跳转至

Gradient Wild Bootstrap for Instrumental Variable Quantile Regressions with Weak and Few Clusters

作者: Wenjie Wang, Yichong Zhang
来源: Journal of Business & Economic Statistics
主题: 因果推断
相关性: 6/10
机构绿灯: Nanyang Technological University(US News 前 50,免分进入精读)
链接: 期刊页 · arXiv


一、领域脉络与小综述

这个方向是什么

本文研究的根本问题是:在工具变量分位数回归(IVQR)框架下,当数据具有聚类结构且聚类数量很少(固定为 J,每个聚类内观测数趋于无穷)时,如何对结构分位数效应进行可靠的假设检验和置信区间构造。该问题的核心统计困难在于:传统的大样本近似(聚类数趋于无穷)失效,而弱工具变量进一步加剧了推断的不可靠性。该子方向当前处于活跃发展阶段,主要服务于应用计量经济学中常见的"少数大聚类"数据场景(如按州、国家、行业聚类)。

发展脉络

  • 奠基工作:Chernozhukov and Hansen (2004, 2005, 2006, 2008) 建立了 IVQR 的估计与推断框架,定义了结构分位数函数并给出了工具变量有效性的条件。这是本文方法论的直接基础。
  • 主要进展(固定聚类数推断):Ibragimov and Müller (2010, 2016, IM) 提出基于组间 t 统计量的推断方法,Bester, Conley, and Hansen (2011, BCH) 与 Hwang (2021) 在固定聚类数框架下发展了聚类稳健推断。Canay, Romano, and Shaikh (2017, CRS) 与 Hagemann (2019, 2020, 2023, 2024) 进一步引入随机化检验与置换方法。这些工作的共同局限在于:要么要求各聚类工具变量强度相近(IM, CRS),要么要求聚类规模近似相等(BCH, Hwang),要么要求所有聚类均为强识别(Hagemann 2024)。
  • 当前 frontier:本文声称填补的缺口是:在固定聚类数框架下,允许聚类间工具变量强度高度异质(部分聚类为弱识别甚至零识别),同时保持对聚类内依赖结构的非参数稳健性。作者将这一场景称为"少量大聚类 + 异质工具变量强度"。
  • 本文位置:作者将梯度 wild bootstrap 从线性 IV 回归(Wang and Zhang 2024)推广到 IVQR,并证明其有效性仅需至少一个强识别聚类,而非全部聚类。

子线索聚类

  1. 固定聚类数下的推断方法:IM (2010, 2016)、BCH (2011)、CRS (2017)、Hagemann (2019, 2020, 2023, 2024)、Hwang (2021)。这条线索关注如何在聚类数固定时获得有效的推断,但多数方法对聚类间同质性有较强要求。
  2. 弱工具变量稳健推断:Stock and Wright (2000)、Kleibergen (2005)、Andrews and Cheng (2012)、Andrews (2016)、Andrews and Mikusheva (2016)、Moreira and Moreira (2019)、Andrews and Guggenberger (2019)。这条线索关注弱识别下的稳健推断,但主要针对独立同分布或非聚类数据。
  3. bootstrap 与随机化检验在聚类数据中的应用:Cameron et al. (2008)、Canay et al. (2021)、Wang and Zhang (2024)。这条线索是本文的直接技术来源,特别是 Wang and Zhang (2024) 的线性 IV 结果被本文推广到分位数设定。

这个方向在追问的核心问题

  1. 在聚类数固定时,如何构造渐近有效且对聚类内依赖结构稳健的检验统计量?
  2. 当工具变量强度在聚类间高度异质时,哪些聚类对识别有贡献,哪些没有?推断方法能否自动适应这种异质性?
  3. bootstrap 方法能否在弱识别下保持有效性,且其局部功效如何?

⚠️ 作者的 framing

作者将缺口 frame 为:"现有固定聚类数推断方法(IM, BCH, CRS, Hagemann)在 IVQR 场景下要么要求所有聚类强识别,要么要求聚类规模近似相等,要么要求工具变量强度同号。本文提出的梯度 wild bootstrap 方法仅需至少一个强识别聚类即可控制检验水平,且对聚类内依赖结构完全非参数。" 作者淡化了以下竞争路线:(i) 基于正态近似的 HAC 估计方法(如 Galvao and Yoon 2023),作者认为其需要估计复杂的长期方差矩阵,在聚类数少时不可靠;(ii) 将聚类数视为发散的渐近框架,作者认为这不适用于"少量大聚类"的实际场景。值得研究者去查的问题:作者在引言中未讨论 Canay et al. (2021) 的随机化检验在 IVQR 中的直接推广是否可行,以及其与本文方法的相对优劣;也未讨论当强识别聚类本身存在聚类内强相关时,bootstrap 是否仍然有效。

张力

未见明显对立引用。但存在一个隐含张力:IM/CRS 方法强调聚类间独立性假设,而本文允许聚类内任意依赖但要求聚类间近似独立——两种框架对依赖结构的假设不同,在具体应用中的适用性可能因数据生成过程而异。

二、最核心、最简单的例子 / 数学问题

第一步:符号、模型、可观测数据

  • 符号:
  • \(J\):聚类总数(固定,不随样本量变化)。
  • \(n_j\):第 \(j\) 个聚类内的观测数;\(n = \sum_{j=1}^J n_j\) 为总样本量。
  • \(y_{i,j} \in \mathbb{R}\):第 \(j\) 个聚类中第 \(i\) 个观测的结果变量。
  • \(X_{i,j} \in \mathbb{R}\):内生回归变量(标量)。
  • \(W_{i,j} \in \mathbb{R}^{d_w}\):外生控制变量。
  • \(Z_{i,j} \in \mathbb{R}^{d_z}\):被排除的外生工具变量。
  • \(\Phi_{i,j}(\tau) \in \mathbb{R}^{d_\phi}\):由 \((W_{i,j}, Z_{i,j})\) 构造的工具变量(可能是估计的)。
  • \(\beta_n(\tau) \in \mathbb{R}\):感兴趣的结构分位数效应(标量),允许随样本量 \(n\) 漂移:\(\beta_n(\tau) = \beta_0(\tau) + \mu_\beta(\tau)/r_n\),其中 \(r_n\) 是收敛速率。
  • \(\gamma_n(\tau) \in \mathbb{R}^{d_w}\):控制变量的分位数回归系数。
  • \(\theta_n(\tau) \in \mathbb{R}^{d_\phi}\):工具变量的分位数回归系数(用于构造检验统计量)。
  • \(\tau \in \Upsilon\):分位数指数,\(\Upsilon\) 是 \((0,1)\) 的紧子集。
  • \(g\):一个通用的数据函数,\(P_n g(D_{i,j}) = \frac{1}{n}\sum_{j=1}^J \sum_{i=1}^{n_j} g(D_{i,j})\) 为经验均值,\(P_n g(D_{i,j}) = \frac{1}{n}\sum_{j=1}^J \sum_{i=1}^{n_j} \mathbb{E}g(D_{i,j})\) 为总体均值。
  • \(f_\tau(D_{i,j}, b, r, t)\):分位数回归的得分函数(subgradient),定义为 \((\tau - 1\{y_{i,j} \le X_{i,j}b + W_{i,j}^\top r + \Phi_{i,j}^\top(\tau) t\}) \Psi_{i,j}(\tau) V_{i,j}(\tau)\),其中 \(\Psi_{i,j}(\tau) = (W_{i,j}^\top, \Phi_{i,j}^\top(\tau))^\top\)。
  • \(\tilde{f}_\tau(D_{i,j}, b, r, t)\):仅包含工具变量部分的得分函数,即 \((\tau - 1\{y_{i,j} \le X_{i,j}b + W_{i,j}^\top r + \Phi_{i,j}^\top(\tau) t\}) \Phi_{i,j}(\tau) V_{i,j}(\tau)\)。
  • \(\hat{\beta}(\tau)\):IVQR 估计量,通过 profiled 方法得到:先对每个 \(b\) 计算 \((\hat{\gamma}(b,\tau), \hat{\theta}(b,\tau))\),再最小化 \(||\hat{\theta}(b,\tau)||_{\hat{A}_1(\tau)}\)。
  • \(\hat{\gamma}_r(\tau) = \hat{\gamma}(\beta_0(\tau), \tau)\):零假设下的约束估计量。
  • \(g = (g_1, \ldots, g_J) \in \{-1, 1\}^J\):wild bootstrap 的符号向量。
  • \(T_n\):Wald 检验统计量(未 studentized)。
  • \(T_{CR,n}\):用 CRVE studentized 的 Wald 检验统计量。
  • \(AR_n\):Anderson-Rubin 检验统计量。
  • \(AR_{CR,n}\):用 CRVE studentized 的 Anderson-Rubin 检验统计量。
  • \(\Gamma(\tau)\)、\(\tilde{\Gamma}(\tau)\):Jacobian 矩阵,用于线性化估计量。
  • \(Q_{\Psi,\Psi}(\tau)\)、\(Q_{\Psi,X}(\tau)\)、\(Q_{\Phi,X}(\tau)\):极限二阶矩矩阵。
  • \(\Sigma_j(\tau, \tau')\):聚类 \(j\) 的得分函数的极限协方差核。
  • \(A_1(\tau)\)、\(A_2(\tau)\)、\(A_3(\tau)\):权重矩阵的极限。
  • \(r_n\):收敛速率,在强识别下为 \(\sqrt{n}\),在弱识别下可能更慢。
  • \(\mu_\beta(\tau)\):局部备择参数,\(\mu_\beta(\tau) = r_n(\beta_n(\tau) - \beta_0(\tau))\)。

  • 模型:数据生成机制由条件分位数限制刻画:

    \[P(y_{i,j} \le X_{i,j}\beta_n(\tau) + W_{i,j}^\top \gamma_n(\tau) | W_{i,j}, Z_{i,j}) = \tau, \quad \tau \in \Upsilon.\]
    这里 \(\beta_n(\tau)\) 和 \(\gamma_n(\tau)\) 是随样本量漂移的参数序列,允许 \(\beta_n(\tau) = \beta_0(\tau) + \mu_\beta(\tau)/r_n\)。工具变量 \(\Phi_{i,j}(\tau)\) 需要满足外生性(与分位数回归误差独立)和相关性(与内生变量 \(X_{i,j}\) 相关)。可观测数据是 \(\{(y_{i,j}, X_{i,j}, W_{i,j}, Z_{i,j}): i \in [n_j], j \in [J]\}\),聚类结构已知。不可观测的是潜在结果和误差项,以及工具变量的真实条件分布。

第二步:最小内核

最简特例:考虑 \(J=2\) 个聚类,每个聚类内观测数 \(n_j \to \infty\),且 \(n_1/n \to \xi_1\),\(n_2/n \to \xi_2\)。假设只有一个内生变量 \(X\),一个工具变量 \(Z\)(标量),没有控制变量 \(W\)。模型简化为:

\[P(y_{i,j} \le X_{i,j}\beta_n(\tau) | Z_{i,j}) = \tau.\]
我们想检验 \(H_0: \beta_n(\tau) = \beta_0(\tau)\)。

核心困难:当 \(J=2\) 时,传统的聚类稳健推断(要求 \(J \to \infty\))完全失效。IM 方法要求每个聚类内估计的方差都一致,但如果一个聚类是弱识别(工具变量与内生变量相关性接近零),该聚类的估计量方差发散,IM 方法失效。

本文的核心思想:构造一个 Wald 统计量 \(T_n = \sup_{\tau \in \Upsilon} ||\hat{\beta}(\tau) - \beta_0(\tau)||_{\hat{A}_2(\tau)}\),其中 \(\hat{A}_2(\tau)\) 是归一化矩阵。然后,通过梯度 wild bootstrap 构造其零分布。关键步骤是:

  1. 约束估计:在零假设下,计算 \(\hat{\gamma}_r(\tau) = \hat{\gamma}(\beta_0(\tau), \tau)\)。
  2. 扰动得分函数:对每个聚类 \(j\),计算聚类得分 \(S_j(\tau) = \sum_{i \in [n_j]} \tilde{f}_\tau(D_{i,j}, \beta_0(\tau), \hat{\gamma}_r(\tau), 0)\)。然后,对每个符号向量 \(g \in \{-1,1\}^J\),构造扰动后的目标函数,并求解 bootstrap 估计量 \(\hat{\beta}^*_g(\tau)\)。
  3. bootstrap 临界值:计算 bootstrap 统计量 \(T^*_n(g) = \sup_{\tau \in \Upsilon} ||\hat{\beta}^*_g(\tau) - \hat{\beta}(\tau)||_{\hat{A}^*_{2,g}(\tau)}\),取 \(1-\alpha\) 分位数作为临界值。

为什么有效:在 \(J=2\) 且一个聚类弱识别的情况下,弱识别聚类的得分对估计量的贡献在 bootstrap 中通过符号扰动被"随机化",而强识别聚类的得分则主导了估计量的分布。因此,bootstrap 分布能够正确逼近检验统计量在零假设下的分布,即使弱识别聚类的存在使得传统的正态近似失效。

数学上要证明的核心命题:在至少一个强识别聚类的条件下,bootstrap 统计量 \(T^*_n(g)\) 的条件分布(给定数据)与检验统计量 \(T_n\) 的极限分布一致,从而 bootstrap 临界值能控制检验的渐近水平。证明的关键在于:(i) 建立约束估计量 \(\hat{\gamma}_r(\tau)\) 的收敛速率;(ii) 证明 bootstrap 得分过程的经验过程收敛性;(iii) 处理弱识别聚类对得分过程的贡献,证明其影响在 bootstrap 中可被忽略或正确模拟。

三、这篇论文做了什么

三句话

  1. 研究了什么问题:在 IVQR 模型中,当聚类数量固定且各聚类工具变量强度高度异质(部分聚类弱识别)时,如何构造水平可控且具有局部功效的假设检验和置信区间。
  2. 核心工具/方法:提出梯度 wild bootstrap 程序,通过扰动得分函数(而非残差)构造 bootstrap 统计量,并证明其在至少一个强识别聚类存在时,bootstrap 分布能正确逼近检验统计量的极限分布。
  3. 主要结论:无论是否使用 CRVE studentization,bootstrap Wald 检验都能渐近控制水平(误差为 \(O(2^{-J})\));CRVE studentized 版本对远处备择更有效;bootstrap AR 检验在弱识别下仍能控制水平。

关键设定与假设

  • 设定:\(J\) 固定,\(n_j \to \infty\),聚类间独立,聚类内允许任意弱依赖。参数 \(\beta_n(\tau)\) 允许随 \(n\) 漂移,以分析局部备择。
  • 假设:
  • Assumption 1:条件分位数限制、参数可识别性、得分函数的矩条件、Jacobian 矩阵的连续性。
  • Assumption 2:经验过程的随机等度连续性(stochastic equicontinuity),用于处理估计的 \(\hat{\Phi}\) 和 \(\hat{V}\)。
  • Assumption 3:Neyman 正交性(\(Q_{W,\Phi,j}(\tau) = 0\)),这是 bootstrap 有效性的关键。
  • Assumption 4:强识别条件(\(Q_{\Phi,X}(\tau)\) 满秩),用于 Wald 检验。
  • Assumption 5:至少一个强识别聚类(\(J_s \ge 1\)),且强识别聚类的符号变化足以产生正确的 bootstrap 分布。
  • Assumption 6:CRVE 的随机极限非退化(rank 条件)。
  • 相比已有文献:本文放宽了 IM/BCH/CRS 对聚类间同质性的要求,允许弱识别聚类的存在;相比 Hagemann (2024) 的随机化检验,本文不需要所有聚类强识别。

主要结果

  • Theorem 3.1:在 Assumptions 1-4 和 5(i) 下,未 studentized 的 bootstrap Wald 检验在零假设下渐近控制水平,即 \(P(T_n > \hat{c}_n(1-\alpha)) \to \alpha\)(误差为 \(O(2^{-J})\))。在局部备择下,若 Assumption 5(ii) 成立,检验具有非平凡功效。
  • Theorem 3.2:在 Assumptions 1-4 和 6 下,CRVE studentized 的 bootstrap Wald 检验同样渐近控制水平。
  • Theorem 3.3:在单分位点情形下,CRVE studentized 的 bootstrap Wald 检验对足够远的备择比未 studentized 版本更有效(即 \(\phi^{cr}_n \ge \phi_n\) 的概率趋于 1)。
  • Theorem 3.4:在 Assumptions 1-3 和 7 下,bootstrap AR 检验在弱识别下仍能控制水平。

证明路线与技术技巧

  • 整体路线:
  • 线性化:利用 Lemma G.1 和 G.2,将约束估计量 \(\hat{\gamma}_r(\tau)\) 和 IVQR 估计量 \(\hat{\beta}(\tau)\) 线性化,表示为得分函数的经验过程之和加上可忽略的余项。
  • 耦合:将 bootstrap 统计量 \(T^*_n(g)\) 与一个高斯过程耦合,证明其条件分布(给定数据)与检验统计量的极限分布一致。关键在于处理符号扰动 \(g\) 对得分过程的影响。
  • 随机化检验视角:将 bootstrap 分布视为一个随机化检验的零分布,利用符号扰动的对称性证明其水平可控。
  • CRVE 处理:对于 studentized 版本,需要额外证明 bootstrap CRVE 的极限与原始 CRVE 的极限一致,且当备择较远时,bootstrap CRVE 会"膨胀",从而降低临界值,提高功效。
  • 关键跳跃点:
  • Lemma G.4:证明 bootstrap IVQR 估计量的线性表示,其中符号扰动 \(g\) 通过系数 \(a^*_g(\tau) = \sum_{j} \xi_j g_j a_j(\tau)\) 进入极限分布。这是整个证明的核心。
  • Lemma G.6:证明 bootstrap CRVE 的极限表达式,其中 \(v_j(\tau)\) 向量是关键,其 rank 条件(Assumption 6(ii))保证了 CRVE 的非退化性。
  • Theorem 3.3 的证明:利用 \(a^*_g(\tau)\) 在备择下的行为,说明 bootstrap CRVE 在备择下会变大,从而使得 studentized 检验的临界值变小,功效提高。
  • 技术技巧:
  • 经验过程理论:用于处理得分函数的随机等度连续性。
  • 耦合与强逼近:将 bootstrap 过程与高斯过程耦合,利用强逼近定理。
  • 凸性论证:利用目标函数的凸性,简化估计量的渐近分析。
  • 随机化检验的精确性:利用符号扰动的对称性,证明 bootstrap 检验的有限样本性质。

真实例子与应用

  • 模拟实验:设计了两个 DGP。DGP 1 模拟聚类数据 + 异质工具变量强度(部分聚类弱识别),DGP 2 模拟网络依赖数据 + 谱聚类。比较了本文方法(T_CR, T, AR)与 T_STD(正态近似)、IM、CRS 的水平控制和功效。结果显示:
  • 在水平控制方面,T_CR, T, AR 在 \(J=9, 18\) 时均接近名义水平,而 T_STD 在弱识别聚类存在时严重失真(拒绝率可达 20%-50%),IM 和 CRS 在聚类规模不等时也有明显失真。
  • 在功效方面,T_CR 通常优于 T,尤其在备择较远时;AR 在弱识别下仍有功效,但低于强识别情形。
  • 实证应用:使用 Autor et al. (2013) 关于中国进口竞争对美国地方劳动力市场影响的经典数据,聚焦美国南部 16 个州(\(J=16\),\(n=578\))。对工资变化的分位数效应进行推断。结果显示:
  • 在低分位数(\(\tau=0.1, 0.25\))上,三种 bootstrap 方法的置信区间都包含 0,而 T_STD 的区间更窄但可能不可靠。
  • 在高分位数(\(\tau=0.75, 0.9\))上,T_CR 的区间比 T 和 AR 更窄,且不包含 0,表明在高分位数上进口竞争对工资有显著负效应。
  • 男性和女性样本的结果类似,但男性样本的效应更显著。

🔎 结论是否比证明窄

  • Theorem 3.1 和 3.2 的证明:要求 Assumption 5(ii)(即至少 5-6 个强识别聚类)才能建立局部备择下的功效。但作者在 Remark 3.14 中承认,当强识别聚类数量不足时,检验的功效可能受限,但水平控制仍然成立。
  • Theorem 3.3 的证明:仅针对 \(\Upsilon\) 为单点(即单个分位数)的情形。对于多个分位数同时检验(如联合置信带),作者未提供理论证明,仅在模拟中有所涉及。
  • CRVE 的 bootstrap:作者设计的 bootstrap CRVE 在备择下会"膨胀",但这一性质依赖于 \(\mu_\beta(\tau)\) 的方向。如果备择方向与符号扰动的方向不一致,功效优势可能减弱。
  • 结论表述:作者在摘要和引言中声称方法"控制水平",但定理中的表述是"渐近控制水平,误差为 \(O(2^{-J})\)",即水平偏差随 \(J\) 指数衰减。对于 \(J=5\) 的情形,误差约为 \(1/16 = 6.25\%\),可能不可忽略。

四、开放问题

  1. 多分位数联合推断:Theorem 3.3 仅处理单分位数情形。对于多个分位数上的联合置信带,bootstrap 程序如何调整?是否需要对多重检验进行校正?(扎根于 Theorem 3.3 的设定和模拟中仅报告单分位数结果)
  2. 强识别聚类数量的下界:Theorem 3.1 和 3.2 仅要求至少一个强识别聚类即可控制水平,但功效分析需要至少 5-6 个。是否存在一个"有效强识别聚类数"的度量,可以指导实践者判断其数据是否支持有功效的推断?(扎根于 Remark 3.14 和 Theorem 3.3 的证明)
  3. 聚类间依赖的放松:本文假设聚类间独立。在空间或网络数据中,聚类间可能存在弱依赖。bootstrap 程序是否仍然有效?需要什么样的混合条件?(扎根于 Assumption 2 和 3 中对聚类间独立性的隐含假设)
  4. bootstrap 的有限样本改进:作者在模拟中观察到 T_CR 在 \(J=9\) 时水平略有偏差(约 11%-12%),是否有方法(如基于 Edgeworth 展开的校正)可以进一步减小有限样本偏差?(扎根于模拟结果中 T_CR 在 \(J=9\) 时的表现)
  5. 与其他弱识别稳健方法的比较:本文未与 Andrews (2018) 的条件似然比检验或 Moreira (2003) 的类似方法在 IVQR 框架下进行比较。这些方法在少数聚类下是否可能更优?(扎根于引言中对弱识别稳健推断文献的讨论)

提醒:要确认上述问题是否为真 gap,建议去读同一子方向近期约 5 篇论文(如 Hagemann 2024, Wang and Zhang 2024, Galvao and Yoon 2023, 以及引用本文的后续工作)的引言和结论部分——如果多篇论文都指向同一问题,那很可能是共识性的真 gap;如果各论文对问题的表述互相矛盾,那可能是一个尚未厘清的争议点,也值得深入研究。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论