[论文解读] 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 8

一句话总结

本文提出了一种基于最优传输的新型方法，用于非线性双重差分（DiD）设置下的因果推断，能够估计高维反事实结果和处理效应，突破了传统单变量或线性假设的限制。该方法通过最优传输理论将CiC估计器扩展至多变量结果，展示了更强的鲁棒性，并揭示了异质处理效应的新见解，包括对Card & Krueger最低工资数据集的重新分析，显示出更细致的就业影响模式。

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.

研究动机与目标

• 解决经典双重差分（DiD）和变化-变化（CiC）估计器在处理高维结果和异质处理效应方面的局限性。
• 通过最优传输理论将仅限于单变量结果的CiC估计器推广至多变量设置。
• 在潜在结果框架下，开发一种计算上可行的方法，用于估计高维反事实分布。
• 为复杂高维数据（如数字营销、基因组学或政策评估）提供更鲁棒且灵活的因果推断框架。
• 通过更丰富的协变量信息和多变量结果，重新表达并重新分析经典的Card & Krueger最低工资研究，以揭示新的处理效应模式。

提出的方法

• 该方法利用最优传输理论，基于控制组数据作为参考测度，建模干预前处理组单位的联合反事实分布。
• 将反事实估计表述为Monge-Kantorovich最优传输问题，最小化将控制组结果传输至匹配观测到的处理组分布的成本。
• 利用最优传输领域的计算进展，处理有限样本规模下的高维结果向量（例如，10维的餐厅特征）。
• 通过标准化协变量，以多变量、分布化的方式估计处理效应，同时保留结果各维度之间的相关性。
• 通过重抽样（10,000次迭代，每次移除20%的单位）和协变量组合的子集分析，评估处理效应符号与大小的稳定性。
• 通过用多变量传输映射替代单变量分位数耦合，将CiC估计器推广，实现对完整联合反事实分布的估计。

实验结果

研究问题

• RQ1 最优传输理论能否用于将CiC估计器扩展至多变量结果，从而克服现有方法在单变量上的限制？
• RQ2 与经典DiD和单变量CiC相比，所提出的方法在高维结果空间中如何改进异质处理效应的估计？
• RQ3 当使用多变量、高维协变量和结果重新分析Card & Krueger最低工资数据集时，会揭示出哪些新见解？
• RQ4 在小样本、高维设置下，估计的处理效应对协变量选择和单位抽样变化的鲁棒性如何？
• RQ5 最优传输方法是否能揭示线性或单变量方法所掩盖的处理效应模式——例如，全职与兼职就业的差异化影响？

主要发现

• 在包含10个协变量的情况下，该最优传输方法在Card & Krueger数据集中估计出平均1.54名额外全职员工的处理效应（ATE FT），表明最低工资上涨后全职就业出现净增长。
• 对于兼职员工，方法估计出-1.66的处理效应（ATE PT），表明兼职就业减少，且在协变量子集和重抽样中结果均保持稳健。
• 在10,000次重抽样实验中，两种处理效应的符号保持一致：全职效应在第1百分位以下为负，兼职效应在第96百分位以上为正，表明存在异质性响应。
• 与单变量CiC和DiD相比，最优传输方法对全职就业的估计值更小（1.54 vs. 3.08 和 4.03），对兼职员工的估计值更负（-1.66 vs. -0.84 和 -0.97），表明经典方法可能低估了兼职就业的下降幅度。
• 该方法对协变量选择表现出中等敏感性，全职员工估计值的标准差约为0.84，兼职员工约为0.99，但在1,000次重抽样中符号未发生改变。
• 结果表明，多变量最优传输方法比单变量或线性方法更能捕捉细微的处理效应异质性，尤其揭示了兼职就业可能比以往估计更严重地受到负面影响。