1 概要
ハウスマン検定は、複数の推定方法のうち、どちらの結果を採用するのが妥当かを判断するための統計的手法である。計量経済学で広く用いられ、特定の仮定が正しければより精密に推定できる方法と、仮定が緩やかで適用範囲が広い方法を比較する。
この検定の中心的な発想は、両者が同じ母集団パラメータを推定しているなら、仮定が満たされる場合に効率の高い推定量を優先できるという点にある。逆に、推定結果に体系的な差が見られれば、強い仮定の妥当性に疑問が生じる。
1.1 検定の目的
目的は、候補となる推定法のうち、より強い前提に依存するものが信頼できるかどうかを確かめることである。典型的には、固定効果とランダム効果の比較のように、仮定の違いが推定値へ与える影響を検証する。
実務では、単に数値の差を見るのではなく、その差が偶然のばらつきとして説明できるかを評価する。これにより、モデル選択に統計的な根拠を与える。
1.2 基本的な考え方
基本原理は、二つの推定量がともに正しい場合には大きく食い違わないはずだ、という仮定に立つ。片方がより効率的で、もう片方がより一般的であるとき、両者の差が小さければ強い仮定を受け入れやすい。
一方で、差が有意に大きいときは、強い仮定が破れている可能性が高い。その場合は、一般的な推定法を採るほうが安全とされる。
1.3 他の検定との関係
この検定は、モデル選択のための比較検定として位置づけられる。尤度比検定やワルド検定のように単一モデル内の制約を調べるものとは異なり、複数の推定量の整合性を見ている点が特徴である。
また、過剰識別検定と似た場面で現れることがある。いずれも、仮定とデータの整合性を確かめるという意味で、推定枠組みの妥当性評価に関わる。
2 理論的背景
ハウスマン検定の理論は、推定量の性質差を利用している。推定量が同じ対象を別の仮定の下で与えるとき、その期待値と分散の構造を比較することで、どの推定法が適切かを判断できる。
2.1 推定量の比較
比較の対象は、同一パラメータを推定する二つの推定量である。通常、一方は仮定が強い分だけ効率が高く、もう一方は頑健だが精度で劣ることがある。
2.1.1 一致性
一致性とは、標本が大きくなるにつれて推定値が真の値へ近づく性質を指す。ハウスマン検定では、少なくとも一方の推定量が一致していることが重要であり、比較の土台になる。
一致性が保たれていれば、標本誤差は大きくても、十分大きなデータで真値に収束することが期待できる。この性質により、推定量の差を漸近的に評価できる。
2.1.2 効率性
効率性は、推定量の分散が小さいほど高いとみなされる性質である。仮定が正しいなら、より制約の多い方法が小さな分散を持つことが多い。
ただし、効率の高さは仮定の成立を前提にしている。前提が崩れると、見かけの精密さよりも推定の偏りが問題になるため、効率だけで手法を選ぶことはできない。
2.2 帰無仮説と対立仮説
帰無仮説は、両推定量の差が偶然の範囲に収まり、強い仮定が成り立っているという主張である。対立仮説は、その仮定が破れており、二つの推定法が系統的に異なるという立場を取る。
この枠組みでは、帰無仮説が棄却されなければ強い仮定に基づく推定を採用できる可能性がある。棄却された場合は、より一般的な推定量へ切り替えるのが通例である。
2.3 漸近理論
ハウスマン検定は、標本が大きいときの近似理論に基づいている。検定統計量は、通常、漸近的にカイ二乗分布に従うとされる。
この性質により、有限標本での厳密な分布を知らなくても、近似的な有意性判断が可能になる。実際の分析では、大標本近似の妥当性が重要な前提となる。
3 計算方法
計算は、二つの推定量の差を数値化し、その差が偶然に生じたものかを分散情報を用いて評価する形で行われる。手順自体は単純だが、行列の扱いを伴うため、理論的な整理が必要である。
3.1 検定統計量の構成
検定統計量は、推定値の差と、その差の分散構造から作られる。差が大きくても不確実性が高ければ棄却にはつながりにくく、逆に差が小さくても分散が極めて小さければ有意となることがある。
3.1.1 推定値の差
まず、二つの推定法で得られた係数ベクトルの差を取る。この差は、仮定の違いがどの程度結果に反映されているかを示す中心的な量である。
差がゼロに近ければ、両方法の整合性が高いと考えられる。反対に、特定の係数だけが大きく乖離する場合は、その部分に関する仮定が疑われる。
3.1.2 分散共分散行列
次に、推定値の差の不確実性を分散共分散行列で調整する。これは、単なる絶対差ではなく、推定量のばらつきの大きさを考慮して比較するために必要である。
行列が適切に構成されると、差の大きさを標準化できる。これにより、異なる尺度の係数でも一貫した判断が可能になる。
3.2 自由度の設定
自由度は、比較するパラメータの数に対応する。一般には、検定統計量のカイ二乗分布の自由度として、差分ベクトルの次元が用いられる。
自由度が正しく設定されていないと、有意性判断がずれるおそれがある。したがって、どの係数が検定対象なのかを明確にすることが重要である。
3.3 有意性の判定
有意性の判定では、計算された統計量を基準分布と照合する。得られたp値が十分小さければ、帰無仮説を棄却する。
実務上は、数値の大小だけでなく、棄却したときにどの推定法を採用するかまで含めて解釈する。検定は最終判断の補助であり、単独で結論を完結させるものではない。
4 応用
ハウスマン検定は、パネルデータや操作変数法など、複数の推定戦略を比較する場面で重宝される。どの推定法が適しているかを、仮定の強さと推定精度の兼ね合いから判断できるためである。
4.1 パネルデータ分析
パネルデータでは、個体ごとの観測されない特性が推定結果に影響する。ハウスマン検定は、その特性と説明変数の相関をどう扱うかを判断する手段としてよく使われる。
4.1.1 固定効果モデル
固定効果モデルは、個体ごとの不変な要因を明示的に制御する方法である。説明変数と個体特性が相関していても、一貫した推定が得られやすい。
この方法は頑健だが、時不変の変数を評価しにくいという制約がある。したがって、分析目的によっては柔軟性が十分でないこともある。
4.1.2 ランダム効果モデル
ランダム効果モデルは、個体差を確率的な成分として扱う。仮定が満たされれば、固定効果よりも効率的な推定が期待できる。
ただし、個体特性と説明変数が独立であることが重要である。この条件が破れると、推定値に偏りが入り、解釈が難しくなる。
4.2 操作変数法
操作変数法では、内生性への対処に関連して、複数の推定結果を比較することがある。ハウスマン型の検定は、操作変数の妥当性や、推定法の整合性を確認する文脈で現れる。
特に、内生変数を含むモデルで、異なる推定量がどの程度一致するかを調べることで、仮定の健全性を点検できる。
4.3 事例分析
実証研究では、所得、教育、企業行動、医療利用などのデータで使われることが多い。たとえば、個体特性が説明変数と関連しているかどうかを確認し、固定効果を採るべきか判断する。
事例分析では、検定結果だけでなく、データの構造や理論的背景も併せて見る必要がある。同じp値でも、研究目的によって望ましい推定法は変わりうる。
5 解釈と限界
ハウスマン検定は便利だが、万能ではない。結果の読み取りには、統計的な有意性と実質的な意味を分けて考える姿勢が欠かせない。
5.1 結果の読み方
棄却されなければ、強い仮定を持つ推定法が支持されたとみなされることが多い。ただし、それは仮定が完全に証明されたことを意味しない。
逆に棄却された場合は、より一般的な方法が望ましい可能性を示す。とはいえ、どの仮定が破れたのかまでは直接示さないため、追加の診断が必要になる。
5.2 前提条件
この検定は、比較対象の少なくとも一方が適切に設定されていることを前提とする。また、大標本近似に依存するため、標本規模が十分でないと近似精度が落ちる。
さらに、推定量の分散が正しく評価されていることも重要である。標準誤差の計算が不適切だと、検定の信頼性が損なわれる。
5.3 注意点
実務では、検定結果を機械的に採用せず、モデル仕様やデータの質を点検する必要がある。推定法の選択は、統計的判定と理論的整合性の両方で決めるのが望ましい。
5.3.1 標本の大きさ
標本が小さい場合、漸近的な基準に基づく判定は不安定になりやすい。とくに、係数の数が多いと、統計量の分布近似が粗くなることがある。
そのため、小標本では補助的な検証や感度分析を併用することが推奨される。複数の角度から結果を確かめると、解釈の過信を避けられる。
5.3.2 モデルの誤指定
モデルの形が誤っていると、検定自体の前提が崩れる。説明変数の欠落、関数形の不適合、誤った誤差構造などがあると、推定量の比較が意味を失うことがある。
このため、ハウスマン検定はモデル診断の一部として使うのが適切である。単独の合否判定ではなく、仕様確認の流れの中で位置づけるべきである。