[論文レビュー] The R-package phtt: Panel Data Analysis with Heterogeneous Time Trends

Oualid Bada, Dominik Liebl|arXiv (Cornell University)|Jul 24, 2014

Spatial and Panel Data Analysis参考文献 26被引用数 10

ひとこと要約

この論文は、Bai (2009) および Kneip et al. (2012) の要因構造を用いて、非定常的かつ滑らかな時間変動効果を伴う異質な時間トレンドをもつパネルデータモデルを実装する R パッケージ phtt を紹介する。複数の基準を用いて潜在要因と要因次元の推定を可能とし、大規模な n、大規模な T のパネルデータに対して、頑健なツールを提供する。

ABSTRACT

The R-package phtt provides estimation procedures for panel data with large dimensions n, T, and general forms of unobservable heterogeneous effects. Particularly, the estimation procedures are those of Bai (2009) and Kneip, Sickles, and Song (2012), which complement one another very well: both models assume the unobservable heterogeneous effects to have a factor structure. Kneip et al. (2012) considers the case in which the time varying common factors have relatively smooth patterns including strongly positive auto-correlated stationary as well as non-stationary factors, whereas the method of Bai (2009) focuses on stochastic bounded factors such as ARMA processes. Additionally, the phtt package provides a wide range of dimensionality criteria in order to estimate the number of the unobserved factors simultaneously with the remaining model parameters.

研究の動機と目的

• 時間不変の個体効果を仮定する古典的パネルモデルの制限を解決すること。これは、大規模な T のパネルデータでは現実的でなくなる。
• 時間変動する個体効果が要因構造に従う、未観測の異質性をモデル化するための柔軟なフレームワークを開発すること。
• 2 つの補完的推定アプローチを統合すること：Bai (2009) の確率的有界要因（例：ARMA）と、Kneip et al. (2012) の滑らかで、非定常な可能性のある要因。
• 現代のパネルデータ分析のための統合的 R パッケージを提供すること。推定、診断、モデル選択のための頑健なツールを含む。
• 幅広い次元選択基準を用いて、未知の未観測要因数をデータ駆動で一貫して推定できるようにすること。

提案手法

• Bai (2009) の繰り返し最小二乗法を実装する Eup() 関数を導入。定常的かつ弱い自己相関を持つ時間変動効果に適している。
• Kneip et al. (2012) の2段階半パラメトリック推定法を実装する KSS() 関数。時間変動効果のノンパラメトリックスムージングを用いる。
• 要因と因子負荷の一意性を保つために正規化制約を適用：要因は単位分散、要因および負荷の間は直交性を確保。
• 主成分分析を用いて初期の要因構造を推定し、両モデルで繰り返し推定値を改善する。
• OptDim() 関数を統合し、文献に登場する複数の要因次元選択基準を計算・比較可能にする。
• モデル診断と解釈のための標準的な R 関数（print, summary, plot, coef, residuals）をサポートする。

実験結果

リサーチクエスチョン

• RQ1 大規模な横断的および時間的次元を伴うパネルデータモデルは、時間変動する個体効果を扱うためにどのように拡張可能か？
• RQ2 異質な時間トレンドを許容することで、パネルデータ推定の正確性と解釈可能性にどのような影響を与えるか？
• RQ3 高次元パネルデータにおいて、未観測要因数を一貫して推定する方法は何か？
• RQ4 Bai (2009) と Kneip et al. (2012) のモデルは、異なるタイプの時間変動効果を処理するために、どのように補完的か？
• RQ5 要因回転と負荷標準化は、推定された共通要因の経済的解釈可能性をどのように向上させるか？

主な発見

• Cigar2.KSS モデルにおける最初の2つの共通要因は、時間変動する個体効果の合計分散の 90.6%（それぞれ 66.32% と 24.28%）を説明している。
• KSS モデルは、個体効果のノンパラメトリックスムージングにより、滑らかで非定常な時間トレンドを効果的に捉えている。
• Eup() 関数は、弱い自己相関と異分散性の下でも頑健な推定を可能とし、古典的モデルの適用範囲を拡張している。
• OptDim() 関数は複数の次元選択基準へのアクセスを提供し、要因次元のデータ駆動型選択を支援している。
• 要因回転（例：varimax）と負荷標準化により、符号およびスケールの不確実性が解消され、解釈性が向上している。
• 本パッケージの実装により、R で利用可能でなかった Kneip et al. (2012) の手法が補完され、ソフトウェアのギャップが埋められている。