[논문 리뷰] Filtered and Unfiltered Treatment Effects with Targeting Instruments

Sokbae Lee, Bernard Salanié|arXiv (Cornell University)|2020. 01. 01.

Advanced Causal Inference Techniques참고 문헌 19인용 수 2

한 줄 요약

이 논문은 이산적 값의 도구변수를 사용하여 다값 처리 상황에서 반사적 평균과 처리 효과를 식별하는 프레임워크를 개발한다. 선택 편향을 대응하기 위해 대상 조건과 이질성 제약 조건을 고려하며, 정보가 불완전한 상황을 다루기 위해 필터링된 처리의 개념을 도입하여 이질적인 수용자 집단에 대한 처리 효과 식별을 가능하게 한다.

ABSTRACT

Multivalued treatments are commonplace in applications. We explore the use of discrete-valued instruments to control for selection bias in this setting. We establish conditions under which counterfactual averages and treatment effects are identified for heterogeneous complier groups. These conditions restrict (i) the unobserved heterogeneity in treatment assignment, (ii) how the instruments target the treatments, and optionally (iii) the extent to which counterfactual averages are heterogeneous. We allow for limitations in the analyst's information via the concept of a filtered treatment. Finally, we illustrate the usefulness of our framework by applying it to data from the Student Achievement and Retention Project and the Head Start Impact Study.

연구 동기 및 목표

• 처리 할당이 내생적인 다값 처리 설정에서 선택 편향을 다루기 위해.
• 이질적인 수용자 집단 하에서 반사적 평균과 처리 효과를 식별하기 위해.
• 특정 처리를 대상으로 하는 도구변수가 관찰되지 않는 이질성에도 불구하고 식별 가능해지는 조건을 체계화하기 위해.
• 분석가의 정보가 제한된 상황을 모델링하기 위해 필터링된 처리의 개념을 도입하기 위해.
• 헤드스타트 및 학생 성취도 및 유지를 위한 프로젝트와 같은 실제 데이터에 적용 가능한 실용적 프레임워크를 제공하기 위해.

제안 방법

• 다값 처리 설정에서 특정 처리 수준을 대상으로 하는 이산적 값의 도구변수를 사용한다.
• 관찰되지 않는 이질성의 처리 할당과 도구변수의 대상 설정을 제약하는 식별 조건을 설정한다.
• 처리 상태에 대한 정보가 불완전한 상황을 모델링하기 위해 필터링된 처리의 개념을 도입한다.
• 반사적 이질성에 대한 제약 조건을 도입하여 식별 가능성을 높이기 위한 선택적 조건으로 설정한다.
• 도구변수의 변동과 수용자 집단 간의 관계를 구조적 가정을 통해 연결하여 이질적인 처리 효과의 추정을 가능하게 한다.
• 잠재적 결과 프레임워크와 조건부 독립 가정을 활용하여 식별 결과를 도출한다.

실험 결과

연구 질문

• RQ1 처리가 다값이며 선택 편향이 존재할 때 반사적 평균이 어떤 조건에서 식별될 수 있는가?
• RQ2 특정 처리 수준을 대상으로 하는 이산적 도구변수가 이질적인 수용자 집단에 대한 처리 효과 식별을 어떻게 가능하게 하는가?
• RQ3 필터링된 처리의 개념이 처리 효과 추정에서 정보가 불완전한 상황을 어떻게 개선하는가?
• RQ4 관찰되지 않는 이질성 하에서 도구변수의 대상 설정 행동이 처리 효과 식별에 어떤 역할을 하는가?
• RQ5 제안된 프레임워크는 헤드스타트 및 학생 성취도 및 유지를 위한 프로젝트와 같은 실제 교육 프로그램의 데이터에 어떻게 적용될 수 있는가?

주요 결과

• 논문은 다값 처리 상황에서 이산적 도구변수를 사용하여 반사적 평균과 처리 효과를 식별하기 위한 충분한 조건을 확립한다.
• 관찰되지 않는 처리 할당의 이질성이 제약 조건에 따라 제한되고 도구변수가 특정 처리 수준을 대상으로 할 경우 식별이 가능하다.
• 대상 설정 및 이질성 조건이 충족되면, 이 프레임워크는 수용자 집단 간의 이질적인 처리 효과를 허용한다.
• 필터링된 처리의 개념은 분석가가 처리 상태에 대해 완전한 정보를 확보하지 못한 경우에도 식별 가능성을 유지한다.
• 학생 성취도 및 유지를 위한 프로젝트와 헤드스타트 영향 평가 연구에 대한 실증 적용은 이 프레임워크의 실용적 유용성을 입증한다.
• 결과는 도구변수의 대상 설정 행동이 복잡한 처리 할당 구조를 가진 환경에서 처리 효과 식별에 있어 핵심적인 역할을 한다는 것을 보여준다.