[論文レビュー] A Simple and Computationally Trivial Estimator for Grouped Fixed Effects Models

Martin Mugnier|arXiv (Cornell University)|Mar 16, 2022

Spatial and Panel Data Analysis被引用数 7

ひとこと要約

この論文は、非凸最適化を回避するための3段階手順を用いて、パネルデータにおけるグループ化固定効果モデルの計算的に単純な推定量を提案する。(1) 傾き係数の正則化推定量、(2) 対ごとの残差差の基づく凝集型クラスタリングによるグループ同定、(3) クラスタリングされた単位におけるプールドOLS。この手法は、グループ数が事前に分かっていなくても、複雑な最適化問題を解かずに、不可能なオラクル推定量と漸近的に同等の推論を達成する。

ABSTRACT

This paper introduces a new fixed effects estimator for linear panel data models with clustered time patterns of unobserved heterogeneity. The method avoids non-convex and combinatorial optimization by combining a preliminary consistent estimator of the slope coefficient, an agglomerative pairwise-differencing clustering of cross-sectional units, and a pooled ordinary least squares regression. Asymptotic guarantees are established in a framework where $T$ can grow at any power of $N$, as both $N$ and $T$ approach infinity. Unlike most existing approaches, the proposed estimator is computationally straightforward and does not require a known upper bound on the number of groups. As existing approaches, this method leads to a consistent estimation of well-separated groups and an estimator of common parameters asymptotically equivalent to the infeasible regression controlling for the true groups. An application revisits the statistical association between income and democracy.

研究の動機と目的

• 時変する未観測異質性を伴うパネルデータにおけるグループ化固定効果モデルの計算的に効率的な推定量の開発。
• 既存手法の主な制限であるグループ数の既知の上限の必要性を排除すること。
• 弱い正則性条件の下で、グループ所属と共通パラメータの一貫した推定を提供すること。
• 真のグループ構造を制御する不可能なオラクル推定量と漸近的に同等の推定を達成すること。
• T が N の任意のべき乗に比べてゆっくり成長する状況、特に T が N の任意のべき乗に比例して成長する場合に有効な推論を可能にすること。

提案手法

• 最初に、傾き係数 β の一貫した初期推定量を得るために、正則化された核ノルム推定量を用いる。
• 3つの単位間の残差の対ごとの差を計算して距離測度を構築し、2つの単位が同じグループに属する場合に限り、その距離が漸近的に消えるようにする。
• これらの距離にしきい値を適用して、凝集型クラスタリングアルゴリズムを適用し、グループ所属を回復する。
• 最終段階として、識別されたグループに対してプールドOLS回帰を実行し、グループ・タイム効果を推定し、傾き係数を精緻化する。
• 非凸最適化や部分集合の組み合わせ的探索を回避するため、計算的に単純である。
• 理論的保証は、N と T がともに増加し、T が N の任意のべき乗に比例するという枠組みで確立されている。また、グループ・タイム効果は十分に分離されていると仮定する。

実験結果

リサーチクエスチョン

• RQ1 グループ数が事前に分かっていなくても、グループ化固定効果モデルの計算的に効率的な推定量を開発できるか？
• RQ2 提案手法は、真のグループ構造を制御する不可能なオラクル推定量と漸近的に同等の性能を達成するか？
• RQ3 グループ数が不明であっても、十分に分離されたグループ所属を一貫して回復できるか？
• RQ4 T が N よりゆっくり成長する状況における推定量の漸近的性質は何か？
• RQ5 高次元パネルデータにおいて、弱い自己相関や重い尾を持つ誤差分布に対しても、この手法はロバストか？

主な発見

• 提案された推定量は、真のグループ構造を制御する不可能なオラクル推定量と漸近的に同等であり、傾きパラメータ β の有効な推論を保証する。
• グループ数が不明であっても、弱い正則性条件の下で、グループ所属とグループ・タイム効果を一貫して推定できる。
• 非凸的かつ組み合わせ的最適化を回避するため、計算的に単純で大規模データセットにもスケーラブルである。
• 傾き推定量 √(NT)(β̂ − β⁰) の漸近分布は、オラクル推定量と同じ漸近分散を持つ正規分布に収束する。
• グループ所属の誤分類確率または β の不一致推定確率は、大標本においてゼロに収束する。
• 理論的導出において強 mixing 条件と尾部条件を用いることで、弱い自己相関と重い尾を持つ誤差に対してロバストであることが示された。