[论文解读] Adaptive Estimation and Uniform Confidence Bands for Nonparametric Structural Functions and Elasticities

Xiaohong Chen, Timothy Christensen+1 more|arXiv (Cornell University)|Jul 25, 2021

Global trade and economics被引用 6

一句话总结

本文提出了非参数工具变量模型中结构函数及其导数（如弹性）的自适应估计与均匀置信带（UCBs）的数据驱动方法。该方法提出了一种数据驱动的正则化阶数选择，实现了结构函数及其导数的极小极大最优收敛速度，并构建了以极小极大速率收缩的UCBs——优于基于欠平滑的方法——确保在广泛的数据生成过程中实现诚实、一致的覆盖。

ABSTRACT

We introduce two data-driven procedures for optimal estimation and inference in nonparametric models using instrumental variables. The first is a data-driven choice of sieve dimension for a popular class of sieve two-stage least squares estimators. When implemented with this choice, estimators of both the structural function $h_0$ and its derivatives (such as elasticities) converge at the fastest possible (i.e., minimax) rates in sup-norm. The second is for constructing uniform confidence bands (UCBs) for $h_0$ and its derivatives. Our UCBs guarantee coverage over a generic class of data-generating processes and contract at the minimax rate, possibly up to a logarithmic factor. As such, our UCBs are asymptotically more efficient than UCBs based on the usual approach of undersmoothing. As an application, we estimate the elasticity of the intensive margin of firm exports in a monopolistic competition model of international trade. Simulations illustrate the good performance of our procedures in empirically calibrated designs. Our results provide evidence against common parameterizations of the distribution of unobserved firm heterogeneity.

研究动机与目标

• 开发一种非参数IV估计中正则化阶数选择的数据驱动方法，使其能够自适应未知的光滑度与工具变量强度。
• 构建结构函数及其导数的均匀置信带（UCBs），确保其为诚实的、一致有效的，并以极小极大速率收缩。
• 通过避免欠平滑带来的低效性，提升非参数模型中的推断效率，从而避免置信带过宽。
• 在国际贸易与需求估计等应用中，实现对结构函数形状、斜率与曲率的可靠推断。
• 通过消除调参过程中的研究者自由度，提升非参数与机器学习方法的透明度与稳健性。

提出的方法

• 基于一种在内生性条件下有效的修正交叉验证准则，提出一种数据驱动的正则化阶数选择规则，超越了早期方法。
• 采用两阶段最小二乘（TSLS）估计量，结合基函数（如B样条）来估计结构函数及其导数。
• 利用乘子自展法近似学生化过程在函数与正则化阶数上的分布，构建均匀置信带。
• 提出一个关于同时以函数变量与正则化阶数为索引的学生化过程的新型一致中心极限定理，使在弱工具变量条件下的有效推断成为可能。
• 在较弱的正则性条件下（包括弱病态性与光滑度假设）推导出估计量及其导数的一致收敛速率。
• 实现一种双重稳健构造，使得UCBs在未知光滑度与工具变量强度的模型类上均保持一致有效性。

实验结果

研究问题

• RQ1 能否在非参数IV模型中开发一种数据驱动的正则化阶数选择方法，使其能自适应未知的光滑度与工具变量强度？
• RQ2 所得到的估计量是否在结构函数及其导数的上确界范数下达到极小极大最优收敛速率？
• RQ3 能否构建出诚实的（在模型类上一致有效）、以极小极大速率收缩、且避免欠平滑低效性的均匀置信带？
• RQ4 在覆盖概率与区间宽度方面，所提方法与标准方法（如欠平滑法）相比在实证中表现如何？
• RQ5 该方法在结构模型中估计弹性（如垄断竞争贸易模型中的出口密集边际弹性）方面有何影响？

主要发现

• 数据驱动的正则化阶数选择确保了结构函数及其导数的估计量在模型类上一致达到上确界范数下的极小极大最优收敛速率。
• 结构函数及其导数的均匀置信带以极小极大速率收缩，可能仅受对数因子影响，且渐近效率高于基于欠平滑的置信带。
• 所提出的UCBs在通用的数据生成过程类上保持一致有效性，提供无需已知光滑度或工具变量强度的诚实推断。
• 在实证校准设计下的模拟结果表明，有限样本性能表现强劲，覆盖概率接近名义水平，且置信带收缩高效。
• 该方法为贸易模型中企业异质性的常见参数假设提供了反证，表明非参数灵活性至关重要。
• 理论框架支持在结构模型中对弹性（如企业出口密集边际弹性）进行推断，实现可靠的一致覆盖。