Bootstrap Inference in Nonlinear Panel Data Models with Interactive Fixed Effects

1. Formulação do Problema

O artigo aborda o problema dos parâmetros incidentais em modelos de dados em painel não lineares que apresentam efeitos fixos interativos.

• Contexto: Em modelos onde a heterogeneidade não observada é capturada por uma estrutura fatorial (efeitos individuais $\alpha_i$ e efeitos temporais $\gamma_t$ interagindo como $\alpha_i'\gamma_t$), o Estimador de Máxima Verossimilhança (MLE) para parâmetros comuns ($\beta_0$) é viesado em amostras finitas. Esse viés persiste assintoticamente quando $N, T \to \infty$ (especificamente quando $T/N \to \kappa$), tornando a inferência padrão inválida.
• Limitações dos Métodos Existentes:
  • Correções Analíticas: Requerem a derivação de derivadas complexas de alta ordem da função de verossimilhança (até terceira ordem), que podem ser numericamente instáveis e difíceis de implementar.
  • Métodos Jackknife: Embora mais fáceis de implementar, frequentemente sofrem perdas de eficiência em amostras finitas e ainda dependem de aproximações normais para intervalos de confiança.
  • Problemas de Otimização: A função de log-verossimilhança em modelos fatoriais não lineares é geralmente não côncava, tornando difícil garantir a convergência para o maximizador global usando algoritmos padrão.

2. Metodologia

Os autores propõem uma estrutura de bootstrap paramétrico combinada com uma abordagem baseada em transformações para alcançar inferência válida.

A. Estratégia de Estimação (MLE em Dois Passos)

Para abordar a não concavidade da função de verossimilhança, os autores adotam o estimador penalizado pela norma nuclear proposto por Zeleneev e Zhang (2026) como ponto de partida:

1. Passo 1: Resolver um problema de otimização convexa usando uma penalidade de norma nuclear para obter um estimador inicial consistente que converge para o maximizador global com probabilidade um.
2. Passo 2: Utilizar este estimador inicial para iniciar um algoritmo de descida de gradiente, garantindo a convergência para o MLE global ($\hat{\theta}$) a um baixo custo computacional.

B. Procedimento de Bootstrap Paramétrico

O núcleo da metodologia envolve a geração de $B$ amostras de bootstrap baseadas nos parâmetros estimados:

1. Processo Gerador de Dados (DGP): Gerar resultados de bootstrap $Y^*_{it}$ condicionados às covariáveis originais $X_{it}$ e aos parâmetros estimados $\hat{\theta}$:
   $$Y^*_{it} | X_{it}, \hat{\beta}, \hat{\alpha}, \hat{\gamma} \sim f(\cdot | X'_{it}\hat{\beta} + \hat{\alpha}'_i \hat{\gamma}_t)$$
2. Estimação de Bootstrap: Calcular o MLE ($\hat{\theta}^*$) para cada amostra de bootstrap.
3. Correção de Viés: O viés é aproximado pela diferença entre a média das estimativas de bootstrap e a estimativa original:
   $$\hat{\beta}_{boot} = 2\hat{\beta} - \frac{1}{B}\sum_{b=1}^B \hat{\beta}^*_b$$
4. Intervalos de Confiança: Construir intervalos diretamente a partir dos quantis da distribuição de bootstrap ($\hat{\beta}^* - \hat{\beta}$), em vez de depender da normalidade assintótica.

C. Correção de Assimetria Baseada em Transformação

Os autores observam que os intervalos de bootstrap padrão podem ser excessivamente conservadores (supercobertura) em amostras finitas devido à assimetria na distribuição do estimador. Para mitigar isso:

• Eles aplicam uma transformação monótona $\phi(\cdot)$ (por exemplo, Log, Box-Cox ou Yeo-Johnson) ao estimador antes de construir o intervalo.
• O intervalo é construído na escala transformada e mapeado de volta:
  $$[\phi^{-1}(2\phi(\hat{\beta}) - Q^*_{\phi(\hat{\beta}^*)}(1-\alpha/2)), \dots]$$
• Isso reduz a assimetria, produzindo intervalos mais estreitos com probabilidades de cobertura mais próximas do nível nominal.

3. Principais Contribuições Teóricas

O artigo estabelece uma teoria assintótica rigorosa sob um regime onde $N, T \to \infty$ com $T/N \to \kappa \in (0, \infty)$:

• Normalidade Assintótica Uniforme: Os autores provam que o MLE admite uma expansão assintótica uniforme em uma vizinhança do parâmetro verdadeiro, estendendo resultados anteriores de Chen et al. (2021) e Higgins e Jochmans (2024).
• Consistência do Bootstrap: Eles demonstram que a distribuição de bootstrap paramétrico de $\sqrt{NT}(\hat{\beta}^* - \hat{\beta})$ converge fracamente para a verdadeira distribuição amostral de $\sqrt{NT}(\hat{\beta} - \beta_0)$.
• Validade sem Correção de Viés Explícita: Crucialmente, o bootstrap produz intervalos de confiança assintoticamente válidos mesmo sem correção de viés explícita, pois a distribuição de bootstrap replica inerentemente a estrutura de viés do estimador original.
• Extensão para Efeitos Parciais Médios (APEs): A teoria é estendida para cobrir APEs, mostrando que o bootstrap aproxima consistentemente sua distribuição.

4. Resultados de Simulação

Os autores realizam extensas simulações de Monte Carlo (modelos Logit e Probit) em vários cenários (covariáveis independentes/correlacionadas com fatores, outliers, picos esparsos).

• Redução de Viés: O método de bootstrap (usando correção pela média ou mediana) supera consistentemente as correções analíticas e jackknife de painel dividido na redução do viés, particularmente quando $T$ é pequeno (por exemplo, $T=20$).
• Precisão da Cobertura:
  • Os intervalos de bootstrap padrão tendem a ser conservadores (cobertura > 95%).
  • Intervalos baseados em transformação (especificamente Yeo-Johnson e Box-Cox) melhoram significativamente o desempenho, reduzindo o comprimento do intervalo e corrigindo a supercobertura, alcançando taxas de cobertura muito mais próximas do nível nominal de 95%.
• Robustez: O método performa bem mesmo quando as covariáveis estão correlacionadas com fatores não observados, um cenário onde as correções analíticas frequentemente falham.

5. Aplicação Empírica

O método é aplicado a um conjunto de dados de 328 empresas dos EUA (1981–2001) para estudar o comportamento de inovação (patentes) na presença de heterogeneidade latente.

• Objetivo: Estimar os efeitos de transbordamentos tecnológicos (difusão de conhecimento) e transbordamentos de mercado de produtos (roubo de negócios) sobre o registro de patentes.
• Descobertas:
  • Transbordamentos Tecnológicos: Positivos e estatisticamente significativos em todos os métodos. No entanto, a correção analítica superestima a magnitude em comparação com o bootstrap.
  • Transbordamentos de Mercado de Produtos: Estatisticamente insignificantes, sugerindo que pressões competitivas não impulsionam diretamente o registro de patentes neste contexto.
  • Robustez: Os resultados do bootstrap confirmam as conclusões qualitativas de estudos anteriores (por exemplo, Burda e Harding, 2013), fornecendo erros padrão mais confiáveis e estimativas corrigidas para viés.

6. Significado

• Utilidade Prática: Fornece uma alternativa computacionalmente viável e robusta às correções analíticas complexas de viés para modelos de painel não lineares com efeitos fixos interativos.
• Desempenho em Amostra Finita: Demonstra desempenho superior em configurações de "$T$ pequeno" comuns em dados microeconômicos, onde aproximações assintóticas tradicionais falham.
• Inovação em Inferência: A introdução de transformações monótonas para corrigir a assimetria do bootstrap oferece uma solução prática para o problema da inferência conservadora em amostras finitas.
• Eficiência Computacional: Ao integrar o estimador penalizado pela norma nuclear, o artigo resolve o problema de maximização global em verossimilhanças não côncavas, tornando o procedimento de bootstrap viável para aplicações empíricas em grande escala.