[論文レビュー] How Robust are Robustness Checks?

Brenda Prallon|arXiv (Cornell University)|Feb 22, 2026

Advanced Causal Inference Techniques被引用数 0

ひとこと要約

この論文は、ロバスト性チェックと主要仕様の距離を定量化する形式的なテスト inverted 指標である robustness radius を提案し、モーメント不等式テストと賃金データへの適用を用いる。

ABSTRACT

Robustness checks are routine in empirical work, but there is no standard statistical procedure to formally measure what one can learn from them. I propose a "robustness radius" measure to quantify the amount by which the robustness checks estimands differ from the main specification estimand. I do so by framing robustness checks as explicitly biased regressions, clarifying what exactly the estimands are when comparing multiple regressions with slightly different samples, and applying a test from the moment inequalities literature. The robustness radius is easily interpretable and adapts to sampling uncertainty and correlation across regressions. An application shows that, although assessing overall robustness is context-specific, the robustness radius guides those judgments and improves transparency.

研究の動機と目的

• ロバスト性半径を主要推定量とロバスト性チェックとの距離として定義する。
• ロバスト性チェックをサブサンプル条件付けを伴うbiased回帰として位置付ける。
• サンプリング不確実性と推定量相関を考慮した、テストベースで解釈可能な測度を提供する。
• 既存のロバスト性文献と比較し、限界を議論する。
• ロバスト性半径の適用指針と解釈を実証する。

提案手法

• 潜在的に異なる共変量と代理指標を持つ m+1 の仕様を設定する。
• 帰無仮説 H0: max_j |theta0 - thetaj| <= b およびロバスト性半径 RR(b) を棄却されない最小の b として定義する。
• Cox and Shi (2022) のモーメント不等式テスト（CC および RCC）をテスト反転アプローチで用い、b_RR(alpha) を取得する。
• Frisch–Waugh–Lovell 分解を用いて theta_j|d_j=1 を観測可能モーメントに関連付け、欠測データを扱うために無条件モーメントとして書き換える。
• 推定量を積み重ねた theta_j として表現し、絶対値不等式を捉える行列 A によってモーメント条件を定式化する。
• 完全なロバスト性（b_RR = 0）と符号に関するロバスト性を定義して解釈する。

実験結果

リサーチクエスチョン

• RQ1 主要仕様推定量とロバスト性チェックとの距離をどのように定量化できるか。
• RQ2 ロバスト性半径はロバスト性チェック間のサンプリング不確実性と相関構造が異なる場合にどう振る舞うか。
• RQ3 実証的なロバスト性分析における b_RR の実務的解釈は何であり、それが結論をどう導くべきか。
• RQ4 既存のロバスト性テストは提案されたロバスト性半径とどのように関連し、半径がより情報量を持つのはどんな場合か。

主な発見

• ロバスト性半径はロバスト性チェック間の分散と相関に適応し、主要推定区間内にロバスト性推定値があってもゼロでなくてもよい。
• 半径はモーメント不等式テストのテスト反転によって計算され、CC および RCC の派生は前提条件の下で一様に有効な検定を提供する。
• 推定量間の高い相関は、真のギャップがサンプリングノイズに比して小さい場合に b_RR を最大の真の距離に近づける。
• シミュレーションでは、b_RR の分布と大きさは相関構造とロバスト性チェックの数に依存し、より正確なチェックは平均して小さな半径をもたらす。
• RCC 派生は結合不等式が少ない場合により強力になり、一部の場合には片側検定のように振る。
• このアプローチは複数のチェックを横断してロバスト性を要約できる透明で解釈可能な測度を提供し、実データの例（例：賃金設定研究）に適用可能である。