[论文解读] Causal Inference for Spatial Treatments

Michael Pollmann|arXiv (Cornell University)|Oct 31, 2020

COVID-19 epidemiological studies参考文献 111被引用 6

一句话总结

本文提出了一种基于设计的因果推断框架，用于空间处理，其中处理位置在候选地点中随机分配。该框架引入了具有有效设计基础标准误的逆概率加权估计量，并使用卷积神经网络在观察数据中识别反事实处理位置，发现新冠疫情期间杂货店对步行人流存在显著的近距离效应。

ABSTRACT

Many events and policies (treatments) occur at specific spatial locations, with researchers interested in their effects on nearby units of interest. I approach the spatial treatment setting from an experimental perspective: What ideal experiment would we design to estimate the causal effects of spatial treatments? This perspective motivates a comparison between individuals near realized treatment locations and individuals near counterfactual (unrealized) candidate locations, which differs from current empirical practice. I derive design-based standard errors that are straightforward to compute irrespective of spatial correlations in outcomes. Furthermore, I propose machine learning methods to find counterfactual candidate locations using observational data under unconfounded assignment of the treatment to locations. I apply the proposed methods to study the causal effects of grocery stores on foot traffic to nearby businesses during COVID-19 shelter-in-place policies, finding a substantial positive effect at a very short distance, with no effect at larger distances.

研究动机与目标

• 正式化一个理想实验，以利用随机分配的处理位置来估计空间处理的因果效应。
• 推导对结果空间相关性具有鲁棒性的设计基础标准误。
• 开发机器学习方法，在观测数据中实现无混淆分配条件下的反事实处理位置识别。
• 解决三个关键方法论问题：对照组选择、标准误估计以及观测数据对理想实验的模拟。
• 为实证研究中空间处理效应的估计提供实用且可操作的建议。

提出的方法

• 形式化一个理想实验，其中处理位置在一组合理候选位置中随机分配。
• 推导在给定距离下平均处理效应的逆概率加权估计量，确保在设计基础框架下近似无偏。
• 提出计算简便且对空间相关性具有鲁棒性的设计基础方差估计量。
• 应用卷积神经网络对协变量的空间分布进行建模，并在观测数据中识别反事实处理位置。
• 使用基于估计倾向得分的逆概率加权方法，根据空间协变量平衡处理组与对照组。
• 通过模拟研究验证所提框架下估计量的偏差、方差及置信区间覆盖性能。

实验结果

研究问题

• RQ1 在估计给定距离的空间处理效应时，对照组应包含哪些个体？
• RQ2 在理想实验下，估计处理效应的正确标准误是什么？
• RQ3 当仅有观测数据可用时，如何复现理想实验的逻辑？
• RQ4 在空间设置中，设计基础方差估计量与传统抽样基础方差相比表现如何？
• RQ5 在无混淆分配条件下，机器学习方法在识别有效反事实处理位置方面的表现如何？

主要发现

• 所提出的估计量 $\hat{\tau}$ 在模拟中表现出极小偏差，与模拟噪声水平相当，且性能几乎与不可行基准 $\tilde{\tau}$ 相当。
• 在98%的模拟总体中，$\hat{\tau}$ 的设计基础方差与 $\tilde{\tau}$ 的真实方差相差不足1%。
• 霍尔维茨-汤普森估计量 $\hat{\tau}_{HT}$ 的方差显著更大——约高出60%，效率较低。
• 使用所提方差估计量构建的置信区间在所有模拟总体中均接近名义覆盖率（95%）。
• 在所有模拟中，$\hat{\tau}$ 与 $\tilde{\tau}$ 的相关系数几乎为1，表明性能近乎一致。
• 实证应用显示，在新冠疫情期间的居家令政策下，杂货店对极近距离范围内的步行人流存在显著正向影响，而在更远距离则无显著效应。