[论文解读] Statistical Inferences Using Large Estimated Covariances for Panel Data and Factor Models

Jushan Bai, Yuan Liao|arXiv (Cornell University)|Jul 10, 2013

Spatial and Panel Data Analysis参考文献 35被引用 10

一句话总结

本文提出了一种可行的加权主成分（WPC）方法，利用高维精度矩阵估计器以提高因子模型和具有交互效应的面板数据中的估计效率。通过建立一种新颖的“加权收敛”框架，证明了所估计的大维协方差矩阵可作为最优权重被有效使用，从而实现更精确的参数估计和更紧的置信区间。在最多实现52%效率提升的美国离婚率数据中，该方法优于传统主成分方法。

ABSTRACT

While most of the convergence results in the literature on high dimensional covariance matrix are concerned about the accuracy of estimating the covariance matrix (and precision matrix), relatively less is known about the effect of estimating large covariances on statistical inferences. We study two important models: factor analysis and panel data model with interactive effects, and focus on the statistical inference and estimation efficiency of structural parameters based on large covariance estimators. For efficient estimation, both models call for a weighted principle components (WPC), which relies on a high dimensional weight matrix. This paper derives an efficient and feasible WPC using the covariance matrix estimator of Fan et al. (2013). However, we demonstrate that existing results on large covariance estimation based on absolute convergence are not suitable for statistical inferences of the structural parameters. What is needed is some weighted consistency and the associated rate of convergence, which are obtained in this paper. Finally, the proposed method is applied to the US divorce rate data. We find that the efficient WPC identifies the significant effects of divorce-law reforms on the divorce rate, and it provides more accurate estimation and tighter confidence intervals than existing methods.

研究动机与目标

• 为填补高维协方差估计如何影响因子模型和面板数据中统计推断的理解空白。
• 开发一种可行且高效的加权主成分（WPC）估计器，利用估计的逆协方差矩阵作为最优权重。
• 建立一种新的理论框架——“加权收敛”——以证明在推断中使用大维协方差估计器的合理性，克服绝对收敛结果的局限性。
• 通过美国离婚率数据的实证应用和模拟研究，展示该方法的优越性。

提出的方法

• 提出一种最小化加权最小二乘目标的加权主成分（WPC）估计器：$\min_{\Lambda,f_t} \sum_{t=1}^T (Y_t - \Lambda f_t)' W (Y_t - \Lambda f_t)$，其中$W$为高维权重矩阵。
• 使用估计误差协方差矩阵的逆矩阵$\widehat{\Sigma}_u^{-1}$作为权重矩阵，以考虑异方差性和横截面依赖性。
• 引入一种新的收敛概念——“加权一致性”——形式为$\|A_1(\widehat{\Sigma}^{-1} - \Sigma^{-1})A_2\|$，用于捕捉估计误差对推断的影响。
• 采用Fan等（2013）的协方差估计器，即使在$N > T$时也能一致估计$\Sigma_u^{-1}$，从而实现可行的实施。
• 在加权一致性框架下推导收敛速率，表明估计误差对推断而言渐近可忽略。
• 将高效WPC（EWPC）应用于真实和模拟数据，并与标准主成分（PC）进行性能比较。

实验结果

研究问题

• RQ1 大尺寸的估计协方差矩阵能否在高维因子模型的统计推断中被有效用作最优权重？
• RQ2 在WPC中使用估计的逆协方差矩阵是否能实现比标准主成分更高效的估计？
• RQ3 需要何种类型的收敛，才能确保高维协方差矩阵中的估计误差不影响结构参数的极限分布？
• RQ4 所提出的方法在捕捉动态效应（如离婚法改革对离婚率的长期影响）方面表现如何？

主要发现

• 在模拟数据中，所提出的高效WPC（EWPC）相较于标准主成分最高可实现52%的相对效率提升，相对效率范围为39%至52%。
• 在美国离婚率数据中，EWPC在改革后九至十二年识别出离婚法改革对离婚率的显著负向影响，与先前的社会科学研究发现一致。
• EWPC产生的置信区间更紧，估计更准确，模拟中所有时间滞后下的标准误均统一更小。
• 该方法同时降低了有限样本偏差和方差，在模拟设定中相对效率提升达48%至61%。
• 理论结果表明，“加权收敛”——而非绝对收敛——是使用高维协方差估计器进行有效推断的必要且充分条件。
• 研究表明，即使在达到极小化最大风险估计率的情况下，绝对收敛仍不足以实现推断；必须依赖加权收敛才能实现效率。