[論文レビュー] Bias-Aware Inference in Fuzzy Regression Discontinuity Designs

Claudia Noack, Rothe, Christoph|arXiv (Cornell University)|Jun 11, 2019

Fuzzy Systems and Optimization被引用数 5

ひとこと要約

本稿は、局所線形推定量を用いたインストゥルメンタル変数モデルにおけるAnderson-Rubin統計量にインspiredされた、不恰好な回帰不連続デザイン（FRD）における局所平均処置効果のバイアスに配慮した信頼集合（CS）を提案する。従来のデルタ法に基づく推論とは異なり、この手法はバイアスを明示的に取り入れており、弱識別性、離散的な走行変数、ドーナツ型デザインの下でも有効であり、2次微分が有界な条件付き平均関数の広いクラスにわたって一貫した被覆を実現する。

ABSTRACT

We propose new confidence sets (CSs) for the regression discontinuity parameter in fuzzy designs. Our CSs are based on local linear regression, and are bias-aware, in the sense that they take possible bias explicitly into account. Their construction shares similarities with that of Anderson-Rubin CSs in exactly identified instrumental variable models, and thereby avoids issues with "delta method" approximations that underlie most commonly used existing inference methods for fuzzy regression discontinuity analysis. Our CSs are asymptotically equivalent to existing procedures in canonical settings with strong identification and a continuous running variable. However, due to their particular construction they are also valid under a wide range of empirically relevant conditions in which existing methods can fail, such as setups with discrete running variables, donut designs, and weak identification.

研究の動機と目的

• 従来のデルタ法に基づく推論の限界、特に弱識別性、離散的な走行変数、またはドーナツ型デザインの下での問題を是正すること。
• 標準の漸近的近似が失敗する有限標本における潜在的バイアスに対して頑健な信頼集合を開発すること。
• 走行変数の分布や識別力にかかわらず、2次微分が有界な条件付き平均関数のクラスにわたって一貫した被覆（正確な漸近的被覆）を保証する誠実な推論を実現すること。
• 既存の手法が誤った被覆を生じがちであるが、実務的によく見られるが困難な設定にFRD推論の適用範囲を拡大すること。

提案手法

• この手法は、インストゥルメンタル変数モデルにおけるAnderson-Rubin統計量の構造を模倣した局所線形回帰推定量に基づく信頼集合を構築する。
• テスト統計量の漸近的分布から導かれるバイアス補正済みの臨界値を用いることで、推論手順にバイアスを明示的に組み込む。
• 信頼集合は、バイアス補正済みのピロティカル量に基づくテスト統計量が有意水準αで帰無仮説を棄却しないパラメータ値の集合として定義される。
• バンド幅選択はデータ駆動的で適応的であり、信頼集合の長さを最小化しつつ有効な被覆を維持する手順を用いる。
• 推定処置効果とその標準誤差をバイアス補正したピロティカル統計量に依存するが、バイアスに頑健な近似に基づき、非心t分布から臨界値を導出する。
• 被覆変数と処置変数の変換を用いて、帰無仮説の下でピロティカルであるテスト統計量を構築し、異分散性とバイアスに対して頑健性を確保する。

実験結果

リサーチクエスチョン

• RQ1 弱識別性下で、第一段階のF統計量が低く標準誤差が膨張する場合、不恰好な回帰不連続デザインにおける信頼集合は正しい被覆を維持できるか？
• RQ2 離散的または不規則に支持される走行変数に対して、推論をどのようにして、従来のデルタ法近似の滑らかさ仮定を満たさない状況でも頑健にすることができるか？
• RQ3 2次微分が有界な関数の広いクラス、特に走行変数の分布にかかわらず、一様に有効な信頼集合を構築することは可能か？
• RQ4 走行変数が離散的であるか、またはカットオフ付近でデータが除外される（ドーナツ型デザイン）場合、バイアスに配慮した信頼集合はデルタ法に基づく区間と比べて被覆精度で優れているか？
• RQ5 漸近的正規性やデルタ法近似に依存せず、誠実な被覆を維持する信頼集合を構築することは可能か？

主な発見

• 提案された信頼集合は、2次微分が有界な条件付き平均関数のクラスにわたって一様に有効（誠実）であり、走行変数の分布や識別力にかかわらず、正しい漸近的被覆を保証する。
• この手法は離散的な走行変数やドーナツ型デザインの下でも正しい被覆を維持するが、これは従来のデルタ法推論が有効でない漸近的近似に起因する。
• 連続的な走行変数と強い識別性を有する標準的設定では、提案された信頼集合はバイアスに配慮したデルタ法区間と漸近的に同等であり、効率性を損なわない。
• 弱識別性に対しても頑健である。これは、バイアスを明示的に取り入れており、第一段階のF統計量が低い場合に崩壊するデルタ法の正規近似に依存していないためである。
• 実応用の結果から、走行変数のサポートが制限されている場合や処置割り当てが弱い場合、既存の手法で一般的に見られる反保守的被覆問題を回避する。
• 標準的な正則性条件の下で有効性が確立されており、強い識別性の下で既存手法と漸近的に同等であることが確認されており、標準的状況では効率性を犠牲にしない。