A Flexible Approach to Augmenting a Bayesian VAR with Nonlinear Factors

技術要約：非線形因子を用いたベイズVARの拡張に対する柔軟なアプローチ

問題提起
標準的なベクトル自己回帰（VAR）モデルは、マクロ経済予測や構造分析に広く用いられているが、線形性の仮定に依存しており、非対称性やレジーム・シフトといった複雑な動態を捉えきれない場合がある。ベイズ加法回帰木（BART）のような非パラメトリック手法は柔軟性を提供するものの、高次元のシステム（例：$M$ 個の変数）のすべての式に直接適用すると、特に四半期マクロ経済データのような小標本においては、深刻な過剰パラメータ化、計算上のボトルネック、および過学習を招く。既存の非線形因子モデルは、状態方程式を線形に制限しているか、あるいは大規模なデータセットへの効率的なスケーリングに失敗している。著者らは、非線形性を捉えるための柔軟性と、高次元推論に必要な簡潔性（パルシモニー）を両立させるモデルの必要性に取り組んでいる。

手法
本論文では、線形VARに低次元の非線形因子を非パラメトリックにモデル化した要素を加えたセミパラメトリックモデルであるFactor-BART VARを提案する。

1. モデルの仕様:
   システムは次のように定義される：
   $$y_t = A x_t + \Lambda_\mu \mu(x_t) + \varepsilon_t$$
   ここで、$y_t$ は $M \times 1$ の観測ベクトル、$x_t$ は $y_t$ の $p$ 個のラグ、$A$ は線形VAR係数を表す。非線形成分は、$\mu(x_t)$ によって捉えられる $Q_\mu \times 1$ の潜在的な非線形因子によって表現される。ここで $Q_\mu \ll M$ である。行列 $\Lambda_\mu$ は、これらの因子を観測系列へと写像する。

   • 非線形因子: 関数 $\mu_j(\cdot)$ は**ベイズ加法回帰木（BART）**を用いてモデル化される。これにより、特定のパラメトリックな形式を事前に指定することなく、複雑で未知の関数形式（例：閾値、滑らかな非線形性）を近似することが可能となる。
   • 誤差構造: 誤差項 $\varepsilon_t$ は、構造的識別を容易にするために線形静的因子モデル（$\varepsilon_t = \Lambda_q q_t + \eta_t$）に従うものとし、$\eta_t$ は固有のガウス型ノイズである。

2. 関数のプーリングと簡潔性:
   核心的な革新は**関数のプーリング（functional pooling）**である。各変数に対して $M$ 個の個別の非線形関数を推定する代わりに、本モデルは $Q_\mu$ 個の共通の非線形関数を推定する。ローディング $\Lambda_\mu$ が、これらの共通因子が各方程式にどのように寄与するかを決定する。このアプローチは、系列間で情報をプーリングすることで、実質的なパラメータ数を削減し、過学習を抑制する。本モデルは、$\Lambda_\mu = 0$ の場合の標準的な線形VARや、$Q_\mu = M$ の場合の「mixBART」仕様など、特殊なケースを包含しており、データによって有効な非線形因子の数が決定される。

3. 識別と推定:

   • 識別: 本モデルは、因子モデルに共通する識別問題（スケール、符号、回転）および、非線形因子が線形動態を吸収してしまう可能性に直面する。著者らは、線形回帰変数（$X$）と非線形因子を直交させ、線形効果と非線形効果を分離するための事後直交化（ex-post orthogonalization）手順を提案している。さらに、ローディングの回転および符号の不定性を解決するために、一貫した因子の解釈を保証するMatchAlign手順（Poworoznek et al., 2021）を採用している。
   • 事前分布: 線形VAR係数には**ホースシュー事前分布（horseshoe prior）を用い、因子ローディング $\Lambda_\mu$ には特化した行方向および列方向の収縮事前分布（row- and column-wise shrinkage prior）**を用いる。列方向の収縮（列インデックスが増加するにつれて強まる）により、無関係なローディングをゼロに収縮させることで、有効な非線形因子数を自動的に選択することが可能となる。
   • 計算: 推定は**マルコフ連鎖モンテカルロ（MCMC）**アルゴリズム（ギブスサンプラー）を介して行われる。極めて重要な点として、因子とローディングが与えられた条件下では、モデルを方程式ごとに推定できるため、時変パラメータ（TVP）VARに伴う計算上のボトルネックを回避できる。

主な結果

1. モンテカルロ・シミュレーション:

   • 予測: データ生成過程（DGP）が非線形である場合、Factor-BART VARは線形ベンチマークと比較して、アウトオブサンプル予測精度（対数予測尤度で測定）において大幅に優れた性能を示す。DGPが線形である場合、本モデルは線形ベンチマークとほぼ同等の性能を示し、収縮事前分布が過学習を効果的に防いでいることが証明された。
   • 構造分析: 本モデルは、DGPが非線形であるとき、線形モデルよりも高い精度と良好な被覆特性（coverage properties）をもって一般化インパルス応答関数（GIRF）を回収する。また、線形モデルが見逃してしまう非対称性やレジーム・スイッチング挙動を正確に捉えることに成功している。

2. 実証分析（米国マクロ経済）:

   • データ: 本モデルは、$M=22$ 個の米国の主要なマクロ経済および金融系列（1976年–2023年）のデータセットに適用されている。
   • 予測: Factor-BART VAR（$Q_\mu=8$）は、線形BVARに対して、特に多段階ホライゾンにおいて、密度予測精度において大幅な向上（エネルギー・スコアで10–13%の改善）をもたらした。これは、mixBARTやガウス過程VARなどの競合する非線形仕様をも凌駕しており、かつ計算効率も高い（同一ハードウェア上でmixBARTの約30分に対し、約9分）。
   • 構造分析: 需要、供給、金融政策、および金融ショックを識別するために符号制限（sign restrictions）を用いた分析により、経済的反応における顕著な非対称性が明らかになった。金融条件や金融政策の大幅な引き締めは、対応する緩和よりも、実体経済活動およびインフレに対して絶対的に大きな影響を与える。また、非線形な調整は、線形モデルが予測を誤りやすいリセッション期（例：2008–09年、2020年）において最も重要であることが判明した。

意義と主張
本論文は、Factor-BART VARが、過剰パラメータ化、誤設定、および計算の実現可能性の間のトレードオフを効果的にバランスさせる「柔軟なアプローチ」を提供すると主張している。その主な貢献は以下の通りである：

• 防御的モデリング: 非パラメトリックな要素を組み込むことで、本モデルは、完全な非パラメトリック高次元モデルに伴う計算コストを負うことなく、線形誤設定に対する堅牢な防御策として機能する。
• スケーラビリティ: 因子構造により、非パラメトリックVARにおける「次元の呪い」によって阻まれてきた、非線形動態を持つ大規模なシステム（$M \gg Q_\mu$）のモデリングが可能となる。
• 構造的妥当性: 線形因子モデルの既存の識別戦略（符号制限）を非線形の場合に適応させることで、線形フレームワークでは不可視であった非対称な経済的反応の発見を可能にした。
• 実用的有用性: 米国マクロ経済データにおいて、予測精度および構造分析の両面で具体的な改善を実現できることを示しており、特に金融ストレスや金融政策の伝達における非線形動態の捕捉において有効である。

結論として、条件付き平均の主要な駆動源は依然として線形成分であるが、非線形因子ブロックは、経済的なストレスや非線形性が高い時期において極めて重要となる、簡潔かつ統計的に効率的な補正を提供するものである。