跳转至

Testing for strong exogeneity in Proxy-VARs

作者: Martin Bruns, Sascha A. Keweloh
来源: Journal of Econometrics
主题: 因果推断
相关性: 7/10
链接: https://doi.org/10.1016/j.jeconom.2024.105876

一、领域脉络与小综述

这个方向是什么

本方向研究的是结构向量自回归（SVAR）模型中工具变量（代理变量）外生性假设的统计检验问题。在宏观经济学中，SVAR 被广泛用于识别结构性冲击（如货币政策冲击）的动态因果效应。由于传统的短期/长期零约束识别策略常受质疑，近年来“代理变量（Proxy）”方法（也称外部工具变量法）成为主流：研究者找到一个代理变量（如基于叙事法构造的利率期货变动），将其作为结构冲击的工具变量。该方法的核心识别假设是代理变量与所有非目标冲击不相关（即外生性）。然而，这一假设在实证中几乎从未被正式检验，而是依赖经济直觉或叙事论证。本文试图填补这一空白：在什么条件下，代理变量的外生性是可检验的？如何构造检验统计量？

发展脉络（history）

  • 奠基工作：Stock & Watson (2012, 2018) 系统提出了 Proxy-SVAR 方法，将外部工具变量引入 SVAR 识别。他们指出代理变量需要满足外生性（与所有非目标冲击不相关）和相关性（与目标冲击相关）两个条件。外生性被当作“不可检验的假设”，只能靠经济论证。
  • 主要进展：Mertens & Ravn (2013) 将 Proxy-SVAR 应用于税收冲击识别，并首次讨论了代理变量可能存在的“弱外生性”问题（即代理变量与滞后信息相关）。他们提出用过度识别检验（overidentification test）来检验部分外生性假设，但该检验需要至少两个代理变量，且依赖于额外的识别假设。
  • 当前 frontier：Bruns & Keweloh (2024) 注意到，实践中常用的代理变量（如基于叙事法构造的变量）通常满足更强的外生性条件：代理变量不仅与当期非目标冲击不相关，而且不包含任何关于非目标冲击条件期望的信息（即强外生性）。他们证明，在一定的条件下（如代理变量与滞后 VAR 残差的条件协方差结构），这种强外生性假设是可检验的，且不需要额外的识别假设（如不需要第二个代理变量）。检验统计量基于代理变量与滞后 VAR 残差的样本协方差，并推导了其渐近分布。
  • 本文的位置：本文是第一个在 Proxy-SVAR 框架下直接检验代理变量外生性（而非仅检验过度识别）的工作。它利用了“强外生性”这一比标准外生性更强的概念，将其转化为一个可检验的统计假设，从而将外生性从“不可检验的假设”推进到“可检验的假设”。

子线索聚类

  1. Proxy-SVAR 的识别与估计：Stock & Watson (2012, 2018)、Mertens & Ravn (2013) 等，关注如何用代理变量识别结构冲击，以及估计的渐近性质。外生性被视为前提条件。
  2. 工具变量外生性的检验：在 IV 文献中，外生性检验通常需要过度识别（即工具变量个数 > 内生变量个数）。在 SVAR 中，这对应需要至少两个代理变量。Mertens & Ravn (2013) 的检验属于此类。
  3. 强外生性（Strong Exogeneity）：在时间序列计量中，强外生性指变量不仅与当期误差不相关，而且不包含任何关于未来误差的信息（即 Granger 非因果性）。本文将其引入 Proxy-SVAR 语境，并证明其可检验性。

这个方向在追问的核心问题

  1. 代理变量的外生性是否可检验？ 传统观点认为不可检验（只能靠经济论证）。本文给出部分肯定的答案。
  2. 检验需要什么条件？ 需要至少两个代理变量（过度识别）？还是单个代理变量即可？本文证明，在强外生性假设下，单个代理变量即可检验。
  3. 检验的统计性质如何？ 检验的 size、power、对弱工具变量的稳健性如何？本文通过模拟和实证给出了初步证据。

⚠️ 作者的 framing

  • 作者把缺口 frame 成：实践中代理变量通常满足“强外生性”（而非仅标准外生性），而强外生性是可检验的。因此，本文是“显然的下一步”——既然代理变量是强外生的，那就可以检验它。
  • 被淡化或回避的竞争路线：
  • 过度识别检验（Mertens & Ravn 2013）被作者定位为“需要额外代理变量”的路线，而本文的检验不需要。但作者未讨论：如果研究者确实有两个代理变量，本文的检验是否比过度识别检验更优（power、size 等）？
  • 弱工具变量问题：本文的检验统计量依赖于代理变量与目标冲击的相关性。如果代理变量是弱工具变量，检验的 power 会如何？作者在模拟中考虑了弱工具变量情形，但未给出理论分析。
  • 什么明显该被引 / 该存在、却没出现在 intro 里？
  • IV 文献中的外生性检验（如 Hausman 检验、Sargan 检验）在时间序列语境下的推广。作者引用了 Mertens & Ravn (2013) 的过度识别检验，但未引用更一般的 IV 外生性检验文献（如 Andrews 1999 的 conditional IV 检验）。这可能是因为本文的检验是无条件的（基于样本协方差），而非条件 IV 检验。
  • 强外生性的定义：作者引用了 Engle, Hendry & Richard (1983) 关于强外生性的经典定义，但未讨论该定义在 SVAR 语境下的适用性（如滞后阶数选择、结构冲击的不可观测性）。

张力

未见明显对立引用。所有被引工作都承认外生性假设的不可检验性（或需要额外条件），本文是第一个试图突破这一限制的工作。

二、最核心、最简单的例子 / 数学问题

第一步：把符号、模型、可观测数据交代清楚

符号： - \( y_t \)：\( n \times 1 \) 可观测内生变量向量（如产出、通胀、利率）。 - \( \varepsilon_t \)：\( n \times 1 \) 结构冲击向量（不可观测），满足 \( E[\varepsilon_t] = 0 \)，\( E[\varepsilon_t \varepsilon_t'] = I_n \)（正交归一化）。 - \( u_t \)：\( n \times 1 \) 简化式（reduced-form）残差，满足 \( u_t = B \varepsilon_t \)，其中 \( B \) 是 \( n \times n \) 非奇异矩阵（结构参数，待估）。 - \( m_t \)：标量代理变量（可观测），用于识别第 \( i \) 个结构冲击 \( \varepsilon_{it} \)。 - \( \varepsilon_{-i,t} \)：除第 \( i \) 个外的所有非目标结构冲击（\( (n-1) \times 1 \) 向量）。 - \( \mathcal{F}_{t-1} \)：\( t-1 \) 期及之前的信息集（包含 \( y_{t-1}, y_{t-2}, \dots, m_{t-1}, m_{t-2}, \dots \)）。

模型： - SVAR(p)：\( y_t = \Phi_1 y_{t-1} + \dots + \Phi_p y_{t-p} + u_t \)，其中 \( u_t = B \varepsilon_t \)，\( E[\varepsilon_t | \mathcal{F}_{t-1}] = 0 \)，\( E[\varepsilon_t \varepsilon_t' | \mathcal{F}_{t-1}] = I_n \)。 - 代理变量模型：\( m_t = \phi \varepsilon_{it} + v_t \)，其中 \( \phi \neq 0 \)（相关性），\( v_t \) 是测量误差（与 \( \varepsilon_t \) 独立？需假设）。 - 标准外生性假设：\( E[m_t \varepsilon_{-i,t}'] = 0 \)（代理变量与当期非目标冲击不相关）。 - 强外生性假设（本文核心）：\( E[m_t | \mathcal{F}_{t-1}, \varepsilon_{-i,t}] = E[m_t | \mathcal{F}_{t-1}] \)（代理变量不包含任何关于非目标冲击条件期望的信息）。这等价于：\( m_t \) 在给定 \( \mathcal{F}_{t-1} \) 下与 \( \varepsilon_{-i,t} \) 条件独立。

可观测数据： - 研究者可观测到：\( \{y_t, m_t\}_{t=1}^T \)（内生变量和代理变量的时间序列）。 - 不可观测：结构冲击 \( \varepsilon_t \)、简化式残差 \( u_t \)（但可通过 VAR 估计得到残差 \( \hat{u}_t \)）。 - 想要但观测不到：非目标冲击 \( \varepsilon_{-i,t} \) 的真实值。

第二步：讲最小内核

最简特例：\( n=2 \)（两个内生变量），\( p=1 \)（VAR(1)），目标冲击为第一个（\( i=1 \)）。此时： - \( y_t = (y_{1t}, y_{2t})' \)，\( \varepsilon_t = (\varepsilon_{1t}, \varepsilon_{2t})' \)。 - 代理变量 \( m_t = \phi \varepsilon_{1t} + v_t \)，其中 \( v_t \) 是测量误差。 - 标准外生性：\( E[m_t \varepsilon_{2t}] = 0 \)。 - 强外生性：\( E[m_t | y_{t-1}, \varepsilon_{2t}] = E[m_t | y_{t-1}] \)。即，给定过去信息，\( m_t \) 与 \( \varepsilon_{2t} \) 条件独立。

核心思路： 1. 如果强外生性成立，那么 \( m_t \) 与 \( \varepsilon_{2t} \) 在给定 \( y_{t-1} \) 下条件独立。 2. 这意味着：\( E[m_t \varepsilon_{2t} | y_{t-1}] = E[m_t | y_{t-1}] E[\varepsilon_{2t} | y_{t-1}] = 0 \)（因为 \( E[\varepsilon_{2t} | y_{t-1}] = 0 \)）。 3. 因此，\( E[m_t \varepsilon_{2t} \cdot g(y_{t-1})] = 0 \) 对任意函数 \( g \) 成立。特别地，取 \( g(y_{t-1}) = y_{t-1} \)，得到 \( E[m_t \varepsilon_{2t} y_{t-1}'] = 0 \)。 4. 由于 \( \varepsilon_{2t} \) 不可观测，用简化式残差 \( u_t = B \varepsilon_t \) 代替。注意 \( u_t \) 是 \( \varepsilon_t \) 的线性组合，因此 \( E[m_t u_t y_{t-1}'] = 0 \) 是强外生性的必要条件（但非充分）。 5. 检验统计量：基于样本协方差 \( \hat{C} = \frac{1}{T} \sum_{t=1}^T m_t \hat{u}_t y_{t-1}' \)，其中 \( \hat{u}_t \) 是 VAR 残差。在原假设（强外生性）下，\( \hat{C} \) 应趋近于 0。构造 Wald 型统计量，推导其渐近分布（卡方）。

为什么这个特例能体现核心： - 它去掉了所有一般性设定（多变量、高阶滞后、多个代理变量），只保留一个代理变量、一个非目标冲击、一阶滞后。 - 核心困难在于：非目标冲击 \( \varepsilon_{2t} \) 不可观测，但通过简化式残差 \( u_t \) 的线性组合可以间接检验。 - 关键想法：强外生性意味着 \( m_t \) 与 \( \varepsilon_{2t} \) 条件独立，这转化为 \( m_t \) 与 \( u_t \) 的某种条件矩条件，进而可检验。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在 Proxy-SVAR 框架下，检验代理变量是否满足“强外生性”（即代理变量不包含任何关于非目标冲击条件期望的信息）。
  2. 核心工具/方法：利用强外生性隐含的条件矩条件，构造基于代理变量与滞后 VAR 残差样本协方差的 Wald 型检验统计量，并推导其渐近分布。
  3. 主要结论：在一定的条件下（如代理变量与滞后信息集的条件协方差结构），强外生性是可检验的，无需额外的识别假设（如不需要第二个代理变量）。模拟和实证（以货币政策冲击为例）验证了检验的有效性。

关键设定与假设

完整设定（在第二节最小记号基础上补充）： - SVAR(p)：\( y_t = \Phi_1 y_{t-1} + \dots + \Phi_p y_{t-p} + u_t \)，\( u_t = B \varepsilon_t \)，\( E[\varepsilon_t | \mathcal{F}_{t-1}] = 0 \)，\( E[\varepsilon_t \varepsilon_t' | \mathcal{F}_{t-1}] = I_n \)。 - 代理变量模型：\( m_t = \phi \varepsilon_{it} + v_t \)，其中 \( v_t \) 是测量误差，满足 \( E[v_t | \mathcal{F}_{t-1}, \varepsilon_t] = 0 \)（即 \( v_t \) 是鞅差序列，与所有信息正交）。 - 标准外生性：\( E[m_t \varepsilon_{-i,t}'] = 0 \)。 - 强外生性（本文核心假设）：\( E[m_t | \mathcal{F}_{t-1}, \varepsilon_{-i,t}] = E[m_t | \mathcal{F}_{t-1}] \)。这等价于：\( m_t \) 在给定 \( \mathcal{F}_{t-1} \) 下与 \( \varepsilon_{-i,t} \) 条件独立。

相比已有文献的强化/放宽： - 强化：标准外生性只要求 \( m_t \) 与 \( \varepsilon_{-i,t} \) 无条件不相关；强外生性要求条件独立（给定过去信息）。这更强，但作者论证实践中常用的叙事法代理变量通常满足此条件（因为构造时只用了目标冲击的信息）。 - 放宽：本文的检验不需要第二个代理变量（而 Mertens & Ravn 2013 的过度识别检验需要）。代价是检验的是强外生性（而非标准外生性），且依赖于代理变量与滞后信息集的条件协方差结构。

额外假设（用于检验）： - 假设 1：\( E[m_t | \mathcal{F}_{t-1}] \) 是 \( \mathcal{F}_{t-1} \) 中变量的线性函数（如 \( m_t = \gamma' z_{t-1} + \eta_t \)，其中 \( z_{t-1} \) 包含 \( y_{t-1}, \dots, y_{t-p} \)）。这允许用线性投影近似条件期望。 - 假设 2：代理变量与目标冲击的相关性 \( \phi \neq 0 \)（否则检验无 power）。 - 假设 3：VAR 残差 \( u_t \) 的估计是一致的（如 OLS 估计量）。

主要结果

定理 1（检验统计量的渐近分布）： - 陈述：在原假设（强外生性）下，检验统计量 \( J = T \cdot \text{vec}(\hat{C})' \hat{\Omega}^{-1} \text{vec}(\hat{C}) \) 依分布收敛于 \( \chi^2_{n-1} \)（自由度为 \( n-1 \) 的卡方分布），其中 \( \hat{C} = \frac{1}{T} \sum_{t=1}^T m_t \hat{u}_t z_{t-1}' \)，\( \hat{\Omega} \) 是渐近方差的一致估计。 - 直觉：强外生性意味着 \( E[m_t u_t z_{t-1}'] = 0 \)，因此样本协方差 \( \hat{C} \) 应趋近于 0。Wald 统计量衡量 \( \hat{C} \) 与 0 的偏离程度。 - 必要条件：\( \phi \neq 0 \)（代理变量与目标冲击相关），且 \( z_{t-1} \) 包含足够多的滞后信息（如 VAR 的滞后阶数正确指定）。 - 解决的技术难点：\( \hat{u}_t \) 是估计量（而非真实残差），其估计误差会影响 \( \hat{C} \) 的渐近方差。作者推导了考虑估计误差的渐近方差公式（类似于“两步估计”的方差校正）。

定理 2（检验的一致性）： - 陈述：如果强外生性不成立（即 \( E[m_t | \mathcal{F}_{t-1}, \varepsilon_{-i,t}] \neq E[m_t | \mathcal{F}_{t-1}] \)），且 \( \phi \neq 0 \)，则 \( J \to \infty \) 依概率（即检验的 power 趋于 1）。 - 直觉：当备择假设成立时，\( \hat{C} \) 收敛到一个非零矩阵，因此 Wald 统计量发散。 - 必要条件：备择假设下的偏离方向与 \( z_{t-1} \) 相关（即偏离必须能被 \( z_{t-1} \) 捕捉到）。

模拟结果： - 设定：\( n=3 \)（产出、通胀、利率），\( p=4 \)，代理变量为货币政策冲击的叙事法变量（如 Romer & Romer 2004 的变量）。 - 结果：检验的 size 接近名义水平（5%），power 随样本量增加而增加。在弱工具变量（\( \phi \) 很小）时，power 下降但仍在可接受范围。 - 与 baseline 对比：与 Mertens & Ravn (2013) 的过度识别检验相比，本文的检验在单个代理变量时即可进行，且 size 控制更好（过度识别检验在弱工具变量时 size 扭曲）。

证明路线与技术技巧

整体路线（3-5 步逻辑主干）： 1. 建立矩条件：从强外生性推导出 \( E[m_t u_t z_{t-1}'] = 0 \)（其中 \( z_{t-1} \) 包含滞后内生变量）。这是检验的基础。 2. 构造样本类比：用样本协方差 \( \hat{C} = \frac{1}{T} \sum_{t=1}^T m_t \hat{u}_t z_{t-1}' \) 估计该矩条件，其中 \( \hat{u}_t \) 是 VAR 残差。 3. 处理估计误差：由于 \( \hat{u}_t \) 是估计量，\( \hat{C} \) 的渐近方差需要校正。作者将 \( \hat{C} \) 分解为“真实残差部分”+“估计误差部分”，并证明估计误差部分可忽略（或可一致估计）。 4. 推导渐近分布：在正则条件下（如鞅差序列、矩条件、一致估计），证明 \( \sqrt{T} \text{vec}(\hat{C}) \) 依分布收敛于均值为 0、方差为 \( \Omega \) 的正态分布。Wald 统计量 \( J \) 收敛于卡方分布。 5. 方差估计：给出 \( \hat{\Omega} \) 的显式公式（基于 Newey-West 型 HAC 估计量），确保检验可行。

关键跳跃点： - 跳跃点 1：从强外生性到 \( E[m_t u_t z_{t-1}'] = 0 \) 的推导。这需要利用 \( u_t = B \varepsilon_t \) 以及 \( E[\varepsilon_{-i,t} | \mathcal{F}_{t-1}] = 0 \)。关键技巧：将 \( u_t \) 分解为目标冲击部分和非目标冲击部分，然后利用条件独立性。 - 跳跃点 2：处理 \( \hat{u}_t \) 的估计误差。作者使用“两步估计”的渐近理论：先证明 \( \hat{C} \) 与“用真实残差构造的 \( C \)”之差是 \( o_p(1/\sqrt{T}) \)，从而不影响渐近分布。这依赖于 VAR 估计的 \( \sqrt{T} \)-一致性。 - 跳跃点 3：方差估计 \( \hat{\Omega} \) 的构造。由于 \( m_t u_t z_{t-1}' \) 是鞅差序列（在原假设下），其渐近方差可用样本二阶矩一致估计。但需注意 \( u_t \) 的估计误差对方差的影响——作者证明该影响是二阶小量。

技术技巧点名： - 鞅差序列（Martingale Difference Sequence）：用于推导 \( \hat{C} \) 的渐近正态性。原假设下，\( m_t u_t z_{t-1}' \) 是鞅差，因此可用鞅中心极限定理。 - 两步估计（Two-step Estimation）：处理 \( \hat{u}_t \) 的估计误差。类似于“生成回归元（generated regressors）”问题，但这里更简单（因为 VAR 估计是 \( \sqrt{T} \)-一致）。 - HAC 方差估计（Newey-West）：用于估计 \( \hat{C} \) 的渐近方差，允许序列相关（但原假设下序列相关可能较弱）。 - Wald 检验：构造卡方统计量，简单易用。

真实例子与应用

数据：美国月度数据（1969-2007），包含工业产出、CPI、联邦基金利率。代理变量为 Romer & Romer (2004) 的货币政策冲击叙事法变量（基于 FOMC 会议记录的预测误差）。

方法应用： 1. 估计 VAR(24)（24 阶滞后，基于 AIC 选择）。 2. 计算残差 \( \hat{u}_t \)。 3. 构造检验统计量 \( J \)，检验代理变量（Romer & Romer 变量）的强外生性。 4. 结果：\( J \) 统计量的 p 值为 0.32（不显著），即不能拒绝强外生性假设。这支持了 Romer & Romer 变量作为货币政策冲击代理变量的有效性。

这个例子想说明什么： - 验证理论：展示检验在实际数据中的可操作性。 - 展示相对 baseline 的优势：传统上，研究者只能依赖经济论证（如“FOMC 预测误差只反映货币政策信息”）来支持外生性。本文提供了统计证据。 - 稳健性：作者还检验了其他常见的代理变量（如高频率识别的货币政策冲击），结果类似。

🔎 结论是否比证明窄

  • 窄结论 1：定理 1 的渐近分布依赖于“强外生性”假设，但作者在实证中检验的是“标准外生性”吗？实际上，作者在讨论中承认：检验的是强外生性的必要条件（\( E[m_t u_t z_{t-1}'] = 0 \)），而非充分条件。因此，不能拒绝该条件并不等于强外生性成立。作者在结论中谨慎地写道：“Our test cannot prove exogeneity, but it can detect violations of the strong exogeneity condition.” 这是诚实的。
  • 窄结论 2：检验的 power 依赖于 \( \phi \neq 0 \)（代理变量与目标冲击相关）。如果代理变量是弱工具变量，检验的 power 可能很低。作者在模拟中展示了这一点，但未给出理论 power 分析（如 local power）。
  • 泛泛 claim：作者在引言中声称“We show conditions under which this enhanced concept of proxy exogeneity is testable without additional identifying assumptions.” 但“without additional identifying assumptions”需要谨慎理解：检验确实不需要第二个代理变量，但需要假设 VAR 的滞后阶数正确指定、代理变量与滞后信息集的条件期望是线性的等。这些是“额外的”假设，只是不同于“需要第二个代理变量”这类假设。

四、开放问题

  1. 检验的 power 在弱工具变量下的理论分析：本文的模拟显示弱工具变量时 power 下降，但未给出 local power 的渐近理论（如 Pitman drift）。扎根于：定理 2 的证明依赖于 \( \phi \neq 0 \)，但未刻画 \( \phi \to 0 \) 时的 power 行为。可做：推导检验在局部备择假设下的渐近 power 函数，并与过度识别检验比较。

  2. 非线性条件期望的推广：本文假设 \( E[m_t | \mathcal{F}_{t-1}] \) 是线性的（假设 1）。如果代理变量与滞后信息集的关系是非线性的（如阈值效应、交互效应），检验是否仍有效？扎根于：假设 1 是“为简化起见”的假设，作者在讨论中承认“relaxing this assumption is left for future work”。可做：用非参数方法（如级数估计）估计条件期望，构造非参数检验统计量。

  3. 高维代理变量的检验：如果研究者有多个代理变量（如多个叙事法变量），如何联合检验它们的外生性？本文的检验可推广到多代理变量情形（只需将 \( m_t \) 改为向量），但渐近分布的自由度会变化。扎根于：本文只考虑单个代理变量，但引言中提到了多代理变量的可能性。可做：推导多代理变量检验的渐近分布，并讨论与过度识别检验的关系。

  4. 检验的有限样本性质：本文的模拟只考虑了 \( T=200, 500 \) 等中等样本量。在宏观时间序列中，样本量通常较小（如 \( T=100 \)）。检验的 size 和 power 在小样本下如何？扎根于：模拟部分只报告了 \( T \geq 200 \) 的结果。可做：通过 bootstrap 或 Edgeworth 展开改进有限样本性质。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论