Quasi-Bayesian Local Projection Instrumental-Variables Method: Application to Renewable Energy and Electricity Prices

Resumo Técnico: Método de Projeções Locais com Variáveis Instrumentais Quase-Bayesiano

Enunciado do Problema
Estimar efeitos causais dinâmicos usando Projeções Locais (LP) é uma abordagem padrão em econometria aplicada. Quando a variável de tratamento é endógena, os pesquisadores combinam LP com Variáveis Instrumentais (VI) para formar estimadores LP–VI. No entanto, uma limitação significativa da LP–VI padrão é que as estimativas em diferentes horizontes são computadas independentemente. Em amostras finitas, particularmente com dados de alta frequência e baixas razões sinal-ruído, essa independência gera ruído de amostragem que cria funções de resposta ao impulso (IRFs) irregulares e difíceis de interpretar. Além disso, a inferência padrão frequentemente depende de intervalos de confiança pontuais, que não levam em conta a correlação entre horizontes inerente a uma trajetória de resposta, podendo levar a conclusões enganosas sobre a forma geral do efeito dinâmico.

Metodologia
O artigo propõe uma estrutura Quase-Bayesiana LP–VI que regulariza as respostas ao impulso através dos horizontes, mantendo as propriedades de identificação da estimação por VI. A metodologia integra três componentes principais:

1. Quase-Posterior Baseada em Momentos: Seguindo Chernozhukov & Hong (2003), a abordagem constrói uma distribuição quase-posterior usando a função objetivo do Método Generalizado de Momentos (GMM) derivada das condições de momento das VI. Isso evita a necessidade de uma especificação completa de verossimilhança, preservando assim a robustez da identificação por VI contra má especificação da verossimilhança.

   • A quase-posterior é definida como:
     $$\pi(\theta) \propto \exp\left\{ -\frac{T}{2} \bar{m}(\theta)^\top W \bar{m}(\theta) \right\} p(\theta)$$
     onde $\bar{m}(\theta)$ representa as condições de momento da amostra, $W$ é uma matriz de ponderação e $p(\theta)$ é um prior.

2. Prior de Penalidade de Rugosidade: Para abordar o ruído nas estimativas específicas por horizonte, o artigo introduz um prior adequado de campo aleatório gaussiano de Markov com uma penalidade de rugosidade.

   • Para um caminho de coeficientes $\theta_j$ através dos horizontes, o prior é $\theta_j | \tau_j \sim N(0, \tau_j^2 Q^{-1})$.
   • A matriz de precisão $Q = D^\top D + \frac{8}{\rho^2}I$ penaliza diferenças adjacentes (via a matriz de diferença de primeira ordem $D$) e o nível geral (via o termo de ridge).
   • O parâmetro de escala $\tau_j$ segue um prior hierárquico de metade-Cauchy, permitindo que os dados determinem o grau de contração. Isso permite que o estimador empreste informação entre horizontes vizinhos, suavizando o caminho da IRF sem impor restrições paramétricas rígidas.

3. Inferência e Computação:

   • Computação: A quase-posterior é amostrada usando um amostrador de Gibbs. A distribuição condicional dos coeficientes dados os parâmetros de escala é gaussiana, aproveitando a estrutura esparsa da matriz de precisão para eficiência. Os parâmetros de escala são atualizados via uma mistura de escalas de distribuições gama-inverso.
   • Inferência: Embora as estimativas pontuais sejam derivadas da média da quase-posterior, a quantificação da incerteza permanece frequentista. O artigo constrói intervalos de confiança pontuais e bandas de confiança simultâneas usando uma matriz de covariância sanduíche baseada nas condições de momento empilhadas. Isso garante que as medidas de incerteza reflitam a variabilidade de amostragem do estimador baseado em momentos, em vez da incerteza posterior sobre os parâmetros de suavização.

Principais Contribuições

1. Integração Metodológica: O artigo introduz a primeira formulação quase-Bayesiana baseada em momentos especificamente para LP–VI. Diferentemente dos métodos Bayesianos de LP existentes (por exemplo, Tanaka, 2020; Ferreira et al., 2025) que dependem de restrições narrativas ou VARs, esta abordagem incorpora diretamente restrições de momento das VI na quase-posterior.
2. Regularização sem Verossimilhança: Oferece uma maneira de suavizar respostas ao impulso através dos horizontes usando um prior de penalidade de rugosidade sem exigir uma verossimilhança estrutural completa, mantendo assim a flexibilidade e as vantagens de identificação do quadro LP–VI.
3. Inferência Conjunta: Ao estimar toda a sequência de coeficientes como um vetor de parâmetros combinado, o quadro facilita a inferência conjunta (bandas simultâneas) que leva em conta a dependência entre horizontes, abordando uma limitação conhecida da inferência pontual.
4. Equivalência Assintótica: O artigo estabelece que, sob condições de regularidade padrão, a média da quase-posterior é assintoticamente equivalente ao estimador GMM padrão, garantindo que a regularização não comprometa as propriedades de grandes amostras do estimador de VI.

Resultados Empíricos
O método é aplicado a dados diários do mercado atacadista de eletricidade dinamarquês (DK1 e DK2) para estimar o efeito causal dinâmico da geração eólica e solar sobre os preços da eletricidade.

• Instrumentação: O potencial renovável impulsionado pelo clima (derivado de dados de reanálise ERA5) é usado como instrumento para a geração renovável observada para abordar a endogeneidade.
• Descobertas:
  • Eólica: Um aumento de um desvio padrão na geração eólica leva a uma diminuição significativa e imediata nos preços atacadistas de eletricidade (aproximadamente 8 EUR/MWh em DK1 e 4 EUR/MWh em DK2). Este efeito diminui ao longo de 3–4 dias, consistente com o efeito de ordem de mérito.
  • Solar: O efeito da geração solar é menor e menos precisamente estimado em dados diários, com intervalos de confiança frequentemente incluindo zero.
  • Desempenho Metodológico: O estimador quase-Bayesiano com o prior de penalidade de rugosidade produz caminhos de IRF mais suaves e mais interpretáveis em comparação com o estimador GMM irrestrito. Estudos de simulação confirmam que essa regularização reduz o Erro Quadrático Médio (RMSE), particularmente em horizontes médios e mais longos, mitigando o ruído de amostragem.

Significância e Alegações
O artigo afirma avançar o campo da estimação de respostas ao impulso ao fornecer uma ferramenta que equilibra a flexibilidade da LP não paramétrica com a estabilidade da regularização.

• Significância Econométrica: Demonstra que a regularização quase-Bayesiana é eficaz para parâmetros indexados por um horizonte (caminhos) em vez de coeficientes escalares. Melhora o desempenho em amostras finitas (menor RMSE) e facilita a inferência conjunta sem sacrificar as garantias de identificação dos métodos de VI.
• Significância Política: A aplicação empírica destaca que a integração de energia renovável afeta não apenas os preços imediatos, mas também a dinâmica de preços de curto prazo. As descobertas sugerem que o efeito de ordem de mérito é mais relevante em horizontes curtos, com implicações para mercados de equilíbrio, incentivos de armazenamento e estratégias de gestão de risco em sistemas elétricos com alta penetração renovável.

Os autores mantêm uma postura modesta, observando que o método é uma ferramenta de regularização para estimação pontual, enquanto a identificação depende das condições de momento das VI. Eles reconhecem que os instrumentos funcionam como instrumentos de "estado climático" em vez de instrumentos de "inovação climática" puros, e os resultados são interpretados sob uma restrição de exclusão condicional. Direções futuras de pesquisa sugeridas incluem estender o quadro para sistemas superidentificados e desenvolver procedimentos para instrumentos fracos.