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

Resumo Técnico: Melhores Valores Críticos Condicionais Viáveis para um Teste Anderson-Rubin de Subvetor Mais Poderoso

Definição do Problema
No modelo de variáveis instrumentais (IV) lineares sob homocedasticidade, a inferência sobre um subconjunto de parâmetros (inferência de subvetor) é complicada pelo potencial de fraqueza dos instrumentos. Guggenberger, Kleibergen e Mavroeidis (2019) (GKM) propuseram um teste Anderson-Rubin (AR) de subvetor condicional que utiliza valores críticos dependentes dos dados para se adaptar à força de identificação dos parâmetros de perturbação (aqueles não sob teste). O teste de GKM condiciona no maior autovalor de uma matriz de Wishart não central derivada da estatística AR. Embora essa abordagem garanta o tamanho correto e um poder estritamente superior aos testes assintóticos $\chi^2$ padrão, os autores argumentam que o maior autovalor não é o indicador ideal para identificação fraca.

Especificamente, um pequeno valor do maior autovalor sinaliza corretamente a identificação fraca, mas um grande autovalor não implica necessariamente identificação forte para todos os parâmetros de perturbação. Em cenários onde o maior autovalor é grande, mas o segundo menor autovalor é pequeno, os parâmetros de perturbação ainda podem sofrer de identificação fraca. Condicionar no maior autovalor nesses casos falha em ajustar os valores críticos suficientemente, podendo levar a testes conservadores com poder inferior ao necessário.

Metodologia
O artigo propõe condicionar o teste AR de subvetor no segundo menor autovalor ($\hat{\kappa}_{p-1}$) da matriz de Wishart não central $p \times p$, onde $p = m_W + 1$ ($m_W$ é o número de parâmetros de perturbação). A própria estatística AR corresponde ao autovalor mínimo ($\hat{\kappa}_p$).

A principal contribuição teórica baseia-se nas propriedades da distribuição conjunta dos autovalores de uma matriz de Wishart não central $\Xi'\Xi \sim W_p(k, I_p, M'M)$:

1. Equivalência Assintótica: Os autores demonstram que, quando os $p-2$ maiores autovalores da matriz de não centralidade $M'M$ são grandes (aproximando-se do infinito), a distribuição conjunta dos dois menores autovalores ($\hat{\kappa}_{p-1}, \hat{\kappa}_p$) é idêntica à distribuição conjunta dos autovalores de uma matriz de Wishart não central $2 \times 2$.
2. Ajuste de Graus de Liberdade: Neste caso limite, a matriz $2 \times 2$ possui graus de liberdade iguais a $k - m_W + 1$ (onde $k$ é o número de instrumentos), e os parâmetros de não centralidade correspondem aos dois menores autovalores da matriz $p \times p$ original.
3. Transferência de Valor Crítico: Este resultado implica que as funções de valor crítico tabuladas por GKM (que condicionam no maior autovalor para um sistema $2 \times 2$) podem ser aplicadas diretamente ao teste proposto, simplesmente substituindo a variável de condicionamento: substituindo o maior autovalor $\hat{\kappa}_1$ pelo segundo menor autovalor $\hat{\kappa}_{p-1}$.

Para abordar casos em que os $p-2$ maiores autovalores são finitos (não se aproximando do infinito), os autores derivam a função de densidade de probabilidade condicional dos dois menores autovalores com base nos resultados de James (1964) e Muirhead (2009). Eles provam que a probabilidade de rejeição do teste é monotonicamente decrescente nos valores dos maiores autovalores. Consequentemente, o tamanho do teste permanece controlado (limitado pelo nível nominal $\alpha$) mesmo quando os maiores autovalores não são infinitos, pois a probabilidade de rejeição é estritamente inferior ao caso limite em que eles são infinitos.

Principais Contribuições e Resultados

• Tamanho Correto: O teste proposto, que condiciona no segundo menor autovalor, mantém o controle do tamanho correto sob a hipótese nula para todas as configurações dos parâmetros de não centralidade.
• Poder Estritamente Maior: Para $m_W > 1$, o valor crítico derivado do condicionamento no segundo menor autovalor é estritamente menor do que o valor crítico derivado do condicionamento no maior autovalor (para o mesmo estatístico observado). Como o valor crítico é menor, o teste proposto ($\phi_{c_{p-1}}$) possui estritamente maior poder que o teste original de GKM ($\phi_{c_1}$).
• Viabilidade Computacional: O método retém a simplicidade computacional da abordagem de GKM. Ele evita a necessidade de condicionar em um subconjunto maior de autovalores, o que aumentaria o poder, mas ao custo de uma complexidade computacional proibitiva.
• Extensão para Heterocedasticidade: Os autores mostram que suas descobertas se estendem ao cenário proposto por Guggenberger, Kleibergen e Mavroeidis (2024), onde o modelo permite heterocedasticidade condicional com uma estrutura de produto de Kronecker aproximada. A vantagem de poder ao condicionar no segundo menor autovalor também se mantém neste cenário robusto.

Significância
O artigo afirma fornecer o teste AR de subvetor "mais viável" para o cenário de IV linear sob homocedasticidade. Ao identificar o segundo menor autovalor como o indicador apropriado para a identificação fraca dos parâmetros de perturbação, o procedimento proposto incorpora adequadamente a informação de identificação fraca que o teste de GKM negligencia. Isso resulta em um teste que é simultaneamente computacionalmente simples e estatisticamente mais poderoso, particularmente quando o número de parâmetros de perturbação excede um. Os autores enfatizam que, embora condicionar em mais autovalores pudesse teoricamente gerar ganhos adicionais de poder, o custo computacional seria excessivo; portanto, condicionar no segundo menor autovalor representa o equilíbrio ideal entre viabilidade e poder.