[论文解读] When do common time series estimands have nonparametric causal meaning?

Ashesh Rambachan, Neil Shephard|arXiv (Cornell University)|Mar 5, 2019

Electrochemical Analysis and Applications被引用 12

一句话总结

本文通过引入四项关键创新——工具路径、基于冲击的处理、线性潜在结果和因果响应函数，为广泛使用的时间序列估计量（脉冲响应函数、广义脉冲响应函数、局部投影（LP）及LP-IV）建立了非参数因果解释。研究表明，在弱正则性条件下，LP-IV估计量识别出动态因果效应的加权平均，其权重由时变的工具变量-处理关系决定，并明确了标准假设（如前后向因果性）在因果识别中不足的条件。

ABSTRACT

In this paper, we introduce the direct potential outcome system as a framework for analyzing dynamic causal effects of assignments on outcomes in observational time series settings. We provide conditions under which common predictive time series estimands, such as the impulse response function, generalized impulse response function, local projection, and local projection instrumental variables, have a nonparametric causal interpretation in terms of dynamic causal effects. The direct potential outcome system therefore provides a foundation for analyzing popular reduced-form methods for estimating the causal effect of macroeconomic shocks on outcomes in time series settings.

研究动机与目标

• 将非参数潜在结果时间序列框架从实验性数据扩展至观察性时间序列数据。
• 为宏观计量经济学中常用的动态因果估计量提供正式的因果解释。
• 阐明LP-IV背后的识别假设，并表明前后向因果性假设不足以实现因果识别。
• 引入因果响应函数（CRF）作为新的动态因果估计量，以捕捉时变处理效应。

提出的方法

• 提出“工具化潜在结果时间序列”以在观察性设定中使用工具变量建模处理效应。
• 将“冲击”定义为触发反事实结果的干预措施，从而实现对动态因果效应的识别。
• 提出“线性潜在结果”作为特殊情况，可在保持非参数因果意义的同时简化估计。
• 提出“因果响应函数”（CRF）作为非参数估计量，用于捕捉结果对处理冲击的动态响应。
• 在弱矩条件和遍历性下推导LP-IV估计量的渐近分布。
• 证明LP-IV识别出CRF的加权平均，其权重取决于工具变量与处理变量之间时变的协方差。

实验结果

研究问题

• RQ1 在何种条件下，脉冲响应函数与广义脉冲响应函数在观察性时间序列中具有非参数因果意义？
• RQ2 在非参数潜在结果框架下，局部投影（LP）与LP-IV估计量的因果解释是什么？
• RQ3 为何前后向因果性不足以实现LP-IV的因果识别？需要何种更强的条件？
• RQ4 LP-IV估计量如何识别动态因果效应的加权平均？权重由什么决定？
• RQ5 因果响应函数在非参数时间序列模型中解释时变处理效应时发挥何种作用？

主要发现

• LP-IV估计量识别出因果响应函数（CRF）在时间上的加权平均，其权重由工具变量与处理变量乘积的时变期望决定。
• 在(1,0)处评估的CRF在滞后p期是动态因果效应的关键估计量，其时间平均值构成了LP-IV估计量的基础。
• 仅前后向因果性不足以确保工具变量与反事实结果不相关，而这是因果识别所必需的。
• 对工具变量-处理变量协方差施加符号限制（类似于LATE中的单调性），可确保LP-IV估计量中权重非负，从而保持因果可解释性。
• 在遍历性与矩条件成立下，LP-IV估计量对CRF加权平均的估计是渐近正态且T^{1/2}-一致的。
• 本文表明，结构性移动平均模型并非赋予脉冲响应函数因果意义的必要条件；在更弱的假设下即可实现非参数识别。