[论文解读] Bias-Aware Inference in Fuzzy Regression Discontinuity Designs

Claudia Noack, Rothe, Christoph|arXiv (Cornell University)|Jun 11, 2019

Fuzzy Systems and Optimization被引用 5

一句话总结

本文提出了一种偏差感知的置信集（CSs），用于模糊回归不连续设计（FRD）中的局部平均处理效应，采用受工具变量模型中Anderson-Rubin统计量启发的局部线性估计器。与传统的基于delta方法的推断不同，该方法显式考虑了偏差，并在弱识别、离散的运行变量以及甜甜圈设计（donut designs）下仍保持有效性，从而在一大类条件均值函数中实现了统一的诚实覆盖。

ABSTRACT

We propose new confidence sets (CSs) for the regression discontinuity parameter in fuzzy designs. Our CSs are based on local linear regression, and are bias-aware, in the sense that they take possible bias explicitly into account. Their construction shares similarities with that of Anderson-Rubin CSs in exactly identified instrumental variable models, and thereby avoids issues with "delta method" approximations that underlie most commonly used existing inference methods for fuzzy regression discontinuity analysis. Our CSs are asymptotically equivalent to existing procedures in canonical settings with strong identification and a continuous running variable. However, due to their particular construction they are also valid under a wide range of empirically relevant conditions in which existing methods can fail, such as setups with discrete running variables, donut designs, and weak identification.

研究动机与目标

• 为解决现有基于delta方法的推断在模糊回归不连续设计（FRD）中的局限性，特别是在弱识别、离散运行变量或甜甜圈设计下的问题。
• 开发对有限样本中潜在偏差具有鲁棒性的置信集，尤其在标准渐近近似失效时仍能保持稳健。
• 确保诚实推断——在具有有界二阶导数的条件均值函数类上，实现一致的渐近覆盖，无论运行变量的分布或识别强度如何。
• 将FRD推断的适用范围扩展到现实中常见但具有挑战性的场景，其中现有方法可能产生误导性的覆盖结果。

提出的方法

• 该方法基于一种模仿工具变量模型中Anderson-Rubin统计量结构的局部线性回归估计器构建置信集。
• 通过使用基于检验统计量渐近分布推导出的偏差校正临界值，显式地将偏差纳入推断过程。
• 置信集被定义为：对于所有参数值，基于偏差调整后的枢轴量所构建的检验统计量在显著性水平α下不拒绝原假设的集合。
• 带宽选择为数据驱动且自适应，采用最小化置信集长度同时保持有效覆盖的程序。
• 该方法依赖于包含估计处理效应及其标准误的枢轴统计量，经偏差调整后，临界值基于偏差稳健近似下的非非中心t分布推导。
• 通过对结果变量和处理变量进行变换，构建在原假设下为枢轴量的检验统计量，从而确保对异方差性和偏差具有鲁棒性。

实验结果

研究问题

• RQ1 在弱识别条件下（即第一阶段F统计量较低且标准误被放大），模糊回归不连续设计中的置信集能否维持正确的覆盖？
• RQ2 如何使推断对离散或非均匀支持的运行变量具有鲁棒性，这些情况会违反传统delta方法近似的光滑性假设？
• RQ3 是否可能构建在一大类条件均值函数（包括具有有界二阶导数的函数）上统一有效的置信集，而不论运行变量的分布如何？
• RQ4 当运行变量为离散或在截断点附近数据被排除（即甜甜圈设计）时，偏差感知置信集相较于基于delta方法的区间在覆盖准确性方面有多大的改进？
• RQ5 能否构建一种置信集，其覆盖具有诚实性，且不依赖于渐近正态性或delta方法近似？

主要发现

• 所提出的置信集在具有有界二阶导数的条件均值函数类上具有统一有效性（即诚实性），确保了无论运行变量的分布或识别强度如何，均能实现正确的渐近覆盖。
• 该方法在离散运行变量和甜甜圈设计下仍能维持正确的覆盖，而这些情形下传统delta方法推断常因渐近近似无效而失效。
• 在具有连续运行变量和强识别的典型设定下，所提出的置信集渐近等价于偏差感知的delta方法区间，保持了效率。
• 该方法对弱识别具有鲁棒性，因其显式考虑了偏差，且不依赖于当第一阶段F统计量较低时即失效的delta方法正态近似。
• 实证应用表明，当运行变量支持有限或处理分配较弱时，该方法避免了现有方法常见的反保守覆盖问题。
• 在标准正则性条件下，该方法的有效性已得到证明；在强识别设定下与现有方法的渐近等价性进一步证实其在标准情形下未牺牲效率。