跳转至

Counterfactual Analysis and Inference With Nonstationary Data

作者: Ricardo Masini, Marcelo C. Medeiros
来源: Journal of Business & Economic Statistics
主题: 因果推断
相关性: 7/10
链接: https://doi.org/10.1080/07350015.2020.1799814

一、领域脉络与小综述

这个方向是什么

这个子方向要解决的根本问题是：在只有一个“处理单元”（如一个州、一个国家）受到政策干预、且没有明显对照组的情况下，如何利用面板数据构造一个反事实（即如果没有干预，该单元的结果会怎样），并基于此估计干预效应。 当前最主流的方法是合成控制法（Synthetic Control Method, SCM），其核心思想是从一组未受干预的“供体单元”中，通过加权组合构造一个与处理单元在干预前特征最匹配的“合成控制”，然后用干预后处理单元的实际结果与合成反事实之差作为处理效应的估计。该方向目前成熟度较高，已有大量应用和理论扩展，但绝大多数工作都假设数据是平稳的。

发展脉络（history）

  1. 奠基工作：合成控制法的提出

    • Abadie, Diamond, and Hainmueller (2010, 2011)：提出了经典的合成控制法。其核心是，在面板数据中，通过一个权重向量（非负且和为1）对供体单元进行加权，使得加权后的结果在干预前与处理单元的结果尽可能接近。该方法假设数据是平稳的，且存在一个“完美匹配”的权重组合，使得处理单元的结果可以由供体单元的线性组合完全表示（即“线性因子模型”假设）。这是整个领域的基石。

  2. 主要进展：理论化与推断

    • Abadie, Diamond, and Hainmueller (2015)：在JBES上发表了关于合成控制法推断的经典论文，提出了“安慰剂检验”（placebo test）的思想——将处理单元与每个供体单元互换角色，看处理效应是否异常地大。这为SCM提供了非参数推断框架，但其有效性依赖于数据平稳性和匹配质量。
    • Ferman and Pinto (2021)：在JBES上研究了当“完美匹配”不成立时（即存在近似匹配），合成控制估计量的渐近性质。他们发现，当供体单元数量固定时，估计量可能不一致，并提出了基于“去偏”的修正方法。这标志着理论从“完美匹配”向“近似匹配”的深化。
    • Doudchenko and Imbens (2016)：提出了一个更一般的框架，将SCM视为一个“惩罚回归”问题，允许权重和为任意值，并引入了截距项，从而放松了SCM的原始假设。这为后续的许多扩展（如使用机器学习方法）铺平了道路。

  3. 当前Frontier：非平稳数据与时间序列结构

    • 本文（Masini and Medeiros, 2021）：首次系统性地研究了当数据为非平稳（I(1)过程或趋势平稳）时，合成控制法的行为。作者发现了一个关键问题：如果I(1)过程之间不存在协整关系（即“伪回归”情形），那么无论真实处理效应是否存在，估计量都会发散。 这直接挑战了现有文献中普遍存在的平稳性假设，并指出了在非平稳数据下应用SCM的潜在陷阱。本文的位置是：将时间序列计量经济学中经典的“伪回归”问题引入因果推断的合成控制法领域，并提出了相应的解决方案（基于协整关系的检验）。

子线索聚类

  1. 经典合成控制法及其平稳性假设：以Abadie等人的工作为代表，假设数据平稳，关注权重选择、匹配质量、安慰剂检验。这是最主流的线索。
  2. 近似匹配与去偏理论：以Ferman and Pinto为代表，研究当完美匹配不成立时的渐近性质，并尝试修正偏差。这条线索开始触及模型设定错误的问题。
  3. 非平稳时间序列与伪回归：以本文为代表，关注数据生成过程的非平稳性（单位根、趋势）对反事实估计的影响。这条线索将时间序列计量经济学的核心概念（协整、伪回归）与因果推断结合，是本文的核心贡献。

这个方向在追问的核心问题

  1. 识别问题：在什么条件下，处理单元的反事实结果可以被供体单元的线性组合唯一识别？这依赖于“线性因子模型”假设，但该假设在非平稳数据下是否成立？
  2. 估计问题：当识别条件不完美时（如近似匹配），估计量的偏差和方差如何？其收敛速度是多少？
  3. 推断问题：如何构造有效的置信区间或假设检验？安慰剂检验在非平稳数据下是否仍然有效？
  4. 稳健性问题：当数据存在单位根、结构突变、或测量误差时，现有方法的表现如何？

当前主流方法与已知瓶颈：主流方法是基于平稳性假设的SCM及其变体。已知瓶颈是，这些方法对数据生成过程的假设非常强，一旦数据非平稳，估计量可能完全失效（发散），而现有文献对此几乎没有讨论。

⚠️ 作者的Framing

  • 作者把缺口frame成什么：作者将现有文献的缺口明确frame为“忽略了数据非平稳性（I(1)或趋势平稳）对合成控制法的影响”。他们指出，尽管伪回归是时间序列计量经济学中的经典概念，但在反事实估计文献中却被普遍忽视。因此，本文的贡献是“填补了这一空白”，并提供了一个在非平稳数据下进行反事实分析和推断的框架。
  • 哪些竞争路线被他淡化或回避了：作者主要聚焦于线性合成控制法（即供体单元的线性组合）。他们淡化了更复杂的非线性方法（如机器学习方法）在非平稳数据下的表现。此外，他们回避了多个处理单元或处理效应随时间变化的复杂设定，只关注单个处理单元和恒定处理效应。
  • 什么明显该被引/该存在、却没出现在intro里？：从intro的引用来看，作者引用了Abadie等人的经典工作，以及Ferman and Pinto等理论进展。但似乎没有引用Doudchenko and Imbens (2016) 的惩罚回归框架。这可能是因为该框架虽然更一般，但其理论分析也主要基于平稳性假设。不过，作为一篇讨论模型设定错误的论文，不引用这篇更一般的框架是一个值得注意的遗漏。（值得研究者去查：Doudchenko and Imbens (2016) 是否讨论了非平稳数据？如果讨论了，本文的贡献是否被削弱？）

张力

未见明显对立引用。所有被引工作基本都认同平稳性假设是SCM的基础，而本文则是在这个共识上指出其局限性。没有发现不同工作在同一条件下得出相反结论的情况。

二、最核心、最简单的例子 / 数学问题

第一步：把符号、模型、可观测数据交代清楚

  • 符号：

    • \( Y_{it} \)：单元 \( i \) 在时间 \( t \) 的结果变量（可观测）。
    • \( i = 1 \)：处理单元（受干预的单元）。
    • \( i = 2, \dots, J+1 \)：供体单元（未受干预的单元），共 \( J \) 个。
    • \( t = 1, \dots, T_0 \)：干预前的时间点。
    • \( t = T_0+1, \dots, T \)：干预后的时间点。
    • \( N = T_0 \)：干预前的样本量。
    • \( \alpha_{it} \)：单元 \( i \) 在时间 \( t \) 的处理效应（causal estimand）。对于处理单元 \( i=1 \)，\( \alpha_{1t} \) 是目标参数。对于供体单元 \( i>1 \)，\( \alpha_{it} = 0 \)（假设无干预）。
    • \( Y_{it}^N \)：单元 \( i \) 在时间 \( t \) 的潜在结果（未受干预时的结果）。这是不可观测的，除了处理单元在干预前（\( t \le T_0 \)）时，\( Y_{1t}^N = Y_{1t} \)。
    • \( Y_{it}^I \)：单元 \( i \) 在时间 \( t \) 的潜在结果（受干预时的结果）。对于处理单元，干预后 \( Y_{1t}^I = Y_{1t} \)。
    • \( \beta_t \)：一个 \( (r \times 1) \) 的公共因子向量（不可观测）。
    • \( \lambda_i \)：一个 \( (r \times 1) \) 的因子载荷向量（不可观测）。
    • \( \epsilon_{it} \)：均值为0的随机误差项（不可观测）。
    • \( w_j \)：赋予供体单元 \( j \) 的权重，\( j=2, \dots, J+1 \)。权重向量 \( \mathbf{w} = (w_2, \dots, w_{J+1})' \)。

  • 模型：本文采用一个线性因子模型来描述潜在结果：

    \[Y_{it}^N = \beta_t' \lambda_i + \epsilon_{it}\]
    这个模型假设，所有单元的结果都由一组共同的、随时间变化的因子 \( \beta_t \) 和单元特定的载荷 \( \lambda_i \) 线性决定。这是合成控制法的核心假设。关键：本文假设 \( \beta_t \) 是非平稳的，具体来说，它是一个 \( I(1) \) 过程（即一阶单整过程，其差分是平稳的）或趋势平稳过程。

  • 可观测数据：

    • 研究者可以观测到所有单元在所有时间点的结果 \( Y_{it} \)。
    • 对于处理单元 \( i=1 \)：\( Y_{1t} = Y_{1t}^N + \alpha_{1t} D_t \)，其中 \( D_t \) 是干预指示变量（\( t > T_0 \) 时为1，否则为0）。因此，干预后 \( Y_{1t} \) 是 \( Y_{1t}^N \) 和 \( \alpha_{1t} \) 的混合。
    • 对于供体单元 \( i>1 \)：\( Y_{it} = Y_{it}^N \)。
    • 想要但观测不到的量：处理单元在干预后的潜在结果 \( Y_{1t}^N \)（\( t > T_0 \)）。这是反事实，也是整个估计问题的核心。

第二步：讲最小内核

最简特例：假设只有两个供体单元（\( J=2 \)），且因子模型只有一个公共因子（\( r=1 \)）。那么模型退化为：

\[Y_{it}^N = \beta_t \lambda_i + \epsilon_{it}\]
其中 \( \beta_t \) 是一个随机游走（最简单的I(1)过程）：\( \beta_t = \beta_{t-1} + \eta_t \)，\( \eta_t \) 是独立同分布的白噪声。

核心思路：合成控制法的目标是找到一个权重 \( w_2 \)（\( w_3 = 1 - w_2 \)），使得在干预前，合成控制的结果 \( \sum_{j=2}^3 w_j Y_{jt} \) 与处理单元的结果 \( Y_{1t} \) 尽可能接近。在因子模型下，这意味着：

\[\sum_{j=2}^3 w_j Y_{jt} \approx \beta_t \left( \sum_{j=2}^3 w_j \lambda_j \right) + \sum_{j=2}^3 w_j \epsilon_{jt}\]
而处理单元的结果为：
\[Y_{1t} = \beta_t \lambda_1 + \epsilon_{1t}\]
如果存在一个权重向量 \( \mathbf{w}^* \) 使得 \( \sum_{j=2}^3 w_j^* \lambda_j = \lambda_1 \)，那么合成控制就完美地复制了处理单元的因子载荷，从而 \( \sum_{j=2}^3 w_j^* Y_{jt} \) 就是 \( Y_{1t}^N \) 的一个无偏估计（忽略误差项）。

本文的关键发现（在这个特例下）： 1. 伪回归情形（无协整）：假设 \( \lambda_1 = 1 \)，\( \lambda_2 = 0 \)，\( \lambda_3 = 0 \)。那么，处理单元和供体单元之间不存在一个线性组合能消除随机游走 \( \beta_t \) 的影响（因为 \( \lambda_1 \) 不为0，而所有供体单元的载荷都为0）。此时，任何权重都无法使合成控制与处理单元“协整”。在这种情况下，如果直接用OLS回归 \( Y_{1t} \) 对 \( Y_{2t}, Y_{3t} \) 来估计权重，得到的估计量 \( \hat{w}_2, \hat{w}_3 \) 会收敛到某个随机变量（而不是常数），并且基于此构造的干预后反事实估计 \( \hat{Y}_{1t}^N = \sum \hat{w}_j Y_{jt} \) 会发散（方差趋于无穷）。这意味着，即使没有真实效应，估计出的处理效应也会看起来很大，导致严重的错误推断。

  1. 协整情形：假设 \( \lambda_1 = 1 \)，\( \lambda_2 = 1 \)，\( \lambda_3 = 0 \)。那么，存在一个权重 \( w_2^* = 1, w_3^* = 0 \) 使得 \( \sum w_j^* \lambda_j = \lambda_1 \)。此时，合成控制 \( Y_{2t} \) 与处理单元 \( Y_{1t} \) 是协整的（它们的线性组合 \( Y_{1t} - Y_{2t} \) 是平稳的）。在这种情况下，估计量 \( \hat{w}_2 \) 是一致的（收敛到1），但极限分布是非标准的（涉及随机游走的泛函，如Dickey-Fuller分布）。因此，传统的基于正态近似的推断方法（如t检验）会失效。

总结：这个最小内核清晰地展示了本文的核心数学问题：当数据是I(1)过程时，合成控制法的有效性完全取决于处理单元与供体单元之间是否存在协整关系。如果不存在，估计量发散；如果存在，估计量一致但推断困难。 本文的一般化工作就是在这个基础上，将两个供体单元推广到多个，将单因子推广到多因子，并提出了相应的检验方法。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：当面板数据中的结果变量是非平稳的（I(1)过程或趋势平稳）时，基于合成控制法的反事实估计和推断会面临什么问题。
  2. 核心工具/方法：利用时间序列计量经济学中的协整理论和伪回归概念，分析合成控制估计量的渐近性质，并提出了一个基于重抽样（bootstrap）的检验程序来区分“伪回归”和“真实效应”。
  3. 主要结论：对于I(1)过程，如果处理单元与供体单元之间不存在协整关系，则处理效应估计量发散；如果存在至少一个协整关系，则估计量一致但极限分布非标准。对于趋势平稳数据，估计量一致且渐近正态。作者提出的重抽样检验在协整或趋势平稳情形下有效。

关键设定与假设

  • 数据生成过程：假设潜在结果 \( Y_{it}^N \) 由线性因子模型生成，且因子 \( \beta_t \) 是I(1)过程或趋势平稳过程。具体地，\( \beta_t \) 的差分 \( \Delta \beta_t \) 是一个平稳的线性过程。
  • 识别假设：存在一个权重向量 \( \mathbf{w}^* \)，使得 \( \sum_{j=2}^{J+1} w_j^* \lambda_j = \lambda_1 \)。这是经典SCM的“完美匹配”假设。本文在理论分析中假设这个条件成立，但允许在估计时存在近似匹配。
  • 协整秩假设：这是本文的核心新假设。定义矩阵 \( \Lambda = (\lambda_2, \dots, \lambda_{J+1}) \)。协整关系是否存在，取决于 \( \lambda_1 \) 是否在 \( \Lambda \) 的列空间中。如果 \( \lambda_1 \in \text{span}(\Lambda) \)，则存在协整关系；否则，不存在。
  • 误差项假设：\( \epsilon_{it} \) 是平稳的、弱相关的误差过程，允许存在序列相关和异方差。
  • 与已有文献的对比：相比Abadie等人的工作，本文放松了数据平稳性的假设，但强化了因子模型的结构（假设因子是I(1)过程）。相比Ferman and Pinto，本文关注的是数据生成过程的非平稳性，而非匹配误差。

主要结果

  • 定理1（伪回归情形）：如果 \( \lambda_1 \notin \text{span}(\Lambda) \)（即无协整关系），那么通过OLS估计的权重 \( \hat{\mathbf{w}} \) 是不一致的，并且干预后处理效应的估计量 \( \hat{\alpha}_{1t} = Y_{1t} - \sum \hat{w}_j Y_{jt} \) 会发散（其方差随 \( T_0 \) 和 \( T - T_0 \) 的增加而趋于无穷）。直觉：在伪回归中，OLS估计量实际上是在“拟合”两个独立的随机游走，导致估计量收敛到某个随机变量，而不是真实参数。技术难点：证明需要处理非平稳时间序列的极限理论（泛函中心极限定理），并证明OLS估计量的极限分布是随机游走的泛函。
  • 定理2（协整情形）：如果 \( \lambda_1 \in \text{span}(\Lambda) \)（即存在至少一个协整关系），那么 \( \hat{\mathbf{w}} \) 是一致的，并且 \( \hat{\alpha}_{1t} \) 的极限分布是非标准的（涉及布朗运动的泛函）。直觉：协整关系保证了OLS回归不是伪回归，但估计量的收敛速度是 \( T_0 \)（超一致），极限分布由随机游走的“长期方差”决定。技术难点：推导极限分布需要用到“三角化”表示和“完全修正”估计的思想。
  • 定理3（趋势平稳情形）：如果数据是趋势平稳的（即 \( \beta_t = \mu + \gamma t + \text{平稳部分} \)），那么 \( \hat{\mathbf{w}} \) 是一致且渐近正态的。直觉：趋势平稳数据可以转化为平稳数据（通过去趋势），因此经典的大样本理论适用。
  • 检验程序：作者提出了一个基于重抽样（bootstrap） 的检验，用于在协整或趋势平稳情形下检验处理效应是否为零。该检验通过模拟估计量的极限分布来构造临界值，避免了直接使用非标准分布。

证明路线与技术技巧

  • 整体路线：

    1. 模型重写：将因子模型写成 \( Y_t = \beta_t' \lambda + \epsilon_t \) 的形式，其中 \( Y_t \) 是 \( (J+1) \times 1 \) 的向量。
    2. 权重估计：使用干预前数据，通过OLS回归 \( Y_{1t} \) 对 \( Y_{2t}, \dots, Y_{(J+1)t} \) 来估计权重 \( \mathbf{w} \)。
    3. 渐近分析：将OLS估计量 \( \hat{\mathbf{w}} \) 的表达式分解为“信号”部分和“噪声”部分。信号部分由因子 \( \beta_t \) 和载荷 \( \lambda \) 决定，噪声部分由误差 \( \epsilon_t \) 决定。
    4. 区分情形：
      • 伪回归：证明信号部分不收敛，导致 \( \hat{\mathbf{w}} \) 发散。
      • 协整：证明信号部分收敛，但收敛速度是 \( T_0 \)，且极限分布由 \( \beta_t \) 的二次型决定。
      • 趋势平稳：通过去趋势，将问题转化为平稳情形，应用标准OLS渐近理论。
    5. 处理效应估计：将 \( \hat{\mathbf{w}} \) 代入干预后的反事实公式，分析 \( \hat{\alpha}_{1t} \) 的渐近性质。

  • 关键跳跃点：

    • 从平稳到非平稳：经典SCM的证明依赖于平稳性，使得大数定律和中心极限定理可以直接应用。本文的关键跳跃是将泛函中心极限定理（FCLT）引入分析，以处理随机游走 \( \beta_t \) 的累积和。
    • 协整秩的识别：如何判断 \( \lambda_1 \) 是否在 \( \Lambda \) 的列空间中？这是理论分析的核心。作者通过分析OLS估计量的极限行为来间接推断：如果估计量发散，则无协整；如果收敛，则有协整。

  • 技术技巧点名：

    • 泛函中心极限定理（FCLT）：用于推导随机游走 \( \beta_t \) 的极限分布，将其收敛到布朗运动。这是处理I(1)过程的核心工具。
    • “三角化”表示：用于将协整系统转化为一个由I(1)和I(0)过程组成的三角系统，便于分析。
    • “完全修正”估计：虽然本文没有直接使用，但其极限分布的形式与“完全修正”OLS估计量的极限分布类似，暗示了可能的偏差修正方向。
    • 重抽样（Bootstrap）：用于构造检验统计量的临界值，避免了直接处理非标准极限分布。作者使用了“残差bootstrap”或“移动块bootstrap”来处理误差的序列相关。

真实例子与应用

  • 使用的数据/场景：作者使用了两个经典案例：
    1. 美国烟草控制（California Proposition 99）：这是Abadie等人（2010）的经典案例，研究加州1988年通过的烟草税对人均香烟销售量的影响。
    2. 德国统一：研究1990年德国统一对西德GDP的影响。
  • 怎么把本文方法用上去：作者首先对数据进行了单位根检验，发现这些数据（人均香烟销量、GDP）很可能是I(1)过程。然后，他们应用了本文提出的理论，检验了处理单元（加州、西德）与供体单元（其他州、国家）之间是否存在协整关系。
  • 得到什么结果：
    • 烟草案例：作者发现，加州与供体州之间存在协整关系。因此，经典SCM的估计量是一致的，但基于正态近似的置信区间可能不准确。作者的重抽样检验给出了与安慰剂检验类似的结论（处理效应显著为负）。
    • 德国统一案例：作者发现，西德与供体国之间不存在协整关系。这意味着，经典SCM的估计量是发散的，其估计的处理效应（正或负）是不可靠的，可能只是伪回归的结果。这直接挑战了该案例中SCM的经典结论。
  • 这个例子想说明什么：这两个例子生动地展示了本文的核心论点：在应用SCM之前，必须检验数据的非平稳性和协整关系。 烟草案例说明，即使数据非平稳，只要存在协整，SCM仍然可用（但需注意推断）。德国统一案例则是一个警示：如果不存在协整，SCM的结果可能完全误导。

🔎 结论是否比证明窄

  • 是。作者在引言和结论中声称，本文为“非平稳数据下的反事实分析”提供了框架。然而，其严格证明主要集中在线性因子模型和单个处理单元的设定下。对于更一般的非线性模型、多个处理单元、或处理效应随时间变化的情况，本文的结论是否成立，作者并未给出证明，只是作为未来工作提及。因此，其结论的适用范围比其声称的“框架”要窄。
  • 具体语句：在结论部分，作者写道：“Our results provide a framework for counterfactual analysis with nonstationary data.” 但证明部分明确假设了线性因子模型和单个处理单元。读者应注意到这个差距。

四、开放问题

  1. 非线性合成控制：本文的理论完全基于线性因子模型。当数据生成过程是非线性时（例如，使用机器学习方法构造反事实），非平稳性会带来什么影响？扎根点：本文的模型假设（线性因子模型）是证明的基础，作者在结论中将其列为未来工作。
  2. 多个处理单元：当有多个单元同时或先后受到干预时，本文的结论如何推广？协整关系的概念在多元面板数据中如何定义和检验？扎根点：本文只考虑了单个处理单元，这是其设定的一个主要限制。
  3. 更一般的非平稳性：本文只考虑了I(1)和趋势平稳过程。对于更复杂的非平稳性，如I(2)过程、结构突变、或季节性单位根，合成控制法的表现如何？扎根点：作者在引言中明确将数据限制为I(1)或趋势平稳，这是其理论框架的边界。
  4. 推断方法的改进：本文提出的重抽样检验在协整情形下有效，但其有限样本性质如何？是否存在更精确的推断方法（如基于“完全修正”估计的置信区间）？扎根点：作者在讨论检验程序时，承认其有限样本表现需要进一步研究，并提到了“完全修正”估计作为潜在改进方向。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论