Bootstrap Inference in Nonlinear Panel Data Models with Interactive Fixed Effects

Xu, Miao, Dhaene、および Beyhum による論文「Interactive Fixed Effects を持つ非線形パネルデータモデルにおけるブートストラップ推論」の詳細な技術的要約を以下に示す。

1. 問題提起

本論文は、インタラクティブ固定効果を特徴とする非線形パネルデータモデルにおける付随パラメータ問題に対処する。

• 文脈: 観測されない異質性が因子構造（個人効果 $\alpha_i$ と時間効果 $\gamma_t$ が $\alpha_i'\gamma_t$ として相互作用する形）によって捉えられるモデルにおいて、共通パラメータ（$\beta_0$）の最尤推定量（MLE）は有限サンプルにおいてバイアスを持つ。このバイアスは $N, T \to \infty$（特に $T/N \to \kappa$ の場合）においても漸近的に残存し、標準的な推論を無効化する。
• 既存手法の限界:
  • 解析的補正: 尤度関数の複雑な高次微分（3 次まで）の導出を必要とし、数値的に不安定で実装が困難である。
  • ジャックナイフ法: 実装は容易であるが、有限サンプルにおいて効率性の損失を被ることが多く、信頼区間については依然として正規近似に依存している。
  • 最適化の問題: 非線形因子モデルにおける対数尤度関数は一般に非凹性であり、標準的なアルゴリズムを用いて大域的最適解への収束を保証することが困難である。

2. 手法

著者らは、妥当な推論を達成するために、パラメトリック・ブートストラップ・フレームワークと変換ベースのアプローチを組み合わせた手法を提案する。

A. 推定戦略（2 段階 MLE）

尤度関数の非凹性に対処するため、著者らは Zeleneev と Zhang (2026) が提案した核ノルム正則化推定量を出発点として採用する。

1. ステップ 1: 核ノルムペナルティを用いた凸最適化問題を解き、確率 1 で大域的最適解に収束する一貫性のある初期推定量を得る。
2. ステップ 2: この初期推定量を用いて勾配降下法を開始し、低計算コストで大域的最尤推定量（$\hat{\theta}$）への収束を保証する。

B. パラメトリック・ブートストラップ手順

手法の核心は、推定されたパラメータに基づいて $B$ 個のブートストラップ標本を生成することにある。

1. データ生成過程（DGP）: 元の共変量 $X_{it}$ と推定されたパラメータ $\hat{\theta}$ に条件づけてブートストラップ結果 $Y^*_{it}$ を生成する。
   $$Y^*_{it} | X_{it}, \hat{\beta}, \hat{\alpha}, \hat{\gamma} \sim f(\cdot | X'_{it}\hat{\beta} + \hat{\alpha}'_i \hat{\gamma}_t)$$
2. ブートストラップ推定: 各ブートストラップ標本に対して MLE（$\hat{\theta}^*$）を計算する。
3. バイアス補正: バイアスは、ブートストラップ推定量の平均と元の推定量との差によって近似される。
   $$\hat{\beta}_{boot} = 2\hat{\beta} - \frac{1}{B}\sum_{b=1}^B \hat{\beta}^*_b$$
4. 信頼区間: 漸近正規性に依存するのではなく、ブートストラップ分布（$\hat{\beta}^* - \hat{\beta}$）の分位数から直接区間を構築する。

C. 変換ベースの歪み補正

著者らは、推定量の分布における歪みのため、標準的なブートストラップ区間は有限サンプルにおいて過度に保守的（オーバーカバリング）になり得ると指摘する。これを緩和するため：

• 区間を構築する前に、推定量に対して単調変換 $\phi(\cdot)$（例：対数変換、Box-Cox 変換、Yeo-Johnson 変換）を適用する。
• 区間を変換されたスケールで構築し、逆変換して戻す。
  $$[\phi^{-1}(2\phi(\hat{\beta}) - Q^*_{\phi(\hat{\beta}^*)}(1-\alpha/2)), \dots]$$
• これにより歪みが減少し、名目水準に近いカバレッジ確率を持つより狭い区間が得られる。

3. 主要な理論的貢献

本論文は、$N, T \to \infty$ かつ $T/N \to \kappa \in (0, \infty)$ という条件下で厳密な漸近理論を確立する。

• 一様漸近正規性: 著者らは、真のパラメータの近傍において MLE が一様漸近展開を許容することを証明し、Chen ら (2021) および Higgins と Jochmans (2024) の先行研究を拡張する。
• ブートストラップの一貫性: $\sqrt{NT}(\hat{\beta}^* - \hat{\beta})$ のパラメトリック・ブートストラップ分布が、$\sqrt{NT}(\hat{\beta} - \beta_0)$ の真の標本分布に弱収束することを示す。
• 明示的なバイアス補正なしでの妥当性: 決定的な点として、ブートストラップ分布が元推定量のバイアス構造を本質的に再現するため、明示的なバイアス補正がなくても漸近的に妥当な信頼区間が得られる。
• 平均部分効果（APEs）への拡張: 理論を APEs に拡張し、ブートストラップがそれらの分布を一貫して近似することを示す。

4. シミュレーション結果

著者らは、共変量が因子と独立か相関するか、外れ値、スパースなスパイクなど、さまざまなシナリオ（ロジットモデルとプロビットモデル）において、広範なモンテカルロシミュレーションを実施する。

• バイアス低減: ブートストラップ法（平均または中央値による補正）は、特に $T$ が小さい場合（例：$T=20$）、バイアス低減において解析的補正や分割パネル・ジャックナイフ補正を一貫して上回る。
• カバレッジ精度:
  • 標準的なブートストラップ区間は保守的傾向（カバレッジ > 95%）を示す。
  • 変換ベースの区間（特に Yeo-Johnson と Box-Cox）は、区間長を短縮しオーバーカバリングを修正することで性能を大幅に向上させ、名目上の 95% レベルに極めて近いカバレッジ率を達成する。
• ロバスト性: 共変量が観測されない因子と相関する場合（解析的補正がしばしば失敗するシナリオ）でも、本手法は良好に機能する。

5. 実証応用

本手法は、潜在する異質性を伴うイノベーション行動（特許出願）を研究するために、328 社の米国企業（1981–2001 年）のデータセットに適用される。

• 目的: 技術的スピルオーバー（知識の拡散）と製品市場スピルオーバー（ビジネスの奪取）が特許出願に与える影響を推定する。
• 発見:
  • 技術的スピルオーバー: 全ての手法において正で統計的に有意。ただし、解析的補正はブートストラップと比較してその大きさを過大評価する。
  • 製品市場スピルオーバー: 統計的に有意ではなく、この文脈では競争圧力が特許出願を直接駆動していないことを示唆する。
  • ロバスト性: ブートストラップの結果は、より信頼性の高い標準誤差とバイアス補正済み推定量を提供しつつ、先行研究（例：Burda and Harding, 2013）の定性的結論を確認する。

6. 意義

• 実用性: 複雑な解析的バイアス補正に代わる、計算上実行可能かつロバストな代替手段を提供する。
• 有限サンプル性能: 従来の漸近近似が失敗するミクロ経済データで一般的な「小 $T$"設定において、優れた性能を示す。
• 推論における革新: ブートストラップの歪みを補正するための単調変換の導入は、有限サンプルにおける保守的な推論の問題に対する実用的な解決策を提供する。
• 計算効率: 核ノルム正則化推定量を統合することで、非凹な尤度関数における大域的最最大化問題を解決し、大規模な実証応用におけるブートストラップ手順の実現可能性を高める。