[論文レビュー] An Adversarial Approach to Structural Estimation

Tetsuya Kaji, Elena Manresa+1 more|arXiv (Cornell University)|Jul 13, 2020

Statistical Methods and Inference参考文献 18被引用数 5

ひとこと要約

本稿は、生成モデル（構造的モデル）と識別モデル（分類器）の間のミニマックスゲームとしてパrameter推定を定式化する、敵対的推定（adversarial estimation）を導入する。ニューラルネットワークを識別器として用いることで、正しいモデル仕様のもとでパラメトリック効率性を達成し、誤り仕様のもとでもパラメトリックレートを達成する。この手法は有限標本でもSMM（シミュレーテッドモーメント法）を上回り、所得分布全体における貯蓄の主な駆動要因として遺留動機（bequest motive）を特定する。

ABSTRACT

We propose a new simulation-based estimation method, adversarial estimation, for structural models. The estimator is formulated as the solution to a minimax problem between a generator (which generates simulated observations using the structural model) and a discriminator (which classifies whether an observation is simulated). The discriminator maximizes the accuracy of its classification while the generator minimizes it. We show that, with a sufficiently rich discriminator, the adversarial estimator attains parametric efficiency under correct specification and the parametric rate under misspecification. We advocate the use of a neural network as a discriminator that can exploit adaptivity properties and attain fast rates of convergence. We apply our method to the elderly's saving decision model and show that our estimator uncovers the bequest motive as an important source of saving across the wealth distribution, not only for the rich.

研究の動機と目的

• 尤度関数が計算不能または利用できない場合に、構造的モデルのためのシミュレーションベース推定手法を開発すること。
• 正しいモデル仕様のもとでパラメトリック効率性を達成し、誤り仕様のもとでパラメトリックレートを達成することで、SMMとMLEの長所を統合すること。
• ニューラルネットワークを識別器として用いることで、適応性を活用し、高速な収束速度を達成すること。
• 高齢者の貯蓄行動を記述する動的モデルにこの手法を適用し、遺留動機、医療費用リスク、生存リスクといった動機を分離すること。
• 遺留動機が所得分布全体において貯蓄の重要な要因であることを示すこと、特に裕福な層に限らず貧困層に対しても同様に顕著であること。

提案手法

• 推定器はミニマックスゲームとして定式化される：生成器は構造的モデルからシミュレートデータを生成し、識別器は観測値が実際のデータかシミュレートデータかを分類する。
• 識別器は交差エントロピー損失を用いて分類精度を最大化するが、生成器は構造的パrameterを調整することでその損失を最小化する。
• 柔軟性と適応性を確保するため、識別器にニューラルネットワークを用いる。これにより高速な収束と効率的な推定が可能になる。
• ロジスティック識別器を用いる場合、この手法は漸近的に最適重み付きSMMと同等であり、シミュレーションサイズが増加する条件下ではMLEと同等になる。
• 閉形式の尤度関数が不要なまま効率的推定が可能であり、同時にモーメント条件の組み込みも維持できる。
• 過学習を防ぐために確率的勾配降下法に加え、早期停止を適用し、標準誤差は50回の再サンプリングに基づくブートストラップ手順で計算する。

実験結果

リサーチクエスチョン

• RQ1 生成的敵対ネットワークにインspiredされたミニマックスフレームワークを用いることで、尤度が計算不能な場合に構造的モデルを効率的に推定できるか？
• RQ2 敵対的推定は、正しいモデル仕様のもとでパラメトリック効率性を達成し、誤り仕様のもとでパラメトリックレートを達成するか？
• RQ3 有限標本におけるバイアスと収束速度の観点から、敵対的推定はシミュレーテッドモーメント法（SMM）と比較してどのように異なるか？
• RQ4 遺留動機が異なる所得 Quintile における高齢者の貯蓄行動に果たす相対的寄与度はどの程度か？
• RQ5 医療費用リスクと生存リスクが、異質的かつ動的なモデルにおいて貯蓄意思決定をどのように同時に形作るか？

主な発見

• 敵対的推定器は、正しいモデル仕様のもとでパラメトリック効率性を達成し、誤り仕様のもとでもパラメトリックレートを達成しており、強固な理論的性質を示している。
• SMMと比較して、特に豊かな異質性を持つモデルにおいて、敵対的推定器は顕著に小さい標本バイアスを示している。
• 敵対的推定では、所得 Quintile にかかわらず遺留動機が貯蓄に13.7%～19.2%の寄与を示しており、貧困層および裕福層の両方にとって主要な貯蓄チャnelであることが示された。
• これに対して、dfjベースライン推定では遺留動機を除いた場合に貯蓄が2.1%減少するとされており、この結果の相違が顕著に現れている。
• 医療費用リスクの貯蓄への寄与度は、長寿傾向と高い医療コストへの曝露がある富裕層では顕著であるが、短命傾向と社会的保険カバー率の高い低所得層では小さい。
• 対照的シナリオの結果から、敵対的推定器は低所得層の死亡直前の資産データをdfjベースラインよりもより正確に再現している一方、dfjモデルは低所得層の貯蓄を過大評価していることが示された。