[논문 리뷰] Statistical Inferences Using Large Estimated Covariances for Panel Data and Factor Models

Jushan Bai, Yuan Liao|arXiv (Cornell University)|2013. 07. 10.

Spatial and Panel Data Analysis참고 문헌 35인용 수 10

한 줄 요약

이 논문은 고차원적 역공분산행렬 추정량을 사용하여 요인 모형과 상호작용 효과가 있는 패널 데이터에서 추정 효율성을 향상시키기 위한 실현 가능한 가중 주성분(WPC) 방법을 제안한다. 새로운 '가중 수렴' 프레임워크를 구축함으로써, 추정된 대칭공분산행렬이 최적의 가중치로 효과적으로 사용될 수 있음을 보이며, 이는 더 정확한 모수 추정과 더 좁은 신뢰구간을 이끌어낸다. 이는 미국 이혼율 데이터에 대한 분석을 통해 기존 주성분 방법 대비 최대 52%의 효율성 향상을 입증하였다.

ABSTRACT

While most of the convergence results in the literature on high dimensional covariance matrix are concerned about the accuracy of estimating the covariance matrix (and precision matrix), relatively less is known about the effect of estimating large covariances on statistical inferences. We study two important models: factor analysis and panel data model with interactive effects, and focus on the statistical inference and estimation efficiency of structural parameters based on large covariance estimators. For efficient estimation, both models call for a weighted principle components (WPC), which relies on a high dimensional weight matrix. This paper derives an efficient and feasible WPC using the covariance matrix estimator of Fan et al. (2013). However, we demonstrate that existing results on large covariance estimation based on absolute convergence are not suitable for statistical inferences of the structural parameters. What is needed is some weighted consistency and the associated rate of convergence, which are obtained in this paper. Finally, the proposed method is applied to the US divorce rate data. We find that the efficient WPC identifies the significant effects of divorce-law reforms on the divorce rate, and it provides more accurate estimation and tighter confidence intervals than existing methods.

연구 동기 및 목표

• 고차원적 공분산 추정이 요인 모형과 패널 데이터에서 통계적 추론에 미치는 영향을 이해하는 데에 미치는 격차를 메우기 위해.
• 추정된 역공분산행렬을 최적의 가중치로 사용하는 실현 가능하고 효율적인 가중 주성분(WPC) 추정량을 개발하기 위해.
• 절대 수렴 결과의 한계를 극복하기 위해, 고차원 공분산 추정량을 추론에 사용하는 데의 타당성을 뒷받침하는 새로운 이론적 프레임워크인 '가중 수렴'을 수립하기 위해.
• 실제 미국 이혼율 데이터와 시뮬레이션 연구를 통해 본 방법의 우수성을 입증하기 위해.

제안 방법

• 가중 최소제곱 목적함수를 최소화하는 가중 주성분(WPC) 추정량을 제안: $\min_{\Lambda,f_t} \sum_{t=1}^T (Y_t - \Lambda f_t)' W (Y_t - \Lambda f_t)$, 여기서 $W$는 고차원 가중치 행렬이다.
• 이상치의 이질성과 횡단면적 상관관계를 반영하기 위해 추정된 오차 공분산행렬의 역행렬 $\widehat{\Sigma}_u^{-1}$ 을 가중치 행렬로 사용한다.
• 추정 오차가 추론에 미치는 영향을 캡처하는 형태인 $\|A_1(\widehat{\Sigma}^{-1} - \Sigma^{-1})A_2\|$ 의 새로운 수렴 개념인 '가중 일致성'을 도입한다.
• Fan 등(2013)의 공분산 추정량을 활용하여 $N > T$ 인 경우에도 $\Sigma_u^{-1}$ 를 일致적으로 추정함으로써 실현 가능한 구현을 가능하게 한다.
• 가중 일치성 프레임워크 하에서 수렴 속도를 유도하여, 추정 오차가 점차적으로 추론에 영향을 주지 않음을 보여준다.
• 실제 및 시뮬레이션 데이터에 효율적인 WPC(EWPC)를 적용하여 표준 주성분(PC) 방법과 성능를 비교한다.

실험 결과

연구 질문

• RQ1 고차원적으로 추정된 공분산행렬이 고차원적 요인 모형에서 통계적 추론에 최적의 가중치로 효과적으로 사용될 수 있는가?
• RQ2 WPC에서 추정된 역공분산행렬을 사용할 경우 표준 주성분 방법보다 더 효율적인 추정이 이루어지는가?
• RQ3 고차원적 공분산행렬의 추정 오차가 구조적 모수의 점근적 분포에 영향을 주지 않도록 하기 위해 필요한 수렴 유형은 무엇인가?
• RQ4 이러한 방법은 이혼법 개혁이 이혼율에 미치는 장기적 영향과 같은 동적 효과를 어떻게 잘 포착하는가?

주요 결과

• 모의 실험에서 제안된 효율적 WPC(EWPC)는 표준 주성분 방법 대비 최대 52%의 상대적 효율성 향상을 기록하였으며, 상대적 효율성은 39%에서 52% 사이로 변동하였다.
• 미국 이혼율 데이터 분석에서 EWPC는 이혼법 개혁 이후 9~12년 뒤에 이혼율에 유의미한 부정적 영향를 확인하였으며, 이는 이전 사회과학 연구 결과와 일치하였다.
• EWPC는 표준 주성분보다 더 좁은 신뢰구간을 생성하고 더 정확한 추정치를 제공하였으며, 시뮬레이션에서 모든 시간 지연에 걸쳐 표준오차가 일관되게 작게 나타났다.
• 이 방법은 유한표본 편향과 분산을 모두 감소시켰으며, 시뮬레이션 설정에서 상대적 효율성 향상은 48%에서 61%까지 기록되었다.
• 이론적 결과는 고차원 공분산 추정량을 사용할 경우 '절대 수렴'이 아닌 '가중 수렴'이 추론의 타당성을 확보하기 위해 필수적이고 충분함을 보여주었다.
• 본 연구는 심지어 최소최대 최적의 공분산 추정 속도를 달성하더라도 절대 수렴만으로는 추론에 충분하지 않음을 입증하였으며, 효율성을 달성하기 위해서는 가중 수렴이 필요하다고 밝혔다.