Best Feasible Conditional Critical Values for a More Powerful Subvector Anderson-Rubin Test

技術的要約：より強力な部分ベクトル・アンダーソン・ルービン検定のための最良の実現可能な条件付き臨界値

問題提起
均一分散性を仮定した線形操作変数（IV）モデルにおける、パラメータの部分集合（部分ベクトル推論）に関する推論は、操作子の弱さ（weakness of instruments）の可能性によって複雑になる。Guggenberger, Kleibergen, and Mavroeidis (2019) (GKM) は、撹乱パラメータ（テスト対象ではないパラメータ）の識別強度に適応するために、データ依存型の臨界値を利用する、条件付き部分ベクトル・アンダーソン・ルービン（AR）検定を提案した。GKM検定は、AR統計量から導出される非中心ウィシャート分布に従う行列の最大固有値を条件付けている。このアプローチは、正しいサイズを保証し、標準的な漸近 $\chi^2$ 検定よりも厳密に高い検出力を確保するが、著者らは、最大固有値が弱識別に対する最適な指標ではないと主張している。

具体的には、最大固有値が小さい場合は弱識別を正しく示唆するが、最大固有値が大きいからといって、必ずしもすべての撹乱パラメータに対して強識別を意味するわけではない。最大固有値が大きく、かつ第二最小固有値が小さいシナリオでは、撹乱パラメータがいまだに弱識別状態にある可能性がある。このような場合、最大固有値を条件付けることは、臨界値を十分に調整できず、結果として必要以上に保守的な検定となり、検出力が低下する可能性がある。

手法
本論文は、部分ベクトルAR検定を、$p = m_W + 1$ （ここで $m_W$ は撹乱パラメータの数）である $p \times p$ 非中心ウィシャット行列の第二最小固有値 ($\hat{\kappa}_{p-1}$) に基づいて条件付けることを提案している。AR統計量は、最小固有値 ($\hat{\kappa}_p$) に対応している。

理論的な核心となる貢献は、非中心行列 $M'M$ の固有値の結合分布（$\Xi'\Xi \sim W_p(k, I_p, M'M)$）の性質に基づいている：

1. 漸近的等価性： 非中心行列 $M'M$ の上位 $p-2$ 個の固有値が極限まで大きい（無限大に近づく）とき、二つの最小固有値 ($\hat{\kappa}_{p-1}, \hat{\kappa}_p$) の結合分布が、$2 \times 2$ の非中心ウィシャット行列の固有値の結合分布と同一であることを著者らは証明している。
2. 自由度の調整： この極限的なケースにおいて、$2 \times 2$ 行列の自由度は $k - m_W + 1$ （ここで $k$ は操作子の数）であり、非中心パラメータは元の $p \times p$ 行列の二つの最小固有値に対応する。
3. 臨界値の転移： この結果は、GKMが提示した臨界値関数（$2 \times 2$ システムにおいて最大固有値 $\hat{\kappa}_1$ を条件付けているもの）が、条件付ける変数を置き換えるだけで、提案された検定に直接適用できることを意味している。すなわち、$\hat{\kappa}_1$ を $\hat{\kappa}_{p-1}$ に置き換えるのである。

上位 $p-2$ 個の固有値が有限である（無限大に近づかない）ケースに対処するため、著者らはJames (1964) およびMuirhead (2009) の結果に基づき、二つの最小固有値の条件付き確率密度関数を導出している。彼らは、検定の棄却確率が、より大きな固有値の値に対して単調減少することを証明している。したがって、最大固有値が無限大でない場合でも、検定のサイズは制御された状態（公称レベル $\alpha$ 以下）に保たれる。なぜなら、棄却確率はそれらが無限大である場合のケースよりも厳密に低くなるからである。

主な貢献および結果

• 正しいサイズ： 提案された検定は、非中心パラメータのあらゆる構成の下で、帰無仮説の下での正しいサイズ制御を維持する。
• 厳密に高い検出力： $m_W > 1$ の場合、第二最小固有値を条件付けて導出された臨界値は、（同じ観測統計量に対して）最大固有値を条件付けて導出された臨界値よりも厳密に小さい。臨界値が低いため、提案された検定 ($\phi_{c_{p-1}}$) は、元のGKM検定 ($\phi_{c_1}$) よりも厳密に高い検出力を持つ。
• 計算上の実現可能性： 本手法は、GKMのアプローチが持つ計算上の簡便さを保持している。より多くの固有値を条件付けることは、検出力を高めるものの、法外な計算量増大を招くため、それを回避している。
• 不均一分散性への拡張： 著者らは、彼らの知見が、近似的なクロネッカー積構造を持つ条件付き不均一分散性を許容するGuggenberger, Kleibergen, and Mavroeidis (2024) の設定にも拡張可能であることを示している。第二最小固有値を条件付けることによる検出力の優位性は、このロバストな設定においても保持される。

意義
本論文は、均一分散性を仮定した線形IV設定における「最良の実現可能な」部分AR検定を提供すると主張している。撹乱パラメータの弱識別の指標として第二最小固有値を特定することで、提案された手続きは、GKM検定が見落としている弱識別の情報を適切に取り入れている。これにより、提案された手法は、計算が簡便でありながら、特に撹乱パラメータが1つを超える場合に、より統計的に強力な検定となる。著者らは、より多くの固有値を条件付けることが理論的にはさらなる検出力の向上をもたらし得る一方で、その計算コストは過度なものとなるため、第二最小固有値を条件付けることが、実現可能性と検出力の間の最適なトレードオフであると強調している。