Changes-in-Changes for Ordered Choice Models with Underreporting¶
作者: Daniel Gutknecht, Cenchen Liu
来源: Journal of Business & Economic Statistics
主题: 因果推断
相关性: 8/10
链接: 期刊页 · arXiv
一、领域脉络与小综述(从 introduction + 参考文献 + 已检索摘要构建)¶
这个方向是什么:本文属于「因果推断 × 测量误差」的交叉领域,具体而言是在双重差分(Difference-in-Differences, DiD)框架下,处理有序离散结局变量存在系统性漏报(underreporting)时的识别与推断问题。其根本科学问题是:当自报数据(如毒品使用频率)因社会污名化而被人为压低时,如何仍能从观测到的报告分布中恢复政策对真实结局分布的处理效应。该子方向的成熟度处于"方法论活跃期"——基础框架(DiD、CiC)已成熟,但测量误差与非线性结局的结合仍是开放前沿。
发展脉络(history): - 奠基工作:Athey and Imbens (2006) 提出 Changes-in-Changes (CiC) 模型,将 DiD 从均值效应推广到整个分布效应,其核心思想是利用对照组分布的时间变化来推断处理组的反事实分布。这是本文的直接理论基石。 - 主要进展(测量误差方向):Masten and Poirier (2018, 2020) 提出"breakdown frontier"框架,系统化地研究当识别假设(如无混淆)被违反时,结论在多大程度上仍然稳健。本文的 α 参数(漏报概率上界)正是借鉴了这一"敏感性分析"思路——将漏报程度参数化,考察结论对漏报程度的依赖。 - 主要进展(DiD 与测量误差结合):Denteh and Kédagni (2022) 与 Negi and Negi (2025) 研究了 DiD 框架下处理状态被误分类的问题,但聚焦于二元处理变量,而非结局变量的漏报。本文明确将这一缺口作为自己的定位点。 - 当前 frontier:Ghanem et al. (2025) 澄清了 CiC 与 copula 稳定性之间的关系,指出在连续结局下 CiC 等价于某种 copula 不变性。本文的贡献之一是在离散有序结局下建立 CiC 的阈值交叉表示,从而与这一更广泛的 copula 文献建立联系。 - 本文的位置:作者将"CiC 分布效应识别"与"漏报测量误差"两个此前独立的线索缝合在一起,并提供了从非参数部分识别(bounds)到半参数点识别(parametric model)的完整分析链条。
子线索聚类: 1. 分布效应与分位数处理效应:Athey and Imbens (2006)、Chernozhukov et al. (2020)(分位数效应推断框架)。这一簇关注"政策如何影响整个分布"而非仅均值。 2. 测量误差与误分类:Masten and Poirier (2018, 2020)、Denteh and Kédagni (2022)、Negi and Negi (2025)、Mondal and Wang (2024)。这一簇关注数据生成过程中的"污染"如何破坏识别。 3. 部分识别与敏感性分析:Masten et al. (2024)(对无混淆假设的敏感性)。这一簇承认点识别不可得,转而提供对假设偏离稳健的结论区间。
这个方向在追问的核心问题: 1. 识别问题:在漏报存在时,反事实分布 F_{Y11(0)} 的哪些特征(如分位数、均值)仍可被识别?哪些只能被界定在区间内? 2. 推断问题:当估计量涉及非光滑变换(如 min、max、分位数逆)时,如何构造具有正确覆盖率的置信区间? 3. 效率问题:在给定模型假设下,估计量的半参数效率界是什么?如何达到?
⚠️ 作者的 framing(必须明确标注成"这是作者的说法"): 作者将本文定位为"首次在 DiD 框架下处理有序离散结局的漏报问题",并强调其贡献在于:(i) 推导了反事实分布的非参数边界;(ii) 证明了这些边界在额外支撑条件下的一致尖锐性;(iii) 提出了 bootstrap 推断程序。值得研究者去查的问题:作者在 intro 中淡化了 Mondal and Wang (2024) 的二元结局结果与本文有序结局之间的技术距离——二元情形下 min/max 算子只作用于一个阈值,而有序情形需要同时处理多个阈值,这是否真的构成实质性的技术困难?另外,作者对 Ghanem et al. (2025) 的引用仅用于说明 CiC 与 copula 的关系,但未讨论 copula 稳定性假设在离散结局下是否自然成立,这是一个潜在的薄弱环节。
张力:未见明显对立引用。但值得注意的是,Masten and Poirier (2018) 的 breakdown frontier 框架强调"对假设偏离的连续敏感性",而本文的 α 参数是一个离散的、均匀的上界,两者在哲学上存在微妙差异——前者允许漏报概率随结局水平变化,后者假设均匀上界。这一差异未被作者明确讨论。
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:
- G ∈ {0,1}:组别指示变量,G=1 为处理组,G=0 为对照组。
- T ∈ {0,1}:时间指示变量,T=0 为政策前,T=1 为政策后。
- D = G·T:实际处理状态,仅在处理组且政策后取 1。
- Y(d), d ∈ {0,1}:潜在结局(potential outcome),即个体在真实消费水平上的潜在结果,取值于有限集 J = {0,1,…,J}。这是想要但观测不到的量(至少对处理组在 T=1 时的 Y(0) 而言)。
- C(d), d ∈ {0,1}:潜在报告结局(potential reported outcome),即个体实际报告的值,满足 C(d) ≤ Y(d) a.s.(漏报假设)。C(d) 是部分可观测的:在 (G,T)=(g,t) 单元中,观测到的是 C_gt(d) 其中 d=g·t。
- Z:工具变量(instrument),只影响报告行为、不影响真实消费,且与真实消费独立(给定其他变量)。Z 是可观测的。
- F_{Y_gt(d)}(y):潜在结局 Y(d) 在 (G,T)=(g,t) 单元中的条件分布函数。这是核心 estimand 的组成部分。
- α ∈ [0,1]:漏报概率的均匀上界,即 Pr(C(d) ≤ j | Y(d) ≥ j+1, G=g, T=t) ≤ α。α 是已知的敏感性参数(sensitivity parameter),不是从数据中估计的。
- Q_{Y|D=1}(τ):处理组在政策后的 τ 分位数,用于定义 QTT。
-
∆_QTT(τ):处理组在政策后的 τ 分位数与反事实 τ 分位数之差,即 Q_{Y(1)|D=1}(τ) − Q_{Y(0)|D=1}(τ)。
-
模型:
- 数据生成机制:每个个体有真实消费 Y(d) 和报告意愿 R(d)。观测到的报告 C(d) = min{Y(d), R(d)}。R(d) 受 Z 影响,Y(d) 不受 Z 影响(排除限制)。
- CiC 结构(Assumption 2):存在潜在变量 U 和单调函数 h,使得 Y(0) = h(U, T),且 U ⊥ T | G。这意味着在 U 相同的个体中,时间变化对 Y(0) 的影响是单调的。
- 可观测数据:研究者观测到 (C, Z, G, T) 的 i.i.d. 样本。关键点:在 (G,T)=(1,1) 单元中,观测到的是 C_11(1)(处理下的报告结局),而 C_11(0)(未处理的反事实报告结局)不可观测。在 (G,T)=(0,1) 和 (0,0) 单元中,观测到的是 C_01(0) 和 C_00(0)。在 (G,T)=(1,0) 单元中,观测到的是 C_10(0)。
第二步:讲最小内核
最小内核:考虑最简单的二元情形 J = {0,1}(即"未使用" vs "使用"),且没有工具变量 Z。此时,漏报意味着某些真实使用者(Y=1)报告为未使用(C=0),而真实未使用者不会报告为使用者。
- 要回答的问题:处理组在政策后的真实使用率 Pr(Y_11(1)=1) 是可观测的(因为 C_11(1)=Y_11(1) 当 Y_11(1)=1 时,漏报只影响 Y=1 报告为 0,不影响 Y=0 报告为 1)。但反事实使用率 Pr(Y_11(0)=1) 不可观测。
- CiC 的识别策略:在无漏报时,CiC 用对照组的时间变化来推断处理组的反事实变化。具体地,F_{Y_11(0)}(y) = F_{Y_10(0)}( F_{Y_00(0)}^{-1}( F_{Y_01(0)}(y) ) )。这个公式的含义是:先找到对照组中在政策前处于 y 分位数的个体,再找到对照组中在政策后处于同一分位数的个体,最后用处理组政策前的分布来"翻译"这个分位数对应的结局值。
- 漏报的破坏:观测到的 C_gt(0) 分布 ≠ Y_gt(0) 分布。真实使用率被低估,且低估程度随组别和时间变化。因此,直接套用 CiC 公式会得到有偏的反事实分布。
- 核心数学困难:如何从观测到的 C_gt(0) 分布中恢复 F_{Y_gt(0)} 的可行区间?关键在于,漏报概率的上界 α 将真实分布 F_{Y_gt(0)} 限制在一个区间内:F_{Y_gt(0)}(y) 不能太大(否则漏报率会超过 α),也不能太小(否则无法解释观测到的报告分布)。具体地,对于 y ∈ J{J}:
- 上界:F_{Y_gt(0)}(y) ≤ F_{C_gt(0)}(y) / (1-α)(因为报告为 ≤y 的人要么真实 ≤y,要么真实 >y 但漏报,漏报率 ≤ α)。
- 下界:F_{Y_gt(0)}(y) ≥ (F_{C_gt(0)}(y) - α) / (1-α)(因为真实 ≤y 的人中,最多有 α 比例漏报为 >y,所以报告 ≤y 的人至少是真实 ≤y 的人减去漏报的人)。
- 这两个界就是 Proposition 1 中 L_gt,α 和 U_gt 的二元特例。
- 为什么这个内核是核心:整个论文的技术路线就是:先对每个单元 (g,t) 用 α 界定 F_{Y_gt(0)} 的可行区间,然后将这些区间代入 CiC 的单调变换中,得到 F_{Y_11(0)} 的边界。由于 CiC 变换是单调的(由 h 的单调性保证),区间的端点可以直接映射。关键洞察:漏报的不确定性通过 α 被参数化,而 CiC 结构保证了这种不确定性可以被"传递"到反事实分布上,且传递过程不损失尖锐性(在支撑条件下)。
三、这篇论文做了什么(本次重心,务必讲透)¶
三句话: 1. 研究了什么问题:在 DiD 框架下,当有序离散结局存在系统性漏报(underreporting)时,如何识别和推断处理组反事实结局分布及分位数处理效应(QTT)。 2. 核心工具/方法:将 CiC 模型与漏报机制结合,利用漏报概率的均匀上界 α 推导反事实分布的非参数边界(Proposition 1-2),并基于 Hadamard 方向可微性和数值方向导数 bootstrap 构造均匀置信带(Proposition 4-5)。 3. 主要结论:在 α 已知且满足支撑条件下,反事实分布和 QTT 的边界是一致尖锐的;在无工具变量时边界可能无信息,但引入工具变量后可获得有信息量的边界;半参数模型可实现点识别。
关键设定与假设: - Assumption 1(漏报):C(d) ≤ Y(d) a.s.,且 Pr(C(d) ≤ j | Y(d) ≥ j+1, G=g, T=t) ≤ α。这是核心假设,它允许漏报与真实结局、组别、时间相关,但要求漏报概率被 α 均匀控制。相比已有文献(如 Mondal and Wang 2024 的二元情形),本文将其推广到有序多值结局。 - Assumption 2(CiC):Y(0) = h(U, T),U ⊥ T | G,h 单调。这是识别反事实分布的结构性假设,与 Athey and Imbens (2006) 一致。 - Assumption 3(排除限制):工具变量 Z 与真实消费 Y(d) 独立,只影响报告行为。这是收紧边界的关键。 - Assumption 4-6(抽样与正则性):i.i.d. 抽样、有限支撑工具变量、无 tie 条件等,用于推断理论。
主要结果: - Proposition 1(单元内边界):在给定 α 下,每个 (g,t) 单元的真实结局分布 F_{Y_gt(d)} 被 L_gt,α 和 U_gt 界定。关键点:L_gt,α 是"最乐观"的分布(漏报最少),U_gt 是"最悲观"的分布(漏报最多)。这些边界是尖锐的,即存在满足假设的数据生成过程达到边界。 - Proposition 2(反事实边界):将单元内边界代入 CiC 变换,得到 F_{Y_11(0)} 的边界。关键点:边界的计算涉及 L_gt,α 和 U_gt 的广义逆的复合,且需要支撑条件保证变换的有效性。技术难点:由于 L_gt,α 和 U_gt 可能不是严格递增的(离散分布),广义逆的复合需要仔细处理。 - Corollary 3(QTT 边界):通过分位数函数的逆映射,将分布边界转化为 QTT 边界。 - Proposition 4-5(推断):建立了边界估计量的联合弱收敛,并证明基于数值方向导数的 bootstrap 能一致估计极限分布,从而构造均匀置信带。技术难点:边界算子(min/max)和分位数逆都是非光滑映射,标准 delta method 失效,需要 Hadamard 方向可微性框架。
证明路线与技术技巧: 1. 整体路线:从观测分布出发 → 用 α 界定每个单元的真实分布 → 用 CiC 结构传递不确定性 → 得到反事实分布边界 → 通过分位数逆得到 QTT 边界 → 用 bootstrap 做推断。 2. 关键技巧: - Hadamard 方向可微性:边界算子和分位数逆算子不是 Frechet 可微的,但沿特定方向是 Hadamard 方向可微的。作者利用 Fang and Santos (2019) 的框架处理这一非光滑性。 - 数值方向导数:由于方向导数难以解析计算,采用 Hong and Li (2018) 的数值方向导数方法,用差分近似代替解析导数,配合 bootstrap 实现推断。 - 支撑条件:Assumption 6 中的无 tie 条件确保了边界算子的方向可微性,避免了离散分布带来的退化情形。 - 等价表示(Lemma S.5):将边界表示为变换后随机变量的分布函数,从而可以利用标准经验过程理论。
真实例子与应用: - 数据:美国"Monitoring the Future"调查,8 年级学生(约 13-14 岁),样本量 N = 46,472,覆盖 2015-2018 年。处理组为娱乐大麻合法化的州(N_11 = 4,053),对照组为未合法化的州。 - 变量:结局变量为过去 30 天大麻使用频率,分为 3 个有序类别(0=未使用,1=使用 1-2 次,2=使用 3 次及以上)。工具变量为调查合作度(trust)和大麻价格(state price m)。 - 方法应用:先估计无漏报时的 QTT 边界,再在 α = 0.3, 0.5, 0.7 下估计有漏报时的边界。结果显示,无漏报时仅在极高分位数(τ > 0.95)有显著效应;考虑漏报后,在 α = 0.5 时,中等分位数(τ ≈ 0.9)的效应变得显著,且方向为正(合法化增加了高频使用)。 - 例子想说明什么:忽略漏报会严重低估政策对高频使用者的影响。当 α 从 0 增加到 0.7 时,QTT 边界显著变宽,但即使在 α = 0.7 时,仍可排除零效应于某些分位数区间,说明数据对政策效应有一定的识别力。
🔎 结论是否比证明窄: - 明确证明 vs 泛泛声称:作者在正文中明确证明了 Proposition 1-5 和 Corollary 3,但没有证明 Proposition 2 中边界在所有支撑条件下的尖锐性,而是仅在"额外支撑条件"下证明。在正文中,作者声称"这些边界在额外支撑条件下一致尖锐",但没有给出反例说明在一般条件下为何不尖锐。这是一个值得注意的 gap。 - 半参数模型的点识别:作者在补充材料 S.4 中提出了半参数模型,但正文中仅以"可实现点识别"一笔带过,没有给出该模型的识别条件、估计量的渐近性质或效率界。这比正文的声称要窄。 - 连续协变量的处理:正文的估计和推断均假设无协变量或有限支撑协变量。对于连续协变量,作者仅在补充材料 S.3 中简要提及"可以修改",但没有给出具体的核估计或级数估计方案。这比正文的声称要窄。
四、开放问题(点到为止,扎根具体语句)¶
-
α 的选择与敏感性分析:作者将 α 视为已知的敏感性参数,但未讨论如何从数据中估计或检验 α 的合理性。扎根于正文:"the latter bound on the misreporting probability may either serve as a sensitivity parameter akin to... or simply reflect institutional knowledge." 一个自然的开放问题是:是否存在对 α 的数据驱动选择方法,例如基于工具变量 Z 的过度识别检验?
-
连续结局的推广:本文聚焦于有序离散结局。对于连续结局,CiC 的阈值交叉表示不再适用,但漏报问题同样存在。扎根于补充材料 S.3:"When X_gt or Z_gt contains continuous components, conditioning on exact covariate cells is no longer practical." 一个开放问题是:能否用分布回归或分位数回归的方法处理连续结局的漏报?
-
多个处理组或连续处理:本文仅考虑二元处理(合法化 vs 未合法化)。对于多值处理或连续处理(如不同合法化程度),CiC 结构的推广尚不明确。扎根于正文:"we focus on the case of two groups and two time periods for notational simplicity." 一个开放问题是:如何处理多组多期的交错 DiD 设计?
-
效率界与最优估计:作者证明了边界估计量的弱收敛,但未讨论这些估计量是否达到半参数效率界。扎根于 Proposition 4 的陈述:"we establish weak convergence of the estimated lower and upper bounds for the counterfactual distribution"。一个开放问题是:在给定 α 下,是否存在达到效率界的估计量?这需要计算边界泛函的切空间和影响函数。
-
漏报机制的非参数识别:本文假设漏报概率被 α 均匀控制,但未讨论漏报机制本身的可识别性。扎根于 Assumption 1:"Pr(C(d) ≤ j | Y(d) ≥ j+1, G=g, T=t) ≤ α"。一个开放问题是:如果漏报概率随结局水平变化(而非均匀上界),边界是否仍然可计算?这可能需要引入形状约束(如单调性)。
提醒:要确认上述问题是否是真 gap,建议去读以下近期文献的 intro(约 5 篇):(i) 关于 DiD 与测量误差的综述;(ii) 关于部分识别与敏感性分析的近期工作;(iii) 关于有序结局的因果推断方法。如果多篇文献都指向同一问题,那大概率是共识性 gap;如果文献之间互相矛盾,那可能是机会所在。
Maintained by 陈星宇 · Homepage · Source on GitHub