[論文レビュー] Estimation and Inference about Heterogeneous Treatment Effects in High-Dimensional Dynamic Panels

Vira Semenova, Matt Goldman+2 more|arXiv (Cornell University)|Dec 28, 2017

Advanced Causal Inference Techniques参考文献 8被引用数 7

ひとこと要約

本稿では、多数の制御変数を伴うパネルデータにおける異質的処置効果を推定するための2段階の高次元推論手法を提案する。機械学習を用いて結果と処置をデミーン化し、Lassoを用いて処置効果の異質性を推定するとともに、推定量のバイアスを補正することで妥当な推論を可能にし、未観測のユニット効果を伴う高次元設定において、点ごとの信頼区間および同時信頼領域の構築を可能にする。

ABSTRACT

This paper provides estimation and inference methods for a large number of heterogeneous treatment effects in a panel data setting with many potential controls. We assume that heterogeneous treatment is the result of a low-dimensional base treatment interacting with many heterogeneity-relevant controls, but only a small number of these interactions have a non-zero heterogeneous effect relative to the average. The method has two stages. First, we use modern machine learning techniques to estimate the expectation functions of the outcome and base treatment given controls and take the residuals of each variable. Second, we estimate the treatment effect by l1-regularized regression (i.e., Lasso) of the outcome residuals on the base treatment residuals interacted with the controls. We debias this estimator to conduct pointwise inference about a single coefficient of treatment effect vector and simultaneous inference about the whole vector. To account for the unobserved unit effects inherent in panel data, we use an extension of correlated random effects approach of Mundlak (1978) and Chamberlain (1982) to a high-dimensional setting. As an empirical application, we estimate a large number of heterogeneous demand elasticities based on a novel dataset from a major European food distributor.

研究の動機と目的

• 制御変数が多数存在するが、処置効果の異質性を決定づけるのは少数の相互作用項に限られる状況において、異質的処置効果を一貫して推定する課題に対処すること。
• 高次元パネルデータにおける処置効果係数について、点ごとの信頼区間と同時信頼領域の両方を含む妥当な統計的推論を可能にする手法を開発すること。
• MundlakとChamberlainの相関するランダム効果アプローチを高次元設定に拡張し、未観測のユニット固有効果を考慮すること。
• ヨーロッパの食品卸売業者から得た大規模で新規のデータセットを用いて、異質的需要弾力性を推定する実用的なフレームワークを提供すること。

提案手法

• まず、結果および処置の条件付き期待値を制御変数の関数として推定するために、現代の機械学習手法（例：Lasso、ランダムフォレスト）を適用し、観測された共変量の影響を除去するための残差を計算する。
• 次に、結果の残差を、制御変数と組み合わせた処置の残差と交互にした回帰においてL1正則化（Lasso）回帰を適用し、スパースで非ゼロの異質的処置効果を同定する。
• Lasso推定量の推定バイアスを補正するためのデバイアス補正手順を適用し、個々の係数に関する漸近的に妥当な推論を可能にする。
• 未観測のユニット固有効果を高次元パネルデータで適切に扱うために、相関するランダム効果モデルの高次元拡張を用いることで、推定の一貫性を保証する。
• 個々の処置効果係数の点ごとの信頼区間と、全係数ベクトルの同時信頼領域を構築する。
• 制御空間の高次元性を活用し、処置と制御変数の間の相互作用項のうち、非ゼロ効果を持つのは少数であると仮定する。

実験結果

リサーチクエスチョン

• RQ1 標本サイズに比べて制御変数の数が多い状況において、多数の異質的処置効果を一貫して推定し、推論を行うにはどうすればよいか？
• RQ2 未観測のユニット固有効果は、高次元パネルモデルにおける異質的処置効果の推定にどのような影響を与えるか？
• RQ3 機械学習を用いた残差化とLasso推定をデバイアス補正と組み合わせることで、高次元設定において妥当な推論を達成できるか？
• RQ4 実世界の食品卸売データセットにおいて、異質的需要弾力性は製品カテゴリーや顧客特性によってどのように変化するか？

主な発見

• 提案手法は、多数の潜在的相互作用の中から、高次元設定でもスパースな非ゼロの異質的処置効果を効果的に同定できた。
• デバイアス補正を施したLasso推定は、個々の係数に関する妥当な点ごとの信頼区間および同時信頼領域を提供し、信頼性の高い統計的推論を可能にした。
• 相関するランダム効果モデルの高次元への拡張は、未観測のユニット固有の異質性を効果的に制御し、推定量の一貫性を向上させた。
• 実応用の結果、製品カテゴリーや顧客タイプごとに需要弾力性の顕著な異質性が明らかとなり、一部の弾力性は平均値から著しく乖離していた。
• バイアスを低減し、有限標本でも信頼区間のカバレッジを維持する点で、従来の手法に比べて本手法は優れた性能を示した。
• 機械学習による残差化の活用により、高次元の条件付き期待値を柔軟にモデル化することで、処置効果推定の精度が向上した。