[論文レビュー] Optimal Shrinkage Estimation of Fixed Effects in Linear Panel Data Models

Soonwoo Kwon|arXiv (Cornell University)|Aug 24, 2023

Monetary Policy and Economic Impact被引用数 9

ひとこと要約

この論文は線形パネルデータにおける固定効果のデータ駆動・分布自由のシュリンケージ推定量を開発し、広範な推定量クラス内で最小 MSE を達成し、時変・自己相関を持つ固定効果を扱う。

ABSTRACT

Shrinkage methods are frequently used to improve the precision of least squares estimators of fixed effects. However, widely used shrinkage estimators guarantee improved precision only under strong distributional assumptions. I develop an estimator for the fixed effects that obtains the best possible mean squared error within a class of shrinkage estimators. This class includes conventional shrinkage estimators and the optimality does not require distributional assumptions. The estimator has an intuitive form and is easy to implement. Moreover, the fixed effects are allowed to vary with time and to be serially correlated, in which case the shrinkage optimally incorporates the underlying correlation structure. I also provide a method to forecast fixed effects one period ahead in this setting.

研究の動機と目的

• 線形パネルモデルにおいて、各効果ごとのデータが限られている状態で多くの固定効果を推定する必要性を動機づける。
• 柔軟な推定量クラス内で最適な平均二乗誤差（MSE）を達成するシュリンケージ推定量を開発する。
• 固定効果が時点を越えて変化し、自己相関を持つことを許容し、それらの相関構造を組み込む。
• 時変設定下で固定効果を1期間先まで予測する実用的な方法を提供する。

提案手法

• 最小二乗推定量と真の固定効果を結ぶ多変量正規平均モデルから開始する。
• 平均ベクトル mu と正半正行列 Lambda でパラメータ化されたシュリンケージ推定量のクラスを定義する。
• 推定リスクを最小化することでハイパーパラメータを選択するために無偏リスク推定量（URE）を用いる。
• 穏やかな条件下で、分布仮定なしで、UREベースの推定量が一般的な EB シュリンケージを上回るか同等であることを示す。
• 3つのURE推定量（グランド平均、一般局所化、共変量支援）を導入し、異なるターゲットに向かって縮小する。
• 固定効果の1期間先予測のための特化した予測法を提供する。

実験結果

リサーチクエスチョン

• RQ1 強い分布仮定に依存せず、MSEを最小化する固定効果のシュリンケージ推定量を構築できるか。
• RQ2 固定効果が時変かつ潜在的に自己相関を持つ場合、シュリンケージターゲットと共分散構造をどのように選択すべきか。
• RQ3 提案されたUREベースの推定量は漸近的最適性を達成し、有限サンプルでEB法と比較して良好に機能するか。
• RQ4 時変および自己相関がある状況下で固定効果を1期間先までどのように予測できるか。
• RQ5 共変量の組み込みやより広いターゲット場所の導入が実務上の推定量性能に与える影響は何か。

主な発見

• UREベースの推定量は、柔軟なシュリンケージ推定量のクラス内でMSEを最小化し、EBの分布仮定の違反に対して頑健である。
• 本法は時変かつ自己相関を持つ固定 effectsを組み込み、相関構造を活用して精度を向上させる。
• シミュレーションは、サンプルサイズが600以上で最良のMSEの10%以内であるときURE推定量が達成され、分布仮定が破れる場合にEB法を凌ぐことを示す。
• ニューヨーク市の教師のValue-Addedデータに適用すると、従来法と比べ、下位5%の教師リリースなど政策上の意思決定に実質的な影響を与える。
• 推定量の予測変種は、アウト・オブ・サンプル演習において、従来の推定量と比べてリリースされた教師の平均Value-Addedを約20%低くする。