[論文レビュー] Improving Inference from Simple Instruments through Compliance Estimation

Stephen Coussens, Jann Spiess|arXiv (Cornell University)|Aug 8, 2021

Advanced Causal Inference Techniques被引用数 12

ひとこと要約

本稿では、観測値の推定された適合度（すなわち、共変量を条件としたインストルメントの影響を受ける条件付き確率）に応じて重みを付けることで、因果効果推定の精度を向上させる適合度加重型道具変数（IV）推定量を提案する。適合度加重を第一段階の予測問題に対する制約付き解法として定式化し、適合度の非パラメトリックな機械学習推定が可能な状況でも有効な推論を可能にする。第一段階の不均一性が存在する状況では、推定量の分散を顕著に低減でき、これは推定量のシフトを上回ることが多く、結果として精度の向上が得られる。

ABSTRACT

Instrumental variables (IV) regression is widely used to estimate causal treatment effects in settings where receipt of treatment is not fully random, but there exists an instrument that generates exogenous variation in treatment exposure. While IV can recover consistent treatment effect estimates, they are often noisy. Building upon earlier work in biostatistics (Joffe and Brensinger, 2003) and relating to an evolving literature in econometrics (including Abadie et al., 2019; Huntington-Klein, 2020; Borusyak and Hull, 2020), we study how to improve the efficiency of IV estimates by exploiting the predictable variation in the strength of the instrument. In the case where both the treatment and instrument are binary and the instrument is independent of baseline covariates, we study weighting each observation according to its estimated compliance (that is, its conditional probability of being affected by the instrument), which we motivate from a (constrained) solution of the first-stage prediction problem implicit to IV. The resulting estimator can leverage machine learning to estimate compliance as a function of baseline covariates. We derive the large-sample properties of a specific implementation of a weighted IV estimator in the potential outcomes and local average treatment effect (LATE) frameworks, and provide tools for inference that remain valid even when the weights are estimated nonparametrically. With both theoretical results and a simulation study, we demonstrate that compliance weighting meaningfully reduces the variance of IV estimates when first-stage heterogeneity is present, and that this improvement often outweighs any difference between the compliance-weighted and unweighted IV estimands. These results suggest that in a variety of applied settings, the precision of IV estimates can be substantially improved by incorporating compliance estimation.

研究の動機と目的

• 単一の二値インストルメントと適合度の不均一性を伴う設定において、道具変数（IV）推定の効率を向上させること。
• IV回帰における制約付き第一段階予測問題に対する適合度加重を自然な解法として形式化すること。
• 適合度が機械学習を用いて非パラメトリックに推定される場合でも、適合度加重IV推定量に対する有効な推論手順を提供すること。
• 理論的考察とシミュレーションを通じて、適合度加重が推定量のシフトを上回るほど分散を低減し、結果としてネットで精度が向上することを示すこと。

提案手法

• 本手法は、各観測値をその推定された適合度（ベースライン共変量を条件とした「適合者」である確率）で加重し直す。
• 適合度は、共変量とインストルメントを用いて訓練された機械学習モデルにより推定され、柔軟で高次元の推定が可能になる。
• 推定量は、インストルメントの有効性を保ちつつ予測精度を向上させる制約付き第一段階予測問題の解として導出される。
• 潜在的アウトカムおよび局所平均処置効果（LATE）フレームワークの下で、加重IV推定量の漸近的性質を確立する。
• クロスフィッティングを用いて過剰適合を低減することで、適合度重みが非パラメトリックに推定されても有効な推論ツールを提供する。
• 本手法は、高次元共変量の関数として適合度をモデル化するため、現代の機械学習アルゴリズムの使用を許容する。

実験結果

リサーチクエスチョン

• RQ1 インストルメントの強さが単位ごとに予測可能に変動する場合、適合度加重はIV推定の精度を向上させ得るか？
• RQ2 適合度加重IV推定量は漸近的にどのように振る舞い、LATEフレームワーク下での大標本性質は何か？
• RQ3 適合度重みがカーネルフォレストやバイニング付きOLSなどの非パラメトリック手法で推定される場合でも、有効な推論を維持できるか？
• RQ4 適合度加重による分散の低減は、推定量のシフトに起因する潜在的なバイアスを上回るか？
• RQ5 さまざまな形の異分散性および処置効果の不均一性の下で、有限標本における本手法の性能はいかがなものか？

主な発見

• DGP 3およびDGP 4のシミュレーション設定では、第一段階の不均一性が存在する状況で、適合度加重はIV推定の分散を最大40％まで低減している。
• 適合度重みが誠実なカーネルフォレストやバイニング付きOLSで推定されても、加重IV推定量の信頼区間のカバレッジは常に名目水準（例：約95％）に近い水準を維持している。
• DGP 4（異分散誤差）では、ση = 2.0の状況でも加重推定量は95％のカバレッジを維持しており、X-HCFでは95.6％のカバレッジを達成している。
• オラクル加重推定量（OW）は、すべてのDGP設定で最小の平均二乗誤差（RMSE）を達成しており、完全な適合度推定による利点を示している。
• 非加重IV推定量は、特に異分散性および処置効果の不均一性が存在する状況で、適合度加重バージョンよりも高い分散を示している。
• 適合度が非パラメトリックに推定されても、クロスフィットされた実装と非クロスフィットされた実装の両方で、推論の有効性が安定して維持されている。