[논문 리뷰] Bias-Aware Inference in Fuzzy Regression Discontinuity Designs

Claudia Noack, Rothe, Christoph|arXiv (Cornell University)|2019. 06. 11.

Fuzzy Systems and Optimization인용 수 5

한 줄 요약

이 논문은 산점도가 흐린 회귀 중단 설계(FRD)에서 국소 평균 치료 효과의 편향 인식 신뢰집합(CS)을 제안한다. 국소 선형 추정기와 함께, 기존의 인스트루멘탈 변수 모델에서의 앤더슨-루빈 통계량을 영감으로 삼는다. 기존의 델타 방법 기반 추론과 달리, 이 방법은 편향을 명시적으로 고려하며, 약한 식별성, 이산적인 실행 변수, 도넛 설계 하에서도 유효하다. 이는 조건부 평균 함수의 넓은 클래스에 걸쳐 일관된 커버리지 보장한다.

ABSTRACT

We propose new confidence sets (CSs) for the regression discontinuity parameter in fuzzy designs. Our CSs are based on local linear regression, and are bias-aware, in the sense that they take possible bias explicitly into account. Their construction shares similarities with that of Anderson-Rubin CSs in exactly identified instrumental variable models, and thereby avoids issues with "delta method" approximations that underlie most commonly used existing inference methods for fuzzy regression discontinuity analysis. Our CSs are asymptotically equivalent to existing procedures in canonical settings with strong identification and a continuous running variable. However, due to their particular construction they are also valid under a wide range of empirically relevant conditions in which existing methods can fail, such as setups with discrete running variables, donut designs, and weak identification.

연구 동기 및 목표

• 기존의 델타 방법 기반 추론이 약한 식별성, 이산적인 실행 변수, 또는 도넛 설계 하에서 약점을 보이는 데에 대응하기 위해.
• 기존의 점근적 근사가 실패할 수 있는 유한 표본에서 잠재적인 편향에 강건한 신뢰집합을 개발하기 위해.
• 실행 변수의 분포나 식별성 강도에 관계없이, 이차 도함수가 유계인 조건부 평균 함수의 클래스에 대해 일관된 커버리지 보장을 보장하는 정직한 추론을 확보하기 위해.
• 기존 방법이 잘못된 커버리지를 초래할 수 있는 실증적으로 흔하지만 도전적인 설정으로 FRD 추론의 적용 범위를 확장하기 위해.

제안 방법

• 이 방법은 기존의 인스트루멘탈 변수 모델에서의 앤더슨-루빈 통계량의 구조를 모방한 국소 선형 회귀 추정기 기반의 신뢰집합을 구성한다.
• 검정 통계량의 점근적 분포에서 유도된 편향 보정 임계값을 사용함으로써, 추론 절차에 편향을 명시적으로 통합한다.
• 신뢰집합은 편향 조정된 퍼지 테이터 기반의 검정 통계량이 유의수준 α에서 귀무가설을 기각하지 않는 파rameter 값의 집합으로 정의된다.
• 대역폭 선택은 데이터 기반으로 적응적이며, 유효한 커버리지를 유지하면서도 신뢰집합의 길이를 최소화하는 절차를 사용한다.
• 이 방법은 추정된 치료 효과와 그 표준오차를 편향 조정된 형태로 포함한 퍼지 통계량에 기반하며, 편향에 강건한 근사 하에 비중앙 t-분포에서 유도된 임계값을 사용한다.
• 결과 및 치료 변수의 변환을 통해 귀무가설 하에서 퍼지가 되는 검정 통계량을 구성함으로써, 이질분산성과 편향에 대한 강건성을 확보한다.

실험 결과

연구 질문

• RQ1 약한 식별성 하에서, 첫 번째 단계 F-통계량이 낮고 표준오차가 증가할 경우, 흐린 회귀 중단 설계에서의 신뢰집합이 정확한 커버리지를 유지할 수 있는가?
• RQ2 이산적이거나 비정규적으로 지원되는 실행 변수에 대해 추론을 어떻게 강건하게 만들 수 있는가? 이는 기존의 델타 방법 근사가 요구하는 평탄성 가정을 위반하기 때문이다.
• RQ3 실행 변수의 분포에 관계없이, 이차 도함수가 유계인 함수의 광범위한 클래스에 대해 일관된 유효성을 보장하는 신뢰집합을 구성할 수 있는가?
• RQ4 실행 변수가 이산적이거나 커파의 근처 데이터가 제거된 경우(도넛 설계), 편향 인식 신뢰집합이 델타 방법 기반 간격보다 커버리지 정확도에서 얼마나 뛰어나게 되는가?
• RQ5 점근 정규성이나 델타 방법 근사에 의존하지 않고도, 정직한 커버리지를 유지하는 신뢰집합을 구성할 수 있는가?

주요 결과

• 제안된 신뢰집합은 이차 도함수가 유계인 조건부 평균 함수의 클래스에 대해 일관되게 유효하며(정직한), 실행 변수의 분포나 식별성 강도에 관계없이 정확한 점근적 커버리지를 보장한다.
• 이 방법은 이산적인 실행 변수와 도넛 설계 하에서도 정확한 커버리지를 유지한다. 이는 기존의 델타 방법 추론이 점근적 근사가 잘못되어 실패하는 경우가 많기 때문이다.
• 연속적인 실행 변수와 강한 식별성이 있는 표준 설정에서는 제안된 신뢰집합이 편향 인식 델타 방법 간격과 점근적으로 동일하며, 효율성을 유지한다.
• 약한 식별성에 대응하는 데 강건하며, 이는 편향을 명시적으로 고려하고, 첫 번째 단계 F-통계량이 낮을 경우 붕괴하는 델타 방법의 정규 근사에 의존하지 않기 때문이다.
• 실증 적용 결과, 실행 변수의 지원이 제한적이거나 치료 배정이 약할 경우, 기존 방법에서 흔히 발생하는 과소보수적 커버리지 문제를 이 방법은 피한다.
• 기존의 정규 조건 하에서 이 방법의 유효성은 입증되었으며, 강한 식별성 설정에서 기존 방법과의 점근적 동등성은 효율성 손실이 없다는 것을 확인한다.