[论文解读] Identification and Estimation of Spillover Effects in Randomized Experiments

Gonzalo Vázquez-Baré|arXiv (Cornell University)|Nov 7, 2017

Advanced Causal Inference Techniques被引用 6

一句话总结

本文提出了在存在干扰的随机实验中直接效应与溢出效应的非参数估计量，表明标准方法（如差异均值法和简化形式线性均值回归）由于存在负权重和混杂的效应组合而产生偏差。所提出的估计量在双重数组渐近框架下实现了统一一致性和渐近正态性，揭示了传统方法无法检测到的显著非线性溢出效应。

ABSTRACT

I study identification, estimation and inference for spillover effects in experiments where units' outcomes may depend on the treatment assignments of other units within a group. I show that the commonly-used reduced-form linear-in-means regression identifies a weighted sum of spillover effects with some negative weights, and that the difference in means between treated and controls identifies a combination of direct and spillover effects entering with different signs. I propose nonparametric estimators for average direct and spillover effects that overcome these issues and are consistent and asymptotically normal under a precise relationship between the number of parameters of interest, the total sample size and the treatment assignment mechanism. These findings are illustrated using data from a conditional cash transfer program and with simulations. The empirical results reveal the potential pitfalls of failing to flexibly account for spillover effects in policy evaluation: the estimated difference in means and the reduced-form linear-in-means coefficients are all close to zero and statistically insignificant, whereas the nonparametric estimators I propose reveal large, nonlinear and significant spillover effects.

研究动机与目标

• 识别并估计在非重叠同伴群体内发生干扰的随机实验中的直接效应与溢出效应。
• 证明常用估计量（差异均值法与简化形式线性均值回归）由于存在负权重和混杂的效应组合，无法具有因果解释。
• 在样本量、参数数量和处理分配机制的精确条件下，开发平均直接效应与溢出效应的非参数估计量，确保其一致性和渐近正态性。
• 在存在异质性和非线性溢出效应的情况下，提供有效的推断框架，尤其适用于群体规模中等或较大的情形。
• 通过形式化非参数估计溢出效应在可行且高效条件下的实验设计指导。

提出的方法

• 基于一种灵活的处理规则（将同伴的处理分配与结果映射）提出平均直接效应与溢出效应的非参数估计量。
• 在干扰仅发生在非重叠同伴群体内且处理规则被正确或灵活设定的假设下，建立全向量溢出效应可识别的条件。
• 在双重数组框架下推导渐近性质，其中群体数量与参数数量均随样本量增长，确保统一一致性和渐近正态性。
• 引入基于回归的合并策略，稳健估计具有已知正权重的溢出效应加权平均，从而实现标准推断。
• 采用双重稳健方法处理处理规则可能的误设问题，利用条件矩约束。
• 通过模拟实验和对一项条件性现金转移计划的实证分析，验证所提估计量，并与传统方法进行比较。

实验结果

研究问题

• RQ1 在存在干扰的随机实验中，直接效应与溢出效应在何种条件下可实现非参数识别？
• RQ2 为何标准估计量（如差异均值法与简化形式线性均值回归）在存在溢出效应时无法提供因果解释？
• RQ3 群体数量、参数数量与处理分配机制如何共同影响非参数溢出效应估计量的一致性与渐近正态性？
• RQ4 基于回归的合并估计量是否能在标准条件下恢复有意义且可解释的溢出效应平均值，并实现有效推断？
• RQ5 传统估计量在现实数据中在多大程度上掩盖了大范围、非线性且显著的溢出效应？

主要发现

• 即使所有个体效应均已知，差异均值估计量仍会将直接效应与溢出效应差异以符号不确定的方式组合，从而破坏其因果解释。
• 简化形式线性均值回归系数识别的是溢出效应的线性组合，其中部分权重为负，意味着即使所有溢出效应均非零，系数仍可能为零。
• 对一项条件性现金转移计划的实证分析表明，差异均值法与RF-LIM系数接近零且统计上不显著，而所提出的非参数估计量揭示了大范围、非线性且显著的溢出效应。
• 在参数数量相对于样本量增长不过快且处理分配概率不过小的条件下，非参数估计量实现统一一致性和渐近正态性。
• 模拟结果证实，当效应为非线性或异质时，所提估计量在检测溢出效应方面优于传统方法。
• 研究发现女性兄弟姐妹的溢出效应可能更大，但因样本量较小，差异未达统计显著性。