📈 economics

Bootstrap Inference in Nonlinear Panel Data Models with Interactive Fixed Effects

Dit artikel toont aan dat de parametrische bootstrap geldige inferentie biedt voor maximum-likelihood-schattingen in niet-lineaire paneldata-modellen met interactieve vaste effecten door hun asymptotische verdeling te repliceren, waardoor asymptotisch onbevooroordeelde schattingen en betrouwbaarheidsintervallen met correcte dekking worden verkregen, en voorts een op transformatie gebaseerd interval voorstelt voor verbeterde prestaties in eindige steekproeven.

Oorspronkelijke auteurs: Haoyuan Xu, Wei Miao, Geert Dhaene, Jad Beyhum

Gepubliceerd 2026-04-30

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Haoyuan Xu, Wei Miao, Geert Dhaene, Jad Beyhum

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert de ware "vaardigheid" van een groep werknemers (ondernemingen) te meten op basis van hun prestaties over meerdere jaren. Er zijn echter twee verborgen problemen die je meting verstoren:

De "Spook"-factoren: Er zijn onzichtbare krachten in het spel – zoals een plotselinge economische opleving of een specifieke bedrijfstaktrend – die iedereen op verschillende momenten op verschillende manieren beïnvloeden. In de taal van het artikel worden dit Interactieve Vaste Effecten genoemd.
De "Kleine Steekproef"-valstrik: Je hebt geen oneindige hoeveelheid data. Je hebt een beperkt aantal werknemers en een beperkt aantal jaren. Wanneer je probeert de "vaardigheid" van elke specifieke werknemer én de "trend" van elk specifiek jaar tegelijkertijd te berekenen, raakt je wiskunde in de war. Dit heet het Incidentele Parameterprobleem. Het is alsof je een puzzel probeert op te lossen waarbij elke keer dat je één stukje verplaatst, de afbeelding van de hele puzzel iets verschuift, waardoor je eindantwoord vertekend (fout) wordt.

De Oude Manieren versus De Nieuwe Weg

Lange tijd probeerden economen deze "Kleine Steekproef-valstrik" op te lossen met twee hoofdtools:

De Analytische Oplossing: Proberen een complexe wiskundige formule te schrijven om exact te voorspellen hoeveel het antwoord fout is en dit af te trekken. De auteurs zeggen dat dit is alsof je een lekkend dak probeert te repareren door de exacte baan van elke enkele regendruppel te berekenen. Het is ongelooflijk ingewikkeld, instabiel en breekt vaak samen wanneer je niet veel data hebt.
De Jackknife: Dit houdt in dat je je data in kleinere stukjes snijdt, de puzzel voor elk stukje oplost en de resultaten middelt. Het is eenvoudiger dan de formule, maar het is alsof je probeert de grootte van een hele pizza te raden door er plakken van te eten; je verliest veel van de "korst" (informatie), waardoor je eindgissing minder precies wordt.

De Oplossing van het Artikel: De "Simulatie- Spiegel" (Parametrische Bootstrap)

De auteurs stellen een slimmere, meer intuïtieve aanpak voor, genaamd Parametrische Bootstrap.

Stel je dit voor: Je hebt je originele data (de echte wereld). Je bouwt een "simulatiespiegel" op basis van wat je denkt dat de wereld eruit ziet. Je voert vervolgens duizenden virtuele experimenten uit in deze spiegel, waarbij je doet alsof de data elke keer iets anders is, gewoon om te zien hoe je "vaardigheids"-berekening eromheen wiebelt.

Hoe het de vertekening oplost: Door te kijken hoe je berekening zich gedraagt in duizenden van deze virtuele spiegels, kun je precies zien hoeveel het de neiging heeft om van de waarheid af te wijken. Je past vervolgens je antwoord uit de echte wereld aan om die afwijking te compenseren.
Waarom het beter is: In plaats van te proberen een perfecte formule voor de fout te schrijven (wat moeilijk is), simuleer je gewoon de fout. Het is alsof je fietsen leert door een paar keer te vallen in een veilig park, in plaats van te proberen de fysica van evenwicht in je hoofd te berekenen.

Het "Scheve" Probleem en de "Magische Lens"

De auteurs merkten een neveneffect op: soms creëren deze simulaties een "scheve" afbeelding. Stel je voor dat je virtuele spiegels laten zien dat je schatting meestal te hoog is, maar af en toe zeer laag daalt. Dit creëert een scheve verdeling. Als je gewoon het gemiddelde van deze spiegels neemt, wordt je betrouwbaarheidsinterval (het bereik waarin je denkt dat de waarheid ligt) te breed en overdreven voorzichtig. Het is alsof een weersvoorspelling zegt: "Het kan regenen, of het kan een orkaan zijn," dus blijf je de hele dag binnen.

Om dit op te lossen, gebruiken de auteurs een Transformatie.
Stel je dit voor als het dragen van een speciaal paar brillen (een wiskundige transformatie) voordat je naar de simulatieresultaten kijkt. Deze brillen rekken of knijpen de data zodat het "scheve" plaatje een mooie, symmetrische klokkromme wordt.

Het Resultaat: Je krijgt een veel strakker, nauwkeuriger bereik voor je antwoord. Het is alsof je die bril afdoet nadat je het zicht hebt gecorrigeerd, waardoor je een helder, precies beeld van de waarheid krijgt zonder de onnodige "angst" van het brede bereik.

De Wereldse Test: Innovatie en Patenten

Om te bewijzen dat hun methode werkt, pasten de auteurs deze toe op een vraag uit de echte wereld: Inventeren bedrijven meer wanneer hun buren uitvinden?

Ze keken naar data van 328 Amerikaanse bedrijven over 20 jaar. Ze wilden zien of "Technologische Spillovers" (ideeën delen met vergelijkbare technologiebedrijven) hielpen, en of "Productmarktspillovers" (vechten om dezelfde klanten) schaadden.

Wat ze vonden:
- Technologische Spillovers: Ja! Wanneer vergelijkbare bedrijven innoveren, helpt dit iedereen. De nieuwe methode bevestigde dit duidelijk.
- Marktspillovers: Nee. Vechten om dezelfde klanten leek bedrijven niet te stoppen in het uitvinden van nieuwe dingen.
De Vergelijking: Toen ze de oude, complexe formules gebruikten, leek het effect van "Technologische Spillovers" enorm. Toen ze hun nieuwe "Simulatiespiegel"-methode gebruikten, was het effect nog steeds positief en significant, maar gematigder en realistischer. De nieuwe methode gaf hen meer vertrouwen dat het resultaat niet gewoon een toevalstreffer van slechte wiskunde was.

De Conclusie

Dit artikel introduceert een manier om rommelige, vertekende wiskunde in de economie op te lossen door computersimulaties te gebruiken in plaats van complexe formules. Het is alsof je een fragiele, handberekende kaart vervangt door een GPS die duizenden routes simuleert om het meest accurate pad te vinden. Het werkt beter wanneer data schaars is, en met een kleine "lensaanpassing" geeft het ons de meest precieze antwoorden die mogelijk zijn.

1. Probleemstelling

Het artikel behandelt het incidental parameter-probleem in niet-lineaire paneldata-modellen met interactieve vaste effecten.

Context: In modellen waarbij onwaargenomen heterogeniteit wordt gevangen door een factorstructuur (individuele effecten $\alpha_i$ en tijdseffecten $\gamma_t$ die interageren als $\alpha_i'\gamma_t$ ), is de Maximum Likelihood Schatter (MLE) voor gemeenschappelijke parameters ( $\beta_0$ ) vertekend in eindige steekproeven. Deze vertekening blijft asymptotisch bestaan wanneer $N, T \to \infty$ (specifiek wanneer $T/N \to \kappa$ ), waardoor standaard inferentie ongeldig wordt.
Beperkingen van bestaande methoden:
- Analytische correcties: Vereisen het afleiden van complexe, hoogwaardige afgeleiden van de likelihood-functie (tot de derde orde), wat numeriek instabiel kan zijn en moeilijk te implementeren is.
- Jackknife-methoden: Hoewel makkelijker te implementeren, lijden ze vaak aan efficiëntieverlies in eindige steekproeven en vertrouwen ze nog steeds op normale benaderingen voor betrouwbaarheidsintervallen.
- Optimalisatieproblemen: De log-likelihood-functie in niet-lineaire factormodellen is over het algemeen niet-concaaf, waardoor het moeilijk is om convergentie naar de globale maximiser met standaardalgoritmen te garanderen.

2. Methodologie

De auteurs stellen een parametrische bootstrap-framework voor, gecombineerd met een transformatie-gebaseerde aanpak, om geldige inferentie te bereiken.

A. Schattingsstrategie (Tweestaps-MLE)

Om de niet-concaafheid van de likelihood-functie aan te pakken, nemen de auteurs de nucleaire-norm gestrafte schatter voorgesteld door Zeleneev en Zhang (2026) als startpunt:

Stap 1: Los een convex optimalisatieprobleem op met behulp van een nucleaire-norm straf om een consistente initiële schatter te verkrijgen die met waarschijnlijkheid één convergeert naar de globale maximiser.
Stap 2: Gebruik deze initiële schatter om een gradiëntafdalingsalgoritme te starten, waardoor convergentie naar de globale MLE ( $\hat{\theta}$ ) wordt gewaarborgd tegen lage computerkosten.

B. Parametrische Bootstrap-procedure

De kern van de methodologie bestaat uit het genereren van $B$ bootstrap-steekproeven op basis van de geschatte parameters:

Data Genererend Proces (DGP): Genereer bootstrap-uitkomsten $Y^*_{it}$ conditioneel op de originele covariaten $X_{it}$ en de geschatte parameters $\hat{\theta}$ :
$Y^*_{it} | X_{it}, \hat{\beta}, \hat{\alpha}, \hat{\gamma} \sim f(\cdot | X'_{it}\hat{\beta} + \hat{\alpha}'_i \hat{\gamma}_t)$
Bootstrap-schatting: Bereken de MLE ( $\hat{\theta}^*$ ) voor elke bootstrap-steekproef.
Vertekeningcorrectie: De vertekening wordt benaderd door het verschil tussen het gemiddelde van de bootstrap-schattingen en de originele schatting:
$\hat{\beta}_{boot} = 2\hat{\beta} - \frac{1}{B}\sum_{b=1}^B \hat{\beta}^*_b$
Betrouwbaarheidsintervallen: Construeer intervallen direct uit de kwantielen van de bootstrap-verdeling ( $\hat{\beta}^* - \hat{\beta}$ ) in plaats van te vertrouwen op asymptotische normaliteit.

C. Transformatie-gebaseerde Scheefheidscorrectie

De auteurs observeren dat standaard bootstrap-intervallen in eindige steekproven te conservatief kunnen zijn (over-dekking) als gevolg van scheefheid in de verdeling van de schatter. Om dit te mitigeren:

Pasen ze een monotone transformatie $\phi(\cdot)$ (bijv. Log, Box-Cox of Yeo-Johnson) toe op de schatter voordat het interval wordt geconstrueerd.
Het interval wordt geconstrueerd op de getransformeerde schaal en teruggekaatst:
$[\phi^{-1}(2\phi(\hat{\beta}) - Q^*_{\phi(\hat{\beta}^*)}(1-\alpha/2)), \dots]$
Dit vermindert de scheefheid, wat leidt tot strakkere intervallen met dekkingkansen dichter bij het nominale niveau.

3. Belangrijke Theoretische Bijdragen

Het artikel vestigt een rigoureuze asymptotische theorie onder een regime waarbij $N, T \to \infty$ met $T/N \to \kappa \in (0, \infty)$ :

Uniforme Asymptotische Normaliteit: De auteurs bewijzen dat de MLE een uniforme asymptotische expansie toestaat in een omgeving van de ware parameter, wat eerdere resultaten van Chen et al. (2021) en Higgins en Jochmans (2024) uitbreidt.
Bootstrap-consistentie: Ze tonen aan dat de parametrische bootstrap-verdeling van $\sqrt{NT}(\hat{\beta}^* - \hat{\beta})$ zwak convergeert naar de ware steekproefverdeling van $\sqrt{NT}(\hat{\beta} - \beta_0)$ .
Geldigheid zonder expliciete vertekeningcorrectie: Cruciaal is dat de bootstrap asymptotisch geldige betrouwbaarheidsintervallen oplevert, zelfs zonder expliciete vertekeningcorrectie, aangezien de bootstrap-verdeling inherent de vertekenisstructuur van de originele schatter nabootst.
Uitbreiding naar Gemiddelde Partiële Effecten (APE's): De theorie wordt uitgebreid om APE's te bestrijken, waarbij wordt aangetoond dat de bootstrap hun verdeling consistent benadert.

4. Simulatie-resultaten

De auteurs voeren uitgebreide Monte Carlo-simulaties uit (Logit- en Probit-modellen) in verschillende scenario's (covariaten onafhankelijk/gecorreleerd met factoren, uitschieters, dunne spikes).

Vermindering van vertekening: De bootstrap-methode (met gemiddelde of mediaan correctie) presteert consequent beter dan analytische en split-panel jackknife-correcties bij het verminderen van vertekening, vooral wanneer $T$ klein is (bijv. $T=20$ ).
Nauwkeurigheid van dekking:
- Standaard bootstrap-intervallen neigen conservatief te zijn (dekking > 95%).
- Transformatie-gebaseerde intervallen (specifiek Yeo-Johnson en Box-Cox) verbeteren de prestaties aanzienlijk door de intervallengte te verminderen en de over-dekking te corrigeren, waardoor dekkingssnelheden veel dichter bij het nominale niveau van 95% komen.
Robuustheid: De methode presteert goed, zelfs wanneer covariaten gecorreleerd zijn met onwaargenomen factoren, een scenario waarin analytische correcties vaak falen.

5. Empirische Toepassing

De methode wordt toegepast op een dataset van 328 Amerikaanse bedrijven (1981–2001) om innovatiegedrag (octrooiering) te bestuderen in aanwezigheid van latente heterogeniteit.

Doel: De effecten schatten van technologische spillovers (kennisdiffusie) en productmarktspillovers (business stealing) op octrooiering.
Vondsten:
- Technologische Spillovers: Positief en statistisch significant volgens alle methoden. De analytische correctie overschat echter de grootte in vergelijking met de bootstrap.
- Productmarktspillovers: Statistisch onbeduidend, wat suggereert dat concurrentiedruk in deze context niet direct octrooiering stimuleert.
- Robuustheid: De bootstrap-resultaten bevestigen de kwalitatieve conclusies van eerdere studies (bijv. Burda en Harding, 2013) en bieden tegelijkertijd betrouwbaardere standaardfouten en vertekeninggecorrigeerde schattingen.

6. Betekenis

Praktisch nut: Biedt een computatief haalbaar en robuust alternatief voor complexe analytische vertekeningcorrecties voor niet-lineaire panelmodellen met interactieve vaste effecten.
Prestaties in eindige steekproeven: Toont superieure prestaties in "kleine $T$ " situaties die gebruikelijk zijn in micro-economische data, waar traditionele asymptotische benaderingen falen.
Innovatie in inferentie: De introductie van monotone transformaties om bootstrap-scheefheid te corrigeren, biedt een praktische oplossing voor het probleem van conservatieve inferentie in eindige steekproeven.
Computerefficiëntie: Door de integratie van de nucleaire-norm gestrafte schatter, lost het artikel het probleem van globale optimalisatie op in niet-concave likelihoods, waardoor de bootstrap-procedure haalbaar wordt voor grootschalige empirische toepassingen.