[论文解读] A Computational Approach to Identification of Treatment Effects for Policy Evaluation

Sukjin Han, Shenshen Yang|arXiv (Cornell University)|Sep 29, 2020

Healthcare Policy and Management参考文献 40被引用 4

一句话总结

本文提出了一套计算框架，用于在二值工具变量和未观测异质性条件下，推导政策相关处理效应的紧致非参数边界。通过利用工具变量与未观测变量之间的统计独立性，以及一组灵活的识别假设（包括形状限制和协变量的外生性），该框架能够通过线性规划系统性地将局部平均处理效应（LATE）外推至反事实政策情境，与先前方法相比，显著缩小了识别区间。

ABSTRACT

For counterfactual policy evaluation, it is important to ensure that treatment parameters are relevant to policies in question. This is especially challenging under unobserved heterogeneity, as is well featured in the definition of the local average treatment effect (LATE). Being intrinsically local, the LATE is known to lack external validity in counterfactual environments. This paper investigates the possibility of extrapolating local treatment effects to different counterfactual settings when instrumental variables are only binary. We propose a novel framework to systematically calculate sharp nonparametric bounds on various policy-relevant treatment parameters that are defined as weighted averages of the marginal treatment effect (MTE). Our framework is flexible enough to fully incorporate statistical independence (rather than mean independence) of instruments and a large menu of identifying assumptions beyond the shape restrictions on the MTE that have been considered in prior studies. We apply our method to understand the effects of medical insurance policies on the use of medical services.

研究动机与目标

• 解决在将随机实验结果外推至新政策环境时，局部平均处理效应（LATE）缺乏外部效用的问题。
• 开发一种系统化方法，用于计算作为边际处理效应（MTE）加权平均的处理参数的紧致非参数边界。
• 将工具变量的统计独立性（在协变量条件下）以及超越MTE形状限制的广泛识别假设纳入框架。
• 通过利用外生协变量和Sieve近似，在离散工具变量情境下提升识别精度。
• 通过模拟和对医疗保险政策评估的应用，展示该方法的有效性。

提出的方法

• 将政策相关处理参数表述为边际处理效应（MTE）的加权平均，包括ATE、处理效应对受 treatment 者的影响，以及政策相关处理效应（PRTE）。
• 通过线性规划计算在工具变量与不可观测变量统计独立（在可观测协变量条件下）假设下，这些参数的紧致非参数边界。
• 通过线性规划中的约束条件，将一组灵活的识别假设（超越形状限制）纳入，例如辅助变量的外生性与条件独立性。
• 采用Bernstein多项式Sieve近似非参数估计MTE函数，并在多项式阶数K增加时分析其收敛性质。
• 通过求解对偶线性规划，推导MTE函数及其加权平均的边界，确保在维持假设下的紧致性。
• 通过模拟验证该方法，模拟中考虑了工具变量支持集（Z）、结果变量基数（Y）以及真实MTE函数的平滑性变化。

实验结果

研究问题

• RQ1 当工具变量为二值且存在未观测异质性时，能否系统性地计算政策相关处理效应的紧致非参数边界？
• RQ2 在二值工具变量情境下，工具变量的统计独立性（在协变量条件下）相比均值独立性，如何提升识别能力？
• RQ3 在缺乏连续工具变量的情况下，辅助外生变量在多大程度上能提升处理效应边界估计的精度？
• RQ4 形状限制与Sieve近似在非光滑MTE函数下如何影响边界的准确性和稳健性？
• RQ5 与现有部分识别方法（如Mogstad等，2018年）相比，所提出的框架在边界紧致性方面是否表现更优？

主要发现

• 在离散和连续结果变量情境下，所提方法在平均处理效应（ATE）上的边界显著窄于Mogstad等（2018年）的方法，尤其在工具变量支持集扩大时更为明显。
• 随着工具变量Z的支持集增大，边界显著变紧，证实即使在二值工具变量下，更大的外生变异也能改善识别能力。
• 即使协变量未被反向排除，其引入也能提升边界的紧致性，表明外生性而非排除限制才是识别能力的关键驱动因素。
• 当真实MTE函数为非光滑函数（如存在拐点，例如|sin(2πu)|）时，低阶多项式阶数K（如K=5）的Sieve近似会遭受严重模型误设，但随着K增加（如K≥10），误设问题显著改善。
• 随着K增大，真实MTE与识别集之间的Hausdorff距离显著减小，表明模型误设减少，近似收敛性提升。
• 该框架在超越传统形状限制的广泛识别假设下，成功识别了多种政策相关参数的紧致边界，包括子群体的LATE和PRTE。