Nonparametric Bayesian Inference for Partially Identified Discrete Response Models

技術的要約：部分的に識別された離散応答モデルにおける非パラメトリック・ベイズ推論

1. 問題設定と動機

多重均衡を伴うゲーム、固定効果を持つ半パラメトリック選択モデル、状態依存性を伴う動的モデル、および限定的な検討（limited consideration）を伴うモデルなど、離散的な応答を伴う多くの経済モデルは、**構造パラメータが集合的に識別される（set-identified）**という性質を持ちます。このような設定では、識別集合 $\Gamma_I$ は単一の点ではなく、データとモデルの制約の両方に整合するパラメータの集合となります。

これらのモデルに共通する特徴は、識別集合が、無制約な簡約形条件確率質量関数（PMF）$p(X)$ によって定義されることです。具体的には、$\Gamma_I = \{ \gamma : f(X, p(X), \gamma) \geq 0 \text{ a.s.} \}$ となります。ここで、$\gamma$ は構造パラメータ（例：利得パラメータ）を表し、$f$ は既知の関数のベクトルです。このような部分的に識別されたモデルにおける既存の頻度主義的アプローチは、しばしば以下のような実用上の困難に直面します。

• 連続的な共変量を離散化するか、特定の操作変数を選択することによって、条件付きモーメント不等式（CMI）を無条件モーメントに変換する必要があることが多い。
• これらの「アドホック」な選択は、識別情報の喪失（シャープネスの低下）や、誤設定下での操作変数選択に対する感度の問題を引き起こす可能性がある。
• 線形システム形式は、有限個の不等式を生成するために共変量の有限なサポートを前提としていることが多く、連続的な共変量から得られる可能性のあるより豊かな識別を無視している。

本論文は、共変量の離散化や無条件モーメントの選択を回避するために、簡約形の条件PMF $判定$p(X)$ を直接ターゲットとする非パラメトリック・ベイズ推論フレームワークを提案します。

2. 手法

2.1. 推論フレームワーク
核心となる観察は、識別集合 $\Gamma_I$ が簡約形パラメータ $p$ の汎関数であるということです。著者らは、以下の2段階のベイズ・アプローチを提案しています。

1. $p$ に対する非パラメトリック・ベイズ推論： 無限次元の条件PMF $p$ の空間に対して直接事前分布を置きます。観測データ $(Y, X)$ に基づいて、事後分布 $\Pi(p | Y, X)$ が導出されます。
2. 識別集合へのマッピング： 識別集合に対する事後分布 $\Pi(\Gamma_I | Y, X)$ は、識別集合を定義する対応関係を通じて、$p$ の事後分布からのドローをマッピングすることによって誘導されます。もし $\gamma \in \Gamma_I \iff f(X, p(X), \gamma) \geq 0$ であるならば、$p$ の事後分布からのドロー $p^{(s)}$ は、ドロー $\Gamma^{(s)}_I = \{ \gamma : f(X, p^{(s)}(X), \gamma) \geq 0 \}$ を与えます。

このフレームワークは、条件付きモーメント不等式や未知の係数を持つ線形システムを特殊なケースとして包含します。また、識別集合を**ランダム閉集合（random closed set）**として扱うことで、集合に関する不確実性を完全に特徴付ける事後容量関数（posterior capacity functional）の導出を可能にします。

2.2. 実装：ロジスティック・スティック・ブレイキング・ガウス過程
このフレームワークを計算機上で実装するために、著者らは**ガウス過程（GP）とカテゴリカル分布のスティック・ブレイキング（stick-breaking）**によるパラメータ化を組み合わせた、柔軟なクラスの事前分布を利用しています。

• スティック・ブレイキング： PMF $p(x) = (p_1(x), \dots, p_K(x))$ は、重み $q_k(x) \in [0, 1]$ を用いて再パラメータ化されます。ここで $p_k(x)$ は $q_1(x), \dots, q_k(x)$ の関数となります。
• GP事前分布： 重み $q_k(x)$ は $\Lambda(B_k(x))$ としてモデル化されます。ここで $\Lambda$ はロジスティック関数であり、$B_k$ は平均 $\mu_k$ と共分散 $\kappa_k$ を持つ独立なガウス過程です。
• 計算： このパラメータ化により、ポーリア・ガンマ・データ拡張（Pólya-Gamma data augmentation）（Polson et al., 2013）の使用が可能になります。この手法は、尤度を、GP事前分布が条件付き共役となる形式に変換します。その結果、事後分布のサンプリングは、閉形式の更新を持つギブス・サンプラーを介して実行できます。
  • 異なるアウトカムに対応するGPのブロックは、事後分布の下で独立であるため、並列サンプリングが可能です。
  • $p$ のドローが得られた後、各ドローに対して対応する最適化問題（例：線形計画法や最小距離法）を解くことで、識別集合のドローが計算されます。このステップは並列化可能であり、共変量の離散化を必要としません。

3. 主な理論的結果

本論文は、識別集合に関する厳密な**事後一致性（posterior consistency）**の保証を確立しています。

• 正しい設定下での一致性： モデルが正しく設定されている場合（すなわち、真のPMF $p_0$ が非空の識別集合 $\Gamma_I(p_0)$ を与える場合）、サンプルサイズ $n \to \infty$ において、識別集合の事後分布がハウスドルフ距離において真の識別集合 $\Gamma_I(p_0)$ に集中することを証明しています。

  • この結果は、$p$ の事後分布が $p_0$ に集中すること、および $p$ から $\Gamma_I$ へのマッピングが下半連続性と一様収束条件を満たすことに依拠しています。
  • 論文では、提案されたロジスティック・スティック・ブレイキング・ガウス過程（LSBGP）事前分布についてこれらの条件を検証し、$p$ の事後分布が標準的な滑らかさの仮定の下で、ミニマックス最適レートで経験的上限ノルムにおいて真の値に収束することを示しています。

• 誤設定下での一致性： 本フレームワークは、モデルの誤設定（$\Gamma_I(p_0) = \emptyset$ となる場合）に対処します。

  • 識別集合が空である確率が、誤設定の**一貫した診断指標（consistent diagnostic）**となることが示されています。
  • 著者らは、基準関数の最小化因子からなる集合（または、その下限を引いた後に基準がゼロとなる集合）として定義される擬似識別集合（pseudo-identified set） $\tilde{\Gamma}_I$ を導入しています。彼らは、モデルが誤設定されている場合でも、$\tilde{\Gamma}_I$ の事後分布が擬似真の集合 $\tilde{\Gamma}_I(p_0)$ に対して一貫していることを証明しています。

• 拡張： 理論的結果と実装の詳細は、以下に拡張可能であることが示されています。

  • 集計された離散応答（例：市場シェア）であり、データが多項分布に従う場合。
  • 連続的な応答変数であり、識別集合が連続的なアウトカムを含む条件付きモーメント不等式によって定義される場合。

4. 貢献と意義

本論文は、部分識別とベイズ計量経済学の文献に対して、いくつかの重要な貢献を主張しています。

1. 条件付き制約の直接的な取り扱い： 条件付きモーメントを無条件モーメントに変換したり、連続的な共変量を離散化したりする必要がある既存の手法とは異なり、本フレームワークは条件PMFを直接ターゲットにします。これにより、識別集合のシャープネスが保持され、ビン分割や操作変数選択に伴う情報の損失が回避されます。
2. 計算の実行可能性： スティック・ブレイキング表現とポーリア・ガンマ拡張を活用することで、事後サンプリングが閉形式で行われる、計算上魅力的な手法を提供しています。スティック・ブレイキングの構成要素の独立性は、効率的な並列化を可能にします。
3. 無限次元における理論的厳密性： 本論文は、無限次元の簡約形パラメータから導出される集合値パラメータに関する、一般的な事後一致性定理を提供しています。著者らは、次元の呪いや関数空間における事後一致性の繊細さに関する懸念に対処しつつ、特定のクラスの非パラメトリック事前分布（GP）に対して必要な条件（一様収束、下半連続性）を慎重に検証しています。
4. 誤設定に対する頑健性： 本フレームワークは、モデルの誤設定に対処するための原理的なベイズ的アプローチを提供しており、モデルが不適切な場合には、診断指標（空集合の確率）と有効な推論対象（擬似識別集合）の両方を提供します。
5. 柔軟性： 本アプローチは、推論手順の構造的変更を必要とせずに、条件付きモーメント不等式、線形システム、動的パネルモデル、および集計データを含む幅広いモデルに対応しています。

要約すると、本論文は、部分的に識別された離散応答モデルにおける推論のための、統一的で柔軟かつ計算可能なベイズ・フレームワークを提案しています。これは、非パラメトリックな頻度主義的手法の柔軟性と、ベイズ推論の一貫した不確実性定量化との間の溝を埋めると同時に、共変量の離散化を回避するものです。