[论文解读] Linear Multidimensional Regression with Interactive Fixed-Effects

Hugo Freeman|arXiv (Cornell University)|Sep 23, 2022

Spatial and Panel Data Analysis被引用 5

一句话总结

本文提出了群体固定效应（group fixed-effects）与核加权固定效应（kernel weighted fixed-effects）方法，用于具有交互固定效应的线性多维面板数据模型，即使在未知误差结构的情况下，也能实现参数速率的一致性估计。研究发现，当交互效应结构已知时，标准因子方法表现良好；而新方法在高维设置下展现出更强的稳健性与更快的收敛速度。

ABSTRACT

This paper studies a linear model for multidimensional panel data of three or more dimensions with unobserved interactive fixed-effects. The main estimator uses a Neyman-orthogonal approach, and requires two preliminary steps. First, the model is embedded within a two-dimensional panel framework where factor model methods in Bai (2009) lead to consistent, but slowly converging, estimates. The second step develops a weighted-within transformation that is robust to multidimensional interactive fixed-effects and achieves the parametric rate of consistency. The estimator is shown to be asymptotically normal. The methods are implemented to estimate the demand elasticity for beer.

研究动机与目标

• 解决加法标量固定效应在控制面板数据中三个或更多维度未观测异质性方面的局限性。
• 在多维数据中存在未观测交互固定效应的情况下，开发对可观测协变量系数的估计方法。
• 为使用群体固定效应（GFE）与核加权固定效应（kernel weighted fixed-effects）作为标准因子方法的稳健替代方法，提供理论与实证依据。
• 通过模拟与真实世界的需求价格弹性应用，评估在已知与未知交互固定效应结构下不同估计量的表现。

提出的方法

• 将三维交互固定效应模型嵌入标准二维面板框架中，以利用Bai（2009）提出的现有因子结构方法。
• 推导标准因子方法可实现一致参数估计的充分条件，尽管收敛速度可能较慢。
• 引入群体固定效应（GFE），采用Bonhomme, Lamadon, 和 Manresa（2021）提出的聚类技术并将其推广至多维数据。
• 提出一种新型核加权组内变换方法，以消除未观测的交互固定效应，提升对模型误设的稳健性。
• 应用组内变换与聚类技术，同时控制所有维度上的乘法未观测异质性。
• 分别在每个维度上使用自助抽样法计算标准误，并评估推断的稳健性。

实验结果

研究问题

• RQ1 在具有交互固定效应的三维度或更多维度面板数据模型中，标准二维因子方法在何种条件下仍能保持一致性？
• RQ2 在未知交互效应结构的情况下，群体固定效应（GFE）与核加权固定效应方法是否能在多维设置下实现参数速率的一致性？
• RQ3 在有限样本中，所提出的方法与传统固定效应及因子基估计量相比，在偏差、方差与效率方面表现如何？
• RQ4 在具有复杂多维结构的数据集中，高维固定效应在现实世界需求建模中的实证相关性如何？
• RQ5 当工具变量仅在部分维度上变化时，工具变量估计量在高维设置下在多大程度上会失效？

主要发现

• 当交互固定效应项的结构已知时，标准因子方法可实现一致性，但收敛速度可能较慢。
• 在某些正则性条件下，群体固定效应（GFE）与核加权固定效应方法即使在未知真实交互效应结构的情况下，也能实现参数速率的一致性。
• 模拟结果证实，当交互效应结构未知或误设时，GFE与核方法比标准因子方法更具稳健性。
• 在啤酒需求的实证应用中，所有固定效应估计量均得出相似的平均价格弹性估计值，表明该数据集中未观测异质性并不足够复杂，无需采用高维投影方法。
• pooled 工具变量估计量得出更大的弹性值且标准误较高，表明用于估计的工具变量在仅部分维度上变化时可能存在弱工具变量问题。
• 本研究表明，在高维数据中，若工具变量未在所有维度上充分变化，标准IV方法可能受限，凸显了稳健固定效应方法的必要性。