[論文レビュー] Balancing, Regression, Difference-In-Differences and Synthetic Control Methods: A Synthesis

Nikolay Doudchenko, Guido W. Imbens|arXiv (Cornell University)|Oct 25, 2016

Advanced Causal Inference Techniques被引用数 5

ひとこと要約

本稿では、合成コントロール、差の差分（DID）、回帰ベースの手法を統一的に一般化するフレームワークを提案する。このフレームワークでは、柔軟で正則化された重み（負の重みや単位和でない重みを含む）に加え、定常的な加法的シフト（永久的差分）を組み込むことができる。主な貢献は、エラスティック・ネットとベストサブセット選択を用いた柔軟で正則化された推定量の開発であり、少数または多数のコントロール単位が存在する状況においても、反実仮想推定の精度と頑健性を向上させる。3つの代表的な応用事例を通じて、バランス性と頑健性の向上が実証された。

ABSTRACT

In a seminal paper Abadie, Diamond, and Hainmueller [2010] (ADH), see also Abadie and Gardeazabal [2003], Abadie et al. [2014], develop the synthetic control procedure for estimating the effect of a treatment, in the presence of a single treated unit and a number of control units, with pre-treatment outcomes observed for all units. The method constructs a set of weights such that selected covariates and pre-treatment outcomes of the treated unit are approximately matched by a weighted average of control units (the synthetic control). The weights are restricted to be nonnegative and sum to one, which is important because it allows the procedure to obtain unique weights even when the number of lagged outcomes is modest relative to the number of control units, a common setting in applications. In the current paper we propose a generalization that allows the weights to be negative, and their sum to differ from one, and that allows for a permanent additive difference between the treated unit and the controls, similar to difference-in-difference procedures. The weights directly minimize the distance between the lagged outcomes for the treated and the control units, using regularization methods to deal with a potentially large number of possible control units.

研究の動機と目的

• パネルデータにおける因果推論のための、合成コントロール、差の差分（DID）、回帰手法を統合し、一般化するフレームワークを構築すること。
• 従来の手法に見られる制限、特に非負の重み、単位和の重み、切片項（永久的差分）なしという制約的仮定が、現実の応用で推定にバイアスをもたらす可能性があることに対処すること。
• 変動する重み、非負の重み、単位和でない重み、および定常的加法的シフト（切片）を許容する新しい推定量を開発し、反実仮想推定の頑健性とバランス性を向上させること。
• 本手法の性能を、少数または多数のコントロール単位、および前処理トレンドの違いが生じる多様な実証的状況で評価すること。
• 従来の制約を緩和することで、標準的手法がデータ制限のため失敗する状況でも、より正確で安定した反実仮想予測が得られることを示すこと。

提案手法

• 反実仮想結果がコントロール単位の結果の重み付き線形結合として表現される一般線形モデルを提案し、重みは正則化を用いて推定する。
• 負の重み、単位和でない重み、および切片項（μ）を許容する柔軟な推定量を導入し、治療群とコントロール群の間の定常的差を捉える。
• 高次元のコントロール単位の処理と過剰適合の回避のため、特にエラスティック・ネットとベストサブセット選択を用いた正則化技術を採用し、チューニングパラメータは交差検証で選択する。
• 前処理期間における治療群の結果とコントロール群の加重平均との距離を最小化する損失関数を用い、結果と共変量の両方のバランスを組み込む。
• 合成コントロール（非負、単位和の重み）、DID（等しい重み、切片あり）、マッチング（変動する重み、非負）を特別なケースとして内包する統一フレームワークを適用する。
• 2段階推定を実装：まず、前処理期間の結果と共変量のバランスを取るために正則化を用いて重みを推定し、次に、得られた反実仮想モデルを用いて治療効果を推定する。

実験結果

リサーチクエスチョン

• RQ1 合成コントロール、差の差分（DID）、回帰ベースの手法を、因果推論のためのパネルデータに適用可能な、一貫した柔軟なフレームワークに統合する方法は何か？
• RQ2 非負の重み、単位和の重み、ゼロ切片という標準的仮定を緩和することで、反実仮想推定の正確性と安定性にどのような影響が生じるか？
• RQ3 エラスティック・ネットやベストサブセット選択といった正則化手法は、コントロール単位の数が多い、または前処理期間の数が少ない状況で、推定にどのように寄与するか？
• RQ4 本手法は、標準的仮定を満たさないデータ構造（例：少数のコントロール単位、トレンドの不一致）を有する実証的状況で、従来の合成コントロールやDID推定量を上回る性能を示すか？
• RQ5 定常的加法的シフト（切片）は、現実の応用において反実仮想結果のバランス性と予測精度をどの程度向上させるか？

主な発見

• エラスティック・ネットとベストサブセット推定量は、3つの応用事例すべてにおいて、元の合成コントロールやDID手法に比べ、バランス性と予測精度の面で一貫して優れている。
• カリフォルニアの喫煙抑制事例では、1つのコントロール州と非ゼロの切片（μ = 37.6）を用いたベストサブセット推定量が、治療効果推定値 -31.5（標準誤差 20.3）をもたらし、元のADH推定量よりも大きな効果とより高い精度を示している。
• 西ドイツ再統一の事例では、エラスティック・ネット推定量が13カ国（うち2カ国が負の重み）を選択し、-882（標準誤差 1147.2）のより安定した推定値を得た。これに対して、元の合成コントロールは -1217（標準誤差がより大きい）を示した。
• マリエル・ボートラフト分析では、エラスティック・ネット推定量が治療効果を 0.11（標準誤差 0.27）と推定し、元の合成コントロールの 0.21（標準誤差 0.19）よりも精度が高く、バイアスも小さい。特に高次元のコントロールセットにおいて顕著に優位であった。
• DID推定量は等しい重みと単位和の仮定に縛られ、カリフォルニアでは -32.4、西ドイツでは 990 の治療効果を示したが、標準誤差が大きく、非効率である可能性を示唆している。
• 柔軟な重みと切片項を組み込んだ本手法により、反実仮想予測のバイアスが低減され、3つの事例すべてで治療群と合成コントロールの結果のバランスが向上していることが、実証的に示された。