Best Feasible Conditional Critical Values for a More Powerful Subvector Anderson-Rubin Test

Technische Samenvatting: De Beste Haalbare Conditionele Kritieke Waarden voor een Krachtigere Subvector Anderson-Rubin Test

Probleemstelling
In het lineaire instrumentele variabelenmodel (IV-model) onder homoscedasticiteit is inferentie op een deelverzameling van parameters (subvector-inferentie) complex vanwege de potentiële zwakte van instrumenten. Guggenberger, Kleibergen en Mavroeidis (2019) (GKM) stelden een conditionele subvector Anderson-Rubin (AR) test voor die gebruikmaakt van datagegevens-afhankelijke kritieke waarden om zich aan te passen aan de identificatiestrategie van nuisance-parameters (parameters die niet onderzocht worden). De GKM-test conditioneert op de grootste eigenwaarde van een niet-centrale Wishart-verdeling afgeleide matrix van de AR-statistiek. Hoewel deze benadering een correcte omvang en een strikt hogere kracht garandeert dan standaard asymptotische $\chi^2$-testen, stellen de auteurs dat de grootste eigenwaarde niet de optimale indicator is voor zwakke identificatie.

Specifiek: een kleine grootste eigenwaarde signaleert correct zwakke identificatie, maar een grote grootste eigenwaarde impliceert niet noodzakelijkerwijs sterke identificatie voor alle nuisance-parameters. In scenario's waar de grootste eigenwaarde groot is maar de tweede-kleinste eigenwaarde klein is, kunnen de nuisance-parameters nog steeds lijden onder zwakke identificatie. Het conditioneren op de grootste eigenwaarde faalt in dergelijke gevallen om de kritieke waarden voldoende aan te passen, wat kan leiden tot conservatieve testen met een lagere kracht dan nodig.

Methodologie
Het artikel stelt voor om de subvector AR-test te conditioneren op de tweede-kleinste eigenwaarde ($\hat{\kappa}_{p-1}$) van de $p \times p$ niet-centrale Wishart-matrix, waarbij $p = m_W + 1$ ($m_W$ is het aantal nuisance-parameters). De AR-statistiek zelf komt overeen met de kleinste eigenwaarde ($\hat{\kappa}_p$).

De kern van de theoretische bijdrage rust op de eigenschappen van de gezamenlijke verdeling van de eigenwaarden van een niet-centrale Wishart-matrix $\Xi'\Xi \sim W_p(k, I_p, M'M)$:

1. Asymptotische Equivalentie: De auteurs tonen aan dat wanneer de $p-2$ grootste eigenwaarden van de niet-centraliteitsmatrix $M'M$ groot zijn (naar oneindig naderen), de gezamenlijke verdeling van de twee kleinste eigenwaarden ($\hat{\kappa}_{p-1}, \hat{\kappa}_p$) identiek is aan de gezamenlijke verdeling van de eigenwaarden van een $2 \times 2$ niet-centrale Wishart-matrix.
2. Aanpassing van Vrijheidsgraden: In dit limietgeval heeft de $2 \times 2$ matrix vrijheidsgraden gelijk aan $k - m_W + 1$ (waarbij $k$ het aantal instrumenten is), en de niet-centraliteitsparameters komen overeen met de twee kleinste eigenwaarden van de oorspronkelijke $p \times p$ matrix.
3. Overdracht van Kritieke Waarden: Dit resultaat impliceert dat de kritieke waarde-functies die door GKM zijn getabelleerd (die conditioneren op de grootste eigenwaarde voor een $2 \times 2$ systeem), direct kunnen worden toegepast op de voorgestelde test door simpelweg de conditionele variabele te vervangen: de grootste eigenwaarde $\hat{\kappa}_1$ vervangen door de tweede-kleinste eigenwaarde $\hat{\kappa}_{p-1}$.

Om gevallen aan te pakken waarin de $p-2$ grootste eigenwaarden eindig zijn (niet naar oneindig gaan), leiden de auteurs de conditionele kansdichtheidsfunctie van de twee kleinste eigenwaarden af op basis van resultaten van James (1964) en Muirhead (2009). Ze bewijzen dat de verwerpingskans van de test monotoon afneemt met de waarden van de grotere eigenwaarden. Bijgevolg blijft de omvang van de test gecontroleerd (begrensd door het nominale niveau $\alpha$), zelfs wanneer de grootste eigenwaarden niet oneindig zijn, aangezien de verwerpingskans strikt lager is dan in het limietgeval waar zij oneindig zijn.

Belangrijkste Bijdragen en Resultaten

• Correcte Omvang: De voorgestelde test, die conditioneert op de tweede-kleinste eigenwaarde, behoudt een correcte omvangcontrole onder de nulhypothese voor alle configuraties van de niet-centraliteitsparameters.
• Strikt Hogere Kracht: Voor $m_W > 1$ is de kritieke waarde afgeleid van het conditioneren op de tweede-kleinste eigenwaarde strikt kleiner dan de kritieke waarde afgeleid van het conditioneren op de grootste eigenwaarde (voor dezelfde geobserveerde statistiek). Omdat de kritieke waarde lager is, heeft de voorgestelde test ($\phi_{c_{p-1}}$) een strikt hogere kracht dan de oorspronkelijke GKM-test ($\phi_{c_1}$).
• Computationele Haalbaarheid: De methode behoudt de computationele eenvoud van de GKM-benadering. Het vermijdt de noodzaak om te conditioneren op een grotere subset van eigenwaarden, wat de kracht zou vergroten maar ten koste zou gaan van een onhaalbare computationele complexiteit.
• Extensie naar Heteroscedasticiteit: De auteurs tonen aan dat hun bevindingen zich uitstrekken naar de setting voorgesteld door Guggenberger, Kleibergen en Mavroeidis (2024), waarbij het model toestaat dat er sprake is van conditionele heteroscedasticiteit met een benaderde Kronecker-productstructuur. Het krachtvoordeel van het conditioneren op de tweede-kleinste eigenwaarde houdt ook in deze robuuste setting stand.

Betekenis
Het artikel beweert de "best haalbare" subset AR-test te bieden voor de lineaire IV-setting onder homoscedasticiteit. Door de tweede-kleinste eigenwaarde te identificeren als de geschikte indicator voor de zwakke identificatie van nuisance-parameters, incorporeert de voorgestelde procedure de informatie over zwakke identificatie die de GKM-test mist. Dit resulteert in een test die zowel computationeel eenvoudig als statistisch krachtiger is, met name wanneer het aantal nuisance-parameters groter is dan één. De auteurs benadrukken dat hoewel het conditioneren op meer eigenwaarden theoretisch verdere krachtwinst zou kunnen opleveren, de computationele kosten hiervoor excessief zouden zijn; daarom vertegenwoordigt het conditioneren op de tweede-kleinste eigenwaarde de optimale afweging tussen haalbaarheid en kracht.