[論文レビュー] Robust Nonparametric Difference-in-Differences Estimation

Chen Lü, Xinkun Nie+1 more|arXiv (Cornell University)|May 28, 2019

Advanced Causal Inference Techniques被引用数 5

ひとこと要約

本稿では、条件付き平行トレンドとオーバlapを前提とすることで、強いモデル仮定を緩和する非パラメトリックな差分の差分（DID）手法のスイートを導入する。このアプローチにより、共変数が結果に非線形に影響を与える場合や、クロスセクション間で共変数の分布が変化する状況においても、処置効果の頑健な推定が可能になる。

ABSTRACT

We consider the problem of treatment effect estimation in difference-in-differences designs where parallel trends hold only after conditioning on covariates. Existing methods for this problem rely on strong additional assumptions, e.g., that any covariates may only have linear effects on the outcome of interest, or that there is no covariate shift between different cross sections taken in the same state. Here, we develop a suite of new methods for nonparametric difference-in-differences estimation that require essentially no assumptions beyond conditional parallel trends and a relevant form of overlap. Our proposals show promising empirical performance across a variety of simulation setups, and are more robust than the standard methods based on either linear regression or propensity weighting.

研究の動機と目的

• 平行トレンド仮定が観察された共変数に条件づけられる場合に、標準的な差分の差分推定法に見られる限界を解消すること。
• 線形共変数効果やクロスセクション間での共変数シフトを仮定しない、強い仮定に依存しない手法を排除すること。
• 最小限の構造的仮定の下で有効性を保ちつつ、柔軟で非パラメトリックな処置効果推定フレームワークを構築すること。
• 線形回帰や傾向スコア重み付け手法と比較して、頑健性と実証的性能を向上させること。

提案手法

• 共変数に条件づけた潜在的アウトカムを非パラメトリックに推定する手法を採用し、共変数効果にパラメトリックな制限を課さない。
• 核心的同定仮定として、共変数を制御した後のみ未処置潜在的アウトカムのトレンドが平行であるという条件付き平行トレンドを利用する。
• 推定のための共通サポートを確保するため、処置群と対照群の共変数分布の重複を保証するためのオーバラップ条件を活用する。
• 非パラメトリック回帰や機械学習ベースの条件付き平均回帰を用いて、アウトカム表面を柔軟にモデル化する。
• 二重ロバスト推定戦略を用いることが重要な要素であり、非パラメトリック枠組み内でアウトカム回帰と傾向スコアモデルを組み合わせる。
• パラメトリックな関数形仮定への依存を最小限に抑え、モデルの誤指定に対して頑健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 共変数に条件づけられた平行トレンドが成り立つ場合に、非パラメトリック手法が差分の差分設計における推定精度を向上させられるか？
• RQ2 モデル誤指定下で、提案手法は線形回帰や傾向スコア重み付け手法と比較してどのように性能を発揮するか？
• RQ3 共変数の分布が異なるクロスセクション間で、バイアスなしに対処できる範囲はどの程度か？
• RQ4 非線形な共変数効果を持つ複雑なシナリオにおける、シミュレーション設定下での実証的性能は？

主な発見

• 提案手法の非パラメトリックなアプローチは、標準的な線形回帰や傾向スコア重み付け手法と比較して、モデル誤指定に対してより高い頑健性を示す。
• 特に共変数効果が非線形である場合には、多様なシミュレーション設定において一貫して優れた実証的性能を発揮する。
• 条件付き平行トレンドと十分なオーバラップが成り立つ限り、共変数分布が時間経過で変化しても有効な推論を維持する。
• 制限的な関数形仮定を課さずに条件付き平均アウトカムを柔軟にモデル化できるため、有限標本における性能が向上する。