[論文レビュー] Structural Vector Autoregressions and Higher Moments: Challenges and Solutions in Small Samples

Sascha Alexander Keweloh|arXiv (Cornell University)|Oct 12, 2023

Statistical Methods and InferenceMathematics被引用数 3

ひとこと要約

本稿では、独立したショックからの高次モーメント条件を用いた構造的ベクトル自己回帰（SVAR）のための連続的スケーリング更新推定量（SVAR-CSUE）と、洗練された重み行列推定法を提案する。ショックの自己相関および相互独立性を活用して共分散行列の推定を単純化し、連続的に更新されるスケーリング項を組み込むことで、小標本におけるスケーリングバイアスを解消し、バイアス、ボラティリティ、推論の正確性の観点で有限標本性能を向上させる。

ABSTRACT

Generalized method of moments estimators based on higher-order moment conditions derived from independent shocks can be used to identify and estimate the simultaneous interaction in structural vector autoregressions. This study highlights two problems that arise when using these estimators in small samples. First, imprecise estimates of the asymptotically efficient weighting matrix and the asymptotic variance lead to volatile estimates and inaccurate inference. Second, many moment conditions lead to a small sample scaling bias towards innovations with a variance smaller than the normalizing unit variance assumption. To address the first problem, I propose utilizing the assumption of independent structural shocks to estimate the efficient weighting matrix and the variance of the estimator. For the second issue, I propose incorporating a continuously updated scaling term into the weighting matrix, eliminating the scaling bias. To demonstrate the effectiveness of these measures, I conducted a Monte Carlo simulation which shows a significant improvement in the performance of the estimator.

研究の動機と目的

• 高次モーメント条件に基づくSVARにおける漸近的に効率的であるが小標本性能が劣るGMM推定量の問題を是正する。
• 正規化された単位分散未満の分散を示すインノベーションを好む、体系的な小標本スケーリングバイアスを同定し是正する。
• 自己および相互に独立な構造的ショックの仮定を活用して、漸近的に効率的重み行列および漸近的分散の推定を改善する。
• より良い分散推定とバイアス補正により、有限標本におけるWald検定統計量の信頼性を高める。
• 2段階SVAR推定および一般的なボラティリティ過程の下でも、提案手法のロバストネスを示す。

提案手法

• 自己および相互に独立な構造的ショックの仮定を活用して、高次共モーメントを低次モーメントの積に分解し、推定すべき共モーメント数を8次から6次に削減する。
• 単純化されたモーメント構造を用いてモーメント条件の長期共分散行列を推定し、効率的重み行列のより正確で安定した推定を実現する。
• 連続的スケーリング更新推定量（SVAR-CSUE）を提案し、重み行列に連続的に更新されるスケーリング項を統合することで、インノベーション分散が小さい方に偏る小標本バイアスを解消する。
• 独立性仮定を識別に用いるだけでなく、GMM推定量の漸近的分散を推定するためにも活用し、推論の質を向上させる。
• ラグ付きSVARの2段階推定手順を実装し、現実的で実証的状況下での手法のロバストネスを検証する。
• 歪んだ正規分布、スチューデントのt分布、切断正規分布など、さまざまなショック分布を想定したモンテカルロシミュレーションを実施し、非正規設定下での性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 高次モーメント条件に基づくSVARにおける標準的GMM推定量の小標本性能は、漸近理論の予測と比べてどのように異なるか？
• RQ2 なぜGMM推定量は正規化された単位分散未満のインノベーションを好む体系的な小標本バイアスを示すのか？
• RQ3 自己および相互に独立な構造的ショックの仮定を用いて、効率的重み行列および漸近的分散の推定を改善できるか？
• RQ4 重み行列に連続的に更新されるスケーリング項を組み込むことで、GMM推定量の小標本スケーリングバイアスを効果的に解消できるか？
• RQ5 2段階SVAR推定フレームワークおよび共通のボラティリティ過程の下でも、提案手法はどのように性能を示すか？

主な発見

• 標準的GMM推定量は顕著な小標本バイアスとボラティリティを示し、Wald検定のカバレッジと棄却率が歪められる。
• 漸近的に効率的であるGMM推定量は、正規化された単位分散未満の分散を示す解を系統的に好む。
• 連続的に更新されるスケーリング項を組み込んだ提案されたSVAR-CSUE推定量は、小標本スケーリングバイアスを効果的に解消する。
• 独立性仮定に基づく洗練された重み行列推定は、従来の手法と比較して真の漸近的に効率的重み行列スキームをはるかに良い近似とする。
• SVAR-CSUEは、複数のシミュレーション設計およびショック分布において、標準的GMMよりもバイアスとボラティリティの両面で優れた性能を示す。
• 漸近的分散の推定に独立性仮定を活用することで、共通のボラティリティ過程下でもWald検定の棄却率が著しく改善される。