Granular Instrumental Variables: Estimation and Inference¶

讲者: Wenyu Zhou
会场: Statistical Methods for Empirical Asset Pricing
报告题目: Granular Instrumental Variables: Estimation and Inference
链接: arXiv
来源: JCSDS 2026 · 返回会议总览

一、领域脉络与小综述¶

这个方向是什么¶

这个子方向是计量经济学中的“Granular Instrumental Variables (GIV)”，它要解决的根本问题是：在存在潜在聚合冲击（latent aggregate shocks）的均衡模型中，如何识别和估计结构参数（如需求弹性、供给弹性）。这类模型的核心困难是，感兴趣的变量（价格、数量）在均衡中共同决定，产生内生性问题。GIV 方法的核心思想是：利用少数大型实体（企业、行业、投资者）的异质性冲击（idiosyncratic shocks）来构造工具变量，因为这些冲击在聚合后仍能存活，且与均衡扰动项正交。该方向当前处于快速发展期，从 2024 年 Gabaix & Koijen 提出基础框架后，已有多个扩展和应用，但关于因子载荷未知时的识别、估计和推断问题，仍是一个开放且活跃的 frontier。

发展脉络（history）¶

奠基工作：Gabaix & Koijen (2024)。提出了 GIV 的基本框架，展示了如何利用实体层面的异质性冲击构造工具变量，以识别需求弹性和供给弹性。该工作假设因子载荷已知或可通过强假设识别，并依赖于大横截面维度（n → ∞）来估计潜在因子。
主要进展 1：Banafti & Lee (2022)。将 GIV 扩展到 large-n, large-T 设定，允许未知因子和载荷，但仍然依赖于 n 发散来一致估计因子。
主要进展 2：Baumeister & Hamilton (2023)。开发了基于似然的 GIV 方法，但同样需要处理因子估计问题。
主要进展 3：Qian (2023)。允许异质性溢出效应，但未解决因子载荷未知时的识别问题。
当前 frontier & 本文位置：本文（Hahn, He, Liao, Zhou, 2026）指出，现有方法在因子载荷未知时面临两个关键问题：(i) 估计因子需要 n 发散，但 GIV 的典型应用场景中 n 很小（如 12 个投资者部门）；(ii) Gabaix & Koijen (2024) 的识别策略（Proposition 7）在因子载荷未知时可能失败（Lemma 5 & 6）。本文的贡献是：不估计因子，而是直接从可观测数据的协方差结构恢复 GIV 空间，从而在 n 固定时也能进行有效的估计和推断。

子线索聚类¶

这些被引文献大致落在 2 条子线索上：

GIV 的理论与方法论：Gabaix & Koijen (2024)（奠基）、Banafti & Lee (2022)（large-n, large-T）、Baumeister & Hamilton (2023)（似然方法）、Qian (2023)（异质性溢出）。这一簇在扩展 GIV 的适用场景和估计方法。
GIV 的实证应用：Galaasen et al. (2020)（信贷风险）、Camanho, Hau, & Rey (2022)（汇率）、Ma, Xiao, & Zeng (2022)（共同基金）、Dong, Kang, & Peress (2025)（套利）。这一簇在将 GIV 应用于宏观金融的具体问题，如股票市场需求、银行借贷、资产定价。

这个方向在追问的核心问题¶

识别问题：当潜在聚合冲击的因子载荷未知时，结构参数（如弹性）是否仍能被唯一识别？识别条件是什么？
估计问题：当因子载荷未知时，如何构造可行的 GIV 估计量？其渐近性质（一致性、渐近正态性）如何？
推断问题：如何对估计量进行有效的推断（标准误、置信区间）？如何检验 GIV 的有效性（过度识别检验）？
因子数选择：如何从数据中确定潜在因子的个数（即 GIV 的个数）？

当前主流方法与已知瓶颈：主流方法是先估计潜在因子（如 PCA），再构造 GIV。瓶颈在于：(i) 因子估计的一致性通常需要 n 发散，但 GIV 的典型应用场景中 n 很小；(ii) 因子载荷的识别依赖于强归一化假设，这些假设可能不成立或导致识别失败。

⚠️ 作者的 framing¶

作者把缺口 frame 成：“现有 GIV 方法在因子载荷未知时，要么需要大横截面维度（n → ∞），要么面临识别失败的风险。本文通过直接恢复 GIV 空间（即因子载荷空间的正交补），绕过了因子估计，从而在 n 固定时也能工作。”

被淡化或回避的竞争路线：作者明确指出了 Gabaix & Koijen (2024) 的 Proposition 7 的识别失败（Lemma 5 & 6），并认为其归一化假设（如 1⊤n λ{-1} = 0, n^{-1} λ_{-1}^⊤ λ_{-1} = I）应被解释为对潜在因子的实质性假设，而非无害的归一化。作者也淡化了 Banafti & Lee (2022) 的 large-n, large-T 路线，认为其不适用于 n 固定的场景。
什么明显该被引 / 该存在、却没出现在 intro 里？：intro 中未提及与高维统计或随机矩阵理论相关的文献，尽管本文的核心技术（从协方差矩阵的特征空间恢复信号子空间）与这些领域高度相关。例如，关于“spiked covariance model”或“principal component analysis under fixed n”的文献。这可能是作者有意为之，因为本文的 n 固定，不涉及高维渐近。但作为研究者，可以追问：本文的方法与经典的“spiked covariance model”中的信号子空间估计有何联系与区别？

张力¶

未见明显对立引用。所有被引工作都承认 GIV 是一个有前景的方法，分歧在于如何解决因子载荷未知的问题。本文与 Gabaix & Koijen (2024) 在识别策略上存在直接冲突，但作者通过 Lemma 5 & 6 明确指出了后者的失败，而非声称两者等价。

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：
- i = 1, ..., n：实体（如企业、投资者部门）的索引。n 是实体总数，固定且较小（如 12）。
- t = 1, ..., T：时间索引。T 是时间序列长度，趋于无穷。
- y_{i,t}：实体 i 在时间 t 的需求量（对数形式）。
- p_t：共同价格（对数形式），对所有实体相同。
- η_t：r × 1 维的潜在聚合冲击向量（如宏观经济冲击、共同需求冲击）。r 是因子个数，未知。
- λ：n × r 维的因子载荷矩阵，未知。λ_i 是实体 i 对潜在冲击的敏感度。
- u_{i,t}：实体 i 在时间 t 的异质性需求冲击，均值为 0。
- ε_t：供给冲击，均值为 0。
- S_t：n × 1 维的市场份额向量，满足 1_n^⊤ S_t = 1。S_t 是预定的（predetermined）。
- y_{S,t} = S_t^⊤ y_t：聚合需求（size-weighted average）。
- y_{e,t} = e^⊤ y_t：等权平均需求，其中 e = n^{-1} 1_n。
- φ：需求弹性（感兴趣的参数）。
- ψ：供给弹性（感兴趣的参数）。
- 1_n：n × 1 的全 1 向量。
- M_{1_n} = I_n - n^{-1} 1_n 1_n^⊤：去均值投影矩阵。
- Q：n × n 正交矩阵，第一列为 n^{-1/2} 1_n，其余列 Q_{-1} 张成 1_n 的正交补。
- A：n × (n - \bar{r}) 矩阵，其列张成 (1_n, λ) 的正交补。\bar{r} = rank((1_n, λ))。
- \bar{λ}_⊥：n × (n - \bar{r}) 矩阵，其列是 (1_n, λ) 的正交补的一个正交基。
模型：
- 需求方程：y_t = φ p_t 1_n + λ η_t + u_t。需求受价格、潜在聚合冲击和异质性冲击影响。
- 供给方程：p_t = ψ y_{S,t} + ε_t。价格由聚合需求和供给冲击决定。
- 关键假设（Assumption 1）：
  - E[u_t] = 0, Var(u_t) = σ_{u,t}^2 I_n（异质性冲击同方差且互不相关）。
  - Cov(η_t, u_t) = Γ_{ηu,t} 1_n^⊤（潜在冲击与异质性冲击的协方差是秩 1 的）。
  - Cov(ε_t, u_t) = σ_{εu,t} 1_n^⊤（供给冲击与异质性冲击的协方差也是秩 1 的）。
  - n > \bar{r}（实体数大于因子载荷空间的维数）。
可观测数据：
- 可观测：y_t（各实体的需求量）、p_t（价格）、S_t（市场份额）。
- 不可观测 / 潜在：η_t（潜在聚合冲击）、u_t（异质性需求冲击）、ε_t（供给冲击）、λ（因子载荷）。
- 关键识别问题：我们想估计 φ 和 ψ，但 y_t 和 p_t 是内生决定的，且 λ 和 η_t 未知。GIV 的思路是：找到 y_t 的某个线性组合 A^⊤ y_t，使得它只与 u_t 有关，而与 η_t 和 ε_t 无关，从而可以作为工具变量。

第二步：讲最小内核¶

本文的核心思想可以用一个最简特例来理解：假设没有潜在聚合冲击（即 r = 0，λ = 0），且所有实体对共同冲击的载荷相同（即 λ = 1_n）。这就是论文 Section 2 的简化框架。

在这个特例下：
- 需求方程退化为：y_{i,t} = φ p_t + η_t + u_{i,t}。这里 η_t 是标量聚合冲击。
- 供给方程不变：p_t = ψ y_{S,t} + ε_t。
- 关键假设（3）变为：Cov(ε_t, u_t) = σ_{εu} 1_n^⊤, Cov(η_t, u_t) = σ_{ηu} 1_n^⊤, Var(u_t) = σ_u^2 I_n。
GIV 的构造：
- 考虑一个权重向量 a ∈ R^n，满足 a^⊤ 1_n = 1 且 a ≠ S。
- 构造 GIV：z_t(a) = y_{S,t} - y_{a,t} = (S - a)^⊤ y_t。
- 由于 y_t = φ p_t 1_n + η_t 1_n + u_t，我们有 z_t(a) = (S - a)^⊤ u_t。关键：z_t(a) 只依赖于异质性冲击 u_t，而与 η_t 和 ε_t 无关！
- 因此，z_t(a) 与供给冲击 ε_t 和聚合需求冲击 η_t 正交，可以作为工具变量。
为什么这个特例是“最小内核”：
- 它揭示了 GIV 的本质：通过构造 y_t 的线性组合，使其落在 (1_n, λ) 的正交补中，从而消除潜在聚合冲击的影响。
- 在这个特例中，(1_n, λ) 退化为 1_n，其正交补就是所有与 1_n 正交的向量。z_t(a) 正是这样一个向量（因为 (S - a)^⊤ 1_n = 0）。
- 一般化：当 λ 未知且非均匀时，我们需要找到 (1_n, λ) 的正交补 A。本文的核心贡献就是证明：这个正交补 A 可以通过可观测数据 y_t 的协方差矩阵的特征分解来识别（Lemma 3 & 4）。具体来说，A 张成了 y_t 的协方差矩阵（去均值后）的最小特征值对应的特征空间。
一句话总结本文的数学贡献：在一般因子模型下，GIV 空间 A 是 (1_n, λ) 的正交补，而 A 可以通过 y_t 的协方差矩阵的最小特征空间来识别和一致估计，无需知道 λ 本身，也无需 n → ∞。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：在存在未知因子载荷的潜在聚合冲击时，如何对由 Granular Instrumental Variables (GIV) 识别的结构模型进行估计和推断。
核心工具 / 方法：证明了有效的 GIV 空间是因子载荷空间的正交补，并表明该正交补可以通过可观测数据协方差矩阵的最小特征空间来直接恢复，从而构造出可行的 GIV 估计量。
主要结论：建立了可行 GIV 估计量的一致性、渐近正态性，提出了可行的标准误和过度识别 J 检验，并开发了 BIC 准则用于确定因子个数。模拟和实证（股票市场乘数）验证了方法的有效性。

关键设定与假设¶

在第二节最小记号的基础上，补全完整设定：

模型：y_t = φ p_t 1_n + λ η_t + u_t，p_t = ψ y_{S,t} + ε_t。λ 是 n × r 的未知因子载荷矩阵，η_t 是 r × 1 的潜在因子。
关键假设：
- Assumption 1 (协方差结构)：Var(u_t) = σ_{u,t}^2 I_n，Cov(η_t, u_t) = Γ_{ηu,t} 1_n^⊤，Cov(ε_t, u_t) = σ_{εu,t} 1_n^⊤。这些假设保证了异质性冲击 u_t 的协方差是球形的，且与 η_t 和 ε_t 的协方差是秩 1 的。相比 Gabaix & Koijen (2024) 的更强假设（如 Cov(η_t, u_t) = 0），本文允许时变协方差，更宽松。
- Assumption 2 (正则条件)：包括参数空间有界、样本矩的 CLT、特征值间隙条件（μ_{n-\bar{r}+1} - \bar{σ}_u^2 > K^{-1}）。这个间隙条件是核心，它保证了因子载荷空间的正交补可以从协方差矩阵的特征分解中一致地估计出来。
- Assumption 3 (市场份额)：市场份额 S_t 满足一些矩条件，且 1_n^⊤ S_t = 1。
- Assumption 4 (推断条件)：包括 ξ_t 的 CLT、权重矩阵的一致性、GIV 的强度条件（||T^{-1} ∑_{t≤T} A^⊤ E[y_t p_t]|| ≥ K^{-1}），以及方差估计量的一致性。

主要结果¶

Theorem 1 (GIV 估计量的渐近正态性)：在 Assumptions 1-4 下，可行 GIV 估计量 \hat{θ}(\hat{A}) 是 T^{1/2}-一致且渐近正态的。其渐近方差由 Γ(D_1, W_0, A) V(A) Γ(D_1, W_0, A)^⊤ 给出，其中 V(A) 是考虑了估计 A 的额外方差后的长期方差。关键：估计 A 的误差被纳入方差公式中（通过 ξ_t 的第二项），因此标准误是有效的。
Theorem 2 (J 检验的渐近分布)：在正确设定下，过度识别 J 检验统计量渐近服从 χ^2(2(n - \bar{r} - 1)) 分布。关键：即使 GIV 是估计的，J 检验仍然有效。
Theorem 3 (BIC 准则的一致性)：提出的 BIC 准则 BIC_T(j) 可以一致地估计因子载荷空间的秩 \bar{r}。关键：该准则利用了特征值间隙，当 j < \bar{r} 时，第一项以 T 速率发散，从而被惩罚项 j log(T) 主导。

证明路线与技术技巧¶

整体路线：
1. 识别：通过 Lemma 3 & 4，证明 (1_n, λ) 的正交补 A 可以由 y_t 的协方差矩阵（去均值后）的最小特征空间识别。这是整个方法的基石。
2. 估计：用样本协方差矩阵 \hat{Σ}_y 代替总体协方差矩阵 \bar{Σ}_y，得到 \hat{A}。然后构造 GMM 估计量 \hat{θ}(\hat{A})。
3. 渐近分析：证明 \hat{A} 是 A 的 T^{1/2}-一致估计量（Lemma C.6）。然后，将 \hat{θ}(\hat{A}) 的估计误差分解为两部分：一部分来自 θ 的估计（如果 A 已知），另一部分来自 \hat{A} 对 A 的估计误差。后者通过一个线性化表达式（Lemma C.11）被吸收进 ξ_t 中。
4. 推断：基于 ξ_t 的 CLT 和 Delta 方法，得到 \hat{θ}(\hat{A}) 的渐近分布。J 检验的分布则通过标准 GMM 论证得到。
关键跳跃点：
- Lemma 3 & 4 的证明：这是最吃功夫的部分。它需要证明 \bar{σ}_u^2 是 \bar{Σ}_{\tilde{y}} 在 B_{1_n} 上的最小特征值，且对应的特征空间就是 (1_n, λ) 的正交补。这依赖于 \tilde{λ} Σ_η \tilde{λ}^⊤ 的秩为 \bar{r} - 1 以及 n > \bar{r} 的假设。
- Lemma C.6 的证明：证明 \hat{A} 的 T^{1/2}-一致性。这里用到了 Davis-Kahan sin Θ 定理（引用于 Yu, Wang, & Samworth, 2015），该定理给出了估计特征空间与真实特征空间之间距离的上界。关键：这个上界依赖于特征值间隙 μ_{n-\bar{r}+1} - \bar{σ}_u^2，这正是 Assumption 2(iii) 所保证的。
- Lemma C.11 的证明：将 \hat{A} 的估计误差线性化，并证明其对 \hat{θ} 的影响可以表示为 (y_t y_t^⊤ - E[y_t y_t^⊤]) 与某个矩阵的乘积。这个线性化是推导 ξ_t 表达式的基础。
技术技巧点名：
- Davis-Kahan sin Θ 定理：用于分析特征空间估计的误差。
- 扰动分析：用于将 \hat{A} - A 线性化（Lemma C.10）。
- GMM 框架：将 GIV 估计问题嵌入 GMM，便于利用标准渐近理论。
- BIC 型准则：用于一致地选择因子个数，其构造利用了特征值间隙。
- Newey-West 估计量：用于估计长期方差 V，以处理可能的序列相关。

真实例子与应用¶

数据 / 场景：美国股票市场的聚合乘数（aggregate market multiplier）估计。数据来自 Financial Accounts of the United States，包含 12 个投资者部门（如家庭、共同基金、外国部门等）的季度股权持有量（1993Q1-2018Q4 和 1988Q4-2025Q4）。
方法应用：
- 将本文的 GIV 框架应用于需求方程 Δq_{i,t} = φ Δp_t + λ_i^⊤ η_t + u_{i,t}，其中 Δq_{i,t} 是部门 i 的股权持有量季度变化，Δp_t 是市场回报。
- 使用 BIC 准则估计因子数 \bar{r}，发现 \bar{r}=1（即只有一个潜在因子）。
- 构造 GIV 并估计需求弹性 φ，进而得到聚合乘数 κ = -1/φ。
- 进行 J 检验，检验 GIV 的有效性。
结果：
- 12 部门全样本：GIV 估计的乘数约为 5，但 J 检验强烈拒绝（p < 0.001），表明同质性弹性假设可能不成立。
- 6 部门核心样本（占 97% 以上份额）：GIV 估计的乘数约为 9，且 J 检验不拒绝（p ≈ 0.8），表明这六个部门的弹性更同质。
- 与 FIV 对比：在 6 部门样本中，FIV 估计量（Gabaix & Koijen, 2023）给出了负的、无意义的乘数（-7.13），而 GIV 给出了稳定且经济上有意义的估计（8.70）。这凸显了本文方法在 n 固定时的优势。
- 异质性分析：对 6 部门核心外的部门分别估计乘数，发现它们差异很大（3.6 到 10.7），且部分部门的 J 检验拒绝，进一步解释了 12 部门全样本的拒绝。
这个例子想说明什么：
1. 验证理论：展示了本文方法在 n 固定（12 个部门）时的可行性，而 FIV 方法在 n=6 时失效。
2. 展示相对 baseline 的优势：GIV 估计量在 6 部门样本中给出了稳定、有意义的估计，而 FIV 估计量失败。
3. 揭示实证发现：提供了支持“非弹性市场假说”（inelastic-markets hypothesis）的证据，即聚合乘数远大于摩擦基准模型预测的 0.05-0.1。

🔎 结论是否比证明窄¶

论文声称：“valid GIVs are characterized by the orthogonal complement of the factor-loading space”（摘要）。证明：这个结论在 Assumption 1 的协方差结构下严格成立。如果 Assumption 1 被违反（例如，Var(u_t) 不是球形的），那么 A^⊤ y_t 可能不再只包含 u_t，GIV 的有效性就会受损。论文在 Section 5 的模拟中考虑了违反 Cov(ε_t, u_t) = 0 的情况，但未讨论 Var(u_t) 非球形的情况。
论文声称：“the resulting estimator remains valid even when the number of entities is fixed”（摘要）。证明：这个结论在 n 固定且 T → ∞ 的渐近框架下严格成立。论文没有讨论 n 和 T 都发散的情况，尽管在 Remark 3 中提到了可以扩展到 n 很大的情况（通过使用子样本）。
论文声称：“the moment conditions in their Proposition 7 may fail to identify the structural parameters when factor loadings are unknown”（Section 4.1）。证明：Lemma 5 & 6 严格证明了 Gabaix & Koijen (2024) 的识别策略存在旋转非唯一性问题，因此确实可能导致识别失败。这是一个强有力的结论。

四、开放问题¶

放松球形协方差假设：本文的核心假设是 Var(u_t) = σ_{u,t}^2 I_n。如果异质性冲击存在截面相关或异方差，GIV 空间的特征值分解性质会如何变化？能否通过某种变换（如先验白化）来放松这个假设？扎根点：Assumption 1(i)。
因子载荷时变：本文假设因子载荷 λ 是时不变的。如果 λ 随时间缓慢变化，本文的协方差矩阵估计方法是否仍然有效？能否扩展到 λ_t 的设定？扎根点：模型 (19) 中 λ 没有时间下标。
BIC 准则在 n 大 T 小时的性能：本文的 BIC 准则在 n 固定时表现良好。但当 n 很大（甚至超过 T）时，协方差矩阵的估计会变得不稳定，BIC 准则的惩罚项和第一项都需要调整。如何设计适用于高维情形的因子数选择准则？扎根点：Theorem 3 的证明依赖于 n 固定。
与高维统计 / 随机矩阵理论的联系：本文的核心技术——从协方差矩阵的特征空间恢复信号子空间——与高维统计中的“spiked covariance model”和随机矩阵理论高度相关。当 n 和 T 都很大时，特征向量的估计性质会发生根本性变化（如“BBP 相变”）。本文的框架能否与这些理论结合，以处理 n 和 T 都可比的场景？扎根点：Remark 3 提到了扩展到 n 很大的情况，但未给出具体理论。

Maintained by 陈星宇 · Homepage · Source on GitHub