[논문 리뷰] Forward-Selected Panel Data Approach for Program Evaluation

Zhentao Shi, Jingyi Huang|arXiv (Cornell University)|2019. 08. 16.

Advanced Causal Inference Techniques참고 문헌 80인용 수 5

한 줄 요약

이 논문은 프로그램 평가를 위한 패널 데이터 접근법에서 제어 단위를 선택하기 위한 정방향 선택 방법을 제안하며, 잠재적 제어 변수의 수가 시간 차원을 초월해 증가하는 경우에도 유효한 선택 후 추론을 가능하게 한다. 이 방법은 점점 커지는 점근적 타당성과 계산 효율성을 보장하며, 이론적 보장을 바탕으로 고차원, 대용량 데이터 환경에까지 패널 데이터 접근법을 확장한다.

ABSTRACT

Policy evaluation is central to economic data analysis, but economists mostly work with observational data in view of limited opportunities to carry out controlled experiments. In the potential outcome framework, the panel data approach (Hsiao, Ching and Wan, 2012) constructs the counterfactual by exploiting the correlation between cross-sectional units in panel data. The choice of cross-sectional control units, a key step in its implementation, is nevertheless unresolved in data-rich environment when many possible controls are at the researcher's disposal. We propose the forward selection method to choose control units, and establish validity of the post-selection inference. Our asymptotic framework allows the number of possible controls to grow much faster than the time dimension. The easy-to-implement algorithms and their theoretical guarantee extend the panel data approach to big data settings.

연구 동기 및 목표

• 많은 잠재적 제어 단위가 존재할 때 패널 데이터 접근법에서 체계적인 변수 선택의 부재를 해결하기 위해.
• 고차원 패널 데이터 환경에서 제어 단위 선택을 위한 계산적으로 효율적인 방법을 개발하기 위해.
• 제어 단위 선택 이후의 추론의 점근적 타당성을 확립하기 위해, 특히 제어 수가 시간 차원을 초월해 증가하는 경우에도 적용 가능하도록 하기 위해.
• 모든 조합을 탐색하는 것이 불가능한 대용량 데이터 환경에서 패널 데이터 접근법의 적용 범위를 넓히기 위해.
• 기존의 정보 기준 기반 방법(예: AIC 또는 AICC)에 대한 사용자 우호적이고 이론적으로 타당한 대안을 제공하기 위해.

제안 방법

• 논문은 각 단계에서 잔차 분산을 가장 크게 감소시키는 제어 단위를 순차적으로 추가하는 정방향 선택 알고리즘을 제안한다.
• 각 단계에서 선택된 단위 집합 조건 하에 오차 항의 분산을 추정하기 위해 일반 최소 제곱법(OLS) 회귀를 사용한다.
• 선택된 모형 기반으로 전통적인 t-통계량을 사용하여 선택 후 추론를 수행하며, 표준 정규 분포의 임계값과 비교한다.
• 이론적 근거는 제어 수가 시간 차원을 초월해 증가하는 점근적 프레임워크에 기반하며, 오차 분산과 선택 일致성에 대한 가정을 포함한다.
• 이론적으로는 진정한 최적의 제어 집합이 선택된 순서에 완전히 포함되지 않더라도, 미약한 정규 조건 하에서 최적의 제어 단위 집합을 일致적으로 선택할 수 있음을 보여준다.
• 모든 조합 탐색의 계산 부담을 피하기 위해 탐욕적 선택을 활용함으로써 대규모 데이터셋에 대해 확장 가능하다.

실험 결과

연구 질문

• RQ1 고차원 패널 데이터 환경에서 제어 단위 선택을 어떻게 체계적이고 계산적으로 실현 가능하게 만들 수 있는가?
• RQ2 패널 데이터 모형에서 정방향 선택을 사용할 경우 선택 후 추론의 이론적 성질은 무엇인가?
• RQ3 제어 수가 시간 차원을 초월하는 경우, 패널 데이터 접근법을 대용량 데이터 환경으로 확장할 수 있는가?
• RQ4 고차원 점근적 조건 하에서 정방향 선택은 평균 처리 효과의 일致적인 추정치를 제공하는가?
• RQ5 정방향 선택을 통해 제어 단위를 선택한 후 추론의 타당성을 보장하는 조건은 무엇인가?

주요 결과

• 정방향 선택 방법은 제어 단위의 수가 시간 차원을 초월해 증가하는 경우에도 일치적으로 제어 단위를 선택할 수 있다.
• 제안된 프레임워크 하에서 전통적인 t-통계량을 사용한 선택 후 추론은 점근적으로 타당하다.
• 이 방법은 추정된 반대 조건 분산이 진정한 최적의 분산으로 수렴함을 보장하며, 수렴 속도는 표본 크기와 차원성에 따라 달라진다.
• 이론적 결과는 선택된 제어 단위 집합이 진정한 최적 조합을 점점 더 잘 포착함을 보여주며, 모든 진정한 제어 변수가 포함되지 않더라도 그러한 성질을 유지한다.
• 정방향 선택 알고리즘은 단지 일련의 OLS 회귀만으로도 계산적으로 효율적이며, 대규모 데이터셋에 대해 확장 가능하다.
• 이론적 보장과 계산 가능성을 바탕으로, 기존의 정보 기준 기반 접근법보다 고차원 환경에서 더 우수한 성능을 발휘한다.