On Robust Empirical Likelihood for Nonparametric Regression with Application to Regression Discontinuity Designs

問題提起

経験的尤度（Empirical Likelihood; EL）は、パラメータの制約を遵守し、望ましい性質（漸近的に $\chi^2$ 分布に従うウィルクスの型（Wilks-type）の極限分布を持つこと）を備えた尤度ベースの信頼区間を提供する、強力なノンパラメトリック推論ツールである。しかし、局所多項式スムーザーを用いたノンパラメトリック回帰および回帰不連続デザイン（RDD）に適用する場合、標準的なEL手法は決定的な限界に直面する。それは**平滑化バイアス（smoothing bias）**である。

有効なウィルクス型の推論（EL比が標準的な $\chi^2$ 分布に収束すること）を実現するためには、従来のプローチではアンダースムージング（undersmoothing）（点推定のための最適レートよりも小さなバンド幅 $h$ を選択すること）が必要となる。これはバイアスを減少させる一方で分散を増大させ、有限サンプルにおいて過度に広い信頼区間をもたらす。

あるいは、**バイアス補正（bias-corrected）アプローチは、バイアスを推定して除去しようと試みる。しかし、本論文は既存のバイアス補正EL手法における根本的な欠陥を指摘している。すなわち、バイアスの推定自体によって導入される追加的な変動性（variability）**を考慮できていない点である。その結果、推定用バンド幅 ($h$) とパイロット・バンド幅 ($b$) の比が正の定数に収束する場合（$h/b \to \kappa \in (0, 1]$）、標準的なウィルクスの現象は崩壊する。EL比は標準的な $\chi^2$ 分布ではなく、スケーリングされた $\chi^2$ 分布に収束するため、標準的な臨界値を使用すると、深刻な被覆率の低下（under-coverage）と、第I種の過誤の増大を招く。

手法

著者らは、現実的なバンド幅条件（$h/b \to \kappa \in [0, 1]$）の下で、バイアス補正とウィルクス現象の保持との間の緊張関係を解決するために、「ロバスト経験的尤度（Robust Empirical Likelihood; Robust EL）」と称される新しいフレームワークを提案する。

1. ロバスト重みの構築:
単にEL比や点推定量を調整するのではなく、核心的な革新は、完全にデータ適応的な新しいロバスト重みを構築することにある。これらの重みは、バイアス補正を達成すると同時に、バイアス推定量の変動性をEL定式化のモーメント制約の中に直接組み込む。

• テイラー展開に基づくロバスト重み ($W^\star$): バイアス推定量（局所二次適合に基づく）をELモーメント制約内に再表現することによって導出される。これにより、バイアス推定量を、再サンプリング確率 ($p_i$) の関数として効果的に扱うことができる。
• 差分ベースのロバスト重み ($W^\ddagger$): バイアス推定のための直接的な差分アプローチを用いて同様に構築され、差分推定量の変動性が確実に捉えられるようにしている。

2. ロバストEL比:
これらの新しい重みを用いて、著者らは2つのロバストEL比関数を定義する：

• $l_{TR}(\theta)$: テイラー展開に基づくロバストEL比。
• $l_{DR}(\theta)$: 差分ベースのロバストEL比。

3. RDDへの拡張:
このフレームワークは、**シャープ（Sharp）およびファジー（Fuzzy）**RDDの設定の両方に拡張される。

• シャープRDDの場合、処置群と対照群に対して個別にロバスト重みを構築し、処置効果 $\tau_S$ を推定する。
• ファジーRDDの場合、アウトカムと処置確率の不連続の比を扱い、すべての構成要素（$Y$ および $T$）に対してロバスト重みを構築することで $\tau_F$ を推定する。

4. 理論的枠組み:
本論文は、Calonicoら（2014）による洗練された漸近的枠組みを採用しており、そこでは $h/b \to \kappa \in [0, 1]$ である。標準的な正則条件の下で、著者らは $l_{TR}$ と $l_{DR}$ の両方が、$\kappa = 0$（アンダースムージング）であっても $\kappa > 0$（バイアス補正レジーム）であっても、標準的な $\chi^2_1$ 分布に収束することを証明している。

主な貢献

1. 手法的な革新: 本論文は、完全にデータ適応的なロバスト重みに基づく、バイアス補正EL推論フレームワークの先駆けとなるものである。事後的に比率を調整する従来のメソッドとは異なり、このアプローチはバイアス補正とその関連する変動性を、EL定式化の重み付けスキームの中に直接統合している。
2. 理論的妥当性: 著者らは、より一般的かつ実用的な条件 $h/b \to \kappa \in [0, 1]$ の下でウィルスの現象が成立することを確立した。これにより、アンダースムージングを必要とせずに、標準的な $\chi^2$ 臨界値を用いた有効な信頼区間の構築が可能となる。
3. RDDへの適用: このフレームワークはシャープおよびファジーRDDにシームレスに拡張されており、複雑なスケール調整や追加の分散推定ステップを必要とせずに、ピボット性を維持する初のロバストEL手順を提供している。
4. 二次漸近解析: 本論文は二次漸近的性質についても探求しており、現在の手法は元のELと比較して被覆誤差率を改善しているものの、最適な被覆誤差率を持つWald型のロバスト・バイアス補正推定量に一致させるためには、さらなる修正が必要である可能性についても述べている。

結果

シミュレーション研究:
ノンパラメトリック回帰およびシャープRDDの設定に対して、広範なシミュレーションが行われた。

• 被覆率とサイズ: 提案されたロバストEL法（TRおよびDR）は、幅広いバンド幅の選択 ($h$) およびパイロット・バンド幅の比 ($b/h$) において、経験的被覆確率が公称レベル（95%）に近く、正しい経験的サイズを一貫して達成している。
• 比較:
  • 元のEL（アンダースムージング）: $h$ が十分に小さくない場合に深刻な被覆率の低下に見舞われ、高い分散により広い信頼区間を生じさせた。
  • 従来のバイアス補正EL (TB/DB): $h/b \not\to 0$ の場合に、有意な被覆率の低下と第I種の過誤の増大を示し、このレジームにおけるウィルスの近似の理論的失敗を裏付けた。
  • ロバストEL vs. Wald型 (CCF): 提案されたロバストEL法は、被覆の正確性の観点から、ロバスト・バイアス補正Waldアプローチ（Calonico et al., 2014）と同等またはそれ以上の性能を示し、しばしばより短い信頼区間を提供した。
• 計算効率: EL法は数値的な逆転が必要なためWald法よりも計算負荷が高いが、提案されたアルゴリズム（ニュートン・ラグランジュ法を使用）は、中程度のサンプルサイズに対して0.5秒未満で信頼区間を構築し、実用的な実現可能性を示した。

実データへの適用:
本論文では、提案された手法を2つの実データセットに適用している（詳細は論文のセクション6に記載、ここでは要約として提示）。これらの結果は、繊細なバンド幅のチューニングやアンダースムージングを必要とせずに、信頼できる推論を提供できるという、本手法の実用的な有用性を実証している。

意義と主張

本論文は、ELの文献における長年の課題、すなわち「いかにしてウィルスの型（分布フリーな較正）を保持しながらバイアス補正を組み込むか」に対する「満足のいく解決策」を提供すると主張している。

• バンド幅選択へのロバスト性: 最大の意義は、アンダースムージングの必要性を排除したことである。研究者は、信頼区間の妥当性を損なうことなく、点推定のために（あるいはそれよりわずかに大きい）バイアスと分散のバランスが最適なバンド幅を使用できるようになった。
• 簡潔性と柔軟性: 本手法は、他のバイアス補正ELアプローチで必要とされる煩雑なスケール因子の実装や、別個の分散推定ステップを回避している。これにより、ELの「尤度ベース」の魅力を保持している。
• 理論的厳密性: $h/b \to \kappa$ という洗練された漸近的枠組みの下でウィルスの現象が成立することを証明することで、本論文はノンパラメトリック推論における理論的な最適性と実用的な実装との間の溝を埋めている。

著者らは、彼らの手法が被覆誤差率 $O(nh^7 + h^2 + (nh)^{-1})$ を達成しており、これは元のELよりも改善されているものの、最高のWald型推定量が持つ $O(nh^7 + h^3 + (nh)^{-1})$ のレートにはまだ達していないことを謙虚に述べている。彼らは、さらなる手法的な修正によってこの最適なレートを実現できる可能性があることを示唆しており、これを今後の研究課題としている。