Generalized Fiducial Inference Through Stochastic Inversion of Estimating Equations

Resumo Técnico: Inferência Fiducial Generalizada através da Inversão Estocástica de Equações de Estimação

Definição do Problema
A inferência estatística frequentemente depende de equações de estimação (ex: Método dos Momentos Generalizado, estimadores M) quando uma especificação completa de verossimilhança é indisponível ou indesejável. Embora esses métodos forneçam estimativas de parâmetros flexíveis, quantificar a incerteza normalmente requer aproximações assintóticas de primeira ordem (que podem ser imprecisas em amostras finitas ou configurações de alta dimensão) ou procedimentos de reamostragem computacionalmente intensivos, como o bootstrap. A inferência fiducial clássica, que constrói distribuições de parâmetros invertendo uma equação estrutural de geração de dados $X = G(U, \theta)$, é difícil de aplicar aqui porque modelos de equações de estimação muitas vezes carecem de uma representação estrutural explícita. Consequentemente, não existe um arcabouço fiducial amplamente aplicável para construir distribuições de confiança quando os parâmetros são definidos apenas através de equações de estimação gerais.

Metodologia: Inferência Fiducial de Cóppula (CGFI)
O artigo propõe a Inferência Fiducial de Cóppula (CGFI), um arcabouço livre de verossimilhança que estende o princípio da inferência fiducial generalizada para modelos de equações de estimação. Em vez de inverter uma equação estrutural para os dados observados, a CGFI trata as próprias equações de estimação empíricas como o objeto estocástico a ser invertido.

A construção central procede da seguinte forma:

1. Representação Estocástica: O método utiliza a distribuição assintótica das equações de estimação empíricas. Sob condições de regularidade, $\sqrt{n}\bar{g}_n(\theta_0) \xrightarrow{d} N(0, \Sigma)$, onde $\bar{g}_n(\theta)$ é a média amostral das funções de estimação e $\Sigma$ é sua matriz de covariância.
2. Perturbação via Cóppula Gaussiana: Para gerar desenhos (draws) fiduciais, o método introduz uma perturbação estocástica $\eta^*$ consistente com a distribuição conjunta estimada das equações de estimação. Especificamente, o método decompõe a matriz de covariância estimada $\hat{\Sigma}$ em desvios padrão marginais ($\hat{D}$) e uma matriz de correlação ($\hat{R}$). Uma cóppula gaussiana é usada para gerar variáveis auxiliares dependentes $Z^*$ com correlação $\hat{R}$, que são então transformadas no vetor de perturbação $\eta^* = \hat{D}Z^*$.
3. Inversão Estocástica: Um desenho fiducial $\theta^*$ é obtido resolvendo uma equação de estimação perturbada. Para modelos exatamente identificados, isso envolve resolver $\sqrt{n}\bar{g}_n(\theta^*) + \eta^* = 0$. Para modelos sobreidentificados, $\theta^*$ é definido como o minimizador de um critério de GMM perturbado:
   $$\theta^* = \arg \min_{\theta} \left( \sqrt{n}\bar{g}_n(\theta) + \eta^* \right)^\top W_n \left( \sqrt{n}\bar{g}_n(\theta) + \eta^* \right)$$
   onde $W_n$ é uma matriz de pesos positiva definida.
4. Distribuição de Confiança: Repetir este processo gera uma coleção de desenhos $\theta^*_1, \dots, \theta^*_M$ que formam a distribuição de confiança CGFI sobre o espaço paramétrico.

Principais Contribuições
O artigo apresenta quatro contribuições primárias:

1. Extensão do Arcabouço: Introduz a CGFI, um novo arcabouço de distribuição de confiança livre de verossimilhança que estende a inferência fiducial generalizada além de modelos com equações estruturais explícitas para aqueles definidos por restrições de momentos.
2. Propriedades Teóricas: O autor estabelece que, sob condições de regularidade padrão, a distribuição CGFI é consistente (concentrando-se em torno do parâmetro verdadeiro) e satisfaz uma propriedade do tipo Bernstein–von Mises. Especificamente, a distribuição condicional dos desenhos CGFI reproduz assintoticamente a distribuição amostral do correspondente estimador de equação de estimação.
3. Desempenho em Amostras Finitas: Através de estudos de simulação, o artigo demonstra que a CGFI fornece probabilidades de cobertura precisas comparáveis a procedimentos de bootstrap, particularmente em cenários com muitos momentos, distúrbios não gaussianos e funções de estimação dependentes.
4. Eficiência Computacional: O método oferece uma redução significativa no custo computacional em comparação com métodos de bootstrap, pois perturba as equações de estimação diretamente, em vez de exigir a reamostragem e reestimação repetida do modelo.

Resultados
Estudos de simulação avaliaram a CGFI contra aproximações de Wald convencionais e bootstraps não paramétricos em vários cenários:

• Momentos de Alta Dimensão: À medida que o número de condições de momento ($q$) aumentava em relação ao tamanho da amostra ($n$), os intervalos de Wald sofriam de subcobertura severa (caindo para 60% quando $q=250, n=500$). A CGFI manteve a cobertura próxima ao nível nominal de 95%, performando de forma semelhante ao bootstrap, mas com tempo computacional significativamente menor (ex: 0,9 segundos vs. 30,9 segundos para $q=250$).
• Momentos Dependentes: Quando as condições de momento eram correlacionadas, a CGFI adaptava-se automaticamente sua quantificação de incerteza, mantendo a cobertura próxima a 95% através de vários níveis de correlação, enquanto a cobertura de Wald flutuava significativamente.
• Robustez: A CGFI demonstrou robustez a distribuições de erro de cauda pesada (Student's $t$) e heterocedasticidade, frequentemente superando as aproximações de Wald em cobertura, mantendo-se computacionalmente eficiente.

Significância e Alegações
O artigo alega que a CGFI fornece um arcabouço unificado de distribuição de confiança para configurações onde os parâmetros são identificados através de restrições de momentos, mas carecem de uma verossimilhança ou modelo estrutural explícito. Ao deslocar a fonte de aleatoriedade da equação de geração de dados para as equações de estimação empíricas, o método permite a quantificação de incerteza livre de verossimilhança sem exigir especificações prévias (como nos métodos Bayesianos) ou modelos generativos completos (como na Computação Bayesiana Aproximada).

O autor enfatiza que a CGFI não é meramente um dispositivo de reamostragem, mas um método de inferência distinto onde o problema inverso estocástico define a distribuição de confiança diretamente. O arcabouço é apresentado como um mecanismo geral para estender a inferência fiducial para procedimentos estatísticos modernos, incluindo aqueles em econometria e aprendizado de máquina caracterizados por equações de estimação. O artigo conclui que, embora a CGFI compartilhe a eficiência computacional dos métodos assintóticos e a precisão dos métodos de reamostragem, ela oferece uma base teórica distinta para a construção de distribuições de confiança em configurações complexas e livres de verossimilhança.