[論文レビュー] Inference for Instrumental Variables: A Randomization Inference Approach

Hyunseung Kang, Laura R. Peck+1 more|arXiv (Cornell University)|Jun 13, 2016

Advanced Causal Inference Techniques参考文献 36被引用数 4

ひとこと要約

本稿は、弱い器具変数（IV）の下で従来の漸近的手法が失敗する状況でも正確な被覆率を維持できる、ランダム化推論アプローチを提案する。この方法は『ほぼ正確』（almost exact）と呼ばれるもので、計算的に実行可能でありながら、弱い器具変数下でも高い被覆性能を示す。この手法は、小標本および弱い器具変数の設定下で、標準的な二段階最小二乗法（TSLS）やBloomに基づく推論を上回る性能を発揮する。

ABSTRACT

The method of instrumental variables (IV) provides a framework to study causal effects in both randomized experiments with noncompliance and in observational studies where natural circumstances produce as-if random nudges to accept treatment. Traditionally, inference for IV relied on asymptotic approximations of the distribution of the Wald estimator or two-stage least squares, often with structural modeling assumptions and/or moment conditions. In this paper, we utilize the randomization inference approach to IV inference. First, we outline the exact method, which uses the randomized assignment of treatment in experiments as a basis for inference, but lacks a closed-form solution and may be computationally infeasible in many applications. We then provide an alternative to the exact method, the almost exact method, which is computationally feasible but retains the advantages of the exact method. We also review asymptotic methods of inference, including those associated with two-stage least squares, and analytically compare them to randomization inference methods. We also perform additional comparisons using a set of simulations. We conclude with three different applications from the social sciences.

研究の動機と目的

• 弱い器具変数下で被覆率が歪むという、漸近的手法によるIV分析の限界を是正すること。
• 理論的には最適だが実務ではしばしば実行不能である、正確なランダム化推論の代替として、計算的に実行可能な手法を開発すること。
• 正確およびほぼ正確なランダム化推論と、従来の漸近的手法（例：TSLS、Bloom法）の性能を比較すること。
• シミュレーションおよび実応用を通じて、『ほぼ正確』な手法が器具変数が弱い場合でも名目水準の被覆率を維持することを示すこと。
• 実務研究者による実世界の研究（特にメチオデン・ランダマイゼーションや政策評価）で即座に利用可能なツール（補足資料にR関数として提供）を提供すること。

提案手法

• 実験における処置のランダム割り当てに基づく正確なランダム化推論手法を提案。有意性の評価に順列分布を用いる。
• 正確な手法の計算的効率性を高めた近似手法として『ほぼ正確』な手法を導入。ランダム化分布の閉形式近似を用いる。
• 補償者平均因果効果（CACE）の点推定として、Wald推定量を用いる。これは、意図した処置効果と適合率の比として導出される。
• 重い尾を持つ結果分布下でも頑健性を高めるために、『ほぼ正確』な手法と併用して順位に基づく検定統計量を用いる。
• モンテカルロシミュレーションを用いて、器具変数の強さと標本サイズの変動下で、『ほぼ正確』な手法と漸近的手法（例：TSLS、Bloom法）を比較する。
• 3つの実応用に本手法を適用：ランダム化された職業訓練プログラム、降雨を器具変数とした投票率の研究、メチオデン・ランダマイゼーションの文脈。

実験結果

リサーチクエスチョン

• RQ1 弱い器具変数下で、『ほぼ正確』なランダム化推論手法は、漸近的手法（例：TSLS、Bloom）と比べてどのように性能を発揮するか？
• RQ2 『ほぼ正確』な手法は、小標本および器具変数が弱い状況下でも、正しい被覆率を維持できるか？
• RQ3 正確なランダム化推論手法は実世界の応用において計算的に実行可能か？また、『ほぼ正確』な手法はこの問題をどのように緩和するか？
• RQ4 器具変数が弱い実応用において、『ほぼ正確』な手法から得られる信頼区間は、漸近的近似に基づく区間とどのように異なるか？
• RQ5 観察的研究やメチオデン・ランダマイゼーションを含む、どのような応用設定において、『ほぼ正確』な手法が従来のIV推論を意味的に上回る利点を示すか？

主な発見

• GJ-HC職業訓練プログラムでは、『ほぼ正確』な手法により95％信頼区間が[-1.26, -5.19]と算出された。これはTSLSの区間のおよそ2倍の幅であり、器具変数の弱さに起因する高い不確実性を示している。
• 1984年から2000年までの投票率研究では、『ほぼ正確』な手法により信頼区間が(-∞, ∞)にまで広がり、降雨が器具変数としてあまりに弱いため、信頼できる推論が不可能であることを明確に示している。
• これに対してTSLSやBloom法は閉区間を出力したが、シミュレーション研究により、器具変数が弱い状況下で被覆率が著しく歪んでいることが確認された。
• 『ほぼ正確』な手法は、器具変数が弱い場合を含め、すべてのシミュレーション設定で名目水準95％の被覆率を維持した。一方、漸近的手法は被覆率が著しく歪んでいた。
• Bloom法は広く使われており簡単であるが、適合率が25％を上回る場合にのみ良好に機能する。これは多くの観察的研究や政策評価の文脈では満たされない可能性がある。
• 『ほぼ正確』な手法は、順位に基づく検定統計量と組み合わせることで、重い尾を持つ結果分布に対しても頑健である。これは、外れ値を含む現実のデータに対して実用的な利点を提供する。