HansenのJ検定：GMMの過剰識別制約を解説

一般化モーメント法（GMM）は、理論上のモーメント条件を標本で計算した値ができるだけゼロに近づくようにパラメーターを推定します。操作変数モデルでは、真のパラメーターのもとで、候補となる操作変数が構造誤差と無相関であるという条件がモーメントとして表されることがあります。資産価格方程式、オイラー方程式、パネルデータの制約から別のモーメント条件が得られる場合もあります。

未知パラメーターよりモーメント条件が多ければ、推定後に検証できる制約が残ります。HansenのJ統計量は、指定された重み行列を適用した後、推定された標本モーメントがゼロからどの程度離れているかを要約します。これは設定全体に対する同時仕様検定です。個々の操作変数に「妥当」「不適切」と判定を付ける直接的な監査ではありません。

この違いは金融やクオンツ研究で重要です。売買モデルや資産価格モデルが複数のモーメント条件を与える場合でも、検定結果は条件を定義するリターン、ファクター、操作変数、期間、共分散の仮定に左右されます。p値が小さければ仮定の組み合わせに反する証拠となり得ますが、p値が大きくても全ての仮定を支持する独立の証拠にはなりません。

時点 \(t\) においてパラメーター・ベクトル \(\theta\) のもとで評価される、\(q\) 個の成分を持つモーメント寄与のベクトルを \(g_t(\theta)\) とします。標本平均は次のとおりです。

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

GMMは、次のような重み付き二次距離を最小化する \(\hat\theta\) を選びます。

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

ここで \(W_T\) は正の重み行列です。重み付けによって、モーメント条件間の不一致が基準にどの程度反映されるかが決まります。明示した標本抽出仮定のもとで、効率的GMMはモーメントの長期共分散行列の逆行列に関連する重みを推定します。J検定で使うのは最小化後の基準であり、推定せずに選んだパラメーターでの目的関数値ではありません。

式は簡潔ですが、定義を置き換えることはできません。操作変数を変えると \(g_t\) が変わり、標本を変えると平均が変わり、共分散推定法を変えると重みが変わります。推定量を変えれば当てはめたパラメーターも変わる可能性があります。したがって、再現可能なJ統計量には数値と「ロバスト」という表記だけでは不十分です。

独立なモーメント条件が \(q\) 個、局所的に識別されたパラメーターが \(k\) 個なら、通常の過剰識別の自由度は \(q-k\) です。たとえば独立なモーメント3個でパラメーター2個を推定すると、過剰識別制約が1つ残ります。全ての母集団モーメントが成立するという帰無仮説のもとで、適切に重み付けされたJ統計量は、その自由度のカイ二乗分布と漸近的に比較されます。

モーメント数とパラメーター数が同じならモデルはちょうど識別され、通常は推定されたモーメントをゼロにできます。J統計量で評価する余分な制約がないため、自由度はゼロとなり、過剰識別検定は行えません。独立モーメントよりパラメーターの方が多い場合は別の識別問題であり、負の自由度や有意なJ検定が生じるわけではありません。

ソフトウェア出力の列数だけでなく、有効な独立モーメント制約を数えてください。冗長な操作変数や線形従属するモーメントは有効ランクを下げることがあります。通常のカイ二乗分布を使うには識別やその他の大標本条件も必要です。名目上の \(q-k\) は、特異なモーメント共分散行列や推定精度の悪さを補いません。

あるモデルがモーメント条件3個でパラメーター2個を推定するとし、通常の自由度は \(3-2=1\) です。共分散の仮定と整合するよう設計された重み付け手順で、ソフトウェアがJ統計量 \(5.4\) を報告したとします。自由度1の通常のカイ二乗分布を基準にすると、p値は約 \(0.020\) です。事前に定めた5%水準では、3つの母集団モーメントが全てゼロであるという同時帰無仮説を棄却します。

この結論は「操作変数2が不適切だ」という断定より限定的です。J統計量はシステム全体の重み付き距離を1つにまとめており、どのモーメントが矛盾の原因かを特定しません。同じ結果は、不適切な操作変数、構造方程式の誤った仕様、抜けている動学的要素、誤った共分散モデル、または維持した設定の別の問題を反映し得ます。原因を調べるには追加の診断と対象分野の知識が必要です。

p値が \(0.20\) なら、選択した水準ではこの検定が同時制約を棄却しなかった、と結論づけます。「操作変数の妥当性が証明された」という意味ではありません。制約が妥当である場合だけでなく、検定力が限られている場合や、違反を見分けるには標本が小さすぎる・ノイズが大きすぎる場合にも棄却できないことがあります。多数のモデル変種を調べる前に基準を決めてください。都合のよいp値が出るまで探索すれば、別の選択問題が生じます。

帰無仮説は母集団の制約の集合であり、基準分布を与えるモデルと漸近条件のもとで解釈します。Jが棄却される場合、検定の重み付けに照らして、維持した体系の少なくとも一部が観測標本と整合しにくいことになります。検定だけでは、不適切な排除制約、誤った関数形、欠落した状態依存、データ作成上の誤り、適切でない長期共分散推定を区別できません。

この検定は因果関係も確立しません。IV設計では、過剰識別検定は追加の制約がモデルのもとで互いに整合するかを評価できます。しかし、全ての操作変数が同じ違反を共有している可能性もあり、各変数の排除制約を証明するものではありません。関連性と排除制約は別の概念です。関連性には第一段階と弱識別の診断を使い、排除制約を支える経済的経路を説明してください。

線形資産価格分析では、J型統計量が特定のファクターモデルと検証資産集合から導かれる価格付け制約を同時に検定することがあります。棄却しても欠けたファクターが自動的に特定されるわけでも、別の取引可能戦略が収益を生むことが示されるわけでもありません。棄却できなくてもモデルの経済的真実性は確立しません。Fama–MacBethの解説では、関連する横断面リスク価格推定とその推論上の限界を扱います。

古典的なSargan検定は、操作変数推定における厳しい共分散仮定、一般には誤差の等分散性のもとで提案されました。HansenのJ検定は、推定されたモーメント共分散を使うGMMの過剰識別統計量であり、異分散性を考慮できます。適切な長期共分散推定を用いれば時間依存も扱えます。「Hansen」という名称だけであらゆる仕様誤りに頑健になるわけではなく、共分散と重み付けをモーメント過程に合わせる必要があります。

時系列モーメントでは、系列依存によって標本平均の長期分散が変わります。仮定とラグ選択がデータに合う場合、Newey–WestなどのHAC推定量を適切な共分散計算に使えます。パネルやクラスター化された観測には別の共分散構成が必要かもしれません。係数の標準誤差だけに共分散補正を使っても、J目的関数に整合する重み行列を使ったことにはなりません。

1段階、2段階、反復GMMでは異なる重みでパラメーターを推定できます。効率的な2段階手順では推定した重み自体が有限標本の不確実性を加えるため、特に観測数に比べてモーメントが多いと、標準誤差や検定の挙動が不安定になり得ます。Windmeijerが検討した有限標本補正は、特定の線形効率的2段階GMMにおける分散推定を対象とします。全てのJ統計量に適用できる一般的補正ではありません。

J検定は操作変数の強さを検定しません。情報量の乏しい操作変数ではパラメーター推定や通常の近似が不確かになるため、安心できるJのp値を強さの診断とみなさず、弱識別向けの手法を使ってください。大標本のカイ二乗較正は、短い金融標本が漸近極限のように振る舞う保証ではありません。

操作変数やモーメント条件を増やせば情報が増えるように見えることがあります。しかし動学パネルGMMでは、操作変数の増殖が内生変数を過剰適合させ、仕様検定が違反を見つける力を弱める可能性があります。多数の操作変数を使った後の非常に高いp値は、ほとんど安心材料にならないことがあります。変数の数、ラグや構成窓を示し、該当する場合には妥当な縮小集合や集約した操作変数と比較してください。

小標本、ほぼ共線なモーメント、不適切な共分散推定、パラメーター境界、弱識別はいずれも教科書的な解釈を損ないます。その場合は感度分析と適切な代替推論が必要で、「J検定に通った」と機械的に主張してはいけません。多数の操作変数、ラグ範囲、ファクター、標本分割を探索した場合は、その探索を記録し、最も都合のよい検定結果を事前指定のように提示しないでください。

動学パネルの一部の手順では、追加の操作変数ブロックなど、モーメント条件の一部に対して差分Hansen検定またはC検定を報告します。概念的には、入れ子比較により、そのブロックを追加した際、残りの維持されたモーメントと整合する制約が増えるかを問います。結論は残りの仕様を条件としており、各操作変数に対する独立の証明書ではありません。

2つのJ統計量の差に基準分布があるのは、関連する入れ子関係、推定、共分散の条件が成立する場合です。比較するモデルでは標本とモーメントの定義を整合させ、重み付けと有限標本での挙動も考慮します。操作変数全体が非常に多ければ、部分集合の検定力が落ちることもあります。複数のブロックを検定した場合、都合のよい結果だけでなく比較した集合を報告してください。

標本、パラメーター・ベクトル、モーメントの定義、観測数、制約数と有効ランク、自由度を示します。1段階、2段階、反復のいずれの推定量か、重み行列の算出方法、許容した共分散構造、小標本調整の有無も記載してください。J統計量、基準分布、p値、分析用に事前指定した判断水準を報告します。

操作変数の数と構成、第一段階または関連性の診断、妥当なモーメント集合の変更に対する推定値の感度も示します。操作変数が経済的な時間順序と排除制約を満たす理由を説明し、過剰識別検定で棄却されなかったことをその説明の代わりにしないでください。部分集合検定を使うなら、対象と比較方法を明記します。IV仮定は内生性と操作変数の解説、共分散の選択は頑健標準誤差とHACの解説を参照してください。

HansenのGMM漸近理論、Sarganの操作変数検定、StockとWrightの弱識別分析、Roodmanの操作変数増殖に関する研究、Windmeijerの2段階GMM分散の有限標本補正、NeweyとWestのHAC共分散推定量は設計の異なる点を扱います。結果は明示された仮定のもとで有効であり、実証モデル全体を保証するものではありません。