[论文解读] Practical and robust $t$-test based inference for synthetic control and related methods

Victor Chernozhukov, Kaspar Wüthrich+1 more|arXiv (Cornell University)|Dec 27, 2018

Statistical Methods and Inference参考文献 12被引用 25

一句话总结

本文提出了一种针对合成控制及其相关估计量的稳健、实用的 $t$-检验推断方法，采用 $K$-折交叉拟合程序进行偏差校正，并使用渐近服从枢轴 $t$-分布的自归一化 $t$-统计量。该方法在弱正则性条件下确保了有效的推断，相较于差分中的差分方法具有更高的效率，并且在非平稳数据下仍保持出色的小样本性能。

ABSTRACT

This paper proposes a practical and robust method for making inference on average treatment effects estimated by synthetic control and related methods. We develop a $K$-fold cross-fitting procedure for bias-correction. To avoid the difficult estimation of the long-run variance, inference is based on a self-normalized $t$-statistic, which has an asymptotically pivotal $t$-distribution. Our procedure only requires consistent (in $\ell_2$-norm) estimation of the parameters, which can be verified for synthetic control and many other popular estimators. The proposed method is easy to implement, provably robust against misspecification, more efficient than difference-in-differences, valid with non-stationary data, and demonstrates an excellent small sample performance.

研究动机与目标

• 为解决在标准假设被违反时合成控制方法中有效统计推断的挑战。
• 开发一种对模型误设和非平稳数据均保持稳健的方法。
• 与差分中的差分方法相比提升效率，同时在最小正则性条件下保持有效性。
• 实现在 $\ell_2$-范数下一致的参数估计，避免复杂长期方差估计，从而实现实际应用。

提出的方法

• 采用 $K$-折交叉拟合程序校正合成控制估计量中的偏差，提升稳健性。
• 推断基于渐近服从枢轴 $t$-分布的自归一化 $t$-统计量，无需估计长期方差。
• 该方法仅依赖于模型参数的一致 $\ell_2$-范数估计，该估计对合成控制及类似估计量可验证。
• 自归一化统计量在弱正则性条件下确保渐近有效性，增强稳健性。
• 该方法设计计算简单，可在标准统计软件中实现。

实验结果

研究问题

• RQ1 能否为合成控制开发一种在模型误设下仍有效的稳健推断程序？
• RQ2 如何在不依赖复杂长期方差估计的情况下有效校正合成控制估计量中的偏差？
• RQ3 与传统 $t$-检验相比，自归一化 $t$-统计量是否能改善小样本性能？
• RQ4 该方法能否在政策评估中常见的非平稳或依赖数据下保持有效性？

主要发现

• 所提方法通过自归一化 $t$-统计量实现渐近枢轴推断，避免了长期方差估计的需求。
• $K$-折交叉拟合程序仅通过参数的一致 $\ell_2$-范数估计即可实现偏差校正。
• 即使在非平稳数据条件下，该方法在小样本性能上也优于传统方法。
• 该方法在模型误设下具有可证明的稳健性，并在效率上优于差分中的差分方法。