosse perfetta. A volte, avete più indizi di quelli strettamente necessari per trovare la risposta. Questo è chiamato essere "sovraidentificato". Quando si hanno indizi extra, si può verificare se concordano tra loro. Se concordano, il vostro modello sembra buono. Se sono in disaccordo, ciò suggerisce che il vostro modello potrebbe essere leggermente errato, o "specificato male", perché i dati del mondo reale sono disordinati e nessuna mappa è perfettamente precisa.
Per decenni, quando questi indizi extra erano in disaccordo, gli economisti hanno affrontato un dilemma. Sapevano che i loro modelli erano approssimazioni, quindi si aspettavano un certo grado di disaccordo. Tuttavia, mancavano di un modo affidabile per misurare esattamente quanto il modello fosse sbagliato o come correggere la risposta finale. I test statistici standard spesso gridavano che il modello era rotto, ma gli economisti sapevano che un modello perfetto raramente esiste. Questo li lasciava di fronte a una scelta: ignorare il disaccordo e sperare nel meglio, oppure scartare gli indizi utili perdendo precisione. La domanda rimaneva: potremmo usare proprio il disaccordo tra gli indizi per costruire una stima migliore e più onesta della verità?
Un nuovo articolo di Patrick Kline offre una via d'uscita. L'autore propone un metodo per riparare questi modelli imperfetti trattando i disaccordi non come rumore casuale, ma come un modello che può essere misurato e corretto. L'idea centrale è assumere che gli errori che causano il disaccordo tra gli indizi siano "scambiabili". In termini semplici, questo significa che, sebbene non sappiamo quale specifico indizio sia sbagliato, possiamo assumere che gli errori che li influenzano siano tratti dallo stesso pool di possibilità, condividendo un comportamento medio e una dispersione simili. Trattando questi errori come un gruppo con un carattere condiviso, il ricercatore può stimare la dimensione media dell'errore e quanto variano gli errori stessi.
Una volta stimati questi schemi, l'articolo introduce due nuovi modi per calcolare la risposta finale. Il primo metodo sottrae semplicemente l'errore medio stimato dal calcolo originale. Questo è simile a come un agrimensore potrebbe regolare una misurazione se sa che il suo strumento ha un'inclinazione costante e piccola. Il secondo metodo è più sofisticato. Utilizza una tecnica statistica chiamata Bayes Empirico per prevedere la parte specifica e prevedibile dell'errore per ogni indizio e sottrae anche quella. Questo secondo approccio agisce come un filtro, rimuovendo il "rumore" che il modello può anticipare, lasciando dietro di sé un segnale più pulito.
L'autore ha testato queste idee utilizzando simulazioni al computer, creando migliaia di set di dati fittizi dove la risposta vera era nota. In questi test, il metodo standard produceva stime che erano spesso lontane dal segno perché ignorava i difetti del modello. I nuovi metodi, invece, hanno avvicinato le stime molto di più alla verità. La correzione semplice ha ridotto significamente l'errore, e il filtro più avanzato lo ha ridotto ulteriormente. Le simulazioni hanno mostrato che questi nuovi stimatori potevano migliorare l'accuratezza di circa il quindici percento rispetto all'approccio standard, un guadagno sostanziale in un campo in cui piccoli miglioramenti contano molto.
Per vedere se questo funzionava con dati reali, l'autore ha rivisitato un famoso studio del 1991 che cercava di misurare quanto denaro extra guadagna una persona per ogni anno di istruzione. Quello studio utilizzava un insieme intelligente di indizi basati sulla stagione e sullo stato di nascita di una persona. La nuova analisi ha suggerito che gli indizi originali avevano un bias sistematico, probabilmente perché la stagione di nascita non era così casuale come sperato. Quando l'autore ha applicato i nuovi metodi di riparazione, la stima del rendimento della scolarizzazione è cambiata. I numeri corretti si sono avvicinati ai risultati che si otterrebbero con un metodo molto più semplice e meno preciso, suggerendo che l'originale modello complesso era stato eccessivamente fiducioso. Inoltre, il nuovo metodo ha reso i risultati molto più stabili; cambiare l'elenco degli altri fattori inclusi nel modello non causava più oscillazioni selvagge nella risposta.
L'articolo fornisce anche un modo per calcolare l'incertezza di queste nuove risposte. Poiché il metodo riconosce che il modello è imperfetto, gli intervalli di confidenza risultanti sono più ampi del solito. Questo non è un fallimento, ma una caratteristica. Riflette onestamente il rischio extra introdotto dai difetti del modello. L'autore dimostra che questi intervalli più ampi sono statisticamente validi, il che significa che cattureranno la risposta vera la percentuale corretta delle volte, anche quando il modello è specificato male.
In definitiva, questo lavoro non sostiene di aver trovato un modello perfetto dell'economia. Invece, offre uno strumento per lavorare con modelli imperfetti. Dimostra che quando gli indizi sono in disaccordo, non dobbiamo scartarli o fingere che il disaccordo non esista. Misurando il modello del disaccordo, possiamo regolare i nostri calcoli per essere più accurati e le nostre conclusioni per essere più oneste. Il metodo funziona meglio quando ci sono molti indizi a disposizione, una situazione comune nella moderna ricerca economica. Trasforma la frustrazione del fallimento del modello in una fonte di informazione, permettendo ai ricercatori di estrarre risposte migliori dalla realtà disordinata dei dati.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.