[논문 리뷰] Estimation and Inference about Heterogeneous Treatment Effects in High-Dimensional Dynamic Panels

Vira Semenova, Matt Goldman외 2명|arXiv (Cornell University)|2017. 12. 28.

Advanced Causal Inference Techniques참고 문헌 8인용 수 7

한 줄 요약

이 논문은 많은 제어 변수가 존재하는 패널 데이터에서 이질적 치료 효과를 추정하기 위한 이단계 고차원 추론 방법을 제안한다. 기계학습을 활용해 결과와 치료를 제어 변수에 조건화한 기댓값을 추정하고 이를 중심화한 후, Lasso를 사용해 치료 효과 이질성을 추정하며, 추정량의 편향을 보정함으로써 타당한 추론을 가능하게 한다. 이로써 비관측 단위 효과가 존재하는 고차원 설정에서도 점별 및 동시 신뢰구간을 제공할 수 있다.

ABSTRACT

This paper provides estimation and inference methods for a large number of heterogeneous treatment effects in a panel data setting with many potential controls. We assume that heterogeneous treatment is the result of a low-dimensional base treatment interacting with many heterogeneity-relevant controls, but only a small number of these interactions have a non-zero heterogeneous effect relative to the average. The method has two stages. First, we use modern machine learning techniques to estimate the expectation functions of the outcome and base treatment given controls and take the residuals of each variable. Second, we estimate the treatment effect by l1-regularized regression (i.e., Lasso) of the outcome residuals on the base treatment residuals interacted with the controls. We debias this estimator to conduct pointwise inference about a single coefficient of treatment effect vector and simultaneous inference about the whole vector. To account for the unobserved unit effects inherent in panel data, we use an extension of correlated random effects approach of Mundlak (1978) and Chamberlain (1982) to a high-dimensional setting. As an empirical application, we estimate a large number of heterogeneous demand elasticities based on a novel dataset from a major European food distributor.

연구 동기 및 목표

• 제어 변수의 수가 많고, 치료 효과 이질성을 이끌어내는 상호작용 항목이 소수에 불과할 때 이질적 치료 효과를 추정하는 데 도전하는 것.
• 고차원 패널 데이터에서 치료 효과 계수에 대한 타당한 통계적 추론—점별 및 동시—을 가능하게 하는 방법을 개발하는 것.
• Mundlak과 Chamberlain의 상관된 랜덤 효과 접근법을 고차원 설정으로 확장하여 비관측 단위별 고정 효과를 고려하는 것.
• 유럽 식품 유통업체의 대규모 신규 데이터셋을 활용해 이질적 수요 탄력성을 추정하는 실용적인 프레임워크를 제공하는 것.

제안 방법

• 먼저, 현대 기계학습 기법(예: Lasso, 랜덤 포레스트)을 사용해 제어 변수에 조건화된 결과와 기본 치료의 기대값을 추정하고, 관측된 공변량의 영향을 제거하기 위해 잔차를 계산한다.
• 다음으로, 결과 잔차를 기본 치료 잔차와 제어 변수의 상호작용 항과 함께 L1-정규화(Lasso) 회귀에 의해 회귀분석하여 흩어진 비영이 아닌 이질적 치료 효과를 식별한다.
• Lasso 추정량의 추정 편향을 보정하기 위해 보정 절차를 적용하여 개별 계수에 대한 점근적 타당한 추론을 가능하게 한다.
• 비관측 단위별 고정 효과를 고려하기 위해 고차원 패널 데이터에서 상관된 랜덤 효과 모델의 고차원 확장을 사용하여 추정의 일致성을 확보한다.
• 개별 치료 효과 계수에 대한 점별 신뢰구간과 전체 효과 벡터에 대한 동시 신뢰영역을 구성한다.
• 제어 공간의 고차원성을 활용하여, 기본 치료와 제어 변수 간의 상호작용 항 중 비영이 아닌 항이 소수임을 가정한다.

실험 결과

연구 질문

• RQ1 표본 크기 대비 제어 변수의 수가 많을 때, 많은 수의 이질적 치료 효과를 일관되게 추정하고 추론할 수 있는 방법은 무엇인가?
• RQ2 비관측 단위별 고정 효과가 고차원 패널 모형에서 이질적 치료 효과 추정에 어떤 영향을 미치는가?
• RQ3 기계학습 기반 잔차화와 Lasso 추정을 보정 기법과 결합하여 고차원 설정에서 타당한 추론을 도출할 수 있는가?
• RQ4 실제 식품 유통 데이터셋에서 다양한 제품군과 고객 특성에 따라 이질적 수요 탄력성은 어떻게 변화하는가?

주요 결과

• 제안된 방법은 고차원 설정에서도 잠재적인 상호작용 항 중에서 흩어진 비영이 아닌 이질적 치료 효과 집합을 성공적으로 식별한다.
• 보정된 Lasso 추정은 치료 효과 계수에 대해 타당한 점별 및 동시 신뢰구간을 제공하여 신뢰할 수 있는 통계적 추론을 가능하게 한다.
• 상관된 랜덤 효과 모델을 고차원으로 확장함으로써 비관측 단위별 고정 효과를 효과적으로 제어하여 추정량의 일관성을 향상시킨다.
• 실증 분석 결과, 제품군과 고객 유형 간 수요 탄력성에 상당한 이질성이 존재하며, 일부 탄력성은 평균과 크게 다름을 확인하였다.
• 편향을 줄이고 유한 표본에서 신뢰구간의 커버리지 유지로 인해 기존 접근법에 비해 고차원 설정에서 더 우수한 성능을 발휘한다.
• 기계학습을 활용한 잔차화 방법은 고차원 조건부 기댓값을 영리하게 모델링함으로써 치료 효과 추정의 정밀도를 향상시킨다.