[论文解读] The Econometrics of Randomized Experiments

Susan Athey, Guido W. Imbens|RePEc: Research Papers in Economics|Jul 3, 2016

Advanced Causal Inference Techniques被引用 14

一句话总结

本文主张在随机实验中采用基于随机化的推断方法，强调不确定性源于处理分配而非从总体中抽样。本文提出了分析异质处理效应、非遵从性、聚类以及网络干扰的方法，表明通过分层和人工实验可在不依赖模型假设的情况下实现有效的推断。

ABSTRACT

In this review, we present econometric and statistical methods for analyzing randomized experiments. For basic experiments we stress randomization-based inference as opposed to sampling-based inference. In randomization-based inference, uncertainty in estimates arises naturally from the random assignment of the treatments, rather than from hypothesized sampling from a large population. We show how this perspective relates to regression analyses for randomized experiments. We discuss the analyses of stratified, paired, and clustered randomized experiments, and we stress the general efficiency gains from stratification. We also discuss complications in randomized experiments such as non-compliance. In the presence of non-compliance we contrast intention-to-treat analyses with instrumental variables analyses allowing for general treatment effect heterogeneity. We consider in detail estimation and inference for heterogeneous treatment effects in settings with (possibly many) covariates. These methods allow researchers to explore heterogeneity by identifying subpopulations with different treatment effects while maintaining the ability to construct valid confidence intervals. We also discuss optimal assignment to treatment based on covariates in such settings. Finally, we discuss estimation and inference in experiments in settings with interactions between units, both in general network settings and in settings where the population is partitioned into groups with all interactions contained within these groups.

研究动机与目标

• 将基于随机化的推断确立为随机实验中因果推断的首选框架，与传统的基于抽样的方法进行对比。
• 解决实验设计与分析中的挑战，包括处理效应异质性、非遵从性，以及网络化或聚类单元中的干扰。
• 提供利用协变量估计和构建异质处理效应置信区间的统计方法，同时在随机化下保持有效性。
• 为网络中的干扰开发推断程序，包括对同伴效应和高阶交互作用的检验，使用人工实验和随机化分布。
• 指导基于协变量的最优处理分配，同时保持有效的统计推断。

提出的方法

• 采用潜在结果框架，固定潜在结果并随机分配处理，以定义因果效应。
• 应用基于随机化的推断，其中检验统计量的抽样分布由随机化机制决定，而非大样本近似。
• 采用分层和成对随机化以提高效率并减少处理效应估计的方差。
• 使用包含焦点单元、缓冲单元和辅助单元的人工实验，检验关于同伴效应（如朋友的朋友）的假设，而无需假设直接效应。
• 应用精确随机化检验，以避免依赖渐近近似，特别是在单个网络或小样本情境下。
• 将回归模型与基于随机化的推断相结合，阐明其在何种条件下以及如何在不增加额外假设的情况下成立。

实验结果

研究问题

• RQ1 如何在不依赖基于抽样的渐近近似的情况下，对随机实验进行有效的推断？
• RQ2 如何设计基于协变量的实验最为高效，分层如何提高估计效率？
• RQ3 当存在协变量时，如何估计和检验处理效应异质性，同时保持有效的置信区间？
• RQ4 处理非遵从性应采用何种方法，意向治疗分析与工具变量方法在一般处理效应异质性下如何比较？
• RQ5 如何利用基于随机化的推断来检验网络中的干扰（如朋友或朋友的朋友的同伴效应）？

主要发现

• 基于随机化的推断为随机实验中的推断提供了有效且直接的依据，避免了模型方法所需的假设。
• 分层和成对随机化显著提高了估计效率，通过减少处理效应估计的方差。
• 使用辅助单元、缓冲单元和焦点单元的人工实验，可在不假设直接效应的情况下对间接同伴效应进行精确检验。
• 对网络干扰的精确随机化检验是可行且稳健的，尤其在渐近近似因网络结构而不适用时。
• 通过基于随机化的推断，可在保持有效置信区间的同时，对协变量存在下的异质处理效应进行估计。
• 在已知分配机制并遵守随机化原则的前提下，基于协变量的最优处理分配可实现而不损害推断的有效性。