[논문 리뷰] Structural Vector Autoregressions and Higher Moments: Challenges and Solutions in Small Samples

Sascha Alexander Keweloh|arXiv (Cornell University)|2023. 10. 12.

Statistical Methods and InferenceMathematics인용 수 3

한 줄 요약

이 논문은 독립적인 충격에서 유도된 고차모멘트 조건을 활용한 구조적 벡터 자기회귀모형(SVARs)에 대해 연속적 스케일 업데이트 추정기(SVAR-CSUE)와 정교화된 가중행렬 추정 방법을 제안한다. 충격의 순차적 및 상호 독립성을 활용하여 공분산 행렬 추정을 단순화하고, 연속적으로 업데이트되는 스케일 항목을 통합함으로써, 작은 표본에서의 스케일 편향을 제거하고, 편향, 변동성, 추론 정확도 측면에서 유한표본 성능을 향상시킨다.

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.

연구 동기 및 목표

• 고차모멘트 조건을 기반으로 한 GMM 추정기의 소표본 성능이 열악한 문제를 해결하기 위해, 구조적 벡터 자기회귀모형(SVARs)에서의 점근적 효율성 기반 GMM 추정기의 소표본 성능을 개선한다.
• 정규화된 단위 분산보다 낮은 분산을 가지는 혁신을 선호하는 체계적 소표본 스케일 편향을 규명하고 수정한다.
• 순차적 및 상호 독립적인 구조적 충격을 가정하여, 점근적으로 효율적인 가중행렬과 점근적 분산 추정을 향상시킨다.
• 개선된 분산 추정과 편향 보정을 통해, 유한표본에서 Wald 검정 통계량의 신뢰성을 높인다.
• 공통의 변동성 과정이 존재하는 상황에서도 두 단계 SVAR 추정 프레임워크 하에서 제안된 방법의 강건성을 입증한다.

제안 방법

• 순차적 및 상호 독립적인 구조적 충격을 가정하여, 고차공분산을 저차공분산의 곱으로 분해함으로써 추정이 필요한 공분산의 수를 차수 8에서 차수 6으로 감소시킨다.
• 단순화된 모멘트 구조를 활용해 모멘트 조건의 장기 공분산 행렬을 추정함으로써, 효율적인 가중행렬에 대한 더 정밀하고 안정적인 추정치를 도출한다.
• 연속적으로 업데이트되는 스케일 항목을 가중행렬에 통합한 연속적 스케일 업데이트 추정기(SVAR-CSUE)를 제안하여, 더 작은 혁신 분산을 선호하는 소표본 편향을 제거한다.
• 독립성 가정을 식별뿐만 아니라 GMM 추정기의 점근적 분산 추정에도 활용함으로써 추론 품질을 향상시킨다.
• 지연항이 포함된 SVAR에 대한 두 단계 추정 절차를 구현하여, 실제 응용 환경에서의 방법의 강건성을 검증한다.
• 비정규 분포를 가진 충격(비대칭 정규, t, 절단 정규)을 가정한 몬테카를로 시뮬레이션을 수행하여, 다양한 비정규 설정에서의 성능을 평가한다.

실험 결과

연구 질문

• RQ1 고차모멘트 조건을 기반으로 한 표준 GMM 추정기의 소표본 성능은 점근적 이론 예측과 어떻게 비교되는가?
• RQ2 왜 GMM 추정기에서 정규화된 단위 분산보다 낮은 분산을 가지는 혁신을 선호하는 체계적 소표본 스케일 편향이 발생하는가?
• RQ3 순차적 및 상호 독립적인 구조적 충격을 가정하는 것이 효율적인 가중행렬과 점근적 분산 추정을 향상시키는 데 활용될 수 있는가?
• RQ4 가중행렬에 연속적으로 업데이트되는 스케일 항목이 GMM 추정기의 소표본 스케일 편향을 효과적으로 제거하는가?
• RQ5 두 단계 SVAR 추정 프레임워크와 공통의 변동성 과정 존재 하에서 제안된 방법은 어떻게 성능을 발휘하는가?

주요 결과

• 표준 GMM 추정기는 심각한 소표본 편향과 변동성을 보이며, Wald 검정의 커버리지와 기각률이 왜곡된다.
• 점근적으로 효율적인 GMM 추정기는 정규화된 단위 분산보다 낮은 분산을 가지는 해를 선호하는 체계적 편향을 보인다.
• 연속적으로 업데이트되는 스케일 항목을 통합한 제안된 SVAR-CSUE 추정기는 소표본 스케일 편향을 성공적으로 제거한다.
• 독립성 가정을 기반으로 한 정교화된 가중행렬 추정은 전통적 방법보다 진정한 점근적으로 효율적인 가중행렬에 더 나은 근사치를 제공한다.
• 다양한 시뮬레이션 설계와 충격 분포에서 표준 GMM에 비해 SVAR-CSUE는 편향과 변동성 측면에서 모두 뛰어난 성능을 발휘한다.
• 점근적 분산을 추정할 때 독립성 가정을 활용하면, 공통의 변동성 과정이 존재하는 상황에서도 Wald 검정의 기각률이 크게 향상된다.