[논문 리뷰] Efficient Difference-in-Differences Estimation with High-Dimensional Common Trend Confounding

Michael Zimmert|arXiv (Cornell University)|2018. 09. 05.

Advanced Causal Inference Techniques참고 문헌 34인용 수 7

한 줄 요약

이 논문은 고차원 공통 추세 교란 요인 하에서 차등-차등(DiD) 모형에 대해 효율적이고 이중로버스트(estimator) 추정량을 도출함으로써, 반모수적 효율성 영향 함수를 유도함으로써 고차원 공통 추세 교란 요인 하에서 효율적이고 이중로버스트(estimator) 추정량을 개발한다. 이는 첫 번째 단계의 오차 추정에 머신러닝을 사용할 수 있도록 하면서도, 비모수적 조건 하에서도 점근적 타당성과 효율성을 유지함을 보여준다. 이는 공변수들이 고차원이거나 결과와 비선형적으로 관련되어 있을 경우에도 성립한다.

ABSTRACT

This study considers various semiparametric difference-in-differences models under different assumptions on the relation between the treatment group identifier, time and covariates for cross-sectional and panel data. The variance lower bound is shown to be sensitive to the model assumptions imposed implying a robustness-efficiency trade-off. The obtained efficient influence functions lead to estimators that are rate double robust and have desirable asymptotic properties under weak first stage convergence conditions. This enables to use sophisticated machine-learning algorithms that can cope with settings where common trend confounding is high-dimensional. The usefulness of the proposed estimators is assessed in an empirical example. It is shown that the efficiency-robustness trade-offs and the choice of first stage predictors can lead to divergent empirical results in practice.

연구 동기 및 목표

• 기존의 파rametric 방법이 실패하는 고차원 공통 추세 교란 요인을 가진 차등-차등(DiD) 모형에서의 도전 과제를 해결하기 위해.
• 다양한 모형 가정 하에서 반모수적 효율성 경계와 영향 함수를 도출하여, 탄력성과 효율성 사이의 상충관계를 드러내기 위해.
• 첫 번째 단계의 오차 추정(예: 결과 및 성향 스코어 모형)에 대해 민감한 머신러닝 방법을 사용할 수 있도록 하되, 점근적 성질을 유지하기 위해.
• 추정량 성능이 첫 번째 단계 예측자와 스코어 함수의 선택에 매우 민감함을 보여주기 위해, 특히 유한 표본에서의 영향을 분석하기 위해.
• 다양한 모형 가정 하에서 효율성, 탄력성, 실증 성능를 비교함으로써 추정량 선택에 실용적인 지침을 제공하기 위해.

제안 방법

• 치료 그룹, 시간, 공변수의 공동 분포에 대한 다양한 가정 하에서 DiD 모형의 효율적 영향 함수를 유도함.
• 반모수 이론 [37, 38] 및 [9]을 활용하여 약한 정규성 조건 하에서 효율성 경계를 확립하고, 이를 달성하는 추정량을 구성함.
• 효율적 영향 함수를 고차원적이고 민감한 첫 번째 단계 추정량(예: 앙상블 학습기)과 결합함으로써 이중 머신러닝 프레임워크를 적용함.
• 고차원 설정에서의 타당한 추론과 편향 감소를 위해 크로스피팅을 구현함.
• 모형 오Specification 및 다양한 데이터 구조 하에서 추정량 성능 평가를 위해 가짜 테스트와 몬테카를로 시뮬레이션을 수행함.
• 패널 데이터 또는 횡단면 데이터의 가용성에 따라 다름을 고려한 네 가지 모형 설정(CS-1에서 CS-4) 하에서 추정량을 비교함.

실험 결과

연구 질문

• RQ1 특히 공변수의 역할에 대한 모형 가정의 선택이 DiD 모형에서 반모수적 효율성 경계에 어떤 영향을 미치는가?
• RQ2 고차원 교란 요인을 가진 DiD 모형에 대해 효율적 영향 함수를 도출할 수 있으며, 이는 머신러닝을 활용한 안정적이고 효율적인 추정을 가능하게 하는가?
• RQ3 데이터 생성 과정에 대한 더 강한 가정과 더 약한 가정 사이에서 추정 효율성과 탄력성 사이의 상충관계는 어떻게 나타나는가?
• RQ4 다양한 첫 번째 단계 추정량(예: 파arametric vs. 앙상블 학습기)이 DiD 추정량의 유한 표본 성능 및 표준 오차에 어떤 영향을 미치는가?
• RQ5 고차원 교란 요인을 가진 DiD 설정에서 패널 데이터의 가용성이 횡단면 데이터보다 얼마나 효율성을 향상시키는가?

주요 결과

• 반모수적 효율성 경계는 모형 가정에 매우 민감하며, 명확한 탄력성-효율성 상충관계를 드러냄: 더 강한 가정은 더 낮은 분산 경계를 초래함.
• 다양한 가정 하에서 유도된 효율적 영향 함수는 약한 첫 번째 단계 수렴 조건 하에서도 이중로버스트(estimator)이자 점근적으로 정규분포를 따름.
• 앙상블 학습기(예: 슈퍼러너) 기반 추정량은 더 많은 공변수를 포함할수록 안정적이고 효율적이며 종종 유의미하지 않은 결과를 도출함으로써 효과적인 정보 활용을 보여줌.
• 반면에 파arametric 첫 번째 단계 모형(예: 선형/로지스틱)은 공변수 집합이 커지면 심지어 크로스피팅을 적용하더라도 발산하거나 극단적인 결과를 도출함.
• 스코어 함수의 선택(예: 효율적 vs. 탄력성 있는)은 표준 오차에 큰 영향을 미침: 예를 들어, 설정(CS-4)에서의 스코어는 효율적 스코어보다 상당히 높은 표준 오차를 초래함.
• 가짜 테스트 결과, 오직 앙상블 학습기를 사용한 추정량만 신뢰성 있고 안정성을 유지함을 확인함으로써, 실무에서 첫 번째 단계 예측 품질의 중요성을 강조함.