[논문 리뷰] Binscatter Regressions

Matias D. Cattaneo, Richard K. Crump외 2명|arXiv (Cornell University)|2019. 02. 25.

Data Analysis with R참고 문헌 7인용 수 23

한 줄 요약

이 논문은 비모수적 및 반모수적 추정, 추론 및 시각화를 위한 고급 binscatter 방법을 구현하는 Stata 패키지 Binsreg를 소개한다. 이는 최적의 그룹화 수, 공변량 조정, 부드러움 제약 조건, 다중 샘플 비교를 통한 탐색적이고 이론 기반의 추정을 가능하게 하며, 선형 및 비선형 모델에서 형태 제약 조건과 파rametric 사양에 대한 타당한 통계적 추론을 제공한다.

ABSTRACT

We introduce the package Binsreg, which implements the binscatter methods developed by Cattaneo, Crump, Farrell, and Feng (2024b,a). The package includes seven commands: binsreg, binslogit, binsprobit, binsqreg, binstest, binspwc, and binsregselect. The first four commands implement binscatter plotting, point estimation, and uncertainty quantification (confidence intervals and confidence bands) for least squares linear binscatter regression (binsreg) and for nonlinear binscatter regression (binslogit for Logit regression, binsprobit for Probit regression, and binsqreg for quantile regression). The next two commands focus on pointwise and uniform inference: binstest implements hypothesis testing procedures for parametric specifications and for nonparametric shape restrictions of the unknown regression function, while binspwc implements multi-group pairwise statistical comparisons. Finally, the command binsregselect implements data-driven number of bins selectors. The commands offer binned scatter plots, and allow for covariate adjustment, weighting, clustering, and multi-sample analysis, which is useful when studying treatment effect heterogeneity in randomized and observational studies, among many other features.

연구 동기 및 목표

• 경제학 및 응용 통계 분야의 실증 연구를 위한 binscatter 방법의 종합적이고 통계적으로 타당한 구현을 개발하기 위해.
• 특히 고정효과와 공변량 조정 측면에서 이전의 binscatter 구현이 이론적 기반과 통계적 타당성이 부족한 점을 보완하기 위해.
• 추정 정확도 향상을 위해 통합 평균 제곱 오차(IMSE) 기반 플러그인 방법을 활용한 데이터 기반 최적의 그룹화 수 선택을 제공하기 위해.
• 비모수적 형태 제약 조건(예: 단조성, 볼록성)과 파rametric 모델 사양 검정을 위한 강력한 추론을 가능하게 하기 위해.
• 랜덤화 및 관찰 연구에서 치료 효과 이질성에 대한 연구를 위한 다중 샘플 분석을 지원하기 위해.

제안 방법

• 패키지는 최소 제곱, 로지스틱, 프로비트, 분위수 회귀에서 추정 및 불확실성 측정을 위한 일곱 가지 명령어를 통해 binscatter를 구현한다: binsreg, binslogit, binsprobit, binsqreg.
• 그룹 내에서 고차수 다항식 피팅을 사용하고, B-spline 또는 기타 페널티 기반 기법을 통해 그룹 간 부드러움 제약 조건을 적용한다.
• binsregselect 명령어는 분위수 간격 또는 균일 간격 그룹화에서 IMSE 최적 플러그인 규칙을 활용해 데이터 기반의 그룹화 수를 선택한다.
• binstest 명령어를 통해 파라미터 사양 검정과 비모수적 형태 제약 조건 검정(예: 단조성)을 위한 균일 및 점별 추론을 지원함으로써 가설 검정을 가능하게 한다.
• binspwc 는 샘플 간 다중 그룹 간 비교를 가능하게 하여 binscatter를 비교적 실증 분석으로 확장한다.
• reghdfe와 gtools를 Stata와 통합하여 다중 방향 고정효과 및 클러스터링을 지원함으로써, 대규모 데이터셋에서의 계산 효율성을 향상시킨다.

실험 결과

연구 질문

• RQ1 공변량과 고정효과가 존재하는 상황에서 binscatter 방법을 신뢰구간 및 가설 검정을 포함한 타당한 통계적 추론과 함께 어떻게 구현할 수 있는가?
• RQ2 binscatter 추정에서 통합 평균 제곱 오차(IMSE)를 최소화하기 위한 최적의 그룹화 수는 무엇인가?
• RQ3 binscatter는 로지스틱, 프로비트, 분위수 회귀와 같은 일반선형 모델로 확장될 수 있으며, 이 경우에도 타당한 추론이 가능한가?
• RQ4 균일 신뢰구간을 사용하여 비모수적 형태 제약 조건(예: 단조성, 볼록성)이 회귀 함수에 적용되는지 binscatter로 어떻게 검정할 수 있는가?
• RQ5 데이터 기반 그룹화 수 선택과 고정된 그룹화 방법 간의 계산 및 통계적 트레이드오프는 무엇인가?

주요 결과

• Binsreg 패키지는 이전 Stata 패키지인 binscatter와 binscatter2에서 고정효과 및 공변량 조정 처리에서 오류를 수정한 통계적으로 타당한 binscatter의 구현을 제공한다.
• binsregselect를 통한 데이터 기반 그룹화 수 선택은 IMSE 최소화 플러그인 규칙을 활용해 최적의 그룹 수를 도출하며, 1000개의 관측치가 있는 예제에서 ROT-POLY 및 DPI 방법 모두에서 최적의 그룹 수로 18개의 그룹이 도출되었다.
• useeffn()를 사용한 서브샘플링은 더 작은 샘플에서의 결과를 외삽함으로써 대규모 데이터셋에서 최적의 그룹 수를 효율적으로 추정함으로써 계산 부담을 감소시킨다.
• binstest 명령어를 통해 균일 신뢰구간과 가설 검정을 통해 비모수적 형태 제약 조건(예: 단조성)에 대한 신뢰할 수 있는 추론을 가능하게 한다.
• reghdfe와 gtools와의 통합은 질량점 및 자유도 검사 기능을 비활성화할 경우 초대규모 데이터셋에서 계산 속도를 크게 향상시킨다.
• 동일한 문법과 기능을 가진 Python 및 R 패키지가 함께 제공되어 있어, 다양한 플랫폼 간 실증 분석의 일관성을 보장한다.