[論文レビュー] Jackknife Inference for Fixed Effects Models

Ayden Higgins|arXiv (Cornell University)|Feb 25, 2026

Statistical Methods and Inference被引用数 0

ひとこと要約

本文は、最小分散不偏ジャックナイフ（MVUJ）推定量と自己正規化ジャックナイフt統計量を用いた、固定効果パネルモデルにおける推定と検定・信頼区間・p値を実現する一般的・自動的ジャックナイフ推定法を提案する。複雑な設定にも適用可能。

ABSTRACT

This paper develops a general method of inference for fixed effects models which is (i) automatic, (ii) computationally inexpensive, and (iii) highly model agnostic. Specifically, we show how to combine a collection of subsample estimators into a self-normalised jackknife $t$-statistic, from which hypothesis tests, confidence intervals, and $p$-values are readily obtained.

研究の動機と目的

• 偶発的パラメータとバイアス項を含む固定効果パネルモデルにおける推定可能性の課題を動機づける。
• ジャックナイフサブサンプルに基づく自動・計算的に軽量な推定法を開発し、有効な推論を得る。
• 仮説検定と信頼区間のための最小分散不偏ジャックナイフ（MVUJ）推定量と自己正規化ジャックナイフt統計量を構築する。
• 多次元固定効果と高次のバイアス項へフレームワークを拡張する。
• 多様なモデルに適用可能なジャックナイフバイアス補正と推論の一般的フレームワークを提供する。

提案手法

• パラメータのスカラー値  の漸近正規性とバイアス項を仮定した推定量 ϑ^0 の仮定を置く（Assumption AD）。
• 既知のサブサンプリング設計に支配されたサブサンプル推定量 ϑ^1,..., ϑ^{m-1} の集合を導入する（Assumption JK）。
• 重み v を選択して v'C v を最小化しつつ A^T v = 0 および ι^T v = 1 を満たすことで、無偏/推定可能な結合を得る（定理2.1）。
• 全サンプルとサブサンプル推定量を組み合わせて推論を可能にする自己正規化ジャックナイフt統計量を定義・活用する。
• バイアス補正を明示的に行わず推論を可能にする。より鋭い推論のためのジャックナイフt_q統計量（q>1）への拡張を提供し、多次元モデルや高次バイアスへの適用性を議論する。
• Assumptions を動機づけるための基本的な一方向・二方向固定効果の解説（Examples 1 および 2）を概説する。

実験結果

リサーチクエスチョン

• RQ1 インシデンタルパラメータを持つ固定効果モデルは、バイアス項が存在しても有効な推論をどう得られるか？
• RQ2 最小計算量・モデル非依存のジャックナイフ手法は、パネルデータの広範な推定量に対して仮説検定と信頼区間を提供できるか？
• RQ3 サブサンプル設計は、バイアス構造と依存性を捉えつつジャックナイフ推論を無偏にするにはどう構築すべきか？
• RQ4 多次元固定効果と高次バイアス項への拡張は、計算効率を保ちつつ実現可能か？
• RQ5 ジャックナイフ統計量の漸近正規性・不偏性・分散正確性を保証する理論的根拠（Assumptions ADと JK）は何か？

主な発見

• 自己正規化ジャックナイフt統計量を一般に導出し、固定効果モデルの仮説検定・信頼区間・p値を可能にする。
• 既知のサブサンプリング設計の下で全サンプル推定量とサブサンプル推定量を最適に重み付けして、最小分散不偏ジャックナイフ（MVUJ）推定量を構築する。
• ワンウェイおよびツウェイの固定効果を考慮し、高次バイアスおよび多次元パネルへの拡張に対応する。
• この手法は自動的で計算的に安価であり、モデル特有のバイアス補正を回避する。
• 二つの高レベルな仮定（推定量の挙動に対する AD とサブサンプルの結合分布に対する JK）に依存して、詳細なモデル依存性を持たず推論を達成する。