[论文解读] Inference for Instrumental Variables: A Randomization Inference Approach

Hyunseung Kang, Laura R. Peck+1 more|arXiv (Cornell University)|Jun 13, 2016

Advanced Causal Inference Techniques参考文献 36被引用 4

一句话总结

本文提出了一种针对工具变量（IV）估计的随机化推断方法，引入了一种“近乎精确”的方法，即使在传统渐近方法失效的弱工具变量情境下，也能保持准确的覆盖概率，同时保持计算上的可行性。该方法在小样本和弱工具变量设定下，优于标准两阶段最小二乘法和Bloom方法的推断表现。

ABSTRACT

The method of instrumental variables (IV) provides a framework to study causal effects in both randomized experiments with noncompliance and in observational studies where natural circumstances produce as-if random nudges to accept treatment. Traditionally, inference for IV relied on asymptotic approximations of the distribution of the Wald estimator or two-stage least squares, often with structural modeling assumptions and/or moment conditions. In this paper, we utilize the randomization inference approach to IV inference. First, we outline the exact method, which uses the randomized assignment of treatment in experiments as a basis for inference, but lacks a closed-form solution and may be computationally infeasible in many applications. We then provide an alternative to the exact method, the almost exact method, which is computationally feasible but retains the advantages of the exact method. We also review asymptotic methods of inference, including those associated with two-stage least squares, and analytically compare them to randomization inference methods. We also perform additional comparisons using a set of simulations. We conclude with three different applications from the social sciences.

研究动机与目标

• 解决渐近推断在IV分析中的局限性，特别是在覆盖概率被扭曲的弱工具变量情境下。
• 开发一种计算上可行的精确随机化推断的替代方法，后者在理论上最优但实践中往往难以实现。
• 通过比较随机化推断（精确与近乎精确）与传统渐近方法（如两阶段最小二乘法和Bloom方法）的性能，开展实证评估。
• 通过模拟和实证应用证明，近乎精确方法在工具变量较弱时仍能保持名义上的覆盖概率。
• 为实际研究者提供一个实用工具（补充材料中的R函数），以便在真实研究中实施近乎精确方法，尤其适用于孟德尔随机化和政策评估。

提出的方法

• 基于实验中处理的随机分配，提出一种精确随机化推断方法，利用置换分布来评估显著性。
• 提出“近乎精确”方法作为精确方法的计算高效近似，采用随机化分布的闭式近似。
• 使用Wald估计量作为有限样本中“依从者平均因果效应”（CACE）的点估计，其计算基于“意向治疗效应”与“依从率”之比。
• 结合近乎精确方法使用基于秩次的检验统计量，以增强在重尾结果分布下的稳健性。
• 通过蒙特卡洛模拟，在不同工具变量强度和样本量下，比较近乎精确方法与渐近方法（如TSLS、Bloom方法）的表现。
• 在三个实证应用中实施该方法：一项随机化的就业培训项目、以降雨量为工具变量的选民投票率研究，以及孟德尔随机化情境。

实验结果

研究问题

• RQ1 在弱工具变量条件下，近乎精确随机化推断方法与渐近方法（如TSLS、Bloom）相比，表现如何？
• RQ2 在小样本和弱工具变量条件下，近乎精确方法是否能保持正确的覆盖概率，而传统渐近方法在此类情境下失效？
• RQ3 精确随机化推断方法在真实世界应用中的计算可行性如何？近乎精确方法如何缓解此问题？
• RQ4 在弱工具变量的实证应用中，近乎精确方法的置信区间与基于渐近近似的置信区间有何不同？
• RQ5 在哪些实际应用场景中——尤其是观察性研究或孟德尔随机化——近乎精确方法相较于传统IV推断具有显著优势？

主要发现

• 在GJ-HC就业培训项目中，近乎精确方法得到的95%置信区间为[-1.26, -5.19]，几乎为TSLS置信区间的两倍宽，表明由于工具变量强度较弱，不确定性极高。
• 在1984–2000年选民投票率研究中，近乎精确方法返回的置信区间覆盖从-∞到∞，明确表明工具变量（降雨量）过弱，无法进行可靠推断。
• 相比之下，TSLS和Bloom方法产生了闭区间，但在弱工具变量条件下覆盖性能差，模拟研究已证实此问题。
• 近乎精确方法在所有模拟情景下均保持了名义上的95%覆盖概率，即使在工具变量较弱时亦然；而渐近方法的覆盖概率则严重扭曲。
• Bloom方法虽然应用广泛且计算简单，但仅在依从率高于25%时表现良好，而此类条件在许多观察性或政策评估情境中可能不成立。
• 当结合基于秩次的检验统计量时，近乎精确方法对重尾结果分布具有稳健性，为包含异常值的真实世界数据提供了实际优势。