[논문 리뷰] Inference for Instrumental Variables: A Randomization Inference Approach

Hyunseung Kang, Laura R. Peck외 1명|arXiv (Cornell University)|2016. 06. 13.

Advanced Causal Inference Techniques참고 문헌 36인용 수 4

한 줄 요약

이 논문은 강한 기준이 없는 상황에서 기존의 점근적 방법이 실패하는 경우에도 정확한 커버리지 유지가 가능한 '거의 정확한' 방법을 도입하여, 무작위화 추론 기반의 추정 방법을 제안한다. 이 방법은 계산적으로 타당하며, 작은 표본 및 약한 기준 조건에서 표준 이단계 최소제곱법과 Bloom 기반 추론보다 뛰어난 성능을 보인다.

ABSTRACT

The method of instrumental variables (IV) provides a framework to study causal effects in both randomized experiments with noncompliance and in observational studies where natural circumstances produce as-if random nudges to accept treatment. Traditionally, inference for IV relied on asymptotic approximations of the distribution of the Wald estimator or two-stage least squares, often with structural modeling assumptions and/or moment conditions. In this paper, we utilize the randomization inference approach to IV inference. First, we outline the exact method, which uses the randomized assignment of treatment in experiments as a basis for inference, but lacks a closed-form solution and may be computationally infeasible in many applications. We then provide an alternative to the exact method, the almost exact method, which is computationally feasible but retains the advantages of the exact method. We also review asymptotic methods of inference, including those associated with two-stage least squares, and analytically compare them to randomization inference methods. We also perform additional comparisons using a set of simulations. We conclude with three different applications from the social sciences.

연구 동기 및 목표

• 약한 기준 조건에서 점근적 추론의 한계를 해결함으로써, 특히 커버리지 비율이 왜곡되는 경우에 대비한다.
• 이론적으로 최적이지만 실무에서 자주 구현이 어려운 정확한 무작위화 추론의 계산 가능 대체 방법을 개발한다.
• 정확한 및 거의 정확한 무작위화 추론의 성능을 기존의 점근적 방법(예: 이단계 최소제곱법, Bloom 방법)과 비교한다.
• 시뮬레이션과 실증 응용을 통해 거의 정확한 방법이 약한 기준 조건에서도 명목상의 커버리지 유지가 가능함을 입증한다.
• 응용 연구자들이 실세계 연구에 거의 정확한 방법을 구현할 수 있도록 보조 자료에 포함된 R 함수를 제공한다. 특히 메디컬 랜덤라이제이션 및 정책 평가 분야에서 유용하다.

제안 방법

• 실험에서의 치료 무작위 배정 기반으로 정확한 무작위화 추론 방법을 제안하며, 순열 분포를 사용하여 유의성 수준을 평가한다.
• 정확한 방법의 계산 효율성 향상을 위해 '거의 정확한' 방법을 도입하며, 이는 무작위화 분포에 대한 닫힌 형태의 근사치를 사용한다.
• 완전한 치료 효과(CACE)의 점추정치로 월드 추정량을 사용하며, 이는 의도-치료 효과와 준수 비율의 비율로 유도된다.
• 무거운 尾비율 분포를 가진 결과 변수에서의 강건성 향상을 위해 거의 정확한 방법과 함께 순위 기반 검정 통계량을 적용한다.
• 다양한 기준 강도와 표본 크기 조건 하에서 몬테카를로 시뮬레이션을 통해 거의 정확한 방법과 점근적 방법(TSLS, Bloom 방법 등)을 비교한다.
• 세 가지 실증 응용 사례에 방법을 적용: 랜덤라이제이션된 직업 훈련 프로그램, 강우량을 기준으로 한 유권자 투표율 연구, 메디컬 랜덤라이제이션 맥락.

실험 결과

연구 질문

• RQ1 약한 기준 조건에서 거의 정확한 무작위화 추론 방법이 점근적 방법(TSLS, Bloom 등)과 비교해 어떻게 성능을 발휘하는가?
• RQ2 약한 기준 조건과 작은 표본 크기에서 점근적 방법이 실패하는 상황에서도 거의 정확한 방법이 정확한 커버리지 비율을 유지할 수 있는가?
• RQ3 실세계 응용에서 정확한 무작위화 추론 방법의 계산 가능성은 어떠한가? 그리고 거의 정확한 방법은 이 문제를 어떻게 완화하는가?
• RQ4 약한 기준 조건이 있는 실증 응용에서 거의 정확한 방법의 신뢰구간은 점근적 근사에 기반한 구간과 어떻게 다를까?
• RQ5 관찰 연구나 메디컬 랜덤라이제이션과 같은 특정 응용 분야에서 거의 정확한 방법은 기존 IV 추론에 비해 의미 있는 이점을 제공하는가?

주요 결과

• GJ-HC 직업 훈련 프로그램에서 거의 정확한 방법은 95% 신뢰구간 [-1.26, -5.19]을 도출하였으며, 이는 TSLS의 구간보다 거의 두 배 넓어, 기준 강도가 약하기 때문에 높은 불확실성을 반영한다.
• 1984–2000년 유권자 투표율 연구에서 거의 정확한 방법은 -∞에서 ∞까지 확장된 구간을 반환하였으며, 이는 강우량이 기준으로서 너무 약하여 신뢰할 수 있는 추론이 불가능함을 명확히 보여준다.
• 반면 TSLS와 Bloom 방법은 닫힌 구간을 도출하였지만, 시뮬레이션 연구 결과에 따르면 약한 기준 조건에서 커버리지가 떨어지는 것으로 확인되었다.
• 거의 정확한 방법은 약한 기준 조건이더라도 모든 시뮬레이션 시나리오에서 명목상 95% 커버리지를 유지하였고, 반면 점근적 방법은 커버리지 비율이 심각하게 왜곡되었다.
• Bloom 방법은 널리 사용되며 단순하지만, 준수 비율이 25% 이상일 때만 잘 작동하며, 많은 관찰 연구나 정책 평가 환경에서는 이 조건을 충족하지 못할 수 있다.
• 거의 정확한 방법은 순위 기반 검정 통계량과 결합될 경우, 무거운 꼬리 분포를 가진 결과 변수에 대해 강건성이 확보되어 실제 데이터의 이상치가 존재하는 상황에서 실용적 이점을 제공한다.