[论文解读] Instrumented Difference-in-Differences

Ting Ye, Ashkan Ertefaie+3 more|arXiv (Cornell University)|Nov 6, 2020

Advanced Causal Inference Techniques参考文献 42被引用 5

一句话总结

本文提出了一种新型因果推断方法——工具变量差分法（iDID），该方法结合了工具变量（IV）与差分法（DID），用于在存在未观测混杂因素的纵向研究中估计处理效应。通过利用工具变量在DID框架下带来的暴露趋势外生变化，该方法放宽了标准IV的严格排除限制和标准DID的平行趋势假设，从而通过Wald估计量和多重稳健估计量实现一致且渐近正态的估计。

ABSTRACT

Unmeasured confounding is a key threat to reliable causal inference based on observational studies. Motivated from two powerful natural experiment devices, the instrumental variables and difference-in-differences, we propose a new method called instrumented difference-in-differences that explicitly leverages exogenous randomness in an exposure trend to estimate the average and conditional average treatment effect in the presence of unmeasured confounding. We develop the identification assumptions using the potential outcomes framework. We propose a Wald estimator and a class of multiply robust and efficient semiparametric estimators, with provable consistency and asymptotic normality. In addition, we extend the instrumented difference-in-differences to a two-sample design to facilitate investigations of delayed treatment effect and provide a measure of weak identification. We demonstrate our results in simulated and real datasets.

研究动机与目标

• 为解决纵向观察性研究中未观测混杂因素这一关键问题，该问题在生物医学和社会科学中严重威胁有效因果推断。
• 放宽标准工具变量的严格排除限制和标准差分法的平行趋势假设。
• 开发一种利用工具变量在DID中引发的暴露趋势外生变化以改善因果识别的方法。
• 提供一致且渐近正态的估计量——Wald估计量和多重稳健半参数估计量，用于平均处理效应和条件平均处理效应。
• 将该方法扩展至两样本设计，以估计延迟处理效应并评估弱识别问题。

提出的方法

• 提出一种新方法——工具变量差分法（iDID），利用一种影响暴露趋势但不直接影响结果的工具变量（IV），以提取暴露趋势的外生变异。
• 在潜在结果框架下建立识别性，基于工具变量在暴露趋势变化背景下的相关性、独立性和排除限制假设。
• 基于鼓励组与未鼓励组之间结果趋势差异与暴露趋势差异之比，构建Wald估计量。
• 提出一类多重稳健且高效的半参数估计量，只要多个模型中任一模型正确设定，即可保持一致性。
• 将方法扩展至两样本设计，以估计延迟处理效应，并引入F统计量作为弱识别的度量。
• 使用潜在结果框架形式化假设并推导渐近性质，包括一致性和正态性。

实验结果

研究问题

• RQ1 我们能否通过利用暴露趋势的外生变异，在存在未观测混杂因素的纵向研究中估计因果效应？
• RQ2 我们如何放宽标准IV的排除限制和标准DID的平行趋势假设？
• RQ3 在所提出的iDID框架下，哪些估计量是一致且渐近正态的？
• RQ4 我们如何在iDID框架下评估弱识别和延迟处理效应？
• RQ5 iDID方法能否应用于真实世界数据，例如吸烟对肺癌死亡率的影响？

主要发现

• iDID方法成功估计了吸烟对肺癌死亡率的平均处理效应，使用性别作为DID的代理工具变量，55–64岁年龄组的点估计值在每年0.285%至0.568%之间。
• Wald估计量得出统计显著结果，各连续出生队列的F统计量分别为13.94、47.28和21.33，表明工具变量较强。
• 不同出生队列的处理效应估计值保持稳健，点估计值彼此相距不超过两个标准误，表明结果稳定。
• 补充材料中的敏感性分析表明，随时间推移吸烟风险增加并不能解释所观察到的处理效应。
• 在所提假设下，该方法表现出一致且渐近正态的估计性能，模拟结果证明了其有限样本下的表现。
• 两样本iDID设计成功捕捉了延迟处理效应，并通过F统计量提供了弱识别的度量。