[論文レビュー] An Optimal Transport Approach to Estimating Causal Effects via Nonlinear Difference-in-Differences

William Torous, Florian Gunsilius+1 more|arXiv (Cornell University)|Aug 12, 2021

Advanced Causal Inference Techniques被引用数 8

ひとこと要約

本稿では、非線形差分の差分（DiD）設定における因果推論のための新しい最適輸送に基づく手法を提案する。この手法は、単変量または線形仮定にとどまらない高次元の反実仮想結果と処置効果の推定を可能にする。最適輸送理論を用いてCiC推定量を多変量の結果に拡張し、処置効果の非一様性に関する新たな洞察を示し、特にカーディ＆クラーガーの最低賃金データセットの再分析により、より洗練された雇用への影響が明らかになった。

ABSTRACT

We propose a nonlinear difference-in-differences method to estimate multivariate counterfactual distributions in classical treatment and control study designs with observational data. Our approach sheds a new light on existing approaches like the changes-in-changes and the classical semiparametric difference-in-differences estimator and generalizes them to settings with multivariate heterogeneity in the outcomes. The main benefit of this extension is that it allows for arbitrary dependence and heterogeneity in the joint outcomes. We demonstrate its utility both on synthetic and real data. In particular, we revisit the classical Card \& Krueger dataset, examining the effect of a minimum wage increase on employment in fast food restaurants; a reanalysis with our method reveals that restaurants tend to substitute full-time with part-time labor after a minimum wage increase at a faster pace. A previous version of this work was entitled "An optimal transport approach to causal inference.

研究の動機と目的

• 古典的な差分の差分（DiD）および変化の変化（CiC）推定量が高次元の結果や非一様処置効果を扱う際の限界を是正すること。
• 従来の方法が分位数関数によって制限される単変量の結果に限定されるCiC推定量を、最適輸送理論を用いて多変量設定に一般化すること。
• 潜在的結果枠組み下で高次元の反実仮想分布を推定する計算的に実行可能な手法を開発すること。
• デジタルマーケティング、ゲノム、政策評価などの複雑な高次元データを含む設定における、より強固で柔軟な因果推論フレームワークを提供すること。
• 豊富な共変量情報と多変量の結果を用いて、古典的なカーディ＆クラーガーの最低賃金研究を再表現・再分析し、新たな処置効果パターンを解明すること。

提案手法

• この手法は、介入なしの処置群の同時反実仮想分布をモデル化するために最適輸送理論を活用し、制御群のデータを基準測度として用いる。
• 反実仮想推定を、制御群の結果を観察された処置群の分布に一致させるために輸送コストを最小化するモング・カンタロヴィッチ最適輸送問題として定式化する。
• 計算上の進展を活用して、限られたサンプルサイズでも高次元の結果ベクトル（例：10次元のレストラン特徴）を扱う。
• 共変量は標準化し、結果の次元間の相関を保持する多変量的・分布的意味での処置効果を推定する。
• 再サンプリング（20%の単位を除いた10,000回の反復）と共変量の組み合わせごとのサブセット分析により、符号と大きさの安定性を評価し、妥当性を検証する。
• CiC推定量を一般化する枠組みとして、単変量の分位数ベースの結合を多変量の輸送写像に置き換え、完全な同時反実仮想分布の推定を可能にする。

実験結果

リサーチクエスチョン

• RQ1 最適輸送理論を用いて、既存の方法が単変量に制限されるCiC推定量を多変量の結果に拡張できるか？
• RQ2 提案手法は、古典的DiDおよび単変量CiCと比較して、高次元の結果空間における非一様処置効果の推定をどの程度改善するか？
• RQ3 多変量の高次元共変量と結果を用いてカーディ＆クラーガーの最低賃金データセットを再分析すると、どのような新たな洞察が得られるか？
• RQ4 小標本・高次元設定における共変量選択や単位サンプリングの変化に対して、推定された処置効果はどの程度頑健か？
• RQ5 最適輸送アプローチは、全職種とパートタイムの雇用に異なる影響を及ぼすような処置効果パターン（線形または単変量手法では見えないもの）を明らかにできるか？

主な発見

• 10個の共変量を含めた場合、カーディ＆クラーガーのデータセットにおいて、平均して1.54人の追加の正社員（ATE FT）が処置効果として推定され、最低賃金引き上げ後の正社員雇用の増加を示唆している。
• パートタイム労働者については、処置効果が-1.66（ATE PT）と推定され、共変量サブセットや再サンプリングの両方で安定している。
• 10,000回の再サンプリング実験において、両処置効果の符号は一貫しており、正社員効果は第1百分位未満で負の値を示し、パートタイム効果は第96百分位以上で正の値を示しており、非一様な反応が確認された。
• 単変量CiCおよびDiDと比較すると、正社員雇用の推定値は小さく（1.54 vs. 3.08および4.03）、パートタイム労働者の推定値はより負に（-1.66 vs. -0.84および-0.97）なっており、古典的手法がパートタイム雇用の減少を低く見積もっている可能性がある。
• 共変量選択に対しては中程度の感度を示し、正社員では推定値の標準偏差が約0.84、パートタイムでは約0.99であったが、1,000回の再サンプリングにおいても符号の変化は認められなかった。
• 結果として、多変量最適輸送は、単変量または線形手法よりもより洗練された処置効果の非一様性を捉えられ、特にパートタイム雇用が以前の推定よりもより顕著に悪影響を受ける可能性があることが明らかになった。