[论文解读] Robust Nonparametric Difference-in-Differences Estimation

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

Advanced Causal Inference Techniques被引用 5

一句话总结

本文提出了一套非参数双重差分方法，通过仅依赖条件平行趋势和重叠条件，放宽了强模型假设。该方法在协变量对结果的影响具有非线性关系或跨截面存在协变量变化的设定下，能够实现处理效应的稳健估计。

ABSTRACT

We consider the problem of treatment effect estimation in difference-in-differences designs where parallel trends hold only after conditioning on covariates. Existing methods for this problem rely on strong additional assumptions, e.g., that any covariates may only have linear effects on the outcome of interest, or that there is no covariate shift between different cross sections taken in the same state. Here, we develop a suite of new methods for nonparametric difference-in-differences estimation that require essentially no assumptions beyond conditional parallel trends and a relevant form of overlap. Our proposals show promising empirical performance across a variety of simulation setups, and are more robust than the standard methods based on either linear regression or propensity weighting.

研究动机与目标

• 解决标准双重差分估计在仅在对可观测协变量进行条件化后平行趋势才成立时的局限性。
• 消除对线性协变量效应或跨截面无协变量变化等强假设的依赖。
• 开发一个灵活的非参数框架，用于处理效应估计，且在最小结构假设下仍保持有效性。
• 与线性回归和倾向得分加权方法相比，提升稳健性和实证表现。

提出的方法

• 该方法采用非参数估计技术，对可观测协变量条件下的潜在结果进行建模，避免对协变量效应施加参数化限制。
• 其核心识别假设为条件平行趋势——即仅在控制协变量后，未处理潜在结果的趋势才平行。
• 该方法利用重叠条件，确保处理组与对照组在协变量分布上具有足够的共同支持。
• 通过非参数回归或基于机器学习的条件均值回归进行估计，以灵活建模结果表面。
• 关键组成部分是采用双重稳健估计策略，将结果回归与倾向得分模型结合在非参数框架中。
• 该方法通过最小化对参数函数形式假设的依赖，实现对模型误设的稳健性。

实验结果

研究问题

• RQ1 当平行趋势仅在协变量条件下成立时，非参数方法是否能提升双重差分设计中的估计精度？
• RQ2 在模型误设条件下，所提出方法与线性回归和倾向得分加权方法相比表现如何？
• RQ3 该方法在不同截面样本间存在协变量变化时，能在多大程度上避免偏差？
• RQ4 在协变量效应复杂且非线性的情境下，该方法的实证表现如何？

主要发现

• 所提出的非参数方法在模型误设下的稳健性显著优于标准线性回归和倾向得分加权方法。
• 在多种模拟设置中，实证表现始终更优，尤其在协变量效应为非线性时表现突出。
• 即使协变量分布随时间变化，该方法在条件平行趋势和充分重叠下仍能维持有效的推断。
• 由于在不施加严格函数形式限制的情况下灵活建模条件均值结果，该方法在小样本中表现更优。