[論文レビュー] Identification and Estimation of Average Causal Effects in Fixed Effects Logit Models

Laurent Davezies, Xavier D’Haultfœuille+1 more|arXiv (Cornell University)|May 3, 2021

Spatial and Panel Data Analysis被引用数 8

ひとこと要約

この論文は、最適化を回避するために極値モーメント問題を用いて、短いパネルデータにおける固定効果ロジットモデルの平均限界効果（AME）の鋭い識別境界と推定手順を提供する。2つの推定戦略を提案する：鋭い境界を求めるための半パラメトリック2段階推定量と、非パラメトリック推定を避ける単純なバイアスに配慮した方法で、真のAMEが部分的に識別可能であっても、両者とも有効な信頼区間を提供する。

ABSTRACT

This paper studies identification and estimation of average causal effects, such as average marginal or treatment effects, in fixed effects logit models with short panels. Relating the identified set of these effects to an extremal moment problem, we first show how to obtain sharp bounds on such effects simply, without any optimization. We also consider even simpler outer bounds, which, contrary to the sharp bounds, do not require any first-step nonparametric estimators. We build confidence intervals based on these two approaches and show their asymptotic validity. Monte Carlo simulations suggest that both approaches work well in practice, the second being typically competitive in terms of interval length. Finally, we show that our method is also useful to measure treatment effect heterogeneity.

研究の動機と目的

• 固定効果ロジットモデルにおける平均限界効果（AME）の識別と推定手法の不足に応えること。これは実務的関連性が極めて高いが、依然として未解決である。
• AMEは一般に部分的にしか識別されないが、極値モーメント問題を用いることで最適化を伴わずに鋭い境界を導出可能であることを示すこと。
• 2つの実用的な推定戦略の開発：1つはモーメントベクトルの非パラメトリック推定に基づくもので、もう1つは非パラメトリック推定を回避するバイアスに配慮した近似を用いるものである。
• フレームワークを平均処置効果（ATE）、平均構造関数、順序固定効果ロジットモデルへと拡張すること。
• スロープ係数がゼロであっても、弱い正則性条件のもとでAMEの漸近的有効な信頼区間を提供すること。

提案手法

• 既知のモーメントで制約された分布の上でのモーメントの最大化／最小化により、AMEの鋭い境界を極値モーメント問題を用いて導出する。
• 非パラメトリックにモーメントベクトル（1, E(U), ..., E(U^T)）を推定する半パラメトリック2段階推定量を提案し、それを変換して境界を求める。
• 初期推定量に非パラメトリックな制約を課し、変換後の推定量が有効なモーメントベクトルの範囲に留まるようにする。これは投影に類似した補正を用いる。
• より単純な代替手法として、真のAMEからの有界な距離内にある量を推定し、Donoho（1994）およびArmstrong & Kolesár（2018）のバイアスに配慮した推定を用いる。
• 正則性条件のもとで境界推定量の漸近的正規性を導出し、データ生成過程のクラス全体にわたって一様に有効であることを示す。
• 同じフレームワークをATE、平均構造関数、順序ロジットモデルへ応用し、広範な適用可能性を示す。

実験結果

リサーチクエスチョン

• RQ1 複雑な最適化問題を解かずに、固定効果ロジットモデルにおける平均限界効果の鋭い識別境界を導出可能か？
• RQ2 パrameterが部分的に識別可能である場合、AMEの有効な信頼区間をどのように構築できるか？
• RQ3 非パラメトリック推定を回避しつつ、漸近的有効性を保つより単純な推定戦略を開発可能か？
• RQ4 真のスロープ係数がゼロである場合、提案手法のロバストネスはどの程度保たれるか？
• RQ5 識別と推定フレームワークを平均処置効果や他の非線形固定効果モデルへ拡張可能か？

主な発見

• 数値最適化を伴わず、極値モーメント問題からの直接計算で平均限界効果の鋭い境界を算出可能である。
• 半パラメトリック2段階推定量は、スロープ係数がゼロであっても、境界推定量に対してroot-nの一貫性と漸近的正規性を達成する。
• バイアスに配慮した推定量は非パラメトリック推定を回避し、幅広いデータ生成過程のクラスにわたって一様に制御された漸近的有効な信頼区間を提供する。
• モンテカルロシミュレーションでは、両手法が有限標本でも良好に機能し、単純さにもかかわらずバイアスに配慮した手法がしばしば非常に競争力を持つことが示された。
• フレームワークはAMEを越えて、平均処置効果、平均構造関数、順序固定効果ロジットモデルへも適用可能である。
• 理論的結果により、標準的な正則性条件のもとで、分散推定量や正規化された残差平方和などの主要推定量の一様収束性が確認された。