Technische Samenvatting: Optimal Transport voor Dynamisch Misgespecificeerde Modellen

1. Het Probleem: Dynamische Mis-specificatie

In de econometrie worden structurele modellen (zoals DSGE-modellen of termijnstructuurmodellen) vaak gebruikt om causale mechanismen te begrijpen. Deze modellen zijn echter bijna altijd misgespecificeerd: de werkelijke datagenererende proces (DGP) is complexer dan de vereenvoudigde theoretische structuur.

Het artikel identificeert drie fundamentele problemen die ontstaan bij het gebruik van standaard filtering (zoals het Kalman-filter) op misgespecificeerde state-space modellen:

1. Inconsistentie van de latente variabelen: De gefilterde waarden van onwaarneembare variabelen (zoals productiviteit of schokken) voldoen niet aan de restricties van het model. Bijvoorbeeld: schokken die onafhankelijk zouden moeten zijn, vertonen correlatie in de gefilterde data.
2. Interpretatieproblemen van parameters: Parameter-schattingen ($\hat{\theta}$) beschrijven niet langer de werkelijke dynamiek van de gefilterde variabelen. De autocorrelatie van een gefilterde schok kan sterk afwijken van de waarde die het model voorspelt.
3. Beperkingen bij dimensionale reductie: Bij modellen waarbij er minder structurele schokken zijn dan observeerbare variabelen (stochastische singulariteit), is de standaard likelihood-functie niet gedefinieerd, wat schatting bemoeilijkt.

2. Methodologie: De Optimal Transport (OT) Benadering

Om deze problemen op te lossen, introduceren de auteurs een Sequential Optimal Transportation benadering. Het doel is niet om de data direct te passen, maar om een "model-consistente" steekproef te genereren.

De kernstappen:

• Reductievormige benadering: Men gebruikt eerst een flexibel, semiparametrisch model (zoals een Vector Autoregressief model, VAR) om de werkelijke dynamiek van de data ($\tilde{y}_t$) te benaderen.
• Optimal Transport Filter (OTF): In plaats van de ruwe data direct in het model te stoppen, wordt er op elk tijdstip een transformatie (een transport map) toegepast. Deze map transformeert de geobserveerde data naar een nieuwe reeks ($y_t$) die de voorspellende verdeling van het structurele model volgt. Dit minimaliseert de mean-squared error tussen de data en de model-consistente data.
• Optimal Transport Estimator (OTE): De parameters $\theta$ worden geschat door de discrepantie (de afstand) tussen de originele data en de gegenereerde model-consistente data te minimaliseren.
• Lineaire Specialisatie: Voor lineaire processen wordt een gesloten vorm (closed-form) afgeleid voor de transport map, wat de berekening computationeel efficiënt maakt, zelfs voor grotere modellen.

3. Belangrijkste Bijdragen

• Nieuw Filteringsalgoritme: Het OTF zorgt ervoor dat de gefilterde latente variabelen per definitie voldoen aan de modelrestricties.
• Semiparametrische Schatting: De methode is robuust omdat ze alleen uitgaat van de eerste twee momenten van de data, terwijl de dynamiek flexibel wordt benaderd via een sieve-benadering (VAR).
• Theoretische Fundering: De auteurs bewijzen de consistentie en asymptotische normaliteit ($\sqrt{n}$-rate) van de OTE onder algemene voorwaarden.
• Specificatietoets: Er wordt een formele statistische toets ontwikkeld om te bepalen of de discrepantie tussen het model en de data statistisch significant is, wat helpt bij het evalueren van de modelkwaliteit.

4. Resultaten en Empirische Toepassingen

De auteurs illustreren de methode met drie belangrijke toepassingen:

1. DSGE-modellen (Lubik & Schorfheide / Smets & Wouters):

   • Het OTF herstelt schokken die model-consistent zijn, terwijl het Kalman-filter foutieve correlaties produceert.
   • De methode kan de fit van specifieke variabelen (zoals consumptie) toetsen, waarbij blijkt dat sommige modellen de volatiliteit of persistentie van de data niet goed vatten.
   • Het kan omgaan met stochastische singulariteit (modellen met minder schokken dan variabelen).

2. Affine Termijnstructuurmodellen:

   • De methode laat zien dat slechts drie latente factoren een groot deel (97%) van de dynamiek van zes verschillende rentecurves kunnen verklaren, wat de effectiviteit van dimensionale reductie aantoont.

3. Trend-Cycle Decompositie:

   • Bij het ontleden van het Amerikaanse BBP laat het OTF een veel interpreteerbaarder en stationair cyclisch component zien dan het Kalman-filter, dat systematische fouten maakt in de trendschatting.

5. Betekenis en Conclusie

De significantie van dit werk ligt in de verschuiving van het proberen te "forceren" van data in een potentieel foutief model (zoals bij Maximum Likelihood), naar het creëren van een brug tussen de data en het model via optimale transportatie.

De belangrijkste voordelen zijn:

• Interpreteerbaarheid: De gefilterde variabelen zijn economisch zinvol omdat ze de modelregels volgen.
• Robuustheid: Het biedt een betrouwbare manier om parameters te schatten, zelfs als de dynamiek van de werkelijkheid afwijkt van de theorie.
• Diagnostiek: Het biedt een krachtig instrument voor econometristen om te testen waar en waarom een model faalt (bij welke variabelen of schokken de mismatch optreedt).