Hansen J Test: อธิบายข้อจำกัด Overidentifying ใน GMM

Generalized method of moments (GMM) ประมาณค่าพารามิเตอร์โดยทำให้ sample versions ของ moment conditions ทางทฤษฎีมีค่าใกล้ศูนย์ที่สุด ในโมเดล instrumental variables moment condition อาจระบุว่า ณ ค่าพารามิเตอร์จริง instrument ที่เสนอมาไม่มีสหสัมพันธ์กับ structural error โมเดลอื่นอาจใช้ผลตามมาจากสมการ asset pricing สมการออยเลอร์ หรือข้อจำกัดของข้อมูล panel

ถ้าโมเดลมี moment conditions มากกว่าพารามิเตอร์ที่ไม่ทราบค่า หลังประมาณค่าแล้วยังมีข้อจำกัดบางส่วนเหลือให้ตรวจสอบ Hansen J statistic สรุประยะที่ sample moments ซึ่ง fit แล้วเบี่ยงออกจากศูนย์หลังใช้ weighting matrix ที่กำหนดไว้ให้เหลือเป็นตัวเลขเดียว นี่คือ joint specification test ภายในกรอบนั้น ไม่ใช่การตรวจสอบโดยตรงที่ตัดสิน instrument แต่ละตัวว่า “ใช้ได้” หรือ “ใช้ไม่ได้”

ความแตกต่างนี้สำคัญในงานวิจัยการเงินและควอนท์ โมเดลการเทรดหรือ asset pricing อาจมี moment conditions หลายข้อ แต่ผลลัพธ์ขึ้นอยู่กับผลตอบแทน factors instruments วันที่ และ covariance assumptions ที่ใช้กำหนด moments เหล่านั้น p-value ที่ต่ำอาจเป็นหลักฐานคัดค้านชุดสมมติฐานดังกล่าว ส่วน p-value สูงไม่ได้เป็นหลักฐานอิสระว่าสมมติฐานทุกข้อถูกต้อง

ให้ \(g_t(\theta)\) เป็นเวกเตอร์ moment contributions จำนวน \(q\) องค์ประกอบ ณ เวลา \(t\) ซึ่งประเมินที่พารามิเตอร์เวกเตอร์ \(\theta\) ค่าเฉลี่ยตัวอย่างคือ

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

GMM เลือกค่าประมาณ \(\hat\theta\) ที่ทำให้ weighted quadratic distance ต่ำที่สุด เช่น

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

โดย (W_T) คือ positive weighting matrix เมทริกซ์นี้กำหนดว่าความไม่สอดคล้องของ moment conditions แต่ละข้อมีส่วนต่อ criterion มากน้อยเพียงใด Efficient GMM ใช้น้ำหนักที่สัมพันธ์กับ inverse ของ long-run covariance matrix ของ moments ภายใต้สมมติฐานการสุ่มตัวอย่างที่ระบุ J test ใช้ criterion ที่ minimize แล้ว ไม่ใช่ค่า objective ณ พารามิเตอร์ที่เลือกโดยยังไม่ได้ประมาณค่า

สูตรนี้เขียนสั้นได้ แต่ส่วนประกอบใช้แทนกันไม่ได้ การเปลี่ยน instruments ทำให้ \(g_t\) เปลี่ยน การเปลี่ยน sample ทำให้ค่าเฉลี่ยเปลี่ยน การเปลี่ยน covariance estimator ทำให้น้ำหนักเปลี่ยน และการเปลี่ยน estimator อาจทำให้พารามิเตอร์ที่ fit เปลี่ยน ดังนั้นการรายงานเพียงตัวเลขกับคำว่า “robust” ยังไม่เพียงพอให้ผู้อื่นทำซ้ำค่า J statistic ได้

ถ้ามี independent moment conditions \(q\) ข้อ และพารามิเตอร์ที่ locally identified \(k\) ตัว degrees of freedom สำหรับ overidentification ตามปกติคือ \(q-k\) ตัวอย่างเช่น ใช้ independent moments สามข้อประมาณพารามิเตอร์สองตัว จะเหลือ overidentifying restriction หนึ่งข้อ ภายใต้ null ที่ moments ในประชากรทั้งหมดเป็นจริง และเมทริกซ์น้ำหนักถูกต้อง ค่า J จะถูกเทียบเชิงเส้นกำกับกับการแจกแจงไคสแควร์ที่มี degrees of freedom เท่านี้

เมื่อจำนวน moments เท่ากับจำนวนพารามิเตอร์ โมเดลจะ exactly identified และโดยทั่วไปสามารถทำให้ fitted moments เป็นศูนย์ได้ ไม่มีข้อจำกัดส่วนเกินให้ J statistic ตรวจสอบ ดังนั้น test มีศูนย์ degrees of freedom และไม่ได้ตรวจ overidentification การมีพารามิเตอร์มากกว่า independent moments เป็นปัญหา identification อีกแบบหนึ่ง ไม่ได้สร้าง degrees of freedom ติดลบหรือ J test ที่มีความหมาย

ให้นับ independent moment restrictions ที่มีผลจริง ไม่ใช่นับเพียงจำนวนคอลัมน์ในผลลัพธ์ซอฟต์แวร์ instruments ที่ซ้ำซ้อนหรือ moments ที่ขึ้นต่อกันเชิงเส้นอาจทำให้ effective rank ลดลง การอ้างอิงไคสแควร์ตามปกติยังต้องอาศัย identification และเงื่อนไข large-sample อื่น ๆ ค่า \(q-k\) ตามชื่อไม่สามารถแก้ moment covariance matrix ที่ singular หรือประมาณได้ไม่ดี

ในการคำนวณจริง ต้องแยกจำนวนข้อจำกัดตามทฤษฎีออกจากจำนวนข้อจำกัดที่เป็นอิสระในเชิงตัวเลข หาก instruments สองตัวให้ข้อมูลแทบเหมือนกัน หรือ moment column หนึ่งใน sample ใกล้เคียงกับผลรวมเชิงเส้นของคอลัมน์อื่น inverse ของ covariance matrix อาจไม่เสถียร ถ้าซอฟต์แวร์ตัดคอลัมน์หรือกำหนด rank ด้วย tolerance เพื่อเลี่ยงปัญหานี้ degrees of freedom ที่รายงานอาจต่างจาก \(q-k\) ที่ผู้วิจัยนับ ในกรณีนั้นควรบันทึกรายการ moments, effective rank, warnings จากการคำนวณ และการตั้งค่าซอฟต์แวร์ แทนการคัดลอก J statistic อย่างเดียว การเปลี่ยนจำนวนข้อจำกัดยังเปลี่ยน null hypothesis ที่กำลังทดสอบด้วย

สมมติโมเดลใช้ moment conditions สามข้อเพื่อประมาณพารามิเตอร์สองตัว ดังนั้น degrees of freedom ตามปกติเท่ากับ \(3-2=1\) โปรแกรมรายงาน J statistic เท่ากับ 5.4 โดยใช้วิธีถ่วงน้ำหนักที่ตั้งใจให้สอดคล้องกับ covariance assumptions ที่ระบุ ภายใต้การแจกแจงไคสแควร์หนึ่ง degree of freedom ตามปกติ จะได้ p-value ประมาณ 0.020 ที่ระดับ 5% ซึ่งกำหนดไว้ล่วงหน้า นักวิจัยจะปฏิเสธ joint null ที่ว่า population moments ทั้งสามมีค่าเป็นศูนย์

ข้อสรุปนี้แคบกว่าการกล่าวว่า “instrument ตัวที่ 2 ใช้ไม่ได้” J statistic วัดระยะแบบถ่วงน้ำหนักเพียงค่าเดียวของทั้งระบบ และไม่ระบุว่า moment ข้อใดทำให้เกิดความขัดแย้ง ผลเดียวกันอาจมาจาก instrument ที่ไม่ถูกต้อง สมการโครงสร้างที่ระบุผิด ลักษณะ dynamic ที่ตกหล่น covariance model ที่ไม่เหมาะ หรือความล้มเหลวอื่นของกรอบสมมติฐานที่ยึดไว้ ต้องใช้ diagnostics เพิ่มเติมและเหตุผลจากบริบทของงานเพื่อหาสาเหตุ

ถ้า p-value เป็น 0.20 ข้อสรุปที่ถูกต้องคือ test นี้ไม่ปฏิเสธ joint restrictions ที่ระดับที่เลือก ไม่ควรสรุปว่า “พิสูจน์แล้วว่า instruments ถูกต้อง” การไม่ปฏิเสธอาจเกิดจากข้อจำกัดมีความสมเหตุสมผล test มี power ต่ำ หรือ sample เล็กหรือมี noise มากเกินกว่าจะแยกการละเมิดได้ ควรกำหนด cutoff ก่อนตรวจ model variants หลายแบบ การค้นหาจนได้ p-value ที่ดูยอมรับได้จะสร้างปัญหาการเลือกขึ้นมาอีกอย่างหนึ่ง

Null คือชุด population restrictions ซึ่งตีความภายใต้โมเดลและ asymptotic conditions ที่กำหนด reference distribution ของ statistic เมื่อ J ปฏิเสธ อย่างน้อยบางส่วนของระบบสมมติฐานที่ยึดไว้ยากจะเข้ากับ sample ที่สังเกตได้ภายใต้น้ำหนักของ test ตัว test เองแยกไม่ได้ว่าปัญหามาจาก exclusion restriction ที่ผิด functional form ที่ไม่ถูกต้อง state dependence ที่ตกหล่น ข้อผิดพลาดในการสร้างข้อมูล หรือ long-run covariance estimate ที่ไม่เหมาะ

Test นี้ไม่ได้พิสูจน์ความเป็นเหตุเป็นผลด้วย ใน IV design overidentification test อาจประเมินได้ว่า restrictions ที่เพิ่มเข้ามาสอดคล้องกันภายใต้โมเดลหรือไม่ แต่ไม่สามารถยืนยัน exclusion restriction ของทุก instrument โดยเฉพาะเมื่อ instruments ทั้งหมดอาจมีการละเมิดร่วมกัน instrument relevance และ exclusion มีความหมายต่างกัน ใช้ first-stage และ weak-identification diagnostics ตรวจ relevance และอธิบายช่องทางเศรษฐกิจที่รองรับ exclusion

ใน linear asset-pricing application สถิติแบบ J อาจทดสอบ joint pricing restrictions ที่มาจาก factor model และชุด test assets ที่กำหนด การปฏิเสธไม่ได้ชี้ factor ที่ขาดไปโดยอัตโนมัติ และไม่ได้พิสูจน์ว่ากลยุทธ์ที่เทรดได้แบบอื่นจะทำกำไร การไม่ปฏิเสธก็ไม่ได้พิสูจน์ความจริงทางเศรษฐศาสตร์ของโมเดล คู่มือ Fama–MacBeth อธิบายวิธีประมาณ risk price ใน cross-section ที่เกี่ยวข้องและข้อจำกัดด้าน inference

Sargan test แบบดั้งเดิมเกิดขึ้นในงานประมาณค่า instrumental-variable ภายใต้ covariance assumptions ที่เข้มงวด ซึ่งโดยทั่วไปมักรวม homoskedastic errors ด้วย Hansen J test เป็น GMM overidentification statistic ที่สร้างจาก estimated moment covariance จึงสะท้อน heteroskedasticity ได้ และถ้าใช้ long-run covariance estimator ที่เหมาะสมก็สะท้อน time dependence ได้ด้วย การเรียกวิธีว่า “Hansen” ไม่ได้ทำให้ implementation robust ต่อ model misspecification ทุกชนิด การเลือก covariance และ weights ต้องตรงกับกระบวนการของ moments

สำหรับ time-series moments serial dependence เปลี่ยน long-run variance ของ sample average HAC estimate เช่น Newey–West อาจเป็นส่วนหนึ่งของ covariance calculation ที่เหมาะสม เมื่อ assumptions และ lag window ที่เลือกสอดคล้องกับข้อมูล ข้อมูล panel หรือข้อมูลแบบ clustered อาจต้องใช้ covariance construction แบบอื่น การแก้ covariance เฉพาะ standard errors ของ coefficients ไม่ได้แปลโดยอัตโนมัติว่า J objective สร้างจาก weighting matrix ที่สอดคล้องกัน

One-step, two-step และ iterated GMM อาจประมาณพารามิเตอร์โดยใช้น้ำหนักต่างกัน ใน efficient two-step procedure การประมาณ weight เองเพิ่ม sampling uncertainty ใน finite samples; standard errors และพฤติกรรมของ test อาจเปราะบาง โดยเฉพาะเมื่อมี moments จำนวนมากเมื่อเทียบกับ observations Finite-sample corrections ที่ Windmeijer ศึกษาเกี่ยวกับ variance estimation สำหรับ linear efficient two-step GMM บางกรณีเท่านั้น ไม่ใช่ correction สากลสำหรับ J statistic ทุกแบบ

J test ไม่ได้ทดสอบ instrument strength Instruments ที่มีข้อมูลน้อยอาจทำให้ parameter estimates และ conventional approximations ไม่น่าเชื่อถือ ให้ใช้วิธีที่ออกแบบมาสำหรับ weak identification แทนการมอง p-value ของ J ที่ดูสบายใจเป็น diagnostics ด้านความแข็งแรง การปรับเทียบไคสแควร์แบบ asymptotic ไม่ได้รับประกันว่า financial sample สั้น ๆ จะมีพฤติกรรมตาม asymptotic limit

การเพิ่ม instruments หรือ moment conditions อาจดูเหมือนเพิ่มข้อมูล ใน dynamic panel GMM การมี instruments มากเกินไปอาจ overfit endogenous variables และลดความสามารถของ specification tests ในการตรวจพบการละเมิด ดังนั้น p-value ที่สูงมากหลังสร้าง instrument set ขนาดใหญ่อาจไม่ได้ช่วยยืนยันมากนัก ให้รายงานจำนวน instruments, lag หรือ construction window และเปรียบเทียบกับชุดที่ลดจำนวนลงหรือ instruments ที่รวมกันอย่างมีเหตุผลเมื่อเหมาะสม

Small samples, moments ที่เกือบ collinear, covariance estimates ที่ไม่ดี, parameters ที่อยู่บนขอบเขต และ weak identification ล้วนทำให้การตีความแบบตำราใช้ไม่ได้ กรณีเหล่านี้ต้องอาศัย sensitivity analysis และ alternative inference ที่เหมาะสม แทนการสรุปกลไกว่า J “ผ่าน” หากการเลือกโมเดลเกี่ยวข้องกับการลอง instruments, lag ranges, factors หรือ sample cuts หลายแบบ ให้บันทึกการค้นหานั้นและอย่านำเสนอผลที่ดูดีที่สุดราวกับกำหนดไว้ก่อน

การลด instruments ไม่ได้ทำให้โมเดลดีกว่าโดยอัตโนมัติ การตัด conditions บางข้ออาจลด precision หรือทำให้โมเดลไม่ทดสอบข้อจำกัดทางเศรษฐกิจที่ตั้งใจไว้แต่แรก ในทางกลับกัน instrument set ที่ใหญ่เกินไปอาจทำให้การประมาณ weights ไม่เสถียรและ overfit sample อธิบายวัตถุประสงค์ของแต่ละทางเลือก และอย่าถือว่า condition หนึ่งถูกต้องเพียงเพราะซอฟต์แวร์คำนวณได้

กระบวนการ dynamic panel บางแบบรายงาน difference-in-Hansen หรือ C test สำหรับ subset ของ moment conditions เช่น block ของ instruments เพิ่มเติม โดยแนวคิดคือเปรียบเทียบโมเดล nested เพื่อถามว่า block ดังกล่าวเพิ่ม restrictions ที่เข้ากับ moments ที่คงเหลืออยู่หรือไม่ Test นี้ขึ้นอยู่กับ specification ส่วนที่เหลือ และไม่ใช่ใบรับรองแยกอิสระสำหรับ instrument แต่ละตัว

ผลต่างระหว่าง J statistics สองค่าจะมี reference distribution ก็ต่อเมื่อ nesting, estimation และ covariance conditions ที่เกี่ยวข้องเป็นไปตามเงื่อนไข โมเดลที่นำมาเทียบต้องใช้ sample และนิยาม moments ที่เข้ากันได้ รวมถึงต้องพิจารณา weights และพฤติกรรมใน finite samples ด้วย Subset test อาจมี power ต่ำเมื่อ instrument set ทั้งหมดมีขนาดใหญ่ หากทดสอบหลาย blocks ควรรายงานการเปรียบเทียบทั้งหมด ไม่ใช่เลือกมาเฉพาะผลที่เป็นประโยชน์

ระบุ sample, parameter vector, นิยาม moments, จำนวน observations, จำนวน restrictions และ effective rank ตลอดจน degrees of freedom แจ้งว่าใช้ one-step, two-step หรือ iterated GMM, ได้ weighting matrix มาอย่างไร, ยอมให้ covariance structure แบบใด และใช้ small-sample adjustment หรือไม่ รายงาน J statistic, reference distribution, p-value และ decision threshold ที่กำหนดไว้สำหรับการวิเคราะห์

แสดงจำนวนและวิธีสร้าง instruments, first-stage หรือ relevance diagnostics และ sensitivity ของ estimates ต่อการเปลี่ยน moment sets อย่างสมเหตุสมผล อธิบายเหตุผลทางเศรษฐกิจว่าทำไม instruments จึงสอดคล้องกับ timing และ exclusion argument; การที่ overidentification test ไม่ปฏิเสธใช้แทนเหตุผลนี้ไม่ได้ หากใช้ subset test ให้ระบุ subset และแบบจำลองที่นำมาเปรียบเทียบอย่างชัดเจน ดู คู่มือ endogeneity และ instrumental variables สำหรับ IV assumptions และ คู่มือ robust standard errors และ HAC สำหรับทางเลือกด้าน covariance

ทฤษฎี asymptotic GMM ของ Hansen, instrumental-variable test ของ Sargan, การวิเคราะห์ weak identification ของ Stock และ Wright, งานเรื่อง instrument proliferation ของ Roodman, การวิเคราะห์ finite-sample variance ของ two-step estimator โดย Windmeijer และ covariance estimator แบบ HAC ของ Newey และ West ครอบคลุมคนละส่วนของการออกแบบ ได้แก่ Hansen, Sargan, Stock และ Wright, Roodman, Windmeijer และ Newey และ West ผลลัพธ์ของงานเหล่านี้ใช้ได้ภายใต้สมมติฐานที่ระบุ ไม่ใช่การรับรองโมเดลเชิงประจักษ์โดยทั่วไป