[论文解读] Spectral and post-spectral estimators for grouped panel data models

Denis Chetverikov, Elena Manresa|arXiv (Cornell University)|Dec 26, 2022

Spatial and Panel Data Analysis被引用 13

一句话总结

本文提出了一种计算高效的后谱估计器，用于具有未观测到的组特定时间效应的分组面板数据模型。通过利用谱聚类和三步法——谱估计、组分类和OLS合并——在组别充分分离的条件下，实现了 $√{NT}$-一致性与渐近正态性，其理论性质与计算更复杂的分组固定效应估计器相当，但计算成本显著降低。

ABSTRACT

In this paper, we develop spectral and post-spectral estimators for grouped panel data models. Both estimators are consistent in the asymptotics where the number of observations $N$ and the number of time periods $T$ simultaneously grow large. In addition, the post-spectral estimator is $\sqrt{NT}$-consistent and asymptotically normal with mean zero under the assumption of well-separated groups even if $T$ is growing much slower than $N$. The post-spectral estimator has, therefore, theoretical properties that are comparable to those of the grouped fixed-effect estimator developed by Bonhomme and Manresa (2015). In contrast to the grouped fixed-effect estimator, however, our post-spectral estimator is computationally straightforward.

研究动机与目标

• 开发一种计算高效的替代方法，以替代Bonhomme和Manresa（2013）提出的分组固定效应估计器，该估计器理论上最优但计算成本高昂。
• 在大样本 $N$ 和 $T$ 渐近条件下，针对组别充分分离的情形，建立新估计器的理论性质，特别是 $√{NT}$-一致性与渐近正态性。
• 提出一种三步法，结合谱估计、基于谱聚类的组分类以及合并OLS回归，以确保估计的一致性与效率。
• 证明后谱估计器在不需解决非凸优化问题的前提下，能达到与分组固定效应估计器相同的理论性能。
• 在协变量满足因子分析结构的前提下验证该方法，其中 $x_{it}$ 是潜在组特定时间效应与独立噪声的线性组合。

提出的方法

• 该方法首先使用构造矩阵的前 $2GM+2$ 个最大特征值之和，对一个最小值为参数向量 $\beta$ 的凸二次函数进行一致估计，从而获得初始谱估计器。
• 应用谱聚类算法，基于估计的时间效应向量 $\hat{A}_i$ 对单元进行分组，使用阈值 $\lambda = 3R_0 + 2\lambda_N$ 以高概率确保正确分组。
• 通过将同一组内的所有单元合并并进行OLS回归，获得后谱估计器，从而利用第二步的分类准确性。
• 理论依据在于证明：在组别充分分离的假设下，分类算法以概率趋于1正确地将单元分配至其真实组别。
• 该方法假设协变量具有因子结构：$x_{it} = \sum_{m=1}^M \rho_{im} \alpha_{g_i t}^m + z_{it}$，其中 $M$ 已知，且 $z_{it}$ 与组效应无关。
• 理论结果基于估计误差与组分类的高概率界推导得出，最终得出估计器的 $\sqrt{NT}$-一致性与渐近正态性。

实验结果

研究问题

• RQ1 能否开发一种计算简单的估计器，使其在分组面板数据模型中达到与分组固定效应估计器相同的理论性质？
• RQ2 基于谱的分类方法在组特定时间效应充分分离的条件下，能否实现一致的组别分配？
• RQ3 在何种条件下，后谱估计器具有 $\sqrt{NT}$-一致性与渐近正态性？
• RQ4 当 $T$ 相对于 $N$ 增长缓慢时，特别是存在内生组效应时，该方法表现如何？
• RQ5 能否利用协变量 $x_{it}$ 的因子结构，构造一个一致且高效的估计器，而无需求解非凸优化问题？

主要发现

• 在组别充分分离的假设下，即使 $T$ 的增长远慢于 $N$，后谱估计器仍具有 $\sqrt{NT}$-一致性与渐近正态性。
• 在相同组别充分分离的假设下，第二步中使用的谱聚类算法以概率趋于1实现一致的组别分类。
• 该估计器的理论性质与Bonhomme和Manresa（2013）的分组固定效应估计器相当，但计算成本显著降低。
• 该方法依赖于一个最小值为 $\beta$ 的凸二次函数，其值可通过矩阵特征值一致估计，从而实现初始谱估计器。
• 在给定条件下，后谱估计器对所有单元的估计误差为 $o_P(1)$，意味着 $\beta$ 与组效应均可一致恢复。
• 理论界表明，$\|\hat{A}_i - \alpha_{g_i}\| \leq \tilde{C}_G \lambda_N$ 对某个仅依赖于 $G$ 的常数 $\tilde{C}_G$ 成立，从而确保组效应的准确恢复。