[論文レビュー] Estimation and Inference on Heterogeneous Treatment Effects in High-Dimensional Dynamic Panels under Weak Dependence

В. М. Семенова, Matt Goldman+2 more|arXiv (Cornell University)|Dec 28, 2017

Advanced Causal Inference Techniques被引用数 5

ひとこと要約

本稿は、弱い依存性下での高次元動的パネルデータにおける異質的処置効果のための、新たな直交化推定および推論フレームワークを提案する。最初の段階では機械学習を用いたクロスフィットド残差学習を、2番目の段階ではCATEのデバイアス除去推論を採用する。主な貢献は、高次元設定下でもCATEパラメータの√n漸近正規性を確立した点であり、弱い依存性下でも頑健性を保証する、新しい「隣接セルを除いたクロスフィット」手法により実現された。

ABSTRACT

This paper provides estimation and inference methods for a conditional average treatment effects (CATE) characterized by a high-dimensional parameter in both homogeneous cross-sectional and unit-heterogeneous dynamic panel data settings. In our leading example, we model CATE by interacting the base treatment variable with explanatory variables. The first step of our procedure is orthogonalization, where we partial out the controls and unit effects from the outcome and the base treatment and take the cross-fitted residuals. This step uses a novel generic cross-fitting method we design for weakly dependent time series and panel data. This method "leaves out the neighbors" when fitting nuisance components, and we theoretically power it by using Strassen's coupling. As a result, we can rely on any modern machine learning method in the first step, provided it learns the residuals well enough. Second, we construct an orthogonal (or residual) learner of CATE -- the Lasso CATE -- that regresses the outcome residual on the vector of interactions of the residualized treatment with explanatory variables. If the complexity of CATE function is simpler than that of the first-stage regression, the orthogonal learner converges faster than the single-stage regression-based learner. Third, we perform simultaneous inference on parameters of the CATE function using debiasing. We also can use ordinary least squares in the last two steps when CATE is low-dimensional. In heterogeneous panel data settings, we model the unobserved unit heterogeneity as a weakly sparse deviation from Mundlak (1978)'s model of correlated unit effects as a linear function of time-invariant covariates and make use of L1-penalization to estimate these models. We demonstrate our methods by estimating price elasticities of groceries based on scanner data. We note that our results are new even for the cross-sectional (i.i.d) case.

研究の動機と目的

• 未観測のユニット固有効果を伴う高次元動的パネルデータにおける異質的処置効果の推定と推論の課題に取り組む。
• 高次元の制御変数と弱い依存性が存在する状況下で、従来の2段階推定量のバイアスおよび非有効性の問題を克服する。
• 説得変数の数が標本サイズとともに増大する状況下でも、CATE関数に対する有効な推論を可能にする手法を開発する。
• 2段階目の推論の有効性を損なわせることなく、最初の段階で現代の機械学習手法を適用できるようにする。
• 弱い依存性下でのCATEパラメータの同時推論を理論的に裏付けたフレームワークを提供し、横断的および動的パネル設定の両方に拡張可能である。

提案手法

• 弱い依存性下での理論的妥当性を保証するため、ストラッセンのカップリングを用いて、制御変数およびユニット効果に関して、結果変数と処置変数を直交化する、新しい「隣接セルを除いたクロスフィット」手順を適用する。
• 制御変数およびユニット効果を部分的に除去した残差化された結果変数と処置変数を、2段階目のCATE推定の入力として使用する。
• 残差化された結果変数を、残差化された処置変数と説得変数の積に回帰する直交（残差）学習器—Lasso CATE—を実装し、CATEが低次元的である場合に単一段階推定量よりも高速な収束を達成する。
• Lasso CATE推定量に対してデバイアス処理を施し、漸近的に正規分布に従う推論を可能にし、高速ブートストラップ法を用いて同時信頼区間を構築する。
• ユニット固有効果を、ムンドラック（1978）モデルからの弱いスパースな逸脱としてL1正則化を用いてモデル化し、動的パネルにおける高次元固定効果を可能にする。
• CATE関数が低次元的である場合には最終段階で通常最小二乗法を用い、弱い依存性を持つデータに対する高次元中心極限定理により理論的根拠を提供する。

実験結果

リサーチクエスチョン

• RQ1 データに弱い依存性が見られる高次元動的パネルにおいて、異質的処置効果に対する有効な推論が可能か？
• RQ2 最終段階の推論にバイアスをもたらさずに、CATE推定の最初の段階で機械学習手法を信頼性を持って使用する方法は何か？
• RQ3 高次元的かつ弱い依存性下でのCATE推定量の収束速度は何か？また、オラクル効率性を達成するか？
• RQ4 弱い依存性下で複数のCATEパラメータに対する同時推論を、有効な被覆率を保ちながらどのように行うか？
• RQ5 提案手法は、価格弾力性のスキャナーデータのような実世界のデータに適用可能であり、理論的保証を伴うか？

主な発見

• 提案手法は、高次元設定下でもCATEパラメータの√n漸近正規性を達成し、真のヌイアンス関数を知っているオラクル推定量と同等の収束速度を達成する。
• 「隣接セルを除いたクロスフィット」手法により、最初の段階の推定誤差が2段階目の推論に影響しなくなり、弱い依存性下でも有効な漸近的分布理論が保証される。
• CATE関数がヌイアンス回帰関数よりも単純である場合、Lasso CATE推定量は単一段階回帰ベース推定量よりも高速に収束する。
• デバイアス除去されたLassoを用いた推論により、高速ブートストラップ法を用いて被覆率が正しい同時信頼区間を構築可能である。
• 理論的結果は横断的i.i.d.ケースにも成立し、本フレームワークは動的パネルを超えた応用においても新規性と適用可能性を有する。
• 実データとしての食料品価格弾力性推定への応用により、本手法の実用的有用性および実世界の設定下での頑健性が示された。