[论文解读] Estimation and Inference on Heterogeneous Treatment Effects in High-Dimensional Dynamic Panels under Weak Dependence

В. М. Семенова, Matt Goldman+2 more|arXiv (Cornell University)|Dec 28, 2017

Advanced Causal Inference Techniques被引用 5

一句话总结

该论文提出了一种新颖的正交化估计与推断框架，用于在弱依赖的高维动态面板中估计异质处理效应，采用第一阶段机器学习结合交叉拟合残差学习，第二阶段进行去偏CATE推断。关键贡献在于即使在高维设定下，CATE参数仍能实现根n渐近正态性，这得益于一种创新的“邻居留出”交叉拟合方法，确保在弱依赖条件下具有鲁棒性。

ABSTRACT

This paper provides estimation and inference methods for a conditional average treatment effects (CATE) characterized by a high-dimensional parameter in both homogeneous cross-sectional and unit-heterogeneous dynamic panel data settings. In our leading example, we model CATE by interacting the base treatment variable with explanatory variables. The first step of our procedure is orthogonalization, where we partial out the controls and unit effects from the outcome and the base treatment and take the cross-fitted residuals. This step uses a novel generic cross-fitting method we design for weakly dependent time series and panel data. This method "leaves out the neighbors" when fitting nuisance components, and we theoretically power it by using Strassen's coupling. As a result, we can rely on any modern machine learning method in the first step, provided it learns the residuals well enough. Second, we construct an orthogonal (or residual) learner of CATE -- the Lasso CATE -- that regresses the outcome residual on the vector of interactions of the residualized treatment with explanatory variables. If the complexity of CATE function is simpler than that of the first-stage regression, the orthogonal learner converges faster than the single-stage regression-based learner. Third, we perform simultaneous inference on parameters of the CATE function using debiasing. We also can use ordinary least squares in the last two steps when CATE is low-dimensional. In heterogeneous panel data settings, we model the unobserved unit heterogeneity as a weakly sparse deviation from Mundlak (1978)'s model of correlated unit effects as a linear function of time-invariant covariates and make use of L1-penalization to estimate these models. We demonstrate our methods by estimating price elasticities of groceries based on scanner data. We note that our results are new even for the cross-sectional (i.i.d) case.

研究动机与目标

• 解决在存在不可观测个体异质性时，高维动态面板数据中异质处理效应的估计与推断挑战。
• 克服在高维控制变量与弱依赖并存时，传统两阶段估计量存在的偏差与效率低下问题。
• 开发一种方法，即使协变量数量随样本量增长，也能对CATE函数进行有效推断。
• 在第一阶段使用现代机器学习方法，同时不损害第二阶段推断的有效性。
• 为弱依赖条件下CATE参数的联合推断提供理论基础框架，适用于横截面与动态面板设定。

提出的方法

• 采用一种新颖的“邻居留出”交叉拟合程序，通过Strassen耦合技术，对结果变量与处理变量进行控制变量与个体效应的正交化处理，确保在弱依赖条件下的理论有效性。
• 将控制变量与个体效应部分提取后的残差化结果变量与处理变量，作为第二阶段CATE估计的输入。
• 实施一种正交（残差）学习器——Lasso CATE，通过将残差化结果变量对残差化处理变量与协变量的交互项进行回归，当CATE函数复杂度较低时，其收敛速度优于单阶段估计器。
• 对Lasso CATE估计量进行去偏处理，以实现渐近正态推断，包括通过快速自助法构建同时置信带。
• 通过L1惩罚将个体异质性建模为对Mundlak（1978）模型的弱稀疏偏离，从而在动态面板中实现高维固定效应。
• 当CATE函数为低维时，在最终阶段使用普通最小二乘法，并通过高维弱依赖数据的中心极限定理提供理论依据。

实验结果

研究问题

• RQ1 当数据表现出弱依赖性时，能否在高维动态面板中对异质处理效应进行有效推断？
• RQ2 如何在CATE估计的第一阶段可靠地使用机器学习方法，而不会在最终推断中引入偏差？
• RQ3 在高维与弱依赖设定下，CATE估计量的收敛速率是多少？是否能达到Oracle效率？
• RQ4 如何在弱依赖条件下对多个CATE参数进行联合推断，并保证覆盖概率的有效性？
• RQ5 所提出的方法能否应用于真实世界数据（如价格弹性扫描数据），并具有理论保证？

主要发现

• 所提方法即使在高维设定下，也能实现CATE参数的根n渐近正态性，其收敛速率与已知真实干扰函数的Oracle估计器一致。
• “邻居留出”交叉拟合方法确保第一阶段估计误差不影响第二阶段推断，从而在弱依赖条件下支持有效的渐近分布理论。
• 当CATE函数比干扰回归函数更简单时，Lasso CATE估计量的收敛速度优于基于单阶段回归的估计器。
• 通过去偏Lasso实现的去偏推断，可借助快速自助法构建覆盖概率正确的同时置信带。
• 理论结果在横截面i.i.d.情形下依然成立，使该框架具有新颖性，并可推广至动态面板之外的场景。
• 在生鲜商品价格弹性估计中的实证应用表明，该方法在真实世界场景中具有实际效用与鲁棒性。