Extending Prais-Winsten Regression to Panel Data with Higher-Order Autoregressive Errors: A Simulation Study

技術要約：高次自己回帰誤差を持つパネルデータへのプライス・ウィンステン回帰の拡張

問題提起
パネルデータおよびクロスセクション時系列（CSTS）データは、ユニット内の自己相関、ユニット間の異分散性、および同時期の相関を含む、複雑な系列依存性を頻繁に示します。既存の推定量はこれらの問題に対処していますが、一般化最小二乗法（GLS）フレームワークとパネル修正標準誤差（PCSE）を組み合わせた際、高次の自己回帰（$k > 1$ の AR($k$)）誤差を扱う点において、決定的なギャップが残っています。

標準的な Beck–Katz フレームワーク（Stata の xtpcse に実装）は、一次自己回帰（AR(1)）誤差を用いたプライス・ウィンステン GLS 変換を利用していますが、これは AR(1) に限定されています。対照的に、Driscoll–Kraay 推定量（xtscc に実装）は、任意の自己依存次数に対して頑健な非パラメトリックな代替案を提供しますが、Newey–West 型の HAC 補正に依存しています。その結果、研究者は、正しく指定された非パラメトリックな推定量（xtscc）を使用するか、あるいは（AR($k$) が存在するにもかかわらず AR(1) と仮定する）誤指定されたパラメトリックな推定量を使用するかという、トレードオフに直面しています。AR($k$) 誤差に対する正確なプライス・ウィンステン GLS 変換と、PCSE サンドイッチ推定量を組み合わせた既存のパネル推定量は存在しません。

手法
このギャップを埋めるため、著者は、パネルデータに対してプライス・ウィンステン AR($k$) GLS 変換を拡張した Stata パッケージ xtpraisk を導入します。推定手順は以下の通りです。

1. ユール・ウォーカー推定： 初期 OLS 回帰から得られた残差を用いて、パネル全体にわたって AR パラメータ（$\rho$）をプール推定します。
2. GLS 変換： データの準差分（quasi-difference）を行い、ユニット内の系列依存性を除去するために、正確なプライス・ウィンステン・フィルターを適用します。これには、各パネルの最初の $k$ 個の観測値に対する AR($k$) 自己共分散行列のコレスキー因子を用いた特定の変換が含まれます。
3. PCSE サンドイッチ： 残存する異分散性と同時期のパネル間相関を考慮するために、Beck–Katz PCSE 推定量を変換されたデータに適用します。

xtpraisk の性能は、モンテカルロ・シミュレーション研究を通じて xtscc と比較評価されました。設計は以下の範囲を網羅しています：

• 自己回帰次数： $k = 1, 2, 3$。
• 自己相関シナリオ： 緩やかな正の相関、振動的相関、および高い持続性。
• 次元： パネルサイズ（$N \in \{10, 15, 20\}$）および時系列長（$T \in \{10, 20, 30, 50, 75, 100\}$）。
• 指標： 統計的検出力、Type I 誤差率、95% 信頼区間（CI）の被覆率、パーセント・バイアス、平方根平均二乗誤差（RMSE）、および標準誤差（SE）比。
• 反復試行： 1,038 個の一意な設計条件につき 2,000 回。

補足分析では、モデルの誤指定（AR(2) データへの AR(1) の適合）および共通因子によって誘発されるパネル間相関への感度を検証しました。

主な結果

• 統計的検出力： xtpraisk は、すべての条件下で xtscc よりも一貫して高い統計的検出力を示しました。この優位性は、高い持続的な自己相関およびより高い AR 次数（例：AR(3)）の下で最も顕著でした。この検出力の向上は、アンチコンサバティブな推論ではなく、純粋な GLS 効率性を反映しています。
• 推論の妥当性（Type I 誤差および被覆率）： xtpraisk は、すべての時系列長および AR 次数において、適切に較正された Type I 誤差率（5% 近傍）および CI 被覆率（95% 近傍）を維持しました。対照的に、xtscc は、特に時系列が短い場合（$T < 30$）において、AR 次数が増加するにつれて、系統的な Type I 誤差の増大と CI の被覆不足を示しました。例えば、AR(3) かつ高持続性の条件下では、$T=10$ において xtscc の被覆率は約 84% まで低下しました。xtscc のこれらの欠陥は、$T$ が増加するにつれて減少し、$T=100$ までには名目レベルへと収束しました。
• 標準誤差の較正： xtpraisk の SE 比は 1.0 近傍に留まっており、これは正確な分散推定を示しています。xtscc は、時系列が短い場合に系統的に標準誤差を過小評価しており（比率が 0.70–0.75 まで低下）、これが Type I 誤差の増大と被覆率の悪化のメカニズム的な原因となっています。
• バイアスおよび RMSE： 両方の推定量は本質的に不偏でした。しかし、時系列が短い場合、xtpraisk は xtscc よりも低い RMSE を示し、その差は高い持続的な自己相関と高い AR 次数の下で拡大しました。
• 頑健性： xtpraisk は、AR 次数の誤指定（AR(2) データへの AR(1) の適合）に対しても頑健であり、推論性能の低下は無視できる程度でした。どちらの推定量の性能も、パネルサイズ（$N$）や増加したパネル間相関による有意な影響は受けませんでした。

意義および主張
本論文は、xtpraisk が、時系列推定量においてしばしば観察される「検出力と推論の妥当性の間のトレードオフ」を解決することを主張しています。非パラメトリックな手法（Newey–West など）が妥当性を犠牲にして検出力を得るという従来の知見とは異なり、xtpraisk はパネル設定において高い検出力と適切に較正された推論の両方を達成します。

著者は、妥当な推論と統計的効率性が優先される場合、特に時系列が短く（$T < 30$）、高次の AR 構造を持ち、かつ持続的な自己相関を伴う一般的な応用研究のシナリオにおいて、xtpraisk が推奨される推定量であると断じています。研究は、xtscc の推論上の欠陥は有限標本の現象であり、時系列が長くなるにつれて解消されるものである一方、xtpraisk は即座に信頼性を提供することを示唆しています。さらに、xtpraisk は $k=1$ の場合に Beck–Katz 推定量と正確に一致するため、馴染みのある PCSE フレームワークを放棄することなく、高次の依存性を扱う研究者にとってシームレスな拡張を提供します。