効用関数のパラメータ推定法：最大尤法と一般化最小二乗法

経済計量学において、効用関数のパラメータを正確に推定することは、消費行動の理解や政策評価の基礎となります。その際、**最大尤法（Maximum Likelihood Estimation, MLE）と一般化最小二乗法（Generalized Least Squares, GLS）**は、それぞれ異なる前提条件と強みを持つ代表的な推定手法です。本稿では、両者の特性、適用条件、および実務上の選択基準について解説します。

推定手法の基本的な違い

効用関数の推定において、データの種類と誤差構造が手法の選択を決定づけます。最大尤法は、観測データの発生確率（尤度関数）を最大化することでパラメータを決定する確率的アプローチです。一方、一般化最小二乗法は、誤差項が相関や異方性を持つ場合でも、最小二乗法の性質を保持しつつ推定精度を向上させるための修正手法です。

両者の根本的な違いは、誤差項の分布仮定にあります。

最大尤法は、誤差項が特定の確率分布（例：正規分布、ロジスト分布）に従うことを前提とします。
一般化最小二乗法は、線形モデルにおける誤差項の相関構造（コリネーション構造）を明示的に考慮し、その逆行列を用いて重み付けを行います。

最大尤法の適用性と特徴

最大尤法は、効用関数推定において特に強力な候補となります。その主な理由は、非線形モデルへの適応力と統計的効率性にあります。

非線形モデルへの対応: 多くの効用関数（例：ロジスティック効用関数）はパラメータに対して非線形な関係を示します。この場合、最小二乗法は適用できず、最大尤法が唯一の標準的な選択肢となります。
正規性仮定の柔軟性: 誤差項が正規分布に従わない場合でも、適切な尤度関数を設定することで、パラメータの推定精度を維持できます。
統計的推論の容易さ: 尤度関数の性質を利用することで、パラメータの推定量の分散や標準誤差を計算しやすく、仮説検定を行うことが一般的です。

ただし、最大尤法は計算コストが高く、特にパラメータ数が多くなると数値計算上の不安定性（収束問題）が生じるリスクがあります。

一般化最小二乗法の役割と限界

一般化最小二乗法は、誤差項に相関や異方性が存在する線形モデルにおいて優位性を発揮します。効用関数の推定において、特にパネルデータやクロスセクションデータ間で誤差が相関を持つ場合、通常の最小二乗法（OLS）は推定量の非効率性を招きます。

相関構造の考慮: GLS は誤差項の共分散行列を逆行列化し、各観測値に適切な重みを与えます。これにより、無効な推定量を効率的なものに変換します。
線形性への依存: GLS はモデルが線形であるという強い仮定を必要とします。効用関数が非線形である場合、GLS は直接的に適用できず、線形近似を行う必要があるため、近似誤差が生じる可能性があります。
計算の複雑さ: 共分散行列の逆行列を計算する過程で、行列が病弱（ill-conditioned）になることがあり、数値計算が困難になる場合があります。

実務における選択基準と結論

効用関数のパラメータ推定を行う際、以下の点を考慮して手法を選択することが重要です。

モデルの線形性: モデルが厳密に線形か、それとも非線形か。非線形の場合は最大尤法が必須となります。
誤差項の分布: 誤差項が正規分布に従うか、あるいは特定の分布に従うか。
誤差の構造: 誤差項に相関や異方性が存在するか。存在する場合、GLS を用いることで推定精度を向上できます。
データ量と計算リソース: データ量が少ない場合、最大尤法は不安定になる可能性があります。

結論として、最大尤法は非線形モデルや複雑な分布構造を持つ現代の経済データ分析において、最も汎用性が高く信頼性の高い手法です。一方、一般化最小二乗法は、誤差の相関構造が明確で線形モデルが成立するケースにおいて、計算効率と精度のバランスを重視する際の有力な選択肢となります。

実際の研究や実務では、両者の推定結果を比較検討し、モデルの適合度や統計的検定結果に基づいて、より妥当なパラメータ推定を行うことが推奨されます。