[論文レビュー] Practical and robust $t$-test based inference for synthetic control and related methods

Victor Chernozhukov, Kaspar Wüthrich+1 more|arXiv (Cornell University)|Dec 27, 2018

Statistical Methods and Inference参考文献 12被引用数 25

ひとこと要約

本稿では、バイアス補正のための$K$-foldクロスフィットティング手順と、漸近的にスケーリング不変$t$-分布に従う自己正規化$t$-統計量を用いることで、合成コントロールおよび関連推定量に対する頑健で実用的な$ t $-検定の推論手法を提案する。この手法は弱い正則性条件のもとで有効な推論を保証し、差分の差分法よりも効率が良く、非定常データでも強い小標本性能を維持する。

ABSTRACT

This paper proposes a practical and robust method for making inference on average treatment effects estimated by synthetic control and related methods. We develop a $K$-fold cross-fitting procedure for bias-correction. To avoid the difficult estimation of the long-run variance, inference is based on a self-normalized $t$-statistic, which has an asymptotically pivotal $t$-distribution. Our procedure only requires consistent (in $\ell_2$-norm) estimation of the parameters, which can be verified for synthetic control and many other popular estimators. The proposed method is easy to implement, provably robust against misspecification, more efficient than difference-in-differences, valid with non-stationary data, and demonstrates an excellent small sample performance.

研究の動機と目的

• 標準的仮定が満たされない場合の合成コントロール手法における有効な統計的推論の課題に対処すること。
• モデルの誤指定や非定常データに対しても頑健である手法の開発。
• 最小限の正則性条件のもとで有効性を保ちつつ、差分の差分法よりも効率を向上させること。
• 長期間の分散推定が複雑になるのを避けるために、$\ell_2$-ノルムにおける一貫したパrameter推定が可能な実用的実装の実現。

提案手法

• バイアス補正のための$K$-foldクロスフィットティング手順を用い、合成コントロール推定量の頑健性を向上させる。
• 推論は、漸近的にスケーリング不変$t$-分布に従う自己正規化$t$-統計量に基づく。これにより、長期分散の推定が不要になる。
• この手法は、パラメータの一致した$\ell_2$-ノルム推定にのみ依存し、合成コントロールおよび類似推定量において検証可能である。
• 自己正規化統計量により、弱い正則性条件のもとで漸近的に有効な推論が保証され、頑健性が向上する。
• 計算が単純で、標準的な統計ソフトウェアでも容易に実装可能であるように設計されている。

実験結果

リサーチクエスチョン

• RQ1 モデルの誤指定がある場合でも有効な推論が保証される合成コントロールのための頑健な手順を開発できるか？
• RQ2 複雑な長期分散推定に依存せずに、合成コントロール推定量のバイアスを効果的に補正できるか？
• RQ3 従来の$ t $-検定と比較して、自己正規化$t$-統計量は小標本性能を向上させるか？
• RQ4 政策評価において一般的な非定常または自己相関のあるデータに対しても、この手法は有効性を維持できるか？

主な発見

• 提案手法は、自己正規化$t$-統計量を用いることで、漸近的にスケーリング不変の推論を達成し、長期分散推定の必要性を回避する。
• $K$-foldクロスフィットティング手順により、パrameterの一致した$\ell_2$-ノルム推定のみでバイアス補正が保証される。
• 非定常データのもとでも、従来の手法と比較して優れた小標本性能を示す。
• モデルの誤指定に対して明示的に頑健であり、差分の差分法よりも効率が優れていることが証明されている。