Generalized Fiducial Inference Through Stochastic Inversion of Estimating Equations

Sintesi Tecnica: Inferenza Fiduciale Generalizzata tramite Inversione Stocastica di Equazioni di Stima

Definizione del Problema
L'inferenza statistica si basa spesso su equazioni di stima (ad esempio, Metodo dei Momenti Generalizzato, stima M) quando una piena specificazione della verosimiglante non è disponibile o è indesiderabile. Sebbene questi metodi forniscano una stima flessibile dei parametri, la quantificazione dell'incertezza richiede tipicamente approssimazioni asintotiche del primo ordine (che possono essere imprecise in campioni finiti o in contesti ad alta dimensionalità) o procedure di ricampionamento computazionalmente intensive come il bootstrap. L'inferenza fiduciale classica, che costruisce distribuzioni dei parametri invertendo un'equazione strutturale dei dati $X = G(U, \theta)$, è difficile da applicare in questo caso perché i modelli di equazioni di stima spesso mancano di una rappresentazione strutturale esplicita. Di conseguenza, non esiste un quadro fiduciale ampiamente applicabile per la costruzione di distribuzioni di confidenza quando i parametri sono definiti unicamente attraverso equazioni di stima generali.

Metodologia: Inferenza Fiduciale Copula-Generalizzata (CGFI)
Il documento propone l'Inferenza Fiduciale Copula-Generalizzata (CGFI), un quadro di riferimento privo di verosimiglianza (likelihood-free) che estende il principio dell'inferenza fiduciale generalizzata ai modelli di equazioni di stima. Invece di invertire un'equazione strutturale per i dati osservati, la CGFI tratta le stesse equazioni di stima empiriche come l'oggetto stocastico da invertire.

La costruzione centrale procede come segue:

1. Rappresentazione Stocastica: Il metodo utilizza la distribuzione asintotica delle equazioni di stima empiriche. Sotto condizioni di regolarità, $\sqrt{n}\bar{g}_n(\theta_0) \xrightarrow{d} N(0, \Sigma)$, dove $\bar{g}_n(\theta)$ è la media campionaria delle funzioni di stima e $\Sigma$ è la loro matrice di covarianza.
2. Perturbazione via Copula Gaussiana: Per generare campionamenti fiduciali, il metodo introduce una perturbazione stocastica $\eta^*$ coerente con la distribuzione congiunta stimata delle equazioni di stima. Nello specifico, il metodo decompone la matrice di covarianza stimata $\hat{\Sigma}$ in deviazioni standard marginali ($\hat{D}$) e una matrice di correlazione ($\hat{R}$). Una copula gaussiana viene utilizzata per generare variabili ausiliarie dipendenti $Z^*$ con correlazione $\hat{R}$, che vengono poi trasformate nel vettore di perturbazione $\eta^* = \hat{D}Z^*$.
3. Inversione Stocastica: Un campionamento fiduciale $\theta^*$ viene ottenuto risolvendo un'equazione di stima perturbata. Per modelli esattamente identificati, ciò comporta la risoluzione di $\sqrt{n}\bar{g}_n(\theta^*) + \eta^* = 0$. Per modelli sovra-identificati, $\theta^*$ è definito come il minimizzatore di un criterio GMM perturbato:
   $$\theta^* = \arg \min_{\theta} \left( \sqrt{n}\bar{g}_n(\theta) + \eta^* \right)^\top W_n \left( \sqrt{n}\bar{g}_n(\theta) + \eta^* \right)$$
   dove $W_n$ è una matrice di ponderazione definita positiva.
4. Distribuzione di Confidenza: Ripetendo questo processo si genera una collezione di campionamenti $\theta^*_1, \dots, \theta^*_M$ che formano la distribuzione di confidenza CGFI sullo spazio dei parametri.

Contributi Chiave
Il documento presenta quattro contributi primari:

1. Estensione del Quadro Teorico: Introduce la CGFI, un nuovo quadro di distribuzione di confidenza privo di verosimiglianza che estende l'inferenza fiduciale generalizzata oltre i modelli con equazioni strutturali esplicite verso quelli definiti da restrizioni di momento.
2. Proprietà Teoriche: L'autore stabilisce che, sotto standard condizioni di regolarità, la distribuzione CGFI è consistente (si concentra attorno al vero parametro) e soddisfa una proprietà di tipo Bernstein–von Mises. Nello specifico, la distribuzione condizionata dei campionamenti CGFI riproduce asintoticamente la distribuzione campionaria del corrispondente stimatore dell'equazione di stima.
3. Performance in Campioni Finiti: Attraverso studi di simulazione, il documento dimostra che la CGFI fornisce probabilità di copertura accurate comparabili alle procedure bootstrap, particolarmente in contesti con molti vincoli di momento, disturbi non gaussiani e funzioni di stima dipendenti.
4. Efficienza Computazionale: Il metodo offre una riduzione significativa del costo computazionale rispetto ai metodi bootstrap, poiché perturba direttamente le equazioni di stima anziché richiedere ripetuti ricampionamenti e ri-stime del modello.

Risultati
Studi di simulazione hanno valutato la CGFI rispetto alle approssimazioni Wald convenzionali e ai bootstrap non parametrici in vari scenari:

• Momenti ad Alta Dimensionalità: All'aumentare del numero di condizioni di momento ($q$) rispetto alla dimensione del campione ($n$), gli intervalli Wald hanno subito gravi problemi di sottocopertura (scendendo al 60% quando $q=250, n=500$). La CGFI ha mantenuto una copertura vicina al livello nominale del 95%, performando in modo simile al bootstrap ma con tempi computazionali significativamente inferiori (ad esempio, 0,9 secondi rispetto a 30,9 secondi per $q=250$).
• Momenti Dipendenti: Quando le condizioni di momento erano correlate, la CGFI ha adattato automaticamente la sua quantificazione dell'incertezza, mantenendo una copertura vicina al 95% attraverso vari livelli di correlazione, mentre la copertura Wald fluttuava significativamente.
• Robustezza: La CGFI ha dimostrato robustezza rispetto a distribuzioni di errore a code pesanti (Student's $t$) ed eteroschedasticità, superando spesso le approssimazioni Wald in termini di copertura pur rimanendo computazionalmente efficiente.

Significato e Rivendicazioni
Il documento sostiene che la CGFI fornisca un quadro unificato di distribuzione di confidenza per contesti in cui i parametri sono identificati attraverso restrizioni di momento ma mancano di una verosimiglianza o di un modello strutturale esplicito. Spostando la fonte di casualità dall'equazione generatrice dei dati alle equazioni di stima empiriche, il metodo consente una quantificazione dell'incertezza priva di verosimiglianza senza richiedere specifiche a priori (come nei metodi bayesiani) o modelli generativi completi (come nell'Approximate Bayesian Computation).

L'autore sottolinea che la CGFI non è meramente un dispositivo di ricampionamento, ma un distinto approccio inferenziale in cui il problema inverso stocastico definisce direttamente la distribuzione di confidenza. Il quadro è presentato come un meccanismo generale per estendere l'inferenza fiduciale alle moderne procedure statistiche, inclusi quelli dell'econometria e del machine learning caratterizzati da equazioni di stima. Il documento conclude che, sebbene la CGFI condivida l'efficienza computazionale dei metodi asintotici e l'accuratezza dei metodi di ricampionamento, essa offre una base teorica distinta per la costruzione di distribuzioni di confidenza in contesti complessi e privi di verosimiglianza.