Hansen J Test: GMM-এ অতিরিক্ত সনাক্তকরণ সীমাবদ্ধতার ব্যাখ্যা

Generalized method of moments (GMM) তাত্ত্বিক moment condition-এর sample version-কে যতটা সম্ভব শূন্যের কাছে এনে parameter estimate করে। Instrumental-variable model-এ একটি moment বলতে পারে যে সত্য parameter-এর ক্ষেত্রে প্রস্তাবিত instrument structural error-এর সঙ্গে uncorrelated। Asset-pricing equation, Euler equation বা panel-data restriction থেকেও অন্য moment condition পাওয়া যায়।

Model-এ unknown parameter-এর চেয়ে moment condition বেশি থাকলে estimation-এর পর কিছু অতিরিক্ত restriction পরীক্ষা করা যায়। নির্দিষ্ট weighting matrix প্রয়োগের পর fitted sample moment শূন্য থেকে কতটা দূরে থাকে, Hansen J statistic তা সংক্ষেপে প্রকাশ করে। এই setup-এ এটি একটি joint specification test। কোনো নির্দিষ্ট instrument-কে সরাসরি “valid” বা “invalid” বলে চিহ্নিত করার audit নয়।

Finance ও quantitative research-এ এই পার্থক্য গুরুত্বপূর্ণ। Trading বা asset-pricing model একাধিক moment condition দিতে পারে; কিন্তু ফল নির্ভর করে কোন return, factor, instrument, সময়সীমা এবং covariance assumption দিয়ে moment-গুলো নির্ধারিত হয়েছে তার ওপর। ছোট p-value এই assumption-সমষ্টির বিরুদ্ধে evidence হতে পারে; বড় p-value মানে সব assumption সত্য—এমন স্বাধীন evidence নয়।

ধরা যাক, \(g_t(\theta)\) হলো তারিখ \(t\)-এ parameter vector \(\theta\)-তে মূল্যায়িত \(q\)-উপাদানের moment contribution vector। এর sample average হলো:

\[ \bar g_T(\theta) = \frac{1}{T}\sum_{t=1}^{T}g_t(\theta). \]

GMM এমন একটি weighted quadratic distance, যেমন নিচেরটি, minimize করে \(\hat\theta\) বেছে নেয়:

\[ Q_T(\theta) = T\,\bar g_T(\theta)'W_T\bar g_T(\theta), \qquad J = Q_T(\hat\theta), \]

এখানে \(W_T\) একটি positive weighting matrix। Moment condition-গুলোর মধ্যে অমিল criterion-এ কতটা অবদান রাখবে, weighting তা নির্ধারণ করে। ঘোষিত sampling assumption-এর অধীনে efficient GMM moment-এর long-run covariance matrix-এর inverse-এর সঙ্গে সম্পর্কিত weight ব্যবহার করে। J test estimation শেষে minimize করা criterion ব্যবহার করে, estimation ছাড়া বেছে নেওয়া parameter-এর objective value নয়।

সূত্রটি সংক্ষিপ্ত হলেও এর উপাদানগুলো একে অন্যের বদলি নয়। Instrument বদলালে \(g_t\) বদলায়; sample বদলালে average বদলায়; covariance estimator বদলালে weight বদলায়; estimator বদলালেও fitted parameter বদলাতে পারে। তাই J statistic পুনরুৎপাদন করতে শুধু একটি সংখ্যা ও “robust” শব্দ যথেষ্ট নয়।

যদি \(q\)টি independent moment condition এবং \(k\)টি locally identified parameter থাকে, প্রচলিত overidentification degrees of freedom হলো \(q-k\)। উদাহরণস্বরূপ, দুটি parameter estimate করতে তিনটি independent moment ব্যবহার করলে একটি অতিরিক্ত restriction থাকে। সব population moment সত্য—এই null-এর অধীনে সঠিকভাবে weighted J statistic-কে asymptotically ঐ degrees of freedom-সহ chi-square distribution-এর সঙ্গে তুলনা করা হয়।

Moment ও parameter-এর সংখ্যা সমান হলে model exactly identified; fitted moment সাধারণত শূন্যে নামানো যায়। J statistic-এর যাচাই করার মতো অতিরিক্ত restriction থাকে না, তাই degrees of freedom শূন্য এবং overidentification check-ও হয় না। Independent moment-এর চেয়ে parameter বেশি হলে সেটি আলাদা identification problem; এতে negative degrees of freedom বা অর্থবহ J test তৈরি হয় না।

শুধু software output-এ column-এর সংখ্যা নয়, কার্যকর independent moment restriction গুনুন। Redundant instrument বা linearly dependent moment কার্যকর rank কমাতে পারে। প্রচলিত chi-square reference-ও identification ও অন্যান্য large-sample condition-এর ওপর নির্ভর করে। নামমাত্র \(q-k\) singular বা দুর্বলভাবে estimated moment covariance matrix-কে ঠিক করতে পারে না।

ধরা যাক, model দুটি parameter estimate করতে তিনটি moment condition ব্যবহার করে, ফলে প্রচলিত degrees of freedom \(3-2=1\)। Software এমন weighting procedure ব্যবহার করে, যা উল্লিখিত covariance assumption-এর সঙ্গে সামঞ্জস্যপূর্ণ হওয়ার কথা, এবং J statistic \(5.4\) দেখায়। প্রচলিত one-degree-of-freedom chi-square reference-এ p-value প্রায় \(0.020\)। আগে থেকে নির্ধারিত 5% level-এ researcher “তিনটি population moment-ই শূন্য”—এই joint null প্রত্যাখ্যান করবেন।

এই সিদ্ধান্ত “instrument 2 invalid”—এ কথার চেয়ে অনেক সীমিত। J statistic পুরো system-এর একটি weighted distance; কোন moment conflict তৈরি করেছে তা এটি বলে না। একই ফল invalid instrument, ভুলভাবে নির্ধারিত structural equation, বাদ পড়া dynamic feature, ভুল covariance model, অথবা maintained setup-এর অন্য কোনো ব্যর্থতা থেকে আসতে পারে। কারণ খুঁজতে পরবর্তী diagnostic ও বিষয়ভিত্তিক বিচার দরকার।

p-value \(0.20\) হলে সঠিক সিদ্ধান্ত হলো নির্বাচিত level-এ test joint restriction প্রত্যাখ্যান করেনি। “Instrument valid প্রমাণিত”—এটি নয়। Restriction যুক্তিসঙ্গত হওয়া, test-এর power কম হওয়া, বা sample ছোট ও noisy হওয়ার কারণে violation শনাক্ত না হওয়ায় প্রত্যাখ্যান নাও হতে পারে। একাধিক model variant দেখার আগে cutoff ঠিক করুন; কোনো p-value গ্রহণযোগ্য না লাগা পর্যন্ত খুঁজলে আরেকটি selection problem তৈরি হয়।

Null হলো population restriction-এর একটি সমষ্টি; statistic-এর reference distribution বৈধ করে এমন model ও asymptotic condition ধরে এর ব্যাখ্যা করতে হয়। J প্রত্যাখ্যান করলে ব্যবহৃত weighting-এর অধীনে maintained system-এর অন্তত একটি অংশের সঙ্গে sample-এর মিল পাওয়া কঠিন। শুধু test দিয়ে bad exclusion restriction, ভুল functional form, বাদ পড়া state dependence, data construction error, না অনুপযুক্ত long-run covariance estimate—কোনটি দায়ী তা আলাদা করা যায় না।

এই test causality-ও প্রতিষ্ঠা করে না। IV design-এ overidentification test model-এর অধীনে অতিরিক্ত restriction-গুলো পরস্পরের সঙ্গে সম্মিলিতভাবে সামঞ্জস্যপূর্ণ কি না মূল্যায়ন করতে পারে। কিন্তু প্রতিটি instrument-এর exclusion restriction প্রতিষ্ঠা করতে পারে না—বিশেষত সব instrument-এ একই violation থাকলে। Instrument relevance ও exclusion আলাদা ধারণা: relevance-এর জন্য first-stage ও weak-identification diagnostic ব্যবহার করুন; exclusion-এর জন্য অর্থনৈতিক প্রক্রিয়াটি ব্যাখ্যা করুন।

Linear asset-pricing application-এ J-type statistic কোনো factor model ও test-asset set থেকে আসা joint pricing restriction পরীক্ষা করতে পারে। প্রত্যাখ্যান করলে কোন factor বাদ পড়েছে তা স্বয়ংক্রিয়ভাবে জানা যায় না, বা অন্য traded strategy return দেবে তাও বোঝায় না। প্রত্যাখ্যান না করাও model-এর economic truth প্রতিষ্ঠা করে না। সম্পর্কিত cross-sectional risk-price procedure ও তার inferential limit নিয়ে Fama–MacBeth guide-এ আলোচনা আছে।

Classical Sargan test instrumental-variable estimation-এ restrictive covariance assumption-এর অধীনে তৈরি হয়েছিল, সাধারণত homoskedastic disturbance ধরে। Hansen J হলো GMM overidentification statistic; এটি estimated moment covariance ব্যবহার করে, যা heteroskedasticity এবং উপযুক্ত long-run covariance estimate থাকলে সময়ের dependence-ও ধরতে পারে। “Hansen” নাম থাকলেই implementation সব ধরনের misspecification-এর বিরুদ্ধে robust হয় না; covariance ও weighting choice-কে moment process-এর সঙ্গে সামঞ্জস্যপূর্ণ হতে হবে।

Time-series moment-এ serial dependence sample average-এর long-run variance বদলে দেয়। Assumption ও lag choice data-র সঙ্গে মানানসই হলে Newey–West-এর মতো HAC estimate উপযুক্ত covariance calculation-এর অংশ হতে পারে। Panel বা clustered observation-এর জন্য অন্য covariance construction দরকার হতে পারে। শুধু coefficient standard error-এ covariance correction ব্যবহার করলে J objective-ও compatible weighting matrix দিয়ে তৈরি হয়েছে—এ নিশ্চয়তা হয় না।

One-step, two-step ও iterated GMM ভিন্ন weight দিয়ে parameter estimate করতে পারে। Efficient two-step procedure-এ estimated weight নিজেই finite sample-এ অনিশ্চয়তা বাড়ায়; observation-এর তুলনায় moment অনেক হলে standard error ও test behavior দুর্বল হতে পারে। Windmeijer-এর finite-sample correction নির্দিষ্ট linear efficient two-step GMM setting-এ variance estimation নিয়ে; এটি প্রতিটি J statistic-এর জন্য universal adjustment নয়।

J test instrument strength পরীক্ষা করে না। দুর্বল তথ্যবাহী instrument parameter estimate ও প্রচলিত approximation-কে অবিশ্বস্ত করতে পারে; তাই আরামদায়ক J p-value-কে strength diagnostic না ধরে weak identification-এর জন্য তৈরি পদ্ধতি ব্যবহার করুন। Large-sample chi-square calibration-ও ছোট financial sample asymptotic limit-এর মতো আচরণ করবে—এ প্রতিশ্রুতি দেয় না।

Instrument বা moment condition যোগ করলে তথ্য বাড়ে বলে মনে হতে পারে। কিন্তু dynamic panel GMM-এ instrument proliferation endogenous variable-কে overfit করতে পারে এবং specification test-এর violation শনাক্তের ক্ষমতা কমায়। তাই বিশাল instrument set বানানোর পর খুব বেশি p-value সামান্যই আশ্বাস দিতে পারে। সংখ্যা জানান, instrument lag বা construction window ব্যাখ্যা করুন, এবং প্রযোজ্য হলে যুক্তিসংগতভাবে ছোট set বা collapsed instrument তুলনা করুন।

ছোট sample, প্রায় collinear moment, দুর্বল covariance estimate, parameter boundary এবং weak identification textbook interpretation-কে দুর্বল করতে পারে। তখন sensitivity analysis ও উপযুক্ত বিকল্প inference দরকার; যান্ত্রিকভাবে বলা নয় যে J “পাস করেছে”। Model selection-এ অনেক instrument, lag range, factor বা sample cut থাকলে search নথিভুক্ত করুন, এবং সবচেয়ে ভালো দেখানো test-কে prespecified বলে উপস্থাপন করবেন না।

কিছু dynamic-panel workflow-এ moment condition-এর subset—যেমন অতিরিক্ত instrument block—নিয়ে difference-in-Hansen বা C test দেখানো হয়। ধারণাগতভাবে nested comparison জিজ্ঞেস করে, ওই block বাকি maintained moment-এর সঙ্গে সামঞ্জস্যপূর্ণ restriction যোগ করে কি না। ফলটি বাকি specification-এর ওপর নির্ভরশীল; প্রতিটি instrument-এর জন্য স্বাধীন বৈধতার সনদ নয়।

দুটি J statistic-এর পার্থক্যের reference distribution থাকে কেবল প্রাসঙ্গিক nesting, estimation ও covariance condition পূরণ হলে। তুলনীয় model-গুলোর sample ও moment definition সামঞ্জস্যপূর্ণ হতে হবে; weighting ও finite-sample behavior-ও বিবেচনা করতে হবে। Full instrument set বড় হলে subset test-এর power-ও কমতে পারে। একাধিক block পরীক্ষা করলে শুধু অনুকূল ফল বেছে না নিয়ে তুলনাগুলোর সেট জানাতে হবে।

Sample, parameter vector, moment definition, observation-এর সংখ্যা, restriction-এর সংখ্যা ও effective rank, এবং degrees of freedom জানান। Estimator one-step, two-step না iterated, weighting matrix কীভাবে পাওয়া হয়েছে, কোন covariance structure অনুমোদিত হয়েছে, এবং small-sample adjustment ব্যবহার করা হলে সেটিও উল্লেখ করুন। J statistic, reference distribution, p-value এবং analysis-এর জন্য নির্ধারিত decision threshold জানান।

Instrument-এর সংখ্যা ও construction, first-stage বা relevance diagnostic, এবং moment set-এ যুক্তিসংগত পরিবর্তন করলে estimate কতটা সংবেদনশীল তা দেখান। Instrument কেন economic timing ও exclusion argument পূরণ করে ব্যাখ্যা করুন; overidentification test প্রত্যাখ্যাত না হওয়াকে সেই যুক্তির বিকল্প করবেন না। Subset test ব্যবহার করলে subset ও comparison স্পষ্টভাবে সংজ্ঞায়িত করুন। IV assumption-এর পটভূমির জন্য endogeneity ও instrumental variable guide, covariance choice-এর জন্য robust standard error ও HAC guide দেখুন।

Hansen-এর GMM asymptotic theory, Sargan-এর instrumental-variable test, Stock ও Wright-এর weak identification analysis, Roodman-এর instrument proliferation study, Windmeijer-এর two-step variance-এর finite-sample analysis, এবং Newey ও West-এর HAC covariance estimator এই design-এর আলাদা দিক নিয়ে কাজ করে। এগুলোর ফল নিজ নিজ ঘোষিত assumption-এর অধীনে প্রযোজ্য; কোনো empirical model-এর জন্য সাধারণ অনুমোদন নয়।