잠재 회귀변수의 다중 비선형 측정에 대한 부분 식별
Partial Identification with Multiple Nonlinear Measurements of a Latent Regressor
우리는 회귀변수가 잠재 변수이며, 잠재 변수의 매끄럽지만 비선형일 수 있는 함수인 다중의 노이즈가 섞인 측정치를 통해서만 관측되는 경우의 선형 회귀를 연구한다. 이 문제는 인공지능에 대한 직업적 노출 측정에서 특히 두드러지며, 경쟁하는 점수들은 하류 추정치가 11배까지 차이나게 만든다. 어떤 단일 측정치에 대한 회귀도 구조적 계수가 아니라 출처별 계수를 복원한다. 우리는 합의 측정 함수가 선형이어야 한다는 요건으로 잠재 척도를 고정하고, 기울기에 대한 출처 간 남은 곡률 이질성을 경계한다. 이 경계 하에서 구조적 계수는 대칭적 교차-출처 추정량을 중심으로 한 폐형 구간 안에 놓인다. 이 구간은 알려지지 않은 출처 적재(loading)에 불변이며, 그 반폭은 곡률 경계에 대해 2차이고 같은 차수까지 날카롭다. 적어도 4개의 측정치가 있으면, 분할-도구 보조 회귀를 통해 출처들의 결합분포로부터 경계를 추정할 수 있으며, Stoye 임계값을 사용하는 Imbens-Manski 신뢰구간은 점 식별 경계에서도 포함하여 곡률 클래스 전체에 대해 균일한 포괄률(uniform coverage)을 달성한다. 응용에서는 6개의 노출 측정치를 2015년부터 2024년까지 888만 person-year 관측치로 구성된 American Community Survey 패널에 매칭한다. 2022년 이후 고용 계수는 언어 모델 측정치와 Webb 특허 텍스트 측정치 사이에서 부호가 바뀌며, 사전(ex ante) 요인분석 규칙은 Webb 측정치를 별개의 구성개념(construct)으로 분리한다. 유지된 5개 출처는 적재 불변 합의 계수 -0.239를 산출하며, 부분 식별 반폭은 점 추정치의 1.23%이거나, 곡률에 대한 단측 95% 상한에서는 1.88%이다. 우리는 응용을 AI 대체(displacement)에 대한 인과 추정이 아니라 측정 조정(reconciliation)으로 해석한다.