[论文解读] Identification of Causal Diffusion Effects Under Structural Stationarity

Naoki Egami|arXiv (Cornell University)|Oct 18, 2018

Advanced Causal Inference Techniques参考文献 110被引用 10

一句话总结

本文引入结构平稳性作为因果扩散效应的新型识别假设，通过置换检验检测情境性混淆和同质性偏差，并利用双重差分估计量进行偏差校正。将该方法应用于德国的仇恨犯罪数据，发现空间扩散效应仅在高中辍学率较高的地区显著，纠正了先前研究中的严重向上偏差。

ABSTRACT

Although social and biomedical scientists have long been interested in the process through which ideas and behaviors diffuse, the identification of causal diffusion effects, also known as peer and contagion effects, remains challenging. Many scholars consider the commonly used assumption of no omitted confounders to be untenable due to contextual confounding and homophily bias. To address this long-standing problem, we examine the causal identification under a new assumption of structural stationarity, which formalizes the underlying diffusion process with a class of dynamic causal directed acyclic graphs. First, we develop a statistical test that can detect a wide range of biases, including the two types mentioned above. We then propose a difference-in-differences style estimator that can directly correct biases under an additional parametric assumption. Leveraging the proposed methods, we study the spatial diffusion of hate crimes against refugees in Germany. After correcting large upward bias in existing studies, we find hate crimes diffuse only to areas that have a high proportion of school dropouts.

研究动机与目标

• 为解决由于情境性混淆和同质性偏差导致的观测研究中因果扩散效应识别长期存在的挑战。
• 开发一种方法论框架，实现在无需完全掌握潜在因果DAG结构的前提下，对扩散过程进行可信的因果推断。
• 提供一种统计检验与估计量，以校正空间与网络面板数据中因未观测混淆变量导致的偏差。
• 将所提出的方法应用于德国仇恨犯罪的真实世界数据，重新评估此类犯罪的空间扩散。
• 证明先前研究可能因未考虑的偏差而高估扩散效应，尤其是在教育表现较低的地区。

提出的方法

• 引入结构平稳性作为新的识别假设，要求在一类动态因果DAG中，因果结构（而非效应符号或大小）随时间保持稳定。
• 利用滞后因变量开发置换检验，以检测情境性混淆与同质性偏差带来的偏差，评估滞后结果与处理变量之间的条件独立性。
• 提出一种类似双重差分的估计量，在附加参数假设下校正偏差，实现对平均因果扩散效应的直接估计。
• 在多种控制集设定下应用置换检验，以评估估计效应的稳健性并识别混淆变量的调整。
• 使用德国的地理编码仇恨犯罪数据，估计按教育水平分组的条件平均因果扩散效应（ACDE）。
• 采用两阶段方法：第一阶段进行置换检验以检测偏差；第二阶段进行偏差校正估计，以获得可信的因果效应估计值。

实验结果

研究问题

• RQ1 我们能否通过统计置换检验检测空间扩散研究中的情境性混淆与同质性偏差？
• RQ2 当标准的无遗漏混淆变量假设不成立时，需在何种假设下可识别因果扩散效应？
• RQ3 在未考虑结构混淆的情况下，偏差校正后的空间扩散效应估计值与先前研究中未校正的估计值有何不同？
• RQ4 因果扩散效应在不同教育表现水平的地区之间是否存在异质性？
• RQ5 未被考虑的偏差对仇恨犯罪扩散的政策相关结论有何影响？

主要发现

• 置换检验成功检测出现有研究中的偏差，表明许多控制集未能有效调整混淆，尤其是在高中辍学率较高的地区。
• 偏差校正后，高中辍学率较高的县的条件平均因果扩散效应（ACDE）显著且较大，约为6个百分点。
• 相比之下，高中辍学率较低的县，估计的ACDE接近于零，且95%置信区间覆盖零，支持教育假设。
• 在西德地区（教育表现较高），仇恨犯罪的空间扩散效应被精确估计为零，表明扩散动态存在区域异质性。
• 偏差校正后的估计表明，仇恨犯罪扩散并非在各地区普遍适用，而是集中于教育表现较低的地区。
• 本研究纠正了先前文献中高达300–700%的严重向上偏差，表明先前发现可能被显著高估。