[论文解读] Inference for Heterogeneous Effects using Low-Rank Estimation of Factor Slopes

Victor Chernozhukov, Christian Hansen+2 more|arXiv (Cornell University)|Dec 19, 2018

Statistical Methods and Inference参考文献 32被引用 24

一句话总结

本文提出了一种针对面板数据中异质处理效应的低秩估计方法，通过因子结构对时间与个体特定的斜率进行建模，从而实现有效的推断。利用样本分割和正交化方法，建立了个体-时间效应及其横截面平均值的估计量的渐近正态性，即使在高维、异质斜率的情况下，也能实现可靠的置信区间和假设检验。

ABSTRACT

We study a panel data model with general heterogeneous effects where slopes are allowed to vary across both individuals and over time. The key dimension reduction assumption we employ is that the heterogeneous slopes can be expressed as having a factor structure so that the high-dimensional slope matrix is low-rank and can thus be estimated using low-rank regularized regression. We provide a simple multi-step estimation procedure for the heterogeneous effects. The procedure makes use of sample-splitting and orthogonalization to accommodate inference following the use of penalized low-rank estimation. We formally verify that the resulting estimator is asymptotically normal allowing simple construction of inferential statements for {the individual-time-specific effects and for cross-sectional averages of these effects}. We illustrate the proposed method in simulation experiments and by estimating the effect of the minimum wage on employment.

研究动机与目标

• 解决在个体和时间上均异质且维度较高的斜率下，面板数据模型中的推断挑战。
• 开发一种方法，实现对个体-时间特定效应及其横截面平均值的有效统计推断（例如置信区间）。
• 通过假设低秩因子结构，降低斜率矩阵的维度，使在高维设定下估计成为可能。
• 通过使用样本分割和正交化技术，确保对因子结构估计误差的鲁棒性。
• 在常规条件下，为最终估计量的渐近正态性提供理论依据。

提出的方法

• 利用公共因子结构将异质斜率建模为低秩矩阵，从而降低斜率矩阵的有效维度。
• 使用惩罚性低秩回归从数据中估计因子结构和载荷，实现在高维情况下的一致估计。
• 实施多步程序，结合样本分割以分离估计与推断，减少数据重复使用带来的偏差。
• 对估计方程实施正交化，确保因子分量的估计误差不会影响最终估计量的渐近分布。
• 基于估计量的渐近正态性，构建个体-时间特定效应及其横截面平均值的检验统计量和置信区间。
• 利用因子结构，实现在无需强参数假设的前提下，对个体层面和聚合效应均进行推断。

实验结果

研究问题

• RQ1 当斜率矩阵为高维且异质时，能否对个体-时间特定的处理效应进行有效推断？
• RQ2 如何在不损失异质效应关键信息的前提下，降低斜率矩阵的维度？
• RQ3 在面板数据模型中使用惩罚性低秩估计时，哪些估计与推断程序能确保渐近正态性？
• RQ4 样本分割和正交化能否消除高维估计在异质效应推断中引入的偏差？
• RQ5 在何种理论条件下，所提出的估计量对个体效应和聚合效应均具有渐近正态性？

主要发现

• 个体-时间特定效应的估计量具有渐近正态性，支持标准误和置信区间的构建。
• 个体-时间效应的横截面平均值也具有渐近正态性，支持对聚合处理效应的推断。
• 样本分割和正交化成功地实现了估计与推断的解耦，即使在高维估计下，也确保了有效的渐近分布理论。
• 低秩因子结构假设使得在弱正则性条件下，能够一致估计高维斜率矩阵。
• 模拟实验验证了该方法在有限样本下的表现以及对模型误设的稳健性。
• 对最低工资对就业影响的实证应用表明，该方法在现实政策分析中具有实际应用价值。