[论文解读] How to Detect Network Dependence in Latent Factor Models? A Bias-Corrected CD Test

M. Hashem Pesaran, Yimeng Xie|arXiv (Cornell University)|Sep 1, 2021

Spatial and Panel Data Analysis参考文献 4被引用 11

一句话总结

本文提出了一种偏差校正的CD检验（CD$^*$），用于检测具有潜在因子的面板数据模型中的误差横截面依赖性，解决了标准CD检验在因子较强时出现的过度拒绝问题。CD$^*$在原假设下无论因子强度如何，其渐近分布均为标准正态分布，保持了正确的尺寸和良好的功效，且在尺寸和功效方面均优于随机化CD$_{W+}$检验，尤其在非高斯误差和空间网络替代情形下表现更优。

ABSTRACT

In a recent paper Juodis and Reese (2022) (JR) show that the application of the CD test proposed by Pesaran (2004) to residuals from panels with latent factors results in over-rejection. They propose a randomized test statistic to correct for over-rejection, and add a screening component to achieve power. This paper considers the same problem but from a different perspective, and shows that the standard CD test remains valid if the latent factors are weak in the sense the strength is less than half. In the case where latent factors are strong, we propose a bias-corrected version, CD*, which is shown to be asymptotically standard normal under the null of error cross-sectional independence and have power against network type alternatives. This result is shown to hold for pure latent factor models as well as for panel regression models with latent factors. The case where the errors are serially correlated is also considered. Small sample properties of the CD* test are investigated by Monte Carlo experiments and are shown to have the correct size for strong and weak factors as well as for Gaussian and non-Gaussian errors. In contrast, it is found that JR's test tends to over-reject in the case of panels with non-Gaussian errors, and has low power against spatial network alternatives. In an empirical application, using the CD* test, it is shown that there remains spatial error dependence in a panel data model for real house price changes across 377 Metropolitan Statistical Areas in the U.S., even after the effects of latent factors are filtered out.

研究动机与目标

• 解决在具有强潜在因子的面板数据模型中，标准CD检验出现的过度拒绝问题。
• 开发一种在弱因子和强因子下均能保持正确尺寸和充分功效的检验方法。
• 为Juodis和Reese（2022）提出的随机化CD$_{W+}$检验提供一个理论基础更坚实的替代方法，后者在非高斯误差和空间替代情形下存在尺寸扭曲和功效低下问题。
• 将CD检验的有效性扩展至具有潜在因子和序列相关误差的面板回归模型。

提出的方法

• 推导标准CD检验统计量偏差的显式表达式，以潜在因子载荷和误差方差表示，适用于纯潜在因子模型。
• 通过从原始CD统计量中减去估计的偏差，提出偏差校正的CD检验统计量CD$^*$。
• 证明CD$^*$在原假设下无论潜在因子是弱还是强，其渐近分布均为标准正态分布。
• 通过将偏差校正应用于CCE或基于PCA的估计器的残差，将CD$^*$检验扩展至具有潜在因子的面板回归模型。
• 通过方差校正或基于ARDL的残差，对CD$^*$进行序列相关性调整，确保在动态面板设定下的稳健性。
• 利用蒙特卡洛模拟评估CD$^*$在各种误差分布和依赖结构下的有限样本性能。

实验结果

研究问题

• RQ1 当潜在因子较强时，标准CD检验在检测误差横截面依赖性方面是否仍然有效，还是会出现过度拒绝？
• RQ2 CD检验的偏差校正版本是否能在弱因子和强因子下均保持正确的尺寸和良好的功效？
• RQ3 在非高斯误差和空间网络替代情形下，CD$^*$与随机化CD$_{W+}$检验在尺寸和功效方面的表现如何比较？
• RQ4 用于估计潜在因子的主成分数量对CD$^*$及对比检验的检验结果有何影响？
• RQ5 当误差存在序列相关性时，CD$^*$检验是否仍保持有效性？此类情况下应如何调整？

主要发现

• 标准CD检验仅在潜在因子为弱因子时有效；当因子为强因子或半强因子时，会过度拒绝原假设。
• 所提出的CD$^*$检验在原假设下无论因子强度如何，其渐近分布均为标准正态分布，确保了大样本下的正确尺寸。
• CD$^*$在有限样本中保持了正确的尺寸和令人满意的功效，即使在非高斯误差下亦经蒙特卡洛实验验证。
• 在非高斯误差且$ n \gg T $时，CD$^*$在尺寸控制方面优于CD$_{W+}$检验，后者表现出过度拒绝。
• 在空间依赖和网络依赖替代情形下，CD$^*$的功效高于CD$_{W+}$，尤其当估计因子数（$\hat{m}$）适中时更为显著。
• 对研发投资数据的实证应用表明，当$\hat{m} = 4$时，CD$^*$不拒绝原假设，表明潜在因子模型能充分捕捉横截面依赖性；而CD$_{W+}$对所有$\hat{m}$均拒绝原假设，表明存在潜在的过度拒绝问题。