간접 변분 추론: 소득 동태에의 응용

초록

잠재변수 모형은 경제학에서 핵심적이지만 종종 다루기 어려운 적분을 수반한다. 머신러닝에서 널리 사용되는 변분 추론(VI)은 우도를 변분 목적함수로 대체함으로써 이 적분을 다루기 쉽고 미분 가능한 최적화 문제로 전환한다. 그러나 변분족이 충분히 유연하지 않을 경우 실제 모수를 복원할 수 있다는 보장은 제한적이며, 이는 경제학에서 VI의 도입에 주요 장애물이 된다. 우리는 먼저 소득 역학 모형에서 VI를 평가하고, 변분 사후분포의 선택이 중요함을 보인다. 그런 다음 VI를 보조 모형으로 취급하고 변분 근사로 인한 편향을 교정하는 간접 변분 추론(IVI)을 소개한다. IVI는 우도 계산을 필요로 하지 않기 때문에 VI의 다루기 쉬운 성질을 대부분 유지한다. 우리는 이 방법들을 비선형 지속성, 비가우시안 및 계열상관된 일시적 충격, 잠재적 이질성을 허용하는 모형에 적용한다. 시뮬레이션 및 실증적 응용 전반에 걸쳐, 유연한 변분족과 IVI의 결합이 신뢰할 수 있는 추정치를 제공한다.

English

Latent-variable models are central to economics but often entail intractable integration. Variational inference (VI), widely used in machine learning, turns this integration into tractable, differentiable optimization by replacing the likelihood with a variational objective. However, guarantees of recovering the true parameters remain limited when the variational family is insufficiently flexible -- a key obstacle to the adoption of VI in economics. We first evaluate VI in models of earnings dynamics and show that the choice of variational posterior is crucial. We then introduce indirect variational inference (IVI), which treats VI as an auxiliary model and corrects the bias induced by the variational approximation. IVI retains much of VI's tractability because it does not require computing the likelihood. We apply these methods to models allowing for nonlinear persistence, non-Gaussian and serially correlated transitory shocks, and latent heterogeneity. Across simulated and empirical applications, flexible variational families combined with IVI deliver reliable estimates.

간접 변분 추론: 소득 동태에의 응용

Indirect Variational Inference: Applications to Earnings Dynamics

초록

Support