[논문 리뷰] ivmodel: An R Package for Inference and Sensitivity Analysis of Instrumental Variables Models with One Endogenous Variable

Hyunseung Kang, Yang Jiang외 2명|arXiv (Cornell University)|2020. 02. 19.

Advanced Causal Inference Techniques참고 문헌 56인용 수 6

한 줄 요약

이 논문은 하나의 내=endogenous 변수를 가진 종합적인 추론을 위한 ivmodel R 패키지를 소개한다. 이 패키지는 k-클래스 추정량을 통한 강건한 추론, 약한 기준 변수에 강건한 신뢰구간(Anderson-Rubin 및 조건부 우도 비율), 효과 크기 계산, 그리고 IV 가정 위반에 대한 민감도 분석을 제공한다. 이 방법들은 Card(1995)의 교육-소득 데이터셋에 적용되었으며, 교육이 소득에 미치는 인과적 영향이 측정되지 않은 혼동요인에 민감함을 보였다.

ABSTRACT

We present a comprehensive R software ivmodel for analyzing instrumental variables with one endogenous variable. The package implements a general class of estimators called k- class estimators and two confidence intervals that are fully robust to weak instruments. The package also provides power formulas for various test statistics in instrumental variables. Finally, the package contains methods for sensitivity analysis to examine the sensitivity of the inference to instrumental variables assumptions. We demonstrate the software on the data set from Card (1995), looking at the causal effect of levels of education on log earnings where the instrument is proximity to a four-year college.

연구 동기 및 목표

• 약한 기준 변수 하에서 강건한 추론과 위반된 IV 가정에 대한 민감도 분석을 지원하는 통합적이고 현대적인 R 소프트웨어의 부족을 해결하기 위해.
• 내endogenous 변수가 하나인 IV 모형에서 인과적 영향을 일관되게 추정하기 위한 k-클래스 추정량을 구현하기 위해.
• 특히 Anderson-Rubin 및 조건부 우도 비율 구간을 포함하여 약한 기준 변수에 대해 완전히 강건한 신뢰구간을 제공하기 위해.
• 다양한 검정 통계량과 효과 크기 하에서 향후 IV 연구의 설계를 위한 표본 크기 계획을 가능하게 하기 위해 효과 크기 계산을 제공하기 위해.
• 기본 변수의 독립성 및 배제 제약 조건 위반에 대한 민감도를 평가하기 위한 민감도 분석 도구를 제공하기 위해.

제안 방법

• 패키지는 내endogenous 변수가 하나인 선형 IV 모형에서 인과적 영향 β를 추정하기 위한 일반적인 k-클래스 추정량의 클래스를 구현한다.
• 약한 기준 변수에 대해 완전히 강건한 두 가지 신뢰구간 방법—Anderson-Rubin 및 조건부 우도 비율—이 포함되어 있다.
• 민감도 분석은 측정되지 않은 혼동요인의 강도를 정량화하기 위해 파라미터 δ를 사용하며, 주어진 δ의 범위에서 구간을 계산한다.
• 귀무가설과 대립가설 하에서 검정 통계량을 기반으로 한 효과 크기 계산이 유도되어 표본 크기 계획을 가능하게 한다.
• 이 프레임워크는 공변량 조정이 가능하며 자연 실험과 무작위 권고 설계를 모두 다룰 수 있다.
• 이러한 요소들을 하나의 사용자 친화적인 R 인터페이스로 통합하여 종합적인 IV 분석을 위한 엔드 투 엔드 워크플로우를 제공한다.

실험 결과

연구 질문

• RQ1 기준 변수가 약할 경우, 어떻게 강건한 추론을 수행할 수 있는가?
• RQ2 측정되지 않은 혼동요인이 IV 추정치의 타당성에 어떤 영향을 미치며, 이를 어떻게 정량화할 수 있는가?
• RQ3 주어진 효과 크기와 기준 변수 강도 하에서 충분한 통계적 검정력을 확보하기 위해 필요한 표본 크기는 얼마인가?
• RQ4 다양한 신뢰구간 방법(예: Anderson-Rubin 대비 Wald)이 약한 기준 변수 하에서 어떻게 작동하는가?
• RQ5 통합된 R 패키지는 추정, 추론, 효과 크기 분석, 민감도 분석을 포함한 종합적인 IV 분석을 단일 패키지로 단순화할 수 있는가?

주요 결과

• Card(1995)의 데이터셋에서 교육의 인과적 영향에 대한 Anderson-Rubin 신뢰구간은 [−0.054, 0.535]이며, δ ∈ [−0.07, 0.07] 범위에서 민감도 분석 하에서 p-값은 0.165이다.
• 측정되지 않은 혼동요인이 'south' 변수와 유사한 경우, 귀무가설(인과적 영향 없음)은 전통적인 수준에서 기각되지 않는다.
• δ ∈ [−0.07, 0.07] 범위에서 참값 β* = 0.25를 탐지할 수 있는 검정력은 오직 22.7%이며, 이는 잠재적인 측정되지 않은 혼동요인이 존재할 경우 낮은 통계적 검정력을 의미한다.
• 동일한 민감도 범위 하에서 β* = 0.25를 탐지하기 위해 80%의 검정력을 확보하기 위해서는 최소 23,230의 표본 크기가 필요하다.
• 'south' 변수를 제외한 모델의 민감도 구간은 전체 모델의 신뢰구간과 밀도적으로 일치하며, 민감도 분석 접근법의 강건성을 검증한다.
• ivmodel 패키지는 추정, 강건한 추론, 효과 크기 분석, 민감도 평가를 통합한 단일 R 패키지로 종합적인 IV 분석 워크플로우를 가능하게 한다.