[논문 리뷰] Spectral and post-spectral estimators for grouped panel data models

Denis Chetverikov, Elena Manresa|arXiv (Cornell University)|2022. 12. 26.

Spatial and Panel Data Analysis인용 수 13

한 줄 요약

이 논문은 관측되지 않는 군집별 시간 효과를 가진 군집 패널 데이터 모형에 대해 계산적으로 효율적인 후속 스펙트럴 추정기(_estimator)를 제안한다. 스펙트럴 클러스터링과 세 단계 절차—스펙트럴 추정, 군집 분류, OLS 풀링—을 활용함으로써 잘 분리된 군집 조건 하에서 $√{NT}$-일致성과 점근 정규성을 달성하며, 더 복잡한 군집 고정효과 추정기의 이론적 성질을 재현하지만 계산 비용은 훨씬 낮다.

ABSTRACT

In this paper, we develop spectral and post-spectral estimators for grouped panel data models. Both estimators are consistent in the asymptotics where the number of observations $N$ and the number of time periods $T$ simultaneously grow large. In addition, the post-spectral estimator is $\sqrt{NT}$-consistent and asymptotically normal with mean zero under the assumption of well-separated groups even if $T$ is growing much slower than $N$. The post-spectral estimator has, therefore, theoretical properties that are comparable to those of the grouped fixed-effect estimator developed by Bonhomme and Manresa (2015). In contrast to the grouped fixed-effect estimator, however, our post-spectral estimator is computationally straightforward.

연구 동기 및 목표

• Bonhomme와 Manresa(2013)가 제안한 군집 고정효과 추정기의 계산 비용이 매우 높은 점을 감안해, 이와 이론적으로 최적화된 성능를 가지되 계산적으로 효율적인 대안을 개발하는 것.
• 큰 $N$과 $T$ 조건 하에서 잘 분리된 군집 조건 하에서 새로운 추정기의 이론적 성질—특히 $√{NT}$-일치성과 점근 정규성—을 확립하는 것.
• 스펙트럴 추정, 스펙트럴 클러스터링을 통한 군집 분류, 그리고 풀링 OLS를 조합한 세 단계 방법을 제안하여 일치성과 효율성을 보장하는 것.
• 후속 스펙트럴 추정기가 비볼록 최적화 문제를 해결할 필요 없이도 군집 고정효과 추정기와 동일한 이론적 성능을 달성할 수 있음을 보여주는 것.
• 설명 변수에 요인 분석 구조가 존재할 경우, 즉 $x_{it}$가 잠재된 군집별 시간 효과와 독립된 노이즈의 선형 조합임을 가정할 때 방법의 타당성을 검증하는 것.

제안 방법

• 이 방법은 먼저, 구성된 행렬의 $2GM+2$개의 가장 큰 고유값의 합을 사용하여, 최소값이 $\beta$가 되는 볼록 2차 함수를 일관되게 추정하는 스펙트럴 추정기로 시작한다.
• 두 번째 단계로, 추정된 시간 효과 벡터 $\hat{A}_i$를 바탕으로 단위를 군집으로 분류하기 위해 스펙트럴 클러스터링 알고리즘을 적용하며, 정확한 군집 분리 확률을 높이기 위해 임계값 $\lambda = 3R_0 + 2\lambda_N$를 사용한다.
• 세 번째 단계에서 동일한 군집 내 모든 단위를 풀링하고, 그룹화된 데이터에 대해 OLS 회귀를 수행함으로써 후속 스펙트럴 추정기를 도출한다. 이는 두 번째 단계에서 확보한 분류 정확도를 활용한다.
• 이론적 근거는 잘 분리된 군집 조건 하에서 분류 알고리즘이 단위를 진짜 군집으로 올바르게 할당할 확률이 1에 수렴한다는 것을 보여주는 데 기반한다.
• 이 방법은 설명 변수에 요인 구조를 가진다고 가정한다: $x_{it} = \sum_{m=1}^M \rho_{im} \alpha_{g_i t}^m + z_{it}$, 여기서 $M$은 알려져 있으며 $z_{it}$는 군집 효과와 독립이다.
• 이론적 결과는 추정 오차와 군집 분류 오차에 대한 고확률 경계를 사용하여 유도되며, 최종 추정기의 $\sqrt{NT}$-일치성과 점근 정규성을 도출한다.

실험 결과

연구 질문

• RQ1 군집 패널 데이터 모형에서 군집 고정효과 추정기의 이론적 성질을 재현할 수 있는 계산적으로 단순한 추정기를 개발할 수 있는가?
• RQ2 잘 분리된 군집별 시간 효과 조건 하에서 스펙트럴 기반 분류 방법이 일관된 군집 할당을 달성할 수 있는가?
• RQ3 후속 스펙트럴 추정기가 언제 $\sqrt{NT}$-일치성과 점근 정규성을 가지는가?
• RQ4 특히 내생적 군집 효과가 존재할 경우, $T$가 $N$에 비해 느리게 증가할 때 제안된 방법은 어떻게 성능을 발휘하는가?
• RQ5 설명 변수 $x_{it}$의 요인 구조를 활용하여 비볼록 최적화 문제를 해결하지 않고도 일관되고 효율적인 추정기를 구성할 수 있는가?

주요 결과

• 잘 분리된 군집 조건 하에서, $T$가 $N$보다 훨씬 느리게 증가하더라도 후속 스펙트럴 추정기는 $\sqrt{NT}$-일치성과 점근 정규성을 확보한다.
• 두 번째 단계에서 사용된 스펙트럴 클러스터링 알고리즘은 동일한 잘 분리된 군집 조건 하에서 단위를 진짜 군집으로 올바르게 할당할 확률이 1에 수렴하는 일관된 군집 분류를 달성한다.
• 이 추정기의 이론적 성질은 Bonhomme와 Manresa(2013)의 군집 고정효과 추정기와 동일하지만, 계산 비용은 훨씬 낮다.
• 이 방법은 최소값이 $\beta$가 되는 볼록 2차 함수에 기반하며, 이 함수의 값을 행렬의 고유값을 통해 일관되게 추정할 수 있어 초도 스펙트럴 추정기를 가능하게 한다.
• 제시된 조건 하에서 후속 스펙트럴 추정기는 모든 단위에 대해 $o_P(1)$의 추정 오차를 보장하며, 이는 $\beta$와 군집 효과의 일관된 복원을 의미한다.
• 이론적 경계는 $\|\hat{A}_i - \alpha_{g_i}\| \leq \tilde{C}_G \lambda_N$ 를 만족하며, 이때 $\tilde{C}_G$ 는 $G$에만 의존하는 상수이므로 정확한 군집 효과 복원을 보장한다.