[論文レビュー] Confounding and Regression Adjustment in Difference-in-Differences

Bret Zeldow, Laura A. Hatfield|arXiv (Cornell University)|Nov 27, 2019

Advanced Causal Inference Techniques参考文献 26被引用数 12

ひとこと要約

この論文は、差の差（diff-in-diff）研究における時変的交絡要因を扱うために、時間に依存しないおよび時間に依存する共変量を両方考慮する回帰調整戦略を提案する。シミュレーションを通じて、特に時刻×共変量の交互作用を含む適切に指定された回帰モデルが、バイアスを効果的に低減し、不偏な因果推定を回復できることを示している。これは、標準的なモデルやマッチング手法を上回る性能を示す。

ABSTRACT

Difference-in-differences (diff-in-diff) is a study design that compares outcomes of two groups (treated and comparison) at two time points (pre- and post-treatment) and is widely used in evaluating new policy implementations. For instance, diff-in-diff has been used to estimate the effect that increasing minimum wage has on employment rates and to assess the Affordable Care Act's effect on health outcomes. Although diff-in-diff appears simple, potential pitfalls lurk. In this paper, we discuss one such complication: time-varying confounding. We provide rigorous definitions for confounders in diff-in-diff studies and explore regression strategies to adjust for confounding. In simulations, we show how and when regression adjustment can ameliorate confounding for both time-invariant and time-varying covariates. We compare our regression approach to those models commonly fit in applied literature, which often fail to address the time-varying nature of confounding in diff-in-diff.

研究の動機と目的

• 差の差（diff-in-diff）研究における交絡要因の定義を明確にし、横断的デザインにおける伝統的な交絡と区別すること。
• 治療群ごとに異なる傾向を示し、アウトカムの傾向に影響を与える時変的共変量が、平行トレンド仮定をどのように破壊するかを特定すること。
• 差の差モデルにおける時間に依存しないおよび時間に依存する交絡要因を適切に調整する回帰戦略の開発と評価。
• 交絡が存在する状況下で、回帰調整の性能を一般的に使用されるモデルおよびマッチング手法と比較すること。
• 実応用研究者に対して、有効な因果推論を保証するためのモデル指定および共変量の取り入れ方に関する方法論的ガイダンスを提供すること。

提案手法

• diff-in-diffにおける交絡要因を、治療群ごとに異なるが、アウトカムの傾向に関連する共変量として定義する。これは、単に治療やアウトカムのいずれかにのみ関連するものではない。
• 平行トレンド仮定を、治療群と比較群における未処理潜在アウトカムの期待変化が等しいという形で形式化する。
• 時刻と共変量の交互作用項を含む回帰モデル（TVAモデル）を提案し、時変的交絡要因の調整に用いる。
• シミュレーション研究を通じて、回帰モデル（CAおよびTVAモデル）のバイアスと精度を、標準的なdiff-in-diffおよびマッチングアプローチと比較する。
• 時間に依存しないおよび時間に依存する交絡要因が、グループ間のトレンドが乖離する状況を含め、さまざまなシナリオでモデルのパフォーマンスを評価する。
• 実務的知識に基づいたモデル指定の重要性を強調し、完全なモデルの透明性と補足資料への分析コードの含め方を提言する。

実験結果

リサーチクエスチョン

• RQ1 差の差研究における交絡要因とは何か。また、横断的デザインにおける交絡とはどのように異なるか。
• RQ2 治療群ごとに異なる傾向を示し、アウトカムのトレンドに影響を与える時変的共変量は、平行トレンド仮定の妥当性にどのように影響するか。
• RQ3 時刻×共変量の交互作用を含む回帰調整は、どのような条件下で差の差推定値のバイアスを低減するか。
• RQ4 回帰ベースの調整戦略は、標準的なdiff-in-diffモデルやマッチング手法と比較して、バイアスと効率性の面でどのように異なるか。
• RQ5 時変的交絡が存在する状況で、有効な因果推論を保証するためには、研究者がどのようなモデル指定の原則に従うべきか。

主な発見

• 治療群ごとに異なるが、アウトカムのトレンドに影響を与える時変的交絡要因は、適切に調整されない限り、標準的なdiff-in-diff推定値に深刻なバイアスをもたらす。
• 時刻と共変量の交互作用を含む回帰モデル（TVAモデル）は、時変的交絡が存在する状況で、特に処置後におけるトレンドの乖離が顕著な場合に、バイアスを顕著に低減する。
• 時間に依存する交絡要因を考慮しない標準的なdiff-in-diffモデルは、共変量が処置後異なる傾向を示す状況では、顕著なバイアスを生じる。
• マッチング手法は、時変的交絡が存在する状況で、特に共変量が処置後に変化する場合、一貫して顕著なバイアスを示す。
• 適切に指定された回帰モデルは、交絡が存在しない状況でも推定の効率性を向上させ、一部のマッチング手法よりも回帰的平均回帰の問題にさらされにくい。
• 提案された回帰戦略は、パネルデータや繰り返し横断的データを含むさまざまなデータ構造に対して頑健であり、特定のモデルタイプに限定されない。