[论文解读] Estimation Methods for Cluster Randomized Trials with Noncompliance: A Study of A Biometric Smartcard Payment System in India

Hyunseung Kang, Luke Keele|arXiv (Cornell University)|May 9, 2018

Advanced Causal Inference Techniques参考文献 46被引用 7

一句话总结

本文提出了一种新颖的工具变量（IV）估计方法，用于存在非依从性的群组随机试验，解决了现有方法在假设处理效应在各群组间恒定以及依赖渐近近似方面的局限性。该方法在处理效应与群组规模相关且依从率较低的情况下，能够一致地估计合规者平均因果效应（CACE），具备闭式解和准确的有限样本推断，经模拟研究和对印度一项生物识别智能卡支付试验的应用验证。

ABSTRACT

Many policy evaluations occur in settings where treatment is randomized at the cluster level, and there is treatment noncompliance within each cluster. For example, villages might be assigned to treatment and control, but residents in each village may choose to comply or not with their assigned treatment status. When noncompliance is present, the instrumental variables framework can be used to identify and estimate causal effects. While a large literature exists on instrumental variables estimation methods, relatively little work has been focused on settings with clustered treatments. Here, we review extant methods for instrumental variable estimation in clustered designs and derive both the finite and asymptotic properties of these estimators. We prove that the properties of current estimators depend on unrealistic assumptions. We then develop a new IV estimation method for cluster randomized trials and study its formal properties. We prove that our IV estimator allows for possible treatment effect heterogeneity that is correlated with cluster size and is robust to low compliance rates within clusters. We evaluate these methods using simulations and apply them to data from a randomized intervention in India.

研究动机与目标

• 解决在存在非依从性的群组随机试验中，工具变量估计方法缺乏可靠性的问题。
• 识别并纠正现有群组层面和个体层面IV估计器中隐含的假设，这些假设导致CACE估计产生偏差。
• 开发一种新的IV估计方法，允许处理效应异质性与群组规模相关，并在低依从率下保持有效性。
• 提供一种闭式解的有限样本推断方法，优于当前方法所采用的渐近近似。
• 通过模拟研究和来自印度生物识别智能卡支付系统试验的真实数据验证该方法。

提出的方法

• 提出一种新的IV估计器，建模群组间依从性和结果的异质性，明确考虑群组规模的变化。
• 推导该估计器的有限样本性质，证明其在弱工具变量和异质依从效应下的一致性。
• 引入一种改进的推断程序，调整弱工具变量的影响，并在不依赖大样本近似的情况下提供准确的置信区间。
• 采用广义效应比方法估计CACE，同时允许处理效应在群组层面存在变异。
• 将两阶段最小二乘法（TSLS）和群组层面平均估计器作为对比基准。
• 采用模拟研究评估在不同依从率和群组规模效应下的性能表现。

实验结果

研究问题

• RQ1 当处理效应随群组规模变化时，现有的群组随机试验中IV估计方法是否能产生CACE的无偏估计？
• RQ2 在低依从率和群组规模异质性条件下，现有估计器的表现如何？
• RQ3 能否开发一种新的IV估计器，使其在这些具有挑战性的条件下保持一致并提供准确的有限样本推断？
• RQ4 印度智能卡试验的实证结果在多大程度上反映了分析和模拟结果所预测的偏差？
• RQ5 与现有方法相比，新方法的置信区间在覆盖概率和宽度方面表现如何？

主要发现

• 广义效应比估计器的点估计值在绝对值上显著较小，置信区间也明显更宽，与群组层面平均值和TSLS的结果相比，表明现有方法可能存在过度估计。
• 在印度智能卡试验的实证分析中，现有方法（群组层面平均值和TSLS）结果相似，但两者均高估了CACE，与模拟结果一致。
• 新方法提供了更准确的有限样本推断，其置信区间明显更长，且校准效果优于渐近近似方法。
• 散点图分析显示，群组规模与结果偏差之间存在微弱的正相关关系，表明处理效应可能随群组规模变化，这使得现有方法的假设失效。
• 研究发现，现有方法依赖于不切实际的假设，如群组间处理效应恒定以及高依从率，导致在实践中CACE估计产生偏差。
• 所提出的方法即使在低依从率和异质群组效应下，也能成功恢复感兴趣的因果 estimand，展现出稳健性和一致性。