Test J de Hansen : les restrictions de suridentification en GMM

La méthode des moments généralisée (GMM) estime les paramètres en rapprochant autant que possible de zéro les versions empiriques des conditions de moments théoriques. Dans un modèle à variables instrumentales, un moment peut stipuler que l’instrument proposé est non corrélé à l’erreur structurelle lorsque le paramètre est à sa vraie valeur. D’autres modèles tirent des conditions de moments d’équations de valorisation d’actifs, d’équations d’Euler ou de restrictions sur données de panel.

Si le modèle comporte plus de conditions de moments que de paramètres inconnus, certaines restrictions supplémentaires restent testables après l’estimation. La statistique J de Hansen résume l’écart des moments empiriques ajustés par rapport à zéro après application d’une matrice de pondération donnée. C’est un test conjoint de spécification dans ce cadre. Il ne constitue pas un audit direct qui pourrait qualifier un instrument précis de « valide » ou d’« invalide ».

Cette distinction compte en finance et en recherche quantitative. Un modèle de trading ou de valorisation d’actifs peut fournir plusieurs conditions de moments, mais le résultat dépend des rendements, facteurs, instruments, périodes et hypothèses de covariance qui définissent ces moments. Une faible valeur p peut être un indice contre cet ensemble d’hypothèses ; une valeur élevée ne prouve pas, de façon indépendante, qu’elles sont toutes vérifiées.

Soit \(g_t(\theta)\) un vecteur à \(q\) composantes de contributions aux moments à la date \(t\), évalué au vecteur de paramètres \(\theta\). Sa moyenne empirique est :

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

La GMM choisit \(\hat\theta\) en minimisant une distance quadratique pondérée, par exemple :

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

où \(W_T\) est une matrice de pondération positive. La pondération détermine la contribution des désaccords entre conditions de moments au critère. Sous les hypothèses d’échantillonnage retenues, la GMM efficace utilise une pondération liée à l’inverse de la matrice de covariance de long terme des moments. Le test J s’appuie sur le critère minimisé, et non sur la valeur de la fonction objectif pour un paramètre choisi sans estimation.

La formule est concise, mais ses composantes ne sont pas interchangeables. Changer les instruments modifie \(g_t\) ; changer l’échantillon modifie la moyenne ; changer l’estimateur de covariance modifie la pondération ; et changer d’estimateur peut modifier les paramètres ajustés. Pour reproduire une statistique J, il faut donc davantage qu’un chiffre accompagné du mot « robuste ».

Avec \(q\) conditions de moments indépendantes et \(k\) paramètres localement identifiés, les degrés de liberté conventionnels de suridentification valent \(q-k\). Par exemple, trois moments indépendants utilisés pour estimer deux paramètres laissent une restriction suridentifiante. Sous l’hypothèse nulle selon laquelle tous les moments de population sont vérifiés, une statistique J correctement pondérée est comparée asymptotiquement à une loi du khi-deux avec ces degrés de liberté.

Lorsque le nombre de moments égale le nombre de paramètres, le modèle est exactement identifié et les moments ajustés peuvent généralement être ramenés à zéro. Il ne reste aucune restriction excédentaire que le test J puisse évaluer : ses degrés de liberté sont nuls, et il n’offre aucun test de suridentification. Avoir plus de paramètres que de moments indépendants signale un autre problème d’identification ; cela ne produit ni degrés de liberté négatifs ni test J pertinent.

Comptez les restrictions de moments effectivement indépendantes, pas simplement les colonnes affichées par le logiciel. Des instruments redondants ou des moments linéairement dépendants peuvent réduire le rang effectif. La référence usuelle du khi-deux suppose également l’identification et d’autres conditions de grand échantillon. Une valeur nominale de \(q-k\) ne peut pas corriger une matrice de covariance des moments singulière ou mal estimée.

Supposons qu’un modèle utilise trois conditions de moments pour estimer deux paramètres : les degrés de liberté conventionnels sont donc \(3-2=1\). Un logiciel rapporte une statistique J de (5{,}4), calculée au moyen d’une pondération censée être cohérente avec les hypothèses de covariance indiquées. Avec la référence conventionnelle du khi-deux à un degré de liberté, la valeur p est d’environ (0{,}020). Au seuil de 5 % fixé au préalable, le chercheur rejetterait l’hypothèse nulle conjointe selon laquelle les trois moments de population sont nuls.

Cette conclusion est plus limitée que « l’instrument 2 est invalide ». La statistique J est une distance pondérée unique pour l’ensemble du système ; elle ne précise pas quel moment crée le conflit. Le même résultat peut provenir d’un instrument invalide, d’une équation structurelle mal spécifiée, d’une dynamique omise, d’un modèle de covariance erroné ou d’un autre défaut du cadre retenu. Il faut des diagnostics complémentaires et un raisonnement de fond pour rechercher l’origine du problème.

Si la valeur p était de (0{,}20), la conclusion correcte serait que le test ne rejette pas les restrictions conjointes au seuil choisi. Cela ne signifie pas que « la validité des instruments est prouvée ». Une non-rejection peut s’expliquer par la plausibilité des restrictions, le manque de puissance du test ou un échantillon trop petit ou trop bruité pour distinguer les violations. Il faut fixer le seuil avant d’examiner plusieurs variantes du modèle ; chercher jusqu’à obtenir une valeur p acceptable crée un autre biais de sélection.

L’hypothèse nulle est un ensemble de restrictions de population, interprété sous le modèle et les conditions asymptotiques qui justifient la loi de référence de la statistique. En cas de rejet par J, une partie au moins de cet ensemble d’hypothèses est difficile à concilier avec l’échantillon sous la pondération utilisée. Le test ne permet pas, à lui seul, de distinguer une restriction d’exclusion incorrecte d’une mauvaise forme fonctionnelle, d’une dépendance à l’état omise, d’une erreur de construction des données ou d’une estimation inadaptée de la covariance de long terme.

Le test n’établit pas non plus la causalité. Dans un dispositif IV, un test de suridentification peut évaluer si les restrictions supplémentaires sont globalement compatibles entre elles sous le modèle. Il ne peut pas établir la restriction d’exclusion de chaque instrument, en particulier si tous les instruments partagent une même violation. La pertinence et l’exclusion ont des sens distincts : utilisez des diagnostics de première étape et d’identification faible pour la pertinence, et expliquez le mécanisme économique qui justifie l’exclusion.

Dans une application linéaire de valorisation d’actifs, une statistique de type J peut tester les restrictions conjointes de valorisation impliquées par un modèle factoriel donné et un ensemble d’actifs de test. Un rejet ne désigne pas automatiquement le facteur manquant et ne montre pas qu’une autre stratégie négociable sera rentable. Une non-rejection n’établit pas non plus la vérité économique du modèle. Le guide Fama–MacBeth présente une procédure connexe de prix du risque en coupe transversale et ses propres limites d’inférence.

Le test classique de Sargan a été conçu pour l’estimation par variables instrumentales sous des hypothèses de covariance restrictives, notamment l’homoscédasticité des perturbations. Le test J de Hansen est le test GMM de suridentification construit à partir d’une covariance estimée des moments. Celle-ci peut prendre en compte l’hétéroscédasticité et, avec une estimation adéquate de la covariance de long terme, la dépendance temporelle. L’étiquette « Hansen » ne rend pas l’implémentation robuste à toutes les erreurs de spécification ; les choix de covariance et de pondération doivent correspondre au processus de moments.

Pour les moments de séries temporelles, la dépendance sérielle modifie la variance de long terme de leur moyenne empirique. Une estimation HAC comme celle de Newey–West peut entrer dans un calcul de covariance adapté si ses hypothèses et le choix des retards conviennent aux données. Les données de panel ou les observations regroupées peuvent nécessiter une autre construction de covariance. Corriger la covariance uniquement pour les erreurs types des coefficients ne garantit pas que l’objectif J utilise une matrice de pondération compatible.

Les GMM à une étape, deux étapes ou itératives peuvent estimer les paramètres avec des pondérations différentes. Dans les procédures efficaces en deux étapes, la pondération estimée ajoute elle-même une incertitude en échantillon fini ; les erreurs types et le comportement du test peuvent être fragiles, surtout si le nombre de moments est élevé par rapport aux observations. Les corrections d’échantillon fini étudiées par Windmeijer concernent l’estimation de variance dans certains cadres linéaires précis de GMM efficace en deux étapes. Elles ne constituent pas un ajustement universel pour toute statistique J.

Le test J n’évalue pas la force des instruments. Des instruments peu informatifs peuvent rendre les estimations des paramètres et les approximations usuelles peu fiables ; utilisez des méthodes conçues pour l’identification faible au lieu de considérer une valeur p de J rassurante comme un diagnostic de force. Le calibrage du khi-deux en grand échantillon ne garantit pas non plus qu’un petit échantillon financier se comporte comme sa limite asymptotique.

Ajouter des instruments ou des conditions de moments peut sembler intéressant parce que cela paraît apporter de l’information. En GMM de panel dynamique, la prolifération des instruments peut toutefois surajuster les variables endogènes et réduire la capacité des tests de spécification à détecter une violation. Une valeur p très élevée après la création d’un grand ensemble d’instruments peut donc être peu rassurante. Indiquez leur nombre, expliquez les retards ou les fenêtres de construction et, le cas échéant, comparez des ensembles réduits défendables ou des instruments regroupés.

Les petits échantillons, les moments presque colinéaires, les estimations de covariance médiocres, les paramètres en frontière et l’identification faible peuvent tous invalider les interprétations de manuel. Ils appellent une analyse de sensibilité et une autre méthode d’inférence appropriée, pas l’affirmation mécanique que J a « réussi ». Si le choix du modèle a exploré de nombreux instruments, intervalles de retards, facteurs ou découpages d’échantillon, consignez cette recherche et ne présentez pas le résultat le plus favorable comme s’il avait été préspécifié.

Certains flux de travail sur panel dynamique rapportent un test différence-de-Hansen ou un test C pour un sous-ensemble de conditions de moments, par exemple un bloc d’instruments supplémentaire. Conceptuellement, la comparaison imbriquée demande si ce bloc ajoute des restrictions compatibles avec les autres moments retenus. Le résultat est conditionnel au reste de la spécification ; il ne certifie pas indépendamment la validité de chaque instrument.

La différence de deux statistiques J ne suit une loi de référence que si les conditions pertinentes d’imbrication, d’estimation et de covariance sont satisfaites. Les modèles comparés doivent utiliser des échantillons et des définitions de moments compatibles ; il faut aussi tenir compte de la pondération et du comportement en échantillon fini. Un test de sous-ensemble peut manquer de puissance lorsque l’ensemble complet d’instruments est grand. Si plusieurs blocs sont testés, rapportez l’ensemble des comparaisons au lieu de ne retenir qu’un résultat favorable.

Indiquez l’échantillon, le vecteur de paramètres, les définitions des moments, le nombre d’observations, le nombre et le rang effectif des restrictions, ainsi que les degrés de liberté. Précisez si l’estimateur est à une étape, deux étapes ou itératif ; comment la matrice de pondération a été obtenue ; quelle structure de covariance a été autorisée ; et si un ajustement pour petit échantillon a été appliqué. Donnez la statistique J, sa loi de référence, la valeur p et le seuil de décision défini pour l’analyse.

Présentez le nombre et la construction des instruments, les diagnostics de première étape ou de pertinence, ainsi que la sensibilité des estimations à des modifications raisonnables des ensembles de moments. Expliquez pourquoi les instruments satisfont l’argument économique de temporalité et d’exclusion ; ne remplacez pas cet argument par la non-rejection d’un test de suridentification. Pour un test de sous-ensemble, définissez explicitement le sous-ensemble et la comparaison. Pour les hypothèses IV, consultez le guide sur l’endogénéité et les variables instrumentales ; pour les choix de covariance, le guide sur les erreurs types robustes et HAC.

La théorie asymptotique GMM de Hansen, le test de variables instrumentales de Sargan, l’analyse de l’identification faible de Stock et Wright, l’étude de Roodman sur la prolifération des instruments, l’analyse de Windmeijer de la variance en deux étapes en échantillon fini et l’estimateur de covariance HAC de Newey et West traitent différents aspects de ce dispositif. Leurs résultats valent sous les hypothèses précisées par leurs auteurs et ne constituent pas une approbation générale d’un modèle empirique.