[论文解读] Identification and Inference for Marginal Average Treatment Effect on the Treated With an Instrumental Variable

Lan Liu, Wang Miao+3 more|arXiv (Cornell University)|Jun 26, 2015

Advanced Causal Inference Techniques参考文献 22被引用 7

一句话总结

本文提出了一种新颖的识别与推断框架，用于在存在未观测混杂因素的情况下，利用工具变量（IV）估计处理组的边际平均处理效应（ETT）。该框架引入了三种半参数估计量——逆概率加权（IPW）、结果回归（OR）和双重稳健（DR）——其中DR估计量在倾向得分或结果模型任一正确设定时均能保持一致性，并推导出二值IV和二值结果情况下的闭式高效估计量。

ABSTRACT

In observational studies, treatments are typically not randomized and therefore estimated treatment effects may be subject to confounding bias. The instrumental variable (IV) design plays the role of a quasi-experimental handle since the IV is associated with the treatment and only affects the outcome through the treatment. In this paper, we present a novel framework for identification and inference using an IV for the marginal average treatment effect amongst the treated (ETT) in the presence of unmeasured confounding. For inference, we propose three different semiparametric approaches: (i) inverse probability weighting (IPW), (ii) outcome regression (OR), and (iii) doubly robust (DR) estimation, which is consistent if either (i) or (ii) is consistent, but not necessarily both. A closed-form locally semiparametric efficient estimator is obtained in the simple case of binary IV and outcome and the efficiency bound is derived for the more general case.

研究动机与目标

• 为解决现有IV方法在处理效应函数形式假设过于严格时的局限性，这些方法仅在条件识别下有效。
• 开发一种无需对条件ETT施加参数限制的框架，以识别和估计边际ETT——即不依赖于IV的无条件ETT。
• 提供稳健的推断方法，支持灵活的协变量调整，并在模型误设时保持一致性。
• 推导ETT的效率边界，并为二值IV和二值结果情形下获得闭式局部半参数高效估计量。
• 建立适用于任意结果类型的必要与充分全局识别条件，提升方法的通用性与有效性。

提出的方法

• 提出一种基于IV的非参数识别策略，用于估计边际ETT，其关键识别条件为无当前处理值交互作用假设。
• 引入三种半参数估计量：逆概率加权（IPW）、结果回归（OR）和双重稳健（DR）估计，其中DR估计量在倾向得分或结果模型任一正确设定时均保持一致性。
• 推导DR估计量的影响函数，并通过将高效影响函数投影到模型的切空间上，构造局部高效估计量。
• 建立一般情况下ETT的正则估计量的效率边界，并推导出二值IV与二值结果设定下的闭式高效影响函数。
• 利用正交估计方程方法推导高效影响函数，结合投影算子与异质参数估计。
• 应用半参数效率理论，推导出在正则条件下实现最小渐近方差的最优估计函数。

实验结果

研究问题

• RQ1 当存在未观测混杂因素时，能否通过工具变量（IV）对处理组的边际平均处理效应（ETT）进行非参数识别？
• RQ2 在IV设计下，ETT的全局识别所需且充分的条件是什么？
• RQ3 当倾向得分或结果模型可能误设时，如何实现ETT估计的稳健推断？
• RQ4 在存在未观测混杂因素和IV的情况下，ETT的正则估计量的半参数效率边界是什么？
• RQ5 当IV和结果均为二值时，能否推导出ETT的闭式、局部高效估计量？

主要发现

• 本文建立了使用IV对边际ETT进行必要与充分的全局识别条件，适用于任意结果类型，且无需对处理效应函数施加参数假设。
• ETT的双重稳健（DR）估计量在倾向得分模型或结果回归模型任一正确设定时均保持一致性，增强了对模型误设的稳健性。
• 针对二值IV与二值结果的情形，推导出闭式局部半参数高效估计量，该估计量在所有正则估计量中具有最小可能的渐近方差。
• 推导出一般情况下的效率边界，并通过投影算子与正交估计方程刻画高效影响函数。
• DR估计量的影响函数对倾向得分或结果模型的误设均保持稳健，且高效影响函数位于模型的切空间内。
• 理论结果证实，在正则条件下，所提出的DR估计量可达到半参数效率边界，最优估计量依赖于使方差最小化的异质函数 $ h^{opt}(C) $ 的选择。