📈 economics

Sensitivity Analysis for Instrumental Variables Under Joint Relaxations of Monotonicity and Independence

Diese Arbeit entwickelt einen Breakdown-Frontier-Ansatz, um die Sensitivität von LATE-Schätzungen gegenüber Verletzungen der Monotonie- und Unabhängigkeitsannahmen zu bewerten, und wendet diese Methode erfolgreich auf die Untersuchung des Einflusses der Familiengröße auf die Arbeitslosigkeit an.

Ursprüngliche Autoren: Pedro Picchetti

Veröffentlicht 2026-03-27

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Pedro Picchetti

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 herausfinden will, ob eine bestimmte Tat (z. B. eine Familie mit mehr Kindern zu haben) eine bestimmte Folge (z. B. weniger Arbeit für die Mutter) hat. Das Problem ist: Menschen wählen ihre Familiengröße nicht zufällig. Vielleicht sind Frauen, die gerne arbeiten, einfach weniger kinderreich. Wenn Sie das einfach so vergleichen, ist das Ergebnis verzerrt.

Das Problem: Der "magische" Zauberspruch

Um dieses Problem zu lösen, nutzen Forscher oft einen "Instrumentalvariablen"-Trick. Ein berühmtes Beispiel aus der Vergangenheit (Angrist & Evans, 1998) war: Das Geschlecht der ersten beiden Kinder.
Die Idee war: Wenn die ersten beiden Kinder das gleiche Geschlecht haben (z. B. zwei Jungs), bekommen die Eltern eher ein drittes Kind, als wenn sie ein Junge und ein Mädchen haben. Das Geschlecht der Kinder ist zufällig (wie ein Münzwurf). Also nutzen Forscher das als "Instrument", um den Effekt der Familiengröße zu messen.

Aber hier liegt das Problem: Damit dieser Trick funktioniert, müssen zwei sehr strenge Regeln gelten, die man nicht beweisen kann:

Die Unabhängigkeits-Regel: Das Geschlecht der Kinder darf nichts mit der Arbeitsmotivation der Mutter zu tun haben. (Was, wenn Mütter mit zwei Jungs aus genetischen Gründen eher zu Hause bleiben?)
Die Monotonie-Regel: Niemand darf gegen den Trend handeln. Das heißt, es darf keine Eltern geben, die gerade weil sie zwei Jungs haben, kein drittes Kind wollen (weil sie z. B. lieber eine gemischte Familie haben).

In der echten Welt sind diese Regeln oft nicht zu 100 % erfüllt. Die Frage ist: Wie stark müssen diese Regeln verletzt sein, damit unser Ergebnis komplett ins Wanken gerät?

Die Lösung: Die "Grenze des Zusammenbruchs" (Breakdown Frontier)

Pedro Picchetti hat eine neue Methode entwickelt, die er "Breakdown Frontier" (Grenze des Zusammenbruchs) nennt.

Stellen Sie sich das wie einen Stabilitätstest für ein Gebäude vor:

Das Gebäude ist Ihre Schlussfolgerung (z. B. "Mehr Kinder schaden der Karriere").
Die Wände sind die strengen Regeln (Unabhängigkeit und Monotonie).
Normalerweise sagen Forscher: "Solange die Wände stehen, ist das Gebäude sicher."

Picchetti fragt jedoch: "Wie viel können wir an den Wänden abtragen, bevor das Haus einstürzt?"

Er führt zwei Sensoren ein, die messen, wie "schief" die Wände sind:

Der "Schiefheits-Messer" (c-dependence): Wie sehr hängt das Instrument (Geschlecht der Kinder) doch noch mit der Arbeitsmotivation zusammen?
Der "Rebell-Messer" (Defiers): Wie viele Eltern handeln genau gegen den Trend (haben ein drittes Kind, obwohl sie zwei Jungs haben, oder umgekehrt)?

Das Ergebnis: Ein Kartenblatt für die Wahrheit

Picchetti zeichnet eine Karte (die "Frontier"). Auf dieser Karte sieht man:

Blauer Bereich: Hier ist Ihr Ergebnis noch sicher. Selbst wenn die Regeln ein bisschen verletzt sind, stimmt Ihre Schlussfolgerung immer noch.
Schwarze Linie (Die Grenze): Das ist der Punkt, an dem das Gebäude zu wackeln beginnt.
Außerhalb der Linie: Hier ist das Haus eingestürzt. Ihre Schlussfolgerung ist wertlos.

Was hat er in der Praxis gefunden?

Picchetti hat den berühmten Fall von Angrist & Evans (Familiengröße vs. Arbeitslosigkeit) mit seiner neuen Methode nachgemacht.

Das Ergebnis war überraschend und etwas beunruhigend:
Das Gebäude ist extrem wackelig.

Schon eine winzige Abweichung bei der Unabhängigkeits-Regel (nur 0,4 % Unterschied) oder eine winzige Gruppe von "Rebellen" (nur 0,8 % der Eltern) reicht aus, damit die Schlussfolgerung, dass "mehr Kinder die Arbeitslosigkeit erhöhen", nicht mehr haltbar ist.

Die große Lektion

Früher haben Forscher oft gesagt: "Unsere Methode ist gut, also ist das Ergebnis wahr."
Picchetti sagt jetzt: "Nein, schauen Sie sich die Grenze des Zusammenbruchs an. Wie viel Unsicherheit können Sie aushalten, bevor Ihre ganze Geschichte kollabiert?"

Es ist wie bei einem Gericht: Früher sagte man "Der Zeuge ist glaubwürdig". Picchetti fragt: "Wie viel Lüge kann der Zeuge erzählen, bevor das Urteil ungültig wird?"

Zusammenfassend: Diese Arbeit gibt uns ein Werkzeug, um ehrlicher mit Unsicherheit umzugehen. Sie zeigt uns nicht nur das Ergebnis, sondern genau, wie zerbrechlich dieses Ergebnis ist, wenn wir die perfekten Annahmen der Realität anpassen. Und im Fall von Familiengröße und Arbeit bedeutet das: Die alten Ergebnisse sind sehr empfindlich und könnten leicht falsch sein, wenn die Realität auch nur ein kleines bisschen "schief" ist.

1. Problemstellung und Motivation

Instrumentalvariablen (IV) sind ein Standardwerkzeug in den Sozialwissenschaften zur Schätzung kausaler Effekte, insbesondere des Local Average Treatment Effects (LATE). Die Punktidentifikation des LATE erfordert jedoch strenge Annahmen:

Unabhängigkeit (Independence): Das Instrument ist unabhängig von potenziellen Ergebnissen und potenziellen Behandlungen (bedingt auf Kovariaten).
Monotonie (Monotonicity): Das Instrument beeinflusst die Behandlungsannahme für alle Individuen in die gleiche Richtung (es gibt keine „Defier", also Individuen, die sich entgegengesetzt zur Zuweisung verhalten).

In der Praxis sind diese Annahmen oft nicht überprüfbar. Wenn sie verletzt werden, sind die Schätzer verzerrt. Bisherige Sensitivitätsanalysen konzentrierten sich meist entweder auf die Verletzung der Unabhängigkeit (z. B. durch c-Abhängigkeit) oder auf die Verletzung der Monotonie (durch Zulassen von Defiern), selten jedoch auf eine gemeinsame Relaxierung beider Annahmen.

Das Ziel dieses Papers ist es, eine Methode zu entwickeln, um die Sensitivität von IV-Schätzungen gegenüber gleichzeitigen Verletzungen dieser beiden Annahmen zu bewerten. Der Autor führt den Ansatz der Breakdown-Frontier ein, um die schwächste Kombination von Annahmenverletzungen zu bestimmen, unter der eine bestimmte Schlussfolgerung (z. B. „der Behandlungseffekt ist positiv") noch gültig bleibt.

2. Methodik und Modellrahmen

Das Paper betrachtet ein Setting mit binärer Behandlung ( $D$ ), binärem Instrument ( $Z$ ) und binärem Ausgang ( $Y$ ), unter Berücksichtigung von Kovariaten ( $X$ ).

A. Parametrisierung der Verletzungen

Die Verletzungen der Identifikationsannahmen werden durch zwei Sensitivitätsparameter parametrisiert:

$c$ (c-Abhängigkeit): Basierend auf Masten & Poirier (2018). $Z$ ist $c$ -abhängig von potenziellen Größen, wenn der absolute Unterschied zwischen der bedingten Wahrscheinlichkeit der Zuweisung gegeben die potenziellen Größen und der beobachteten Propensity Score durch $c$ nach oben beschränkt ist. $c=0$ entspricht der strikten Unabhängigkeit.
$\pi_{def}$ (Anteil der Defier): Der Anteil der Individuen, die sich entgegengesetzt zur Instrumentenzuweisung verhalten. Die Annahme wird gelockert, sodass $\pi_{def} > 0$ , aber $\pi_{def} < \pi_{co}$ (der Anteil der Defier ist kleiner als der der Complier).

B. Partielle Identifikation (Partial Identification)

Da die Parameter nicht mehr punktidentifiziert sind, werden Identifikationsmengen (Identified Sets) für folgende Größen hergeleitet:

Potenzielle Wahrscheinlichkeiten: Schranken für $\mathbb{P}(Y(z), D(z) | X)$ unter $c$ -Abhängigkeit.
Intention-to-Treat (ITT): Der Effekt der Zuweisung auf das Ergebnis.
LATE: Der Effekt für Complier.
ATE (Average Treatment Effect): Der durchschnittliche Behandlungseffekt in der gesamten Population.

Die Schranken für ITT und LATE werden als Funktionen von $c$ und $\pi_{def}$ ausgedrückt. Die Herleitung nutzt die Totalwahrscheinlichkeitsregel und die Eigenschaften der Fréchet-Grenzen, um scharfe Schranken (sharp bounds) unter bestimmten Regularitätsbedingungen zu gewährleisten.

C. Breakdown-Frontier

Die Breakdown-Frontier ist definiert als die Menge der Paare $(c, \pi_{def})$ , die die Grenze der „Robustheitsregion" bilden.

Für eine gegebene Schlussfolgerung (z. B. $LATE \geq \mu$ ) ist die Robustheitsregion die Menge aller $(c, \pi_{def})$ , für die die untere Schranke des LATE $\geq \mu$ ist.
Die Frontier selbst ist die Menge, auf der die untere Schranke genau $\mu$ entspricht.
Dies ermöglicht eine Analyse des Trade-offs: Wie viel Verletzung der Unabhängigkeit ( $c$ ) kann man akzeptieren, wenn man eine bestimmte Verletzung der Monotonie ( $\pi_{def}$ ) zulässt, um die qualitative Schlussfolgerung (z. B. positiver Effekt) aufrechtzuerhalten?

D. Schätzung und Inferenz

Schätzer: Es werden nichtparametrische Sample-Analog-Schätzer für die Schranken und die Breakdown-Frontier vorgeschlagen.
Asymptotik: Da die Schrankenfunktionen Max/Min-Operatoren enthalten, sind sie nicht überall differenzierbar, sondern nur Hadamard-richtungs-differenzierbar.
Inferenz: Standard-Bootstrap-Verfahren sind für diese Funktionale inkonsistent. Der Autor nutzt daher den numerischen Delta-Method-Bootstrap von Fang & Santos (2018) und Hong & Li (2018), um konsistente uniforme Konfidenzbänder für die Breakdown-Frontier zu konstruieren.

3. Wichtige Beiträge

Gemeinsame Relaxierung: Das Paper ist einer der ersten, der eine simultane Sensitivitätsanalyse für IV unter Verletzung sowohl der Unabhängigkeit als auch der Monotonie durchführt.
Einheitliche Maßeinheit: Ein wesentlicher Vorteil des Ansatzes ist, dass beide Sensitivitätsparameter ( $c$ und $\pi_{def}$ ) in derselben Einheit (Wahrscheinlichkeitsdifferenzen) gemessen werden. Dies erleichtert die Interpretation des Trade-offs erheblich.
Schärfung der ATE-Identifikation: Es werden Identifikationsmengen für den ATE unter diesen Relaxierungen hergeleitet, was relevant ist, da der LATE bei Verletzung der Monotonie oft weniger aussagekräftig wird.
Inferenz-Verfahren: Die Entwicklung eines gültigen Bootstrap-Verfahrens für Breakdown-Frontiers in IV-Settings mit Nicht-Compliance, das die Nicht-Differenzierbarkeit der Schätzer berücksichtigt.

4. Ergebnisse

A. Monte-Carlo-Simulationen

Die Simulationen zeigen, dass die vorgeschlagenen Schätzer für die Breakdown-Frontier wünschenswerte endliche Stichprobeneigenschaften aufweisen:

Die Verteilung des Schätzers konvergiert mit steigendem $N$ um die wahre Frontier.
Die Schätzer sind im Mittel nahezu unverzerrt (symmetrisch um die wahre Frontier).
Die Konfidenzbänder haben die gewünschte Abdeckungswahrscheinlichkeit.

B. Empirische Anwendung: Angrist & Evans (1998)

Das Paper wendet die Methode auf die bekannte Studie von Angrist & Evans (1998) an, die den Effekt der Familiengröße auf die Erwerbstätigkeit von Frauen untersucht (Instrument: Geschlecht der ersten zwei Kinder).

Kalibrierung: Basierend auf der Literatur werden plausible Obergrenzen für die Verletzungen definiert:
- Für $c$ (Unabhängigkeit): Basierend auf Selektion auf Beobachtbares wird ein Wert von ca. 0,011 als Referenz genommen.
- Für $\pi_{def}$ (Monotonie): Basierend auf Umfragedaten zu idealer Geschlechterzusammensetzung wird ein Wert von ca. 0,018 als Referenz genommen.
Ergebnis: Die geschätzte Breakdown-Frontier zeigt, dass die qualitative Schlussfolgerung (negativer Effekt der Familiengröße auf die Erwerbstätigkeit) hochgradig sensitiv ist.
- Unter der Annahme von Unabhängigkeit ( $c=0$ ) ist die maximale tolerierbare Verletzung der Monotonie ( $\pi_{def}$ ) nur ca. 0,008 (unterhalb des Referenzwerts von 0,018).
- Unter der Annahme von Monotonie ( $\pi_{def}=0$ ) ist die maximale tolerierbare Verletzung der Unabhängigkeit ( $c$ ) nur ca. 0,004 (unterhalb des Referenzwerts von 0,011).
Schlussfolgerung: Die Ergebnisse der ursprünglichen Studie sind nicht robust gegenüber kleinen, aber plausiblem Verletzungen der Identifikationsannahmen.

5. Signifikanz und Implikationen

Dieses Paper bietet ein rigoroses Werkzeug für Ökonomen und Sozialwissenschaftler, um die Robustheit von IV-Ergebnissen zu bewerten, ohne sich auf die strikte Gültigkeit der Standardannahmen verlassen zu müssen.

Es verschiebt den Fokus von der Frage „Ist mein Effekt signifikant?" hin zu „Wie stark müssen meine Annahmen verletzt sein, damit mein Ergebnis zusammenbricht?".
Die Anwendung auf Angrist & Evans (1998) unterstreicht, dass selbst in klassischen, weit verbreiteten Studien die Schlussfolgerungen fragil sein können, wenn man die Annahmen realistisch relaxiert.
Die bereitgestellten Inferenzverfahren (uniforme Konfidenzbänder) ermöglichen es Forschern, Unsicherheit über die Sensitivität statistisch fundiert darzustellen.

Zusammenfassend liefert Picchetti einen wichtigen methodischen Fortschritt für die kausale Inferenz, der die Interpretation von IV-Studien in unsicheren Umgebungen transparenter und robuster macht.