[論文レビュー] Design-Robust Two-Way-Fixed-Effects Regression For Panel Data

Dmitry Arkhangelsky, Guido W. Imbens+2 more|arXiv (Cornell University)|Jul 29, 2021

Advanced Causal Inference Techniques参考文献 43被引用数 4

ひとこと要約

本稿では、処置割り当てメカニズムのモデルから導かれるユニット固有の重みを組み込んだ、デザインに頑健な二方向固定効果推定量を提案する。この推定量は、処置割り当てモデルまたはアウトカムモデルのいずれかが正しく指定されていれば一貫性を保つ強力な二重ロバスト性を達成し、処置の段階的導入やモデル誤指定が生じる状況において、従来の二方向固定効果よりも優れた推論を可能にする。

ABSTRACT

We propose a new estimator for average causal effects of a binary treatment with panel data in settings with general treatment patterns. Our approach augments the popular two-way-fixed-effects specification with unit-specific weights that arise from a model for the assignment mechanism. We show how to construct these weights in various settings, including the staggered adoption setting, where units opt into the treatment sequentially but permanently. The resulting estimator converges to an average (over units and time) treatment effect under the correct specification of the assignment model, even if the fixed effect model is misspecified. We show that our estimator is more robust than the conventional two-way estimator: it remains consistent if either the assignment mechanism or the two-way regression model is correctly specified. In addition, the proposed estimator performs better than the two-way-fixed-effect estimator if the outcome model and assignment mechanism are locally misspecified. This strong double robustness property underlines and quantifies the benefits of modeling the assignment process and motivates using our estimator in practice. We also discuss an extension of our estimator to handle dynamic treatment effects.

研究の動機と目的

• 処置割り当てが非ランダムであるか、モデルが誤って指定されている場合に、従来の二方向固定効果（TWFE）回帰が示す限界を解消すること。
• 因果推論の頑健性を向上させるために、処置割り当てメカニズムを明示的にモデル化する新しい推定量の開発。
• 割り当てモデルおよびアウトカムモデルが正しく指定されている場合、および誤って指定されている場合の両方において、推定量の理論的性質の確立。
• 段階的導入デザインにおける動的処置効果を扱うためのフレームワークの拡張。
• 実応用における期間モデルを用いた割り当てメカニズムの推定に関する実用的指針の提供。

提案手法

• 標準的なTWFE回帰に、処置割り当てプロセスのモデルから導かれるユニット固有の重み $\gamma_i$ を追加する。
• 真の割り当てモデルと一般化された感受性スコアを用いて、オракル重み $\gamma^\star$ を構築し、設計に基づく推論の妥当性を保証する。
• 処置経路 $\mathbf{W}_i$ のサポートに基づいて重みを決定する非線形方程式を用い、特に段階的導入のような一般的な設計に対して解を導出する。
• 割り当てモデルまたはアウトカムモデルのいずれかが近似的に正しい場合に推定量が一貫性を保つことを示すことにより、二重ロバスト性を確立する。
• 集約化された補正逆確率重み付け（AIPW）推定量を用いて動的処置効果に拡張し、バイアスを低減するためのクロスフィッティングを導入する。
• 特に段階的導入設定において、期間モデルを用いてデータから割り当てメカニズムを推定することで、実用的実装を可能にする。

実験結果

リサーチクエスチョン

• RQ1 処置割り当てメカニズムが複雑または誤って指定されている場合に、パネルデータにおける二方向固定効果推定量の頑健性をどのように向上させられるか。
• RQ2 割り当てモデルまたはアウトカムモデルのいずれかが誤って指定されていても、提案された重み付き推定量が一貫性を保つための条件は何か。
• RQ3 処置割り当てに関する設計ベースの仮定を組み込むことで、推論を向上させるユニット固有の重みを構築できるか。
• RQ4 効果の異質性が存在する有限標本において、提案された推定量は従来のTWFEや他の頑健な推定量と比べてどのように性能を発揮するか。
• RQ5 AIPW推定量に固定効果を含めた場合の影響は何か。また、クロスフィッティングは短いパネルにおいて二重ロバスト性を回復できるか。

主な発見

• 提案された推定量は強力な二重ロバスト性を達成する：割り当てモデルまたはアウトカムモデルのいずれかが正しく指定されていれば一貫性を保つ。
• オラクル推定量 $\hat{\tau}(\gamma^\star)$ は、割り当てモデルが正しく指定されていれば、アウトカムモデルの指定にかかわらず有効であり、設計に基づく推論を可能にする。
• 有限標本において、アウトカムモデルと割り当てメカニズムの両方が局所的に誤って指定されている場合、従来のTWFEを上回る性能を示す。
• 推定された固定効果を含む集約AIPW推定量は、アウトカムモデルの推定と処置割り当ての間に依存関係があるため、二重ロバストではない。特に短いパネルにおいて顕著である。
• 固定効果を推定する際、クロスフィッティングはバイアスを解消しない。これは、$T$ が小さい設定においてユニット固定効果を推定する課題を浮き彫りにする。
• 段階的導入デザインにおける期間モデルを用いた実応用により、割り当てメカニズムの一貫性のある推定が可能となり、実用的実装を支援する。