[论文解读] Identification and Estimation of Average Causal Effects in Fixed Effects Logit Models

Laurent Davezies, Xavier D’Haultfœuille+1 more|arXiv (Cornell University)|May 3, 2021

Spatial and Panel Data Analysis被引用 8

一句话总结

本文针对短面板中的固定效应Logit模型，利用极值矩问题避免优化，提供了平均边际效应（AME）的精确识别边界和推断程序。提出了两种估计策略：一种是基于非参数估计矩向量的半参数两步法，用于获得精确边界；另一种是更简单的偏差感知方法，用于估计接近真实AME的量，两者在真实AME仅部分识别时仍能提供有效的置信区间。

ABSTRACT

This paper studies identification and estimation of average causal effects, such as average marginal or treatment effects, in fixed effects logit models with short panels. Relating the identified set of these effects to an extremal moment problem, we first show how to obtain sharp bounds on such effects simply, without any optimization. We also consider even simpler outer bounds, which, contrary to the sharp bounds, do not require any first-step nonparametric estimators. We build confidence intervals based on these two approaches and show their asymptotic validity. Monte Carlo simulations suggest that both approaches work well in practice, the second being typically competitive in terms of interval length. Finally, we show that our method is also useful to measure treatment effect heterogeneity.

研究动机与目标

• 为解决尽管具有实际相关性，但固定效应Logit模型中平均边际效应（AME）缺乏识别与估计方法的问题。
• 表明AME通常仅部分识别，但可通过极值矩问题在无需优化的情况下推导出精确边界。
• 提出两种实用的估计策略：一种基于矩向量的非参数估计，另一种使用偏差感知近似以避免非参数估计。
• 将框架扩展至平均处理效应（ATE）、平均结构函数以及有序固定效应Logit模型。
• 在弱正则性条件下，即使斜率系数为零，也为AME提供渐近有效的置信区间。

提出的方法

• 利用极值矩问题，通过在已知矩约束的分布上最大化/最小化一个矩，推导AME的精确边界。
• 提出一种半参数两步估计量，非参数估计向量 (1, E(U), ..., E(U^T))，其中 U ∈ [0,1]，然后通过变换获得边界。
• 对初始估计量施加非参数约束，以确保变换后的估计值保持为有效的矩向量，采用类似投影的校正方法。
• 提出一种更简单的替代方法：估计一个与真实AME在有界距离内的量，并使用Donoho（1994）和Armstrong & Kolesár（2018）提出的偏差感知推断。
• 在正则性条件下，推导出边界估计量的渐近正态性，且在数据生成过程中具有统一有效性。
• 将相同框架应用于ATE、平均结构函数和有序Logit模型，表明其广泛应用性。

实验结果

研究问题

• RQ1 能否在不求解复杂优化问题的情况下，为固定效应Logit模型中的平均边际效应推导出精确识别边界？
• RQ2 当参数仅部分识别时，如何为AME构建有效的置信区间？
• RQ3 能否开发一种更简单的估计策略，避免非参数估计同时保持渐近有效性？
• RQ4 当真实斜率系数为零时，所提方法在多大程度上仍保持稳健？
• RQ5 识别与估计框架能否扩展至平均处理效应及其他非线性固定效应模型？

主要发现

• 可通过极值矩问题直接计算平均边际效应的精确边界，无需数值优化。
• 半参数两步估计量在斜率系数为零时仍能实现根-n一致性和渐近正态性。
• 偏差感知估计量避免了非参数估计，且其置信区间在渐近意义上有效，并在广泛的数据生成过程中保持统一控制。
• 蒙特卡洛模拟显示，两种方法在有限样本中表现良好，尽管偏差感知方法更为简单，但通常表现出高度竞争力。
• 该框架不仅适用于AME，还可推广至平均处理效应、平均结构函数以及有序固定效应Logit模型。
• 理论结果证实，在标准正则性条件下，关键估计量（如方差估计量和标准化残差和）具有一致收敛性。