[論文レビュー] Ridge Estimation of High Dimensional Two-Way Fixed Effect Regression

Junnan He, Jean-Marc Robin|arXiv (Cornell University)|Jan 7, 2026

Spatial and Panel Data Analysis被引用数 0

ひとこと要約

この論文は、稀疎な二部グラフネットワークに対する高次元の二方向固定効果モデルのリッジ推定量を開発し、度補正済み確率ブロックモデルの下でバイアスと分散の決定論的同等性を導出し、シミュレーションと賃金ベースの雇用者-従業員の適用で検証する。

ABSTRACT

We study a ridge estimator for the high-dimensional two-way fixed effect regression model with a sparse bipartite network. We develop concentration inequalities showing that when the ridge parameters increase as the log of the network size, the bias, and the variance-covariance matrix of the vector of estimated fixed effects converge to deterministic equivalents that depend only on the expected network. We provide simulations and an application using administrative data on wages for worker-firm matches.

研究の動機と目的

• 高次元で疎な二部ネットワークにおける二方向固定効果の推定を、従来のOLS同定が弱い状況で動機づける。
• 労働者と企業の固定効果の両方を正則化するリッジ回帰フレームワークを開発し、安定した推定量を得る。
• ネットワークの度補正SBMに基づくリッジ推定量のバイアスと分散の決定論的同等性を導出する。
• OLSと比較してリッジ正則化が固定効果の分布回復を改善することをシミュレーションで示す。
• 労働者-企業マッチ（DADSパネル）による賃金の実証的適用を通じて実務的関連性を示す。

提案手法

• 2方向固定効果モデル y_ijs = μ_i + φ_j + u_ijs を、稀疎な二部グラフのマッチとして定義する。
• 労働者用λ_w、企業用λ_fの別々のペナルティを持つリッジ推定量を導入し、ブロック対称形の推定量を提供する。
• 正則化を実現するために正則化ラプラシアンと正規化隣接行列を構築し、正規化（λ_w, λ_f > 0）の下で実現可能性と正の固有値を確保する。
• ネットワークのコミュニティ構造と疎性を捉えるために労働者と企業の確率的ブロックモデル（Degree-Corrected SBM）を構築する。
• ペナルティが log(n+p) のようにスケーリングする場合、バイアスと分散がネットワークの期待値に基づく決定論的同等性へ収束することを示す。
• モンテカルロシミュレーションと賃金分解の実証的適用を通じて性能を説明する。

実験結果

リサーチクエスチョン

• RQ1 高次元の二方向固定効果を、疎な二部ネットワークの下でリッジ推定量がどのような漸近的挙動を示すか？
• RQ2 ネットワークサイズの対数のようにペナルティが大きくなるとき、リッジ推定量のバイアスと分散はどのように振る舞うか？
• RQ3 期待ネットワークに基づく決定論的同等性は推定された固定効果の分布を正確に特徴づけられるか？
• RQ4 疎なネットワークにおいてOLSと比較して固定効果の分布回復と分散分解をリッジ正則化は改善するか？
• RQ5 DADSパネルの実データでこれらの方法はどのように機能するか？

主な発見

• log(n+p) の次数で成長するリッジペナルティは、バイアスと分散を期待されるネットワークのみに依存する決定論的同等性へ収束させる。
• 正のペナルティ下でリッジ推定量は実行可能性を保ち、正則化ラプラシアンの固有値はゼロから十分に離れて下限を持つ。
• モンテカルロ実験はOLSと比較してリッジ正則化が固定効果の分布回復を大幅に改善することを示す。
• 賃金の分散分解は、完全に疎なネットワークにおいてホモスケダスティックなバイアス補正が機能しない場合にリッジが有益である。
• フランスの賃金データ（DADSパネル）への実証適用は、OLSベースの分解と比較して労働者/企業の分散寄与がより妥当で、共分散寄与も正の値となる。