[论文解读] Improving Inference from Simple Instruments through Compliance Estimation

Stephen Coussens, Jann Spiess|arXiv (Cornell University)|Aug 8, 2021

Advanced Causal Inference Techniques被引用 12

一句话总结

本文提出了一种合规加权工具变量（IV）估计器，通过根据观测值的估计合规性——即在基线协变量条件下受工具变量影响的条件概率——对观测值进行加权，从而提高因果效应估计的精度。将合规加权视为一阶段预测问题的约束解，并在使用非参数机器学习方法估计合规性时仍能保证有效推断，该方法在存在一阶段异质性时显著降低了IV估计的方差，通常超过估计量的任何偏移。

ABSTRACT

Instrumental variables (IV) regression is widely used to estimate causal treatment effects in settings where receipt of treatment is not fully random, but there exists an instrument that generates exogenous variation in treatment exposure. While IV can recover consistent treatment effect estimates, they are often noisy. Building upon earlier work in biostatistics (Joffe and Brensinger, 2003) and relating to an evolving literature in econometrics (including Abadie et al., 2019; Huntington-Klein, 2020; Borusyak and Hull, 2020), we study how to improve the efficiency of IV estimates by exploiting the predictable variation in the strength of the instrument. In the case where both the treatment and instrument are binary and the instrument is independent of baseline covariates, we study weighting each observation according to its estimated compliance (that is, its conditional probability of being affected by the instrument), which we motivate from a (constrained) solution of the first-stage prediction problem implicit to IV. The resulting estimator can leverage machine learning to estimate compliance as a function of baseline covariates. We derive the large-sample properties of a specific implementation of a weighted IV estimator in the potential outcomes and local average treatment effect (LATE) frameworks, and provide tools for inference that remain valid even when the weights are estimated nonparametrically. With both theoretical results and a simulation study, we demonstrate that compliance weighting meaningfully reduces the variance of IV estimates when first-stage heterogeneity is present, and that this improvement often outweighs any difference between the compliance-weighted and unweighted IV estimands. These results suggest that in a variety of applied settings, the precision of IV estimates can be substantially improved by incorporating compliance estimation.

研究动机与目标

• 在具有单一二值工具变量且存在合规性异质性的场景中，提高工具变量（IV）估计的效率。
• 将合规加权形式化为IV回归中约束性一阶段预测问题的自然解。
• 即使在使用机器学习非参数估计合规性的情况下，也提供合规加权IV估计器的有效推断程序。
• 通过理论和模拟研究证明，合规加权降低方差的程度超过其对估计量的偏移，从而实现净精度提升。

提出的方法

• 该方法根据每个观测值的估计合规性对其在IV估计器中的权重进行调整——合规性定义为在给定基线协变量条件下成为‘顺从者’的条件概率。
• 使用基于协变量和工具变量训练的机器学习模型来估计合规性，从而实现灵活且高维的估计。
• 该估计器被推导为一种约束性一阶段预测问题的解，既保持了工具变量的有效性，又提高了预测精度。
• 论文在潜在结果和局部平均处理效应（LATE）框架下，建立了加权IV估计器的大样本性质。
• 提供了稳健的推断工具，即使在使用交叉拟合以减少过拟合的非参数方法估计合规权重时，依然保持有效性。
• 该方法允许使用现代机器学习算法，将合规性建模为高维协变量的函数。

实验结果

研究问题

• RQ1 当工具变量在不同单位中的强度可预测地变化时，合规加权能否提高IV估计的精度？
• RQ2 合规加权IV估计器的渐近行为如何？在LATE框架下其大样本性质是什么？
• RQ3 当使用如因果森林或分箱OLS等非参数方法估计合规权重时，能否维持有效推断？
• RQ4 合规加权带来的方差减少是否超过因估计量偏移而引入的潜在偏差？
• RQ5 在各种异方差形式和处理效应异质性下，该方法在有限样本中的表现如何？

主要发现

• 在存在一阶段异质性的模拟设定中（DGP 3 和 DGP 4），合规加权将IV估计的方差降低了最多达40%。
• 即使使用诚实因果森林或分箱OLS估计权重，加权IV估计器的覆盖概率在所有DGP配置下仍接近名义水平（例如约95%）。
• 在DGP 4（异方差误差）中，即使ση = 2.0，加权估计器仍保持95%的覆盖水平，X-HCF实现95.6%的覆盖。
• 在所有DGP配置中，基于最优权重的估计器（OW）实现了最低的均方根误差（RMSE），证明了完美合规性估计的潜在增益。
• 未加权IV估计器在异方差性和处理效应异质性下表现出比合规加权版本更高的方差。
• 即使合规性通过非参数方法估计，该方法仍能维持有效推断，这在交叉拟合与非交叉拟合实现方式中均表现出稳定的覆盖水平。