[论文解读] Nonparametric Heterogeneous Treatment Effect Estimation in Repeated Cross Sectional Designs

Xinkun Nie, Chen Lü+1 more|arXiv (Cornell University)|May 28, 2019

Advanced Causal Inference Techniques参考文献 64被引用 4

一句话总结

本文提出了一种在重复横截面差分中差分设计中估计异质处理效应的非参数估计器，利用正交性结构，即使在干扰成分（如结果模型和倾向得分模型）以较慢速率估计时，也能实现处理效应估计的快速收敛速率。该方法在条件平行趋势假设下实现了灵活的半参数估计，且在模拟和真实世界应用中均表现出强劲的实证性能。

ABSTRACT

Identifying heterogeneity in a population's response to a health or policy intervention is crucial for evaluating and informing policy decisions. We propose a novel heterogeneous treatment effect estimator in the difference-in-differences design with repeated cross sectional data, where we observe different samples of a population at two time periods separated by the onset of a policy intervention, as well as samples of a population that serves as the control. Our estimator has orthogonality properties that enable fast rates on learning the treatment effect while allowing slower rates for estimating nuisance components. Our proposal shows promising empirical performance across a variety of simulation setups.

研究动机与目标

• 解决在不假设处理效应函数为参数形式的前提下，估计重复横截面差分中差分设计中异质处理效应的挑战。
• 通过基于可观测协变量的条件化，放松全局平行趋势假设，从而在子群体存在不同预趋势时，提升因果推断的可信度。
• 开发一种即使在干扰成分（如结果模型和倾向得分模型）以较慢速率估计时，也能实现处理效应估计快速收敛速率的方法。
• 通过正交性和双重稳健估计原则，确保在高维或复杂混杂设定下的稳健性与效率。

提出的方法

• 该方法将结果建模为 $ Y_i = b(X_i) + S_i \cdot \xi(X_i) + T_i \cdot \rho(X_i) + T_i S_i \cdot \tau(X_i) + \varepsilon_i $，其中 $ \tau(X_i) $ 为异质处理效应函数。
• 采用交叉拟合与正交估计方程，确保 $ \tau(x) $ 的估计对 $ b(x), \xi(x), \rho(x) $ 等干扰函数估计速率较慢的情况具有鲁棒性。
• 估计器采用双重稳健的增广逆概率加权（AIPW）框架，结合结果回归与倾向得分估计，以提升效率与鲁棒性。
• 在高维协变量空间中，应用非参数回归技术（如核方法或基于机器学习的方法）来估计干扰成分与处理效应函数。
• 通过构建对干扰估计器扰动局部不敏感的估计方程，实现正交性，从而在弱正则性条件下保证渐近正态性。
• 采用交叉拟合程序以避免干扰估计中的过拟合，将数据划分为若干折，为每个组件生成独立估计。

实验结果

研究问题

• RQ1 我们能否在不假设处理效应为线性或参数形式的前提下，估计重复横截面差分中差分设计中的异质处理效应？
• RQ2 如何通过基于可观测协变量的条件化来放松全局平行趋势假设，从而在子群体异质性存在时提升有效性？
• RQ3 何种估计策略可确保即使在干扰成分以较慢速率估计时，处理效应函数仍能实现快速收敛？
• RQ4 在高维、非参数设定下，如何在差分中差分框架的因果推断中实现双重稳健性与正交性？

主要发现

• 由于其正交性结构，所提出的估计器即使在干扰成分以较慢速率估计时，也能实现处理效应函数 $ \tau(x) $ 的快速收敛速率。
• 在模拟数据上的实证结果表明，该方法在捕捉复杂、非线性的处理效应异质性方面，优于标准的线性交互模型。
• 在 Angrist 和 Kugler（2008）数据的应用中，该方法揭示了农村地区个体的处理效应显著高于城市地区，表明存在有意义的异质性。
• 使用 1998 年和 2000 年作为预处理和后处理时期进行的安慰剂检验显示，所有方法的估计处理效应均接近零，支持该方法的有效性。
• 基于 AIPW 的平均处理效应估计器具有半参数效率，并对结果回归或倾向得分模型的误设具有鲁棒性。
• 由于采用了交叉拟合与正交估计方程，该方法在倾向得分较小时仍保持稳定性，显著降低了对估计误差的敏感性。