跳转至

Estimation and inference on average treatment effect in percentage points under heterogeneity

作者: Ying Zeng
来源: Journal of Econometrics
主题: 因果推断
相关性: 7/10
链接: 期刊页 · arXiv


一、领域脉络与小综述

这个方向是什么

本文所处的子方向是因果推断中"处理效应在百分比/比例尺度上的平均化"问题。具体而言,当结果变量以对数形式建模(半对数回归)时,研究者常将处理变量的系数解释为"平均百分比效应"。然而,这一解释依赖于处理效应在同质性假设下的近似。本文的核心贡献在于系统性地指出:在处理效应存在异质性(无论是个体层面还是群体层面)时,这一近似会产生由 Jensen 不等式导致的系统性偏差,并提出了一个可识别、可估计、可推断的替代性目标量(estimand),以改进传统做法。

该方向的成熟度处于中等偏上:识别问题(即¯ρ不可点识别)已被 Chen and Roth (2024) 等文献明确指出,但针对"如何在保持可识别性的前提下改进估计"这一问题的系统性方法论解决方案,在本文之前尚不完整。本文填补的正是这一空白。

发展脉络

  • 奠基工作:本文的起点是 Chen and Roth (2024) 与 Hansen (2022)。Chen and Roth (2024) 明确指出,在无额外假设的情况下,平均百分比效应¯ρ = E[(Y₁−Y₀)/Y₀] 无法被点识别,因为它是联合分布 (Y₁, Y₀) 的函数,而观测数据只能识别边际分布。这一"不可识别性"结论是本文的出发点。Hansen (2022) 则提供了半对数回归系数作为百分比效应近似解释的教科书式依据,本文正是对这一解释的严谨性提出挑战。
  • 主要进展:在不可识别性结论之后,文献出现了两条应对路径。一条是部分识别(partial identification)路径,以 Fan et al. (2017)、Callaway (2021)、Firpo and Ridder (2019)、Frandsen and Lefgren (2021) 为代表,这些工作通过假设检验或边界构造来刻画¯ρ的识别区间。另一条是参数分布假设路径,即在假设 (Y₁, Y₀) 服从联合正态等特定分布时实现点识别。本文的定位是:在保留非参数灵活性的前提下,通过引入"可观测子组"这一结构,构造一个可点识别的替代性目标量ρ_b,从而避开不可识别性的困境。
  • 当前 frontier:在异质性处理效应下,如何定义和估计"有意义的平均效应"是当前因果推断的前沿问题。本文的ρ_b 正是这一前沿的一个具体贡献——它通过加权可观测子组的平均效应,在组内同质性假设下精确等于¯ρ,否则作为其下界。
  • 本文的位置:本文位于"不可识别性"与"部分识别"文献的交汇处。它不试图在完全一般性下识别¯ρ,而是通过引入子组结构,构造一个"退而求其次"但可识别、可推断的目标量。这一思路与 Gibbons et al. (2019)、Goldsmith-Pinkham et al. (2024) 等关于线性回归中异质性处理效应加权解释的文献直接相关——本文将这些文献的洞察从"水平值"推广到了"百分比"尺度。

子线索聚类

  1. 不可识别性与部分识别:Chen and Roth (2024)、Fan et al. (2017)、Callaway (2021)、Firpo and Ridder (2019)、Frandsen and Lefgren (2021)。这一簇的核心问题是:当¯ρ不可点识别时,能给出什么样的边界或区间。
  2. 异质性处理效应下的估计量解释:Angrist (1998)、Gibbons et al. (2019)、Goldsmith-Pinkham et al. (2024)、Słoczyński (2022)。这一簇关注的是:在线性回归框架下,估计量(如 OLS、2SLS、TWFE)在异质性下究竟估计了什么加权平均。
  3. 对数变换与百分比效应的估计:Kennedy (1981)、Manning (1998)、Silva and Tenreyro (2006)、Mullahy and Norton (2024)。这一簇关注对数变换本身带来的估计与解释问题,如 Duan 平滑估计量、异方差下的重变换偏差等。

这个方向在追问的核心问题

  1. 识别问题:在何种假设下,平均百分比效应¯ρ可以被点识别?若不能,其识别边界是什么?(Chen and Roth, 2024; Fan et al., 2017)
  2. 估计问题:在可识别的目标量(如ρ_b)下,如何构造估计量并建立其渐近性质?(本文的核心贡献)
  3. 解释问题:当处理效应存在异质性时,传统半对数回归系数究竟估计了什么?其与目标量¯ρ的偏差有多大?(本文的动机)

⚠️ 作者的 framing

这是作者的说法:作者将缺口 frame 成"传统半对数回归系数在异质性下对¯ρ的近似存在系统性偏差,且该偏差未被充分认识"。作者认为,自己的贡献在于提出了一个"改进的、可识别的、可推断的"目标量ρ_b,并提供了完整的估计与推断方法。作者淡化了部分识别文献(如 Fan et al. 2017)的路径——这些文献试图直接刻画¯ρ的边界,而本文则选择"更换目标量"这一策略。作者也回避了参数分布假设路径(如联合正态假设),强调自己的方法"不依赖强分布假设"。

值得研究者去查的问题:作者在引言中未提及的、但可能相关的文献包括:(1) 关于"比值型"处理效应(如相对风险、比值比)在异质性下的识别问题;(2) 关于非参数可识别性的一般性理论(如 Hu and Schennach 2008 的测量误差模型),这些理论可能为¯ρ的识别提供更一般的视角;(3) 关于"条件平均处理效应"(CATE)估计的最新进展,这些进展可能为ρ_b 的估计提供更高效的替代方案。

张力

未见明显对立引用。但存在一个微妙的张力:Chen and Roth (2024) 强调¯ρ的不可识别性,而本文通过引入子组结构绕过了这一障碍。这两者并不矛盾——本文的ρ_b 在组内同质性假设下等于¯ρ,但该假设本身是额外的、不可检验的。因此,本文的贡献可以理解为"用假设换取可识别性",而非"在无假设下解决不可识别性"。


二、最核心、最简单的例子 / 数学问题

第一步:符号、模型、可观测数据

符号(逐个点名):

  • Y₁ᵢ, Y₀ᵢ:个体 i 在"接受处理"和"未接受处理"两种状态下的潜在结果(potential outcomes)。这是潜在量,同一时刻只能观测到其中一个。
  • Tᵢ:处理指示变量,Tᵢ = 1 表示接受处理,Tᵢ = 0 表示未接受处理。这是可观测的随机变量。
  • Yᵢ:观测到的结果,Yᵢ = Tᵢ·Y₁ᵢ + (1−Tᵢ)·Y₀ᵢ。这是可观测的随机变量。
  • τᵢ = ln(Y₁ᵢ) − ln(Y₀ᵢ):个体 i 的"对数点"处理效应。这是潜在量。
  • ¯τ = E(τᵢ):对数点处理效应的总体均值,即 ATE in log points。这是目标 estimand。
  • ρᵢ = (Y₁ᵢ − Y₀ᵢ)/Y₀ᵢ = exp(τᵢ) − 1:个体 i 的"百分比点"处理效应。这是潜在量。
  • ¯ρ = E(ρᵢ):百分比点处理效应的总体均值,即 ATE in percentage points。这是目标 estimand,但不可点识别。
  • G:可观测子组的总数,子组由可观测协变量(如行业、地区、队列)定义。
  • g = 1, …, G:子组索引。
  • w_g:子组 g 在目标总体中的占比,满足 Σ w_g = 1。这是已知或可估计的。
  • τ_g = E(τᵢ | i ∈ 子组 g):子组 g 的平均对数点效应。这是可识别的(在标准假设下)。
  • ρ_g = E(ρᵢ | i ∈ 子组 g):子组 g 的平均百分比点效应。这是不可识别的(除非组内同质性)。
  • ρ_b = Σ_g w_g [exp(τ_g) − 1]:本文提出的新 estimand,即"子组加权平均的百分比点效应"。这是可识别的。
  • N:总样本量。
  • N_g:子组 g 的样本量。
  • ˆτ_g:τ_g 的估计量(如 OLS 估计量)。
  • ˆw_g:w_g 的估计量(如样本占比)。
  • ˆρ_b:ρ_b 的估计量,定义为 Σ_g ˆw_g [exp(ˆτ_g) − 1]。
  • ˆσ²_τ,g:ˆτ_g 的渐近方差的估计量。
  • δ = (w′, τ′)′:参数向量,包含权重和子组平均效应。
  • Σ̄_δ:√N(δ̂ − δ) 的渐近协方差矩阵。
  • ∇_δ ρ_b:ρ_b 关于 δ 的梯度向量。

模型(用直白语言写出):

  1. 潜在结果框架:每个个体 i 有两个潜在结果 Y₁ᵢ 和 Y₀ᵢ,但我们只能观测到其中一个,取决于 Tᵢ。
  2. 半对数回归模型:研究者拟合 ln(Yᵢ) = Xᵢ′β + Tᵢ·τ + εᵢ,其中 τ 被解释为"平均百分比效应"。
  3. 子组结构:总体被划分为 G 个可观测子组。在每个子组 g 内,假设处理效应在"对数点"尺度上是同质的(即 τᵢ = τ_g 对所有 i ∈ g),但在"百分比点"尺度上可能异质(因为 ρᵢ = exp(τᵢ) − 1 的期望不等于 exp(τ_g) − 1)。
  4. 可观测数据:研究者观测到 (Yᵢ, Tᵢ, Xᵢ),其中 Xᵢ 包含子组指示变量。关键点:研究者能观测到每个个体的结果 Yᵢ 和处理状态 Tᵢ,但观测不到潜在结果 Y₁ᵢ 和 Y₀ᵢ 的联合分布,因此¯ρ = E[(Y₁−Y₀)/Y₀] 不可识别。

第二步:最小内核

最小内核:假设我们只有一个子组(G = 1),且处理是随机分配的(或满足条件可忽略性)。此时:

  • 我们观测到处理组的平均结果 E(Y₁) 和对照组的平均结果 E(Y₀)。
  • 我们想估计¯ρ = E[(Y₁−Y₀)/Y₀] = E(Y₁/Y₀) − 1。
  • 问题:E(Y₁/Y₀) ≠ E(Y₁)/E(Y₀),因为 Y₁ 和 Y₀ 是相关的,而观测数据无法识别它们的联合分布。
  • Jensen 不等式:由于 f(x) = 1/x 是凸函数,E(Y₁/Y₀) ≥ E(Y₁)/E(Y₀)(当 Y₀ > 0 时)。因此,用 E(Y₁)/E(Y₀) − 1 来估计¯ρ 会系统性低估(因为 E(Y₁/Y₀) ≥ E(Y₁)/E(Y₀),所以 E(Y₁)/E(Y₀) − 1 ≤ ¯ρ)。

本文的解决思路:不直接估计¯ρ,而是估计一个"退而求其次"的目标量 ρ_b = Σ_g w_g [exp(τ_g) − 1]。在只有一个子组时,ρ_b = exp(¯τ) − 1。这个量可识别,因为¯τ = E[ln(Y₁) − ln(Y₀)] 可以通过观测数据识别(在随机分配下,E[ln(Y₁)|T=1] − E[ln(Y₀)|T=0])。但 ρ_b ≠ ¯ρ,除非组内处理效应同质(即 τᵢ = ¯τ 对所有 i)。

为什么这个内核是"最小"的:它抓住了问题的本质——对数尺度上的平均 ≠ 百分比尺度上的平均。Jensen 不等式造成的偏差是本文所有方法论的出发点。当有多个子组时,ρ_b 通过加权子组效应来"部分纠正"这一偏差:如果子组划分能捕捉到处理效应的系统性差异(例如,不同行业对出口的反应不同),那么 ρ_b 就比 exp(¯τ) − 1 更接近¯ρ。

证明的退化情形:当 G = 1 时,本文的定理退化为"exp(¯τ) − 1 是¯ρ 的下界"这一简单事实。当 G > 1 时,ρ_b 是¯ρ 的下界,且比 exp(¯τ) − 1 更紧(因为 ρ_b ≥ exp(¯τ) − 1,当子组平均效应 τ_g 有差异时)。


三、这篇论文做了什么

三句话

  1. 研究了什么问题:在半对数回归中,当处理效应存在异质性时,传统系数(¯τ 或 exp(¯τ) − 1)作为平均百分比效应(¯ρ)的近似存在系统性偏差,本文提出了一个新的可识别目标量 ρ_b 并建立了其估计与推断方法。
  2. 核心工具 / 方法:基于子组分解的加权平均估计量,结合 Delta 方法建立渐近正态性;通过 Jensen 不等式建立 ρ_b 与¯ρ 之间的序关系(下界);在随机化实验和交错 DID 设计中给出具体应用。
  3. 主要结论:ρ_b 在组内同质性假设下等于¯ρ,否则是¯ρ 的下界;ρ_b 的估计量在标准正则条件下一致且渐近正态;蒙特卡洛模拟显示,在异质性较大时,ρ_b 与 exp(¯τ) − 1 的差异可达数个百分比点;两个实证应用(出口与企业绩效、供水系统与儿童死亡率)展示了方法的实用性。

关键设定与假设

  • 设定:目标总体被划分为 G 个可观测子组,每个子组 g 有占比 w_g。处理效应在子组内可能异质,但在"对数点"尺度上,子组平均效应 τ_g 是可识别的。
  • 假设:
  • 可忽略性 / 随机分配:在随机化实验中自然满足;在 DID 设计中,需要条件平行趋势假设。
  • 子组划分的可观测性:子组由可观测协变量定义,且每个个体的子组归属已知。
  • 正则条件:估计量(如 OLS)满足一致性和渐近正态性,且协方差矩阵可一致估计。
  • 正值性:Y₀ᵢ > 0,保证对数变换和百分比定义有意义。
  • 相比已有文献的放宽/强化:相比 Chen and Roth (2024) 的不可识别性结论,本文通过引入子组结构放宽了目标(从¯ρ 到 ρ_b),从而获得了点识别;相比部分识别文献(Fan et al. 2017),本文强化了假设(子组同质性),从而获得了更紧的结论(点估计而非区间)。

主要结果

定理 1(核心渐近结果):在假设 1 下,√N(ρ̂_b − ρ_b) → N(0, σ̄²_b),其中 σ̄²_b = (∇_δ ρ_b)′ Σ̄_δ (∇_δ ρ_b)。这给出了 ρ_b 的估计量的渐近正态性,从而可以构造置信区间和假设检验。

命题 1(序关系):¯ρ ≥ ρ_b ≥ exp(¯τ) − 1 ≥ ¯τ。这建立了三个量之间的序关系,表明 ρ_b 是比 exp(¯τ) − 1 更紧的下界。

推论(DID 应用):在交错 DID 设计中,当处理效应随队列和时间变化时,传统 TWFE 估计量的 estimand 与 ρ_b 的差异可能很大,本文的方法可以提供更准确的百分比效应估计。

证明路线与技术技巧

整体路线: 1. 识别:证明 ρ_b 在给定假设下可识别,因为它只依赖于可观测的边际分布和子组平均效应。 2. 估计:构造 ρ̂_b = Σ_g ˆw_g [exp(ˆτ_g) − 1],其中 ˆw_g 和 ˆτ_g 是 w_g 和 τ_g 的一致估计量。 3. 推断:利用 Delta 方法,将 ρ̂_b 的渐近分布转化为 δ̂ = (ŵ′, τ̂′)′ 的渐近分布的线性变换。

关键跳跃点: - 从¯ρ 到 ρ_b 的转换:这是本文最关键的跳跃。作者没有试图直接估计不可识别的¯ρ,而是构造了一个可识别的替代目标。这一跳跃的合理性在于:ρ_b 在组内同质性假设下等于¯ρ,且即使假设不成立,ρ_b 也是¯ρ 的下界。 - 协方差结构的处理:当 w 和 τ 的估计量来自同一回归模型时,它们的渐近协方差不为零。作者通过 Delta 方法处理了这一相关性,给出了正确的渐近方差公式。

技术技巧点名: - Delta 方法:用于从 δ̂ 的渐近正态性推导 ρ̂_b 的渐近正态性。 - Jensen 不等式:用于建立 ρ 与¯ρ 之序关系。 - 连续映射**:用于证明 ρ̂_b 的一致性。 - 子组分解:将总体异质性分解为子组间和子组内两部分,从而将不可识别的¯ρ 转化为可识别的 ρ_b。

真实例子与应用

例 1:出口与企业绩效(Atkin et al., 2017 的随机化实验)

  • 数据:埃及小地毯生产商的随机化实验,处理组获得出口机会。
  • 方法:将 8 个分层(strata)作为子组,估计每个分层的平均对数点效应 τ_g,然后加权得到 ρ_b。
  • 结果:对于"直接利润"这一结果,ρ̂_b = 26.5%,而 ρ̂_a = exp(¯τ) − 1 = 24.9%,差异约 1.6 个百分点。对于"假设利润"这一结果,差异更大:ρ̂_b = 53.4% vs ρ̂_a = 43.3%,差异达 10.1 个百分点。
  • 说明:当处理效应在分层间差异较大时(如假设利润),传统方法严重低估了真实的百分比效应。

例 2:供水系统与儿童死亡率(Alsan and Goldin, 2019 的交错 DID)

  • 数据:美国马萨诸塞州 60 个城镇 1880-1920 年的面板数据,处理为"同时拥有供水和下水道系统"。
  • 方法:使用 Sun and Abraham (2021) 的交互作用加权估计量(IW estimator)估计每个队列-时期组合的 τ(c, r),然后加权得到 ρ_b。
  • 结果:对于所有处理单元,ρ̂_b = −37.8%,而 ρ̂_a = exp(¯τ) − 1 = −40.2%,差异 2.4 个百分点。按事件时间细分,事件时间 1 的差异最大:ρ̂_b = −20.0% vs ρ̂_a = −25.9%,差异 5.9 个百分点。
  • 说明:在 DID 设计中,处理效应随队列和时间变化,传统方法可能高估死亡率降低的百分比效应。

🔎 结论是否比证明窄

是,存在明显的不匹配:

  1. 定理 1 的证明依赖 Delta 方法,但未讨论高阶偏差。作者在蒙特卡洛模拟中观察到小样本偏差(N=20 时偏差较大),但定理 1 只给出了一阶渐近结果。作者在附录 O.3 中提出了偏差校正估计量 ρ̂_c,但没有给出 ρ̂_c 的渐近性质的严格证明,只是声称"偏差显著减小"。

  2. 命题 1 的序关系在"组内同质性"假设下成立,但作者在结论中暗示该假设在实践中可能不成立。作者写道:"当处理效应在子组内也存在异质性时,ρ_b 仍然是¯ρ 的下界,但可能不是最紧的下界。" 这一说法是正确的,但作者没有给出"最紧下界"的构造方法。

  3. DID 应用中的权重选择。作者在例 2 中使用 Sun and Abraham (2021) 的估计量来估计 τ(c, r),但未讨论权重 w(c, r) 的估计误差对 ρ̂_b 的影响。定理 1 假设 w 和 τ 的联合渐近正态性,但在 DID 设计中,w(c, r) 的估计可能涉及复杂的抽样权重,作者未对此进行详细讨论。

  4. "下界"的解释。作者在结论中写道:"ρ_b 提供了¯ρ 的下界,因此 ρ̂_b 是保守的估计。" 这一说法在期望值意义上成立,但作者未讨论 ρ̂_b 的置信区间是否也构成¯ρ 的置信下界。这是一个重要的开放问题:如果 ρ̂_b 的抽样误差很大,其置信区间可能不包含¯ρ。


四、开放问题

  1. ρ̂_b 的置信区间是否构成¯ρ 的置信下界? 扎根于定理 1 与命题 1 的结合:命题 1 给出 ρ_b ≤ ¯ρ,但定理 1 只给出 ρ̂_b 的渐近正态性。要构造¯ρ 的置信下界,需要 ρ̂_b 的置信区间与 ρ_b 的序关系结合,但 ρ̂_b 的抽样误差可能导致置信区间不包含¯ρ。这是一个统计推断层面的开放问题。

  2. 组内异质性的处理。作者假设"组内同质性"以建立 ρ_b = ¯ρ 的等式,但该假设在实践中可能不成立。作者在附录 O.2 中讨论了联合正态假设下的估计,但未提供一般性的敏感性分析方法。扎根于命题 1 的证明:当组内异质性存在时,ρ_b 与¯ρ 的差距取决于组内方差的加权和,但作者未给出这一差距的可操作上界。

  3. DID 设计中的权重估计。作者在例 2 中使用 Sun and Abraham (2021) 的估计量,但未讨论权重 w(c, r) 的估计误差对 ρ̂_b 的影响。扎根于定理 1 的假设:定理 1 要求 w 和 τ 的联合渐近正态性,但在 DID 设计中,w 的估计可能涉及复杂的抽样权重,其渐近性质需要单独验证。

  4. 偏差校正估计量 ρ̂_c 的严格理论。作者在附录 O.3 中提出 ρ̂_c = Σ_g ˆw_g exp(ˆτ_g − 0.5σ̂²_τ,g) − 1,但未给出其渐近分布的严格证明。扎根于附录 O.3 的讨论:作者仅声称"偏差显著减小",但未给出 ρ̂_c 的渐近方差公式或高阶展开。

  5. 与部分识别文献的衔接。作者在引言中引用了 Fan et al. (2017) 和 Callaway (2021),但未讨论 ρ_b 与这些文献给出的¯ρ 边界之间的关系。扎根于引言:作者写道"本文的方法提供了比部分识别更紧的结论",但未给出具体的比较。一个自然的开放问题是:ρ_b 是否总是落在 Fan et al. (2017) 给出的边界内?如果不是,在什么条件下会超出?


给研究者的提醒:要确认上述开放问题是否是真 gap,建议去读以下文献的近期引用(约 5 篇的引言):Chen and Roth (2024)、Fan et al. (2017)、Callaway (2021)、Sun and Abraham (2021)。如果这些文献的近期工作都指向同一个问题(例如"如何构造¯ρ 的置信下界"),那很可能是一个共识性的 gap;如果它们各说各话,那可能是一个尚未被充分定义的问题,需要你自己去厘清。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论