📈 economics

The Generalized Falsification Adaptive Set for Violations of the Exclusion Restriction and Exogeneity

Diese Arbeit erweitert das Framework des Falsification Adaptive Set (FAS), indem sie aufzeigt, dass die Art der Instrumenteninvalidität (Confounder vs. Collider) die Identifikation entscheidend beeinflusst, und schlägt ein generalisiertes FAS vor, das die Inklusion des wahren Parameters garantiert, sofern mindestens ein Instrument valide bleibt.

Ursprüngliche Autoren: Nicolas Apfel, Frank Windmeijer

Veröffentlicht 2026-07-02

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Nicolas Apfel, Frank Windmeijer

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie sind ein Detektiv, der versuchen muss, ein Rätsel zu lösen: Was ist die wahre Auswirkung einer bestimmten Handlung (wie dem Bau einer Autobahn) auf ein Ergebnis (wie den Handel einer Stadt)?

Um dies zu lösen, können Sie nicht einfach die Daten direkt betrachten, da andere verborgene Faktoren das Bild verfälschen könnten. Deshalb verwenden Sie „Hinweise“ namens Instrumente. Dies sind Dinge, die die Handlung beeinflussen, aber nicht direkt das Ergebnis beeinflussen sollten, außer durch diese Handlung.

Manchmal sind Ihre Hinweise jedoch fehlerhaft. Sie können „ungültig“ sein. In dieser Arbeit geht es darum, was passiert, wenn Ihre Hinweise defekt sind, und wie man dennoch die Wahrheit findet, ohne getäuscht zu werden.

Hier ist die Aufschlüsselung der Ideen dieser Arbeit unter Verwendung einfacher Analogien:

1. Die zwei Arten, wie ein Hinweis kaputt sein kann

Die Autoren sagen, dass ein Hinweis (Instrument), wenn er schlecht ist, auf zwei sehr unterschiedliche Arten versagt. Betrachten Sie sie als zwei Arten von „schlechten Akteuren“:

Der „Einmischer“ (Verletzung der Exklusion/Exclusion): Dieser Hinweis ist eigentlich eine direkte Ursache des Ergebnisses, nicht nur der Handlung.
- Analogie: Stellen Sie sich vor, Sie wollen sehen, ob Regen den Verkehr verursacht. Sie nutzen Wolken als Ihren Hinweis. Aber was wäre, wenn die Wolken eigentlich eine schwere Last tragen, die die Autos zerquetscht? Die Wolken sagen nicht nur den Regen voraus; sie zerquetschen die Autos direkt. In diesem Fall müssen Sie die Wolken in Ihre Analyse einbeziehen, um den direkten Schaden zu kontrollieren.
Der „Komplize“ (Verletzung der Exogenität/Exogeneity): Dieser Hinweis wird von den verborgenen Geheimnissen (dem Fehlerterm) beeinflusst, die Sie eigentlich vermeiden wollen.
- Analogie: Stellen Sie sich vor, Sie wollen sehen, ob Lernen zu Guten Noten führt. Sie nutzen das Sitzen in der ersten Reihe als Ihren Hinweis. Aber was wäre, wenn der Lehrer nur die klügsten Schüler (die ohnehiel gute Noten bekommen hätten) in die erste Reihe setzt? Der Hinweis „kolludiert“ mit der verborgenen Klugheit. In diesem Fall müssen Sie den Hinweis vollständig ausschließen, sonst wird er Sie täuschen.

Das große Problem: Die bisherige Methode (von Masten und Poirier) ging davon aus, dass alle schlechten Hinweise „Einmischer“ waren. Die Autoren zeigen, dass wenn man einen „Komplizen“ wie einen „Einmischer“ behandelt (oder umgekehrt), das Endergebnis falsch sein wird und man versehentlich die wahre Antwort wegwerfen könnte.

2. Das „Falsifikation Adaptive Set“ (FAS)

Wenn Ihr Modell „falsifiziert“ ist (das heißt, die Hinweise passen nicht perfekt zusammen), können Sie nicht eine einzige Zahl für die Antwort angeben. Stattdessen geben Sie einen Bereich möglicher Antworten an, die wahr sein könnten, wenn man Ihre Regeln ein klein wenig lockert.

Die Autoren haben ein neues Werkzeug entwickelt, das Generalized Falsification Adaptive Set (Generalized FAS) genannt wird.

Der alte Weg: Man musste raten, wie die Hinweise kaputt waren. Wenn man glaubte, es sei ein „Einmischer“, erhielt man einen Bereich. Wenn man glaubte, es sei ein „Komplize“, erhielt man einen anderen Bereich. Wenn man falsch lag, könnte die wahre Antwort außerhalb Ihres Bereichs liegen.
Der neue Weg (Generalized FAS): Die Autoren sagen: „Lassen Sie uns nicht raten.“ Bauen wir stattdessen jeden möglichen Bereich für jede mögliche Kombination kaputter Hinweise. Dann nehmen wir die Vereinigungsmenge (den großen Schirm) all dieser Bereiche.

Das Ergebnis: Solange Sie mindestens einen guten Hinweis haben, der relevant ist, wird dieser große Schirm garantiert die wahre Antwort einfangen, egal wie die anderen Hinweise defekt sind. Sie müssen nicht im Voraus wissen, welche Hinweise „Einmischer“ und welche „Komplizen“ sind.

3. Das Beispiel „Straßen und Handel“

Um zu beweisen, dass dies funktioniert, untersuchten die Autoren eine reale Studie über Autobahnen und Handel.

Sie verwendeten drei historische Hinweise: Autobahnpläne von 1947, Eisenbahnrouten von 1898 und alte Erkundungspfade.
Die Daten zeigten, dass die Hinweise nicht perfekt zusammenpassten (das Modell war „falsifiziert“).
Sie berechneten die Bereiche für alle möglichen Arten, wie diese Hinweise kaputt sein könnten.
Das Ergebnis: Das „Generalized FAS“ war ein weiter Bereich (von -0,61 bis 3,74). Er war weit, weil er alle Möglichkeiten abdeckte. Er war jedoch der einzige Satz, der garantiert die wahre Auswirkung enthielt, selbst wenn die Forscher nicht genau wussten, welche historische Route ein „Einmischer“ und welche ein „Komplize“ war.

4. Das Fazit

Pressen Sie keinen quadratischen Klotz in ein rundes Loch: Man kann nicht alle schlechten Hinweise gleich behandeln. Einige müssen kontrolliert werden; andere müssen ausgeschlossen werden.
Das Sicherheitsnetz: Wenn Sie nicht sicher sind, welche Hinweise defekt sind und wie, wählen Sie nicht nur eine Methode. Nutzen Sie das Generalized FAS. Es ist wie ein Sicherheitsnetz, das die Wahrheit einfängt, selbst wenn Sie nicht genau wissen, wo die Löcher in Ihrer Logik liegen, vorausgesetzt, Sie haben mindestens einen soliden Hinweis als Ausgangspunkt.
Vorsicht vor „Cherry-Picking“: Das Paper warnt Forscher davor, nur den engsten Bereich zu wählen, der gut aussieht. Wenn Sie einen engen Bereich basierend auf einer Vermutung darüber wählen, wie die Hinweise kaputt sind, könnten Sie die Wahrheit verpassen. Es ist besser, den weiteren, sichereren Bereich anzugeben, der alle Möglichkeiten berücksichtigt.

Kurz gesagt: Wenn Ihre Werkzeuge defekt sind, raten Sie nicht, wie sie defekt sind. Bauen Sie ein Netz, das jeden Weg abdeckt, auf dem sie defekt sein könnten, damit Sie garantiert die Wahrheit einfangen.

Technische Zusammenfassung: Das verallgemeinerte Falsifikations-adaptive Intervall für Verletzungen der Ausschlussbeschränkung und der Exogenität

Problemstellung
Die Schätzung mittels Instrumentalvariablen (IV) stützt sich auf zwei Kernannahmen zur Identifizierung: die Ausschlussbeschränkung (Instrumente beeinflussen das Ergebnis nur über die Behandlung) und die Exogenität (Instrumente sind nicht mit den unbeobachteten Determinanten des Ergebnisses korreliert). Wenn das Basismodell durch Tests auf Überidentifizierung (Overidentifying Restriction Tests) falsifiziert wird, fehlt den Forschern oft ein Punktschätzer für den Behandlungseffekt $\beta$ . Masten und Poirier (2021, im Folgenden MP) schlugen das Falsifikations-adaptive Intervall (Falsification Adaptive Set, FAS) vor, um dies zu adressieren, indem sie ein identifiziertes Intervall für $\beta$ unter der minimalen Lockerung der Annahmen definieren, die erforderlich ist, um die Falsifikation zu vermeiden.

MP geht jedoch davon aus, dass ungültige Instrumente die Ausschlussbeschränkung allein verletzen. Diese Arbeit zeigt, dass die Art der Verletzung entscheidend ist. Ein ungültiges Instrument kann entweder als Confounder wirken (Verletzung der Ausschlussbeschränkung durch einen direkten Effekt auf das Ergebnis, $\gamma \neq 0$ ) oder als Collider (Verletzung der Exogenität durch Korrelation mit dem Fehlerterm, $\alpha \neq 0$ ). Diese beiden Arten von Verletzungen erfordern gegensätzliche Behandlungen: Confounder sollten kontrolliert werden (als Regressoren aufgenommen), während Collider aus der Analyse ausgeschlossen werden sollten. Die Arbeit argumentiert, dass die Anwendung von MPs Ausschluss-basiertem FAS ( $FAS_{excl}$ ) dann, wenn Instrumente tatsächlich die Exogenität verletzen (oder umgekehrt), dazu führen kann, dass das FAS den wahren Parameter $\beta$ ausschließt, selbst wenn ein gültiges Instrument existiert.

Methodik und Modell
Die Autoren betrachten ein lineares Modell $Y = X\beta + E$ , wobei $E = Z\gamma + U$ und $cov(Z, U) = \alpha$ .

Verletzung der Ausschlussbeschränkung: $\gamma_\ell \neq 0$ (Instrument $\ell$ hat einen direkten Effekt auf $Y$ ).
Verletzung der Exogenität: $\alpha_\ell \neq 0$ (Instrument $\ell$ ist mit dem Fehlerterm korreliert).
Gültigkeit: Ein Instrument ist gültig, wenn $\gamma_\ell = \alpha_\ell = 0$ .

Die Autoren leiten spezifische FASs für unterschiedliche Verletzungsmuster ab:

$FAS_{excl}$ : Abgeleitet unter der Annahme, dass alle ungültigen Instrumente nur die Ausschlussbeschränkung verletzen ( $\alpha = 0$ ). Dieses Intervall wird durch die Lockerung der Grenzen der Ausschlussbeschränkung ( $|\gamma| \leq \delta$ ) konstruiert.
$FAS_{exo}$ : Abgeleitet unter der Annahme, dass alle ungültigen Instrumente nur die Exogenität verletzen ( $\gamma = 0$ ). Dieses Intervall wird durch die Lockerung der Exogenitätsgrenzen ( $|\alpha| \leq \eta$ ) konstruiert.
Alternative Ableitung: Die Arbeit liefert eine alternative Ableitung der Falsifikationsfrontlinie unter Verwendung der populationsbasierten 2SLS-Zielfunktion, was verdeutlicht, dass diese Intervalle minimale Lockerungen der Momentbedingungen darstellen, die zu Nicht-Falsifikation führen, unabhängig vom spezifischen Verletzungstyp.

Wesentliche Beiträge
Die Arbeit leistet drei primäre Beiträge:

Differenzierung der Verletzungstypen: Die Autoren zeigen, dass eine fehlerhafte Klassifizierung eines ungültigen Instruments (die Behandlung eines Confounders als Collider oder umgekehrt) dazu führt, dass das resultierende FAS den wahren $\beta$ potenziell ausschließt. Sie demonstrieren, dass $FAS_{excl}$ und $FAS_{exo}$ distinkte Intervalle sind und die Wahl zwischen ihnen vom Verständnis des Forschers bezüglich des Verletzungsmechanismus abhängt.
Musterspezifische FASs: Die Autoren leiten ein musterspezifisches FAS für jede mögliche Kombination von Ausschluss- und Exogenitätsverletzungen über die Instrumente hinweg ab. Unter Annahme 6 verletzt ein ungültiges Instrument entweder die Ausschlussbeschränkung oder die Exogenität, aber nicht beide ( $\gamma_\ell \alpha_\ell = 0$ ). Für $k_z$ Instrumente gibt es $S = 2^{k_z}$ solche Muster.
Das verallgemeinerte FAS ( $FAS_G$ ): Um die Agnostik des Forschers hinsichtlich des spezifischen Verletzungsmusters zu adressieren, schlagen die Autoren das verallgemeinerte Falsifikations-adaptive Intervall als die Vereinigung aller musterspezifischen FASs vor:
$FAS_G = \bigcup_{s=1}^{S} FAS_s$
Sie beweisen, dass, sofern mindestens ein gültiges und relevantes Instrument existiert und der Forscher die Instrumente korrekt entsprechend dem wahren Verletzungsmuster der ungültigen Instrumente transformiert, der wahre $\beta$ garantiert innerhalb von $FAS_G$ enthalten ist.

Ergebnisse und empirische Illustration
Die Arbeit illustriert diese Ergebnisse anhand der „Roads and Trade“-Anwendung von Duranton et al. (2014), welche drei historische Instrumente verwendet, um den Effekt von Interstate-Highways auf die Exportneigung zu schätzen.

Falsifikation: Das Basismodell mit allen drei Instrumenten wird falsifiziert (J-Test p-Wert 0,043).
Divergenz der Intervalle: Die empirische Analyse zeigt signifikante Unterschiede zwischen $FAS_{excl}$ , $FAS_{exo}$ und dem verallgemeinerten Intervall. Beispielsweise liefert $FAS_{exo}$ ein schmales Intervall von $[0,13, 1,09]$ , während $FAS_{excl}$ das Intervall $[-0,32, 3,16]$ ergibt.
Verallgemeinertes Intervall: Das verallgemeinerte FAS ( $FAS_G$ ) ist die Vereinigung aller acht musterspezifischen Intervalle, was $[-0,61, 3,74]$ ergibt. Die Autoren merken an, dass dieses Intervall zwar breit ist, dies jedoch kein Artefakt der Vereinigungsoperation ist, sondern ein spezifisches Verletzungsmuster widerspiegelt (bei dem ein Instrument ein Confounder und ein anderes ein Collider ist), das ohne weitere Annahmen nicht ausgeschlossen werden kann.
Schwache Instrumente: Die Arbeit diskutiert den Einfluss des „schwachen Instrument“-Cutoffs (F-Statistik < 10), der von MP verwendet wird. Das Entfernen von Instrumenten, die basierend auf diesem Cutoff als schwach klassifiziert wurden, kann die Modellspezifikation unbeabsichtigt verändern (z. B. durch den Ausschluss eines Instruments, das als Kontrolle dienen sollte), was dazu führen kann, dass das FAS nicht mehr durch die Falsifikation des Basismodells motiviert ist.

Bedeutung und Behauptungen
Die Autoren behaupten nicht, dass ein spezifisches FAS in allen Kontexten überlegen sei. Stattdessen argumentieren sie, dass die Wahl des FAS mit dem Typ der Verletzung übereinstimmen muss.

Wenn der Forscher hinsichtlich der Verletzungstypen agnostisch ist, ist das verallgemeinerte FAS das angemessene Intervall, da es garantiert, dass der wahre $\beta$ enthalten ist, sofern mindestens ein Instrument gültig und relevant ist.
Wenn Fachwissen es ermöglicht, den Verletzungstyp für einige oder alle Instrumente festzulegen, kann das Intervall zu einem spezifischen musterbasierten FAS „geschärft“ werden, welches im Vergleich zum verallgemeinerten FAS schwach enger gefasst ist.
Die Arbeit betont, dass die Auswahl eines spezifischen FAS (z. B. $FAS_{excl}$ ) ohne Begründung einem „Cherry-Picking“ gleichkommt und das Risiko birgt, den wahren Parameter auszuschließen. Das verallgemeinerte FAS wird empfohlen, wenn das Basismodell falsifiziert wurde und das Verletzungsmuster unbekannt ist.

1. Die zwei Arten, wie ein Hinweis kaputt sein kann

2. Das „Falsifikation Adaptive Set“ (FAS)

3. Das Beispiel „Straßen und Handel“

4. Das Fazit

Mehr davon