[论文解读] Design-Robust Two-Way-Fixed-Effects Regression For Panel Data

Dmitry Arkhangelsky, Guido W. Imbens+2 more|arXiv (Cornell University)|Jul 29, 2021

Advanced Causal Inference Techniques参考文献 43被引用 4

一句话总结

本文提出了一种针对面板数据的设计稳健型双向固定效应回归估计量，该估计量结合了基于处理分配机制模型的个体特定权重。该估计量实现了强双重稳健性——只要处理分配模型或结果模型其中之一被正确设定，估计量即保持一致性，相较于在处理时序交错采纳或模型设定错误情形下的传统双向固定效应方法，其推断性能更优。

ABSTRACT

We propose a new estimator for average causal effects of a binary treatment with panel data in settings with general treatment patterns. Our approach augments the popular two-way-fixed-effects specification with unit-specific weights that arise from a model for the assignment mechanism. We show how to construct these weights in various settings, including the staggered adoption setting, where units opt into the treatment sequentially but permanently. The resulting estimator converges to an average (over units and time) treatment effect under the correct specification of the assignment model, even if the fixed effect model is misspecified. We show that our estimator is more robust than the conventional two-way estimator: it remains consistent if either the assignment mechanism or the two-way regression model is correctly specified. In addition, the proposed estimator performs better than the two-way-fixed-effect estimator if the outcome model and assignment mechanism are locally misspecified. This strong double robustness property underlines and quantifies the benefits of modeling the assignment process and motivates using our estimator in practice. We also discuss an extension of our estimator to handle dynamic treatment effects.

研究动机与目标

• 解决在处理分配非随机或模型设定错误时，传统双向固定效应（TWFE）回归在面板数据中的局限性。
• 开发一种显式建模处理分配机制的新估计量，以提升因果推断的稳健性。
• 在分配模型和结果模型均正确或存在错误设定的情况下，建立该估计量的理论性质。
• 将该框架扩展至处理时序交错采纳设计中的动态处理效应。
• 为在实证应用中使用时长模型估计处理分配机制，提供实用指导。

提出的方法

• 在标准TWFE回归中引入基于处理分配过程模型推导出的个体特定权重 $\gamma_i$。
• 利用真实分配模型和广义倾向得分构造“理想权重” $\gamma^\star$，以确保基于设计的推断有效性。
• 通过非线性方程确定权重，基于处理路径 $\mathbf{W}_i$ 的支撑集，针对时序交错采纳等常见设计推导出解。
• 通过证明：若分配模型或结果模型其中之一近似正确，估计量即保持一致性，从而建立双重稳健性。
• 通过使用聚合增强逆概率加权（AIPW）估计量并结合交叉拟合，将方法扩展至动态处理效应。
• 利用时长模型从数据中估计处理分配机制，尤其在时序交错采纳情境下，以支持实际应用。

实验结果

研究问题

• RQ1 当处理分配机制复杂或设定错误时，如何提升面板数据中双向固定效应估计量的稳健性？
• RQ2 在分配模型或结果模型其中之一设定错误时，何种条件可确保所提出的加权估计量保持一致性？
• RQ3 我们能否构建个体特定权重，通过纳入关于处理分配的设计假设来增强推断性能？
• RQ4 在存在效应异质性的有限样本中，该估计量相较于传统TWFE及其他稳健估计量的表现如何？
• RQ5 在AIPW估计量中包含固定效应的影响是什么？在短面板中，交叉拟合是否能恢复双重稳健性？

主要发现

• 所提出的估计量实现了强双重稳健性：只要分配模型或结果模型其中之一被正确设定，估计量即保持一致性。
• 当分配模型设定正确时，理想估计量 $\hat{\tau}(\gamma^\star)$ 有效，无论结果模型是否正确，从而支持基于设计的推断。
• 在有限样本中，当结果模型和分配机制均局部设定错误时，该估计量优于传统TWFE。
• 使用估计固定效应的聚合AIPW估计量不具备双重稳健性，因为结果模型估计与处理分配之间存在依赖关系，尤其在短面板中更为显著。
• 交叉拟合无法解决估计固定效应时AIPW估计量的偏差，凸显了在小-$T$设定下估计个体固定效应的挑战。
• 使用时长模型对时序交错采纳设计进行实证应用，可实现对分配机制的一致估计，支持实际应用。