NBER美国国民经济研究局-NBER-Inference-for-Linear-Conditional-Moment-Inequalities_51页_1mb

报告摘要

详细总结

核心内容

本文探讨了基于线性条件矩不等式（Linear Conditional Moment Inequalities, LCMIs）的统计推断方法。LCMIs是一类在经济学中广泛应用的矩不等式，特别是在结构模型中。作者提出了一种新的方法，用于构造置信区间并进行统计检验，以解决传统方法在处理冗余参数（nuisance parameters）时所面临的挑战，包括计算复杂性、保守性以及对松散矩（slack moments）的敏感性。

主要观点

线性条件结构简化推断：
- LCMIs的线性条件结构大大简化了置信区间构造问题，使得即使在存在冗余参数的情况下，也可以通过投影推断（projection inference）进行计算可行的统计推断。
- 作者展示了在LCMIs框架下，可以通过一个简单的线性规划消去冗余参数，从而仅需对感兴趣的参数进行网格搜索。
最小不利临界值（Least Favorable Critical Values）：
- 传统投影方法可能会导致过于保守的检验结果，而作者提出了一种基于最小不利临界值的方法，避免了这种保守性。
- 该方法在计算上是可行的，并且能够构造出非保守的置信区间。
条件推断方法：
- 作者引入了一种条件推断方法，该方法对松散矩具有强的不敏感性，即当某些矩变得松散时，条件检验仍能保持稳健。
- 与传统的无条件方法不同，条件检验不需要依赖样本规模相关的调参序列。
混合方法（Hybrid Approach）：
- 为提高检验的统计功效，作者还提出了一种混合方法，结合了最小不利临界值和条件推断方法。
- 混合方法在模拟中表现出良好的性能，尤其在处理多个参数时，其功效通常优于其他方法。
统一渐近有效性：
- 作者展示了其方法在统一渐近意义下是有效的，即使在存在大量冗余参数的情况下，也能保持统计功效。
- 在附加条件下，最小不利方法和条件方法可以进一步推广到更广泛的模型中。

关键信息

LCMIs的定义：LCMIs是条件矩不等式，其形式为：
$$
E_P[g(D_i, \beta, \delta) | Z_i] \leq 0
$$
其中，$g(D_i, \beta, \delta)$ 是感兴趣的参数$\beta$ 和冗余参数$\delta$ 的线性函数，且条件方差不依赖于$\delta$。
模拟结果：
- 作者基于Wollmann (2018) 的研究设计了模拟实验，考虑了最多10个冗余参数。
- 模拟结果显示，混合方法在统计功效上表现最佳，且在大多数参数值下优于其他方法。
相关文献：
- 本文方法在无冗余参数的情况下也具有创新性，且在某些情况下优于Romano et al. (2014a) 的方法。
- 其他相关研究包括Cho & Russell (2019)、Gafarov (2019)、Flynn (2019)、Chernozhukov et al. (2015)、Bugni et al. (2017)、Belloni et al. (2018) 和 Kaido et al. (2019a) 等。