Estimation and inference in models with multiple behavioural equilibria

Each language version is independently generated for its own context, not a direct translation.

この論文は、**「人々が未来を予測するときに、完璧な天才ではなく、少し間違えながら学習する普通人間」**という視点から、経済（特にインフレ）がどう動くかを分析する新しい計算方法と、その結果を正しく評価するための「ものさし」を作ったという研究です。

難しい経済用語を、日常の風景に例えて説明しましょう。

1. 従来の考え方：「完璧な予言者」vs「この論文の考え方：「試行錯誤する学習者」

昔の考え方（合理的期待）：
経済の参加者（企業や家計）は、神様のような「予言者」だと考えられていました。彼らはすべての情報を知っており、未来のインフレ率を完璧に予測できると仮定していました。
- 例えるなら： 天気予報士が、すべての気象データを持っていて、明日の雨を 100% 正確に当てている状態です。
この論文の考え方（適応的学習）：
しかし、現実の人はそうではありません。私たちは過去のデータを見て、「たぶんこうなるだろう」と推測し、間違ったら修正します。
- 例えるなら： 料理人が、レシピ（モデル）を完全に覚えていなくても、味見しながら「もう少し塩を」とか「火を弱く」と調整して、美味しい料理を作ろうとする状態です。
- この論文では、人々が**「過去のインフレ率を単純なパターン（AR(1) モデル）」**として捉えて学習していると仮定しています。実は、現実のインフレはもっと複雑ですが、人々はそれを単純化して理解しようとするのです。

2. 最大の発見：「複数の正解」が存在する

ここがこの論文の最も面白い部分です。

従来の常識：
経済モデルには「唯一の正しい答え（均衡）」があるはずだ、と考えられていました。
- 例えるなら： 迷路には「出口」が一つしかない、と信じている状態。
この論文の発見：
人々が学習を続ける場合、**「複数の正解（複数の均衡）」**が同時に存在し得ることがわかりました。
- 例えるなら： ある迷路には、**「静かな森を通るルート」と「騒がしい街を抜けるルート」**という、2 つも 3 つも出口がある状態です。
- 経済がどちらのルートに進むかは、人々の「学習のスピード」や「ショック（予期せぬ出来事）」によって決まります。
  - ルート A（低インフレ・安定）： 人々の期待がしっかり固定されている状態。
  - ルート B（高インフレ・不安定）： 人々がインフレが加速すると信じてしまい、実際に加速してしまう状態。

3. 論文が解決した課題：「複数の正解」をどう測るか？

もし複数の正解があるなら、統計的な計算（推定）が非常に難しくなります。

問題点： 通常の計算方法を使うと、データが「どのルート（均衡）」にあるのかを区別できず、計算結果がぐらついてしまったり、正しく評価できなくなったりします。
- 例えるなら： 迷路に複数の出口があるのに、地図が「出口は 1 つだけ」と前提で作られていたら、迷子になってしまいます。
この論文の貢献：
著者たちは、**「複数の出口がある迷路でも、正しく位置を特定し、その不確実性を測る新しい地図（推定・検定手法）」**を開発しました。
1. 安定性の証明： この学習プロセスが、どんなに複雑でも、最終的には一定の範囲内で落ち着く（暴走しない）ことを数学的に証明しました。
2. 新しい計算機： 複数の正解がある場合でも、パラメータ（学習の速さやインフレの反応度など）を正しく計算できる方法を作りました。
3. 「重なり合う正解」への対応： 2 つの出口が非常に近い、あるいは重なっているような特殊な場合でも、統計的にどう扱うべきかを解明しました。これは、2 つの出口が重なる瞬間に、計算の精度が通常よりも少し落ちる（収束が遅くなる）ことを示しています。

4. 実証分析：アメリカのデータで試す

彼らはこの新しい方法を、1960 年から 2019 年までのアメリカのインフレデータに適用しました。

結果：
- 一つのモデル（生産性ギャップを使う場合）では、**「3 つの異なるインフレの安定状態」**が存在する可能性が高いことが示されました。
- 別のモデル（労働コストを使う場合）では、**「1 つの安定状態」**しか見られませんでした。
- これは、**「経済がどの指標（生産性か、労働コストか）に反応しているかによって、人々の学習パターンとインフレの安定性が変わる」**ことを意味しています。

まとめ：なぜこれが重要なのか？

この論文は、**「経済は、人々が完璧に予測できる世界ではなく、試行錯誤しながら学習する世界である」**という現実を、数学的に厳密に扱えるようにしました。

政策への示唆：
中央銀行がインフレをコントロールしようとするとき、「正解は一つ」と思い込むと失敗するかもしれません。この研究は、「実は複数の安定した状態（均衡）があり、経済がその間を行き来している可能性がある」ことを示しています。
- 例えるなら： 船長が、海に「穏やかな海」と「荒れた海」という 2 つの安定した状態があることを知っていれば、風向きが変わった時に、単に「嵐だ！」と慌てるのではなく、「今は荒れた海という状態に移行したんだな」と理解し、適切な対策（学習ルートの切り替え）を講じることができます。

つまり、この論文は**「不確実で複雑な経済の迷路を、より正確に、より安全にナビゲートするための新しいコンパス」**を提供したのです。

Each language version is independently generated for its own context, not a direct translation.

1. 問題設定と背景

背景: 従来のマクロ経済モデルは、合理的期待（Rational Expectations: RE）仮説に基づいて構築されてきた。しかし、現実のデータ（特にインフレ期待）は完全な合理性から逸脱していることが示唆されており、エージェントが限定的合理性（bounded rationality）を持ち、単純な計量モデル（例：AR(1)）を用いて期待を形成する「適応的学習」アプローチが注目されている。
モデル: 本研究は、Hommes and Zhu (2014) などの研究を踏襲し、新ケインズ型フィリップス曲線（NKPC）を分析対象とする。エージェントは真のモデル構造を知らず、インフレ過程を AR(1) として誤認（misspecification）し、定常ゲイン（constant-gain）学習則を用いてパラメータを更新する。
核心的な課題:
1. 非線形性と多重均衡: エージェントの学習則と真の法則（Actual Law of Motion: ALM）の相互作用により、システムは高度に非線形となる。その結果、複数の「行動均衡」（自己確認的なインフレ経路）が共存し得る。
2. 統計的性質の不明確さ: 非線形性と多重均衡の存在により、従来の推定量（最尤法や最小二乗法など）の漸近理論（一致性、漸近正規性）が成立するかが不明確である。特に、均衡解が重複する（重根となる）場合、標準的な漸近分布が崩壊する可能性がある。
3. 識別の問題: 学習ゲイン（ $\gamma$ ）などのパラメータが、特定の条件下（例： $\delta=0$ ）で識別不可能（non-identified）となる場合の推論手法の確立が必要である。

2. 手法と理論的枠組み

著者らは、以下のステップで推定と推論の枠組みを構築した。

A. モデルの定式化

真の法則（ALM）: エージェントの予測ルール（PLM）と真の NKPC を組み合わせることで、インフレ $\pi_t$ の動的過程を記述する。
学習則: エージェントは定常ゲイン $\gamma > 0$ を用いた再帰的推定（SAC アルゴリズム）を行い、パラメータ $(\alpha_t, \beta_t)$ を更新する。
状態空間表現: 5 次元の状態ベクトル $s_t = (\pi_t, \alpha_t, y_t, \beta_t, r_t)^T$ を定義し、これを非線形マルコフ連鎖として扱う。

B. 確率的性質の確立（幾何学的エルゴード性）

幾何学的エルゴード性: 非線形マルコフ連鎖が、初期値に依存せず一意の定常分布に指数関数的に収束することを証明した（Proposition 1）。
証明の工夫: 既存の非線形時系列モデルの手法（Tong, 1990; Straumann & Mikosch, 2006）は、本モデルの $\beta_t$ の非線形性（リプシッツ条件の欠如）により適用できないため、Chotard and Auger (2019) のアプローチを拡張し、ドリフト条件（Lyapunov-Foster 条件）を直接構築して証明を行った。
意義: この性質により、大数の法則（LLN）と中心極限定理（CLT）が適用可能となり、推定理論の基礎が担保された。

C. 推定量の漸近理論

非線形最小二乗法（NLS）: 構造パラメータ $\theta = (\gamma, \delta, \psi)^T$ を推定するために NLS 推定量を採用。
一致性（Consistency）: 対象関数の明示的な評価が困難な非線形性に対し、Francq et al. (2024) の手法を適応し、パラメータの識別性を示すことで強一致性を証明（Proposition 2）。
漸近正規性（Asymptotic Normality）: 標準的な $\sqrt{n}$ 収束速度と漸近正規性を導出（Proposition 3）。
境界点と識別不可能性: $\delta=0$ の場合、 $\gamma$ は識別不可能となるが、Saikkonen (1995) や Seo (2011) の手法を援用し、残りのパラメータが依然として $\sqrt{n}$ 収束することを確認（Corollary 1）。

D. 均衡の推論と多重根の扱い

均衡の分布: 推定されたパラメータから、均衡値 $\beta$ （方程式 $G(\beta)=0$ の根）の漸近分布を導出（Section 4.3）。
重根（Repeated Roots）のケース:
- 単純な根（ $r_0=1, 3$ ）の場合：標準的な $\sqrt{n}$ 収束。
- 重根（ $r_0=2$ ）の場合：導関数がゼロとなるため、識別が 2 次となり、収束速度が $n^{1/4}$ に遅化する。また、推定された根の数が真の根の数に確率収束せず、1 または 3 に振れる確率分布（ベルヌーイ分布）に従うことが示された（Corollary 3）。
一様信頼区間: 均衡曲線 $G(\beta)$ 全体に対する一様信頼帯（uniform confidence bands）を構築する手法を提案（Corollary 6）。これは、特定の点での推論ではなく、関数全体の不確実性を評価するものである。

E. 推論手続き

標準誤差の推定: 数値微分を用いてヘッシアンを推定し、共分散行列を計算。
境界点での検定: $\delta=0$ のような境界仮説検定には、Hansen (1996a) の手法を拡張した「supF 統計量」とガウス乗数ブートストラップ（Gaussian multiplier bootstrap）を使用。
均衡数の不確実性: 重根が存在する場合、均衡数が推定されるたびに変動するため、ブートストラップ法を用いて均衡曲線の形状と根の数の不確実性を評価する。

3. 主要な結果

数値シミュレーション（Monte Carlo）

シナリオ A（3 つの均衡）: NLS 推定量は一致性を示し、t 検定のサイズは概ね正確。学生化された信頼区間の被覆率はサンプルサイズが小さい場合、名目値（95%）よりやや低くなるが、増加すると改善する。
シナリオ B（2 つの均衡：1 つ単純、1 つ重根）:
- 単純な根を持つ均衡は $\sqrt{n}$ 速度で収束する。
- 重根を持つ均衡は $n^{1/4}$ 速度で収束し、推定された根の数は 1 または 3 に振れる（真の 2 にはならない）。
- 重根の近傍にある 2 つの推定値の平均をとることで、バイアスを低減し、性能を向上できることが確認された。

実証分析（米国データ）

データ: 1960 年 Q1 から 2019 年 Q4 の米国 CPI インフレ、生産性ギャップ、実質労働単価データを使用。
結果:
- 仕様 A（生産性ギャップ）: 3 つの行動均衡が存在する可能性が高いことが示された（ $\beta_1 \approx 0.19, \beta_2 \approx 0.83, \beta_3 \approx 1.0$ ）。これは、インフレ期待の定着度（anchoring）が異なる複数のレジームが存在することを示唆。
- 仕様 B（労働単価）: 唯一の均衡（ $\beta \approx 0.01$ ）のみが存在。
- 学習ゲイン: 推定された $\gamma$ は小さく、エージェントは過去 3〜5 年程度のデータを重視していることを示唆。
- 割引率 $\delta$ : 非常に大きく、先行する期待がフィリップス曲線において重要な役割を果たしている。
- スロープ $\psi$ : 正で有意だが小さく、近年の「平坦化」したフィリップス曲線と整合的。

4. 主要な貢献と意義

理論的基盤の確立: 複数の行動均衡を持つ非線形学習モデルにおいて、幾何学的エルゴード性を証明し、NLS 推定量の一致性と漸近正規性を確立した。これは、これまで頻繁に用いられてきたが理論的裏付けが不十分だった分野への重要な貢献である。
多重均衡と重根への対応: 均衡解が重複する場合（2 次識別）に、収束速度が遅化し、根の数が確率的に振れるという非標準的な現象を明らかにし、それに対する適切な推論手法（ブートストラップ、平均化など）を提案した。
識別不可能なパラメータへの対処: 学習ゲインが識別不可能となる境界ケースにおいても、他のパラメータの推論が可能であることを示し、実用的な検定統計量（supF）を提案した。
実証への応用: 米国データへの適用により、インフレ期待の定着度には複数のレジーム（低定着・高定着）が存在し得ることを実証的に示した。これは、政策効果やショックの伝播経路が期待レジームによって異なる可能性を示唆している。
方法論的革新: 非線形時系列モデルにおける確率的性質の導出や、関数全体に対する一様信頼帯の構築など、より広範な計量経済学の問題にも応用可能な手法を提供している。

5. 結論

この論文は、適応的学習を伴うマクロ経済モデルの推計において、多重均衡と非線形性という複雑な課題に対して、堅牢な統計的推論フレームワークを提供した。理論的な厳密さと実証的な有用性の両方を兼ね備えており、将来の多変量モデルへの拡張や、減少ゲイン学習（decreasing-gain learning）への適用など、さらなる研究の基礎となる重要な成果である。