[论文解读] A Negative Correlation Strategy for Bracketing in Difference-in-Differences

Ting Ye, Luke Keele+2 more|arXiv (Cornell University)|Jun 3, 2020

Advanced Causal Inference Techniques参考文献 30被引用 10

一句话总结

本文提出了一种新颖的负相关性策略，用于差异中的差异（DID）分析，该策略利用两个与处理组结果趋势呈负相关的对照组，对处理组的平均处理效应（ATT）进行边界估计。通过利用这种相关性，该方法构建了联合边界形式的局部识别，开发了一种新颖的自助法推断程序，确保了统一渐近有效性，并提供了虚假检验和敏感性分析，从而在平行趋势假设被违反时提升了稳健性。

ABSTRACT

The method of difference-in-differences (DID) is widely used to study the causal effect of policy interventions in observational studies. DID employs a before and after comparison of the treated and control units to remove bias due to time-invariant unmeasured confounders under the parallel trends assumption. Estimates from DID, however, will be biased if the outcomes for the treated and control units evolve differently in the absence of treatment, namely if the parallel trends assumption is violated. We propose a general identification strategy that leverages two groups of control units whose outcomes relative to the treated units exhibit a negative correlation, and achieves partial identification of the average treatment effect for the treated. The identified set is of a union bounds form that involves the minimum and maximum operators, which makes the canonical bootstrap generally inconsistent and naive methods overly conservative. By utilizing the directional inconsistency of the bootstrap distribution, we develop a novel bootstrap method to construct confidence intervals for the identified set and parameter of interest when the identified set is of a union bounds form, and we theoretically establish the asymptotic validity of the proposed method. We develop a simple falsification test and sensitivity analysis. We apply the proposed strategy for bracketing to study whether minimum wage laws affect employment levels.

研究动机与目标

• 解决DID分析中常见的挑战：由于各单元间结果动态异质，导致平行趋势假设被违反。
• 提出一种通用的识别策略，利用两个相对于处理组呈负相关趋势的对照组，对ATT进行边界估计。
• 为联合边界形式提供一种新颖的、统一有效的自助法推断方法，克服标准自助法和保守方法的局限性。
• 实现实际的敏感性分析和虚假检验，以评估在平行趋势假设被违反时DID估计的稳健性。
• 在劳动经济学和公共卫生领域展示该方法的适用性，特别是在存在未观测混杂因素（如经济周期或药物流行病）的差异暴露情境下。

提出的方法

• 提出一种夹逼策略，利用两个对照组的潜在未处理结果在时间上与处理组结果呈负相关性。
• 通过最小值和最大值算子，将ATT的识别集形式化为区间的并集，反映来自两个对照组的边界。
• 开发一种新颖的自助法，考虑自助分布中的方向不一致性，以构建识别集和感兴趣参数的统一有效置信区间。
• 该自助法设计简洁，适用于一般联合边界形式，避免了传统方法的过度保守性。
• 整合虚假检验和敏感性分析，以评估在负相关性假设偏离时结果的稳健性。
• 理论基础确保了在联合边界结构下，自助推断具有统一渐近有效性。

实验结果

研究问题

• RQ1 当两个对照组相对于处理组的结果呈负相关时，是否可利用该特性改善平行趋势被违反时的DID识别？
• RQ2 当识别集因最小/最大算子而呈现联合边界形式时，如何对感兴趣参数进行有效推断？
• RQ3 平行趋势假设的违反对标准DID估计有何影响，夹逼方法如何缓解此类偏差？
• RQ4 与百分位数自助法或交集-并集检验等现有方法相比，所提出的自助法在覆盖性和保守性方面表现如何？
• RQ5 该方法在多大程度上对未观测混杂因素具有稳健性？虚假检验和敏感性分析在验证结果时有何作用？

主要发现

• 所提出的夹逼策略成功利用两个趋势呈负相关的对照组，对处理组的平均处理效应（ATT）进行了边界估计，在平行趋势失效时提供了稳健的替代方案。
• 在最低工资应用中，DID夹逼方法未发现1974年FLSA对就业的显著影响，ATT的95%置信区间排除了就业率对数变化超过-0.029的效应。
• 识别集和感兴趣参数的置信区间几乎完全重合，表明边界相对于测量误差较紧，且自助法提供了精确的推断。
• 所提出的自助法实现了统一渐近有效性，避免了标准自助法和交集-并集方法中常见的过度保守性。
• 该方法不仅适用于劳动经济学，还可推广至公共卫生研究，例如在芬太尼等冲击存在差异暴露的情境中，可基于暴露的时间和强度选择对照组。
• 虚假检验和敏感性分析证实了结果的稳健性，支持了在最低工资应用中负相关性假设的有效性。