Efficient GMM and Weighting Matrix under Misspecification

技術的サマリー：誤指定下における効率的 GMM と重み付け行列

1. 問題提起
一般化モーメント法（GMM）は、過剰識別モデルにおける推定と推論の標準的な枠組みである。正しく指定された場合、効率的な重み付け行列はモーメントの分散共分散行列の逆行列であり、標準的な GMM 推定量の中で最小の漸近分散をもたらす（Hansen, 1982; Chamberlain, 1987）。しかし、経済モデルは、無効な道具変数、誤った関数形、または処置効果の異質性により、頻繁に誤指定される。

誤指定下では、GMM 推定量は「疑似真値（pseudo-true value）」$\theta_W$ に収束する。これは母集団目的関数の最小化者として定義される。重要なのは、誤指定下では重み付け行列 $W$ の選択が効率性に影響するだけでなく、ターゲットパラメータ $\theta_W$ 自体を決定する点である。既存の文献（例：Hall and Inoue, 2003; Hansen and Lee, 2021）は、誤指定に頑健な標準誤差を用いて $\theta_W$ に対する妥当な推論手順を確立してきた。しかし、誤指定下において標準 GMM 推定量が与えられた $\theta_W$ に対して効率的であるかどうか、また、同じターゲットに対してより小さな漸近分散を達成する推定量のクラスが存在するかどうかについては、依然としてギャップが残っている。

2. 手法
本論文は、再中心化を伴う拡張モーメント条件に基づく新しい推定量のクラスを提案する。

• 拡張モーメント: 著者は、標準的な誤指定 GMM 推定量のインフルエンス関数が、元のモーメント条件 $g(X_i, \theta)$ とそのヤコビアン $G(X_i, \theta)$ の両方に依存することを指摘する。論文は、拡張モーメントベクトル $\psi(X_i, \theta) = [g(X_i, \theta)', \text{vec}(G(X_i, \theta)')']'$ を構築する。
• 再中心化: 母集団モーメントが疑似真値 $\theta_W$ においてゼロとなることを保証するため、拡張モーメントをその母集団期待値によって再中心化する：$\tilde{\psi}(X_i, \theta) = \psi(X_i, \theta) - E[\psi(X_i, \theta_W)]$。
• ME 推定量: 論文は、$\Lambda \tilde{\psi}_n(\hat{\theta}) = 0$ を解く一般的な M 推定量（または Z 推定量）のクラスを定義する。最適な推定方程式理論（Godambe, 1960）を適用することで、最適な重み付け行列 $\Lambda^*_W = \Gamma(\theta_W)' \Sigma(\theta_W)^{-1}$ を導出する。ここで、$\Gamma$ は拡張モーメントのヤコビアン、$\Sigma$ はそれらの分散である。
• 誤指定効率的（ME）推定量: $\Lambda^*_W$ を用いる推定量を「誤指定効率的（ME）」推定量と呼ぶ。これは、同じ $\theta_W$ に対して一貫性を持つこのクラスのすべての推定量の中で、最小の漸近分散を達成する。
• 実行可能な実装: 神託 ME 推定量には未知の母集団再中心化項が必要であるため、論文は 3 つの実行可能な代替案を提案する：
  1. 二重再中心化（DR）ブートストラップ: 元のモーメントとヤコビアンを共同で攪乱し、予備 GMM 推定量で評価されたそれらの標本アナログにおいて両方を再中心化するブートストラップ手順。これは誤指定下での標準 GMM の極限分布を模倣し、正しく指定された場合の Hall and Horowitz (1996) の再中心化ブートストラップを特殊なケースとして内包する。
  2. 分割標本 ME 推定量: Angrist and Krueger (1995) に着想を得た手順で、標本の半分を再中心化項（疑似真モーメントとヤコビアン期待値）の推定に用い、残りの半分を最終的な ME 推定の構築に用いる。
  3. 神託境界の報告: 点推定が実行可能でなくても、論文は神託 ME 推定量の漸近分散 $V_{ME}(W) = (\Gamma' \Sigma^{-1} \Gamma)^{-1}$ が一貫して推定可能であり、「効率性フロンティア」として報告できることを示す。

3. 主要な理論的結果

• 標準 GMM の非効率性: 標準的な誤指定 GMM 推定量は拡張 M 推定量の特殊なケースであることが示されるが、一般的には最適ではない。これは、ヤコビアンの変動に含まれる情報を活用できていない。
• 線形モデルの簡略化: 線形モデルにおいて、ME 推定量の漸近分散は $V_{ME} = (G' \Sigma_{11,2}^{-1} G)^{-1}$ に簡略化される。ここで、$\Sigma_{11,2}$ はヤコビアンに対して残差化された元のモーメントの分散である。
  • これは、線形モデルにおいて ME 推定量の漸近分散が $W$ の選択に対して不変であることを意味する。異なる $W$ が異なる $\theta_W$ をターゲットにする一方で、特定の $\theta_W$ に対する推定の精度は、同じ効率性境界によって決定される。
  • 論文は、$W = \Sigma_{11}^{-1}$ における従来の「効率的 GMM」分散式 $(G'W G)^{-1}$ が、誤指定下の標準 GMM に対して小さすぎることを指摘し、実務でしばしば観察される標準誤差の下向バイアスを説明する。
• 一様ミニマックス境界: 論文は、重み付け行列のクラス $\mathcal{W}$ 全体にわたる一様局所漸近ミニマックス境界を確立する。これらの境界は、研究者が特定の $W$（したがって $\theta_W$）の選択に対して無関心である場合に、推定量が直面しなければならない最悪のケース分散を表す。ME 推定量はこれらの境界を達成する。
• ブートストラップの妥当性: 二重再中心化（DR）ブートストラップは誤指定下で漸近的に妥当であることが証明され、標準 GMM 推定量のサンプリング変動を正しく近似する。一方、標準的な Hall-Horowitz ブートストラップは、誤指定によって引き起こされるヤコビアン変動項を捉えることができない。

4. 実証およびシミュレーション結果

• モンテカルロシミュレーション:
  • シミュレーションは、特に重み付け行列が効率的から遠い場合（例：$W=I$）や識別が中程度の場合、神託 ME 推定量が標準 GMM に比べて有意に小さな標準偏差と信頼区間の長さを持つことを確認する。
  • DR ブートストラップの信頼区間は妥当な被覆率（名目上の 95% に近い）を提供し、解析的な誤指定に頑健な標準誤差に基づく区間よりもしばしば 10-17% 短い。
  • 分割標本推定量はよく機能するが、標本分割により標準誤差がわずかに大きくなる。
• 実証応用:
  • Card (1995) の教育の収益: ME 効率性境界は、Hansen J 検定が棄却されない場合でも、従来のおよび誤指定に頑健な標準誤差よりも約 15-20% 小さい。
  • Angrist and Krueger (1991) の生年月日四半期: 同様の結果が得られる。ME 境界は、特に単位行列（$W=I$）を重み付け方式として使用する際に、頑健な標準誤差よりも著しく狭い。これらの結果は、推定値が仕様にわたって類似していても、ヤコビアン情報を活用することによる効率性の向上が甚大であることを浮き彫りにする。

5. 意義と主張

本論文は、誤指定下における過剰識別 GMM モデルの推論を改善するための理論的かつ実践的な枠組みを提供することを主張する。主な貢献は以下の通りである：

1. 効率性の再定義: 誤指定下で標準 GMM 推定量が最適であるという考え方に挑戦し、拡張モーメント（モーメント＋ヤコビアン）を活用する推定量のクラスが、同じ疑似真値に対して厳密に小さな漸近分散を達成し得ることを示す。
2. 効率性フロンティア: 再中心化情報が完全に活用された場合の潜在的な効率性向上を示すために、研究者が標準誤差 alongside に報告できる実行可能な指標（ME 境界）を提供する。これは、モデルの誤指定を踏まえた「最良の可能な」精度に対する透明なベンチマークとして機能する。
3. 頑健な推論ツール: 誤指定下での推定量の特定の漸近挙動を考慮した、標準 GMM 推論に対する実行可能かつ妥当な代替手段として、二重再中心化ブートストラップと分割標本推定量を導入する。
4. 標準誤差の明確化: 誤指定設定における標準的な効率的 GMM 標準誤差の下向バイアスに対する理論的説明を提供し、従来の式が標準 GMM ではなく神託 ME 推定量に対してのみ有効であることを示唆する。

本論文は、その範囲を固定された重み付け行列を持つワンステップ GMM 推定量に限定し、フルランク識別を仮定している。反復 GMM や弱い識別への拡張は、将来の研究課題として残されている。本論文は「真の」因果パラメータの識別を解決するとは主張せず、標準 GMM 推定量がターゲットとする疑似真値に対する妥当かつ改善された推論に焦点を当てている。