Average Marginal Effects in One-Step Partially Linear Instrumental Regressions

Die Autoren stellen ein neues, auf Reproducing-Kernel-Hilbert-Räumen basierendes Verfahren zur Schätzung und Inferenz von durchschnittlichen marginalen Effekten in partiell linearen Instrumentalregressionen vor, das sich durch Einfachheit, gute Finite-Sample-Eigenschaften und die Verwendung einer Bayes-Bootstrap-Methode zur Inferenz auszeichnet.

Das Wesentliche

Das große Rätsel: Wenn die Realität nicht linear ist

Stellen Sie sich vor, Sie sind ein Detektiv, der herausfinden will, wie stark ein bestimmter Faktor (nennen wir ihn „Behandlung") ein Ergebnis beeinflusst.

• Beispiel: Wie sehr beeinflusst die Klassenstärke (Behandlung) die Noten der Schüler (Ergebnis)?

Das Problem ist: Die Welt ist selten einfach und gerade. Oft ist der Zusammenhang krumm. Vielleicht bringt eine kleine Klasse viel, aber eine riesige Klasse bringt gar nichts mehr oder macht sogar schlechter. Das nennt man einen nicht-linearen Effekt.

Zusätzlich gibt es einen lästigen Störfaktor: Endogenität. Das ist wie ein unsichtbarer Schatten. Vielleicht sind Klassen mit schlechteren Noten absichtlich kleiner gemacht worden, weil die Lehrer denken, die Schüler brauchen mehr Hilfe. Wenn Sie einfach nur die Noten und die Klassenstärke vergleichen, sehen Sie nicht den wahren Effekt der Größe, sondern nur den Effekt der „schwierigen Schüler".

Um das zu lösen, brauchen wir einen Instrumenten-Variablen-Ansatz (wie einen neutralen Zeugen). In unserem Beispiel wäre das eine Regel, die zufällig Klassengrößen verändert (z. B. eine gesetzliche Obergrenze von 40 Schülern), die nichts mit den Fähigkeiten der Schüler zu tun hat.

Das alte Problem: Zu viele Knöpfe zum Drehen

Bisherige Methoden, um diese krummen Linien zu messen, waren wie alte Radios mit Dutzenden von Knöpfen. Man musste in zwei Schritten vorgehen:

1. Zuerst den „Zeugen" analysieren.
2. Dann die eigentliche Beziehung berechnen.

Jeder Schritt brauchte eigene Einstellungen (Regularisierungsparameter). Das war kompliziert, fehleranfällig und wie ein Haus, das auf wackeligen Fundamenten gebaut wurde. Wenn der erste Schritt einen kleinen Fehler machte, kippte das ganze Ergebnis.

Die neue Lösung: Der „Ein-Knopf-Roboter"

Die Autoren haben einen neuen Weg gefunden, der auf einer Technologie aus dem Bereich der Künstlichen Intelligenz (Reproducing Kernel Hilbert Spaces – RKHS) basiert.

Die Analogie des „Ein-Knopf-Roboters":
Stellen Sie sich vor, Sie müssen ein komplexes, krummes Gebilde (die wahre Beziehung zwischen Behandlung und Ergebnis) nachbauen.

• Die alten Methoden waren wie ein Team von Handwerkern, die erst das Fundament gießen, dann die Wände hochziehen und dann das Dach setzen. Jeder Handwerker braucht sein eigenes Werkzeug und seine eigene Einstellung.
• Die neue Methode ist wie ein hochmoderner 3D-Drucker. Sie geben nur einen einzigen Parameter ein (wie viel „Glätte" das Ergebnis haben soll), und der Drucker baut das ganze Modell in einem einzigen, flüssigen Schritt.

Das ist der große Vorteil: Es ist einfacher zu bedienen, schneller und macht weniger Fehler, weil es keine kaskadierenden Fehler aus vorherigen Schritten gibt.

Der „Zaubertrick": Der Bayesianische Bootstrap

Aber wie wissen wir, ob unser Ergebnis auch wirklich stimmt? Bei komplexen, krummen Linien ist die Mathematik für die Fehlerberechnung so kompliziert, dass sie wie ein unleserliches Kauderwelsch aussieht.

Hier kommt der Bayesianische Bootstrap ins Spiel.
Stellen Sie sich vor, Sie haben eine Schüssel mit Daten (Ihre Stichprobe).

• Der klassische Weg: Versuchen Sie, die Formel für den Fehler aus dem Kopf zu lösen (unmöglich bei diesem komplexen Modell).
• Der neue Weg (Bootstrap): Sie nehmen die Daten, werfen sie in die Luft, fangen sie wieder auf (wobei einige Daten öfter landen als andere, wie bei einem Würfelwurf) und berechnen das Ergebnis erneut. Das machen Sie 500 oder 1000 Mal.

Am Ende schauen Sie sich an: „Wie stark schwanken meine Ergebnisse, wenn ich die Daten immer wieder neu mische?" Wenn die Ergebnisse stabil bleiben, sind Sie sicher. Wenn sie wild herumtanzen, wissen Sie, dass Sie vorsichtig sein müssen. Die Autoren zeigen, dass dieser „Misch-und-Würfel-Trick" bei ihrer neuen Methode perfekt funktioniert, selbst wenn man nur wenige Daten hat (wie bei kleinen Firmen oder seltenen Krankheiten).

Was haben sie damit bewiesen?

Die Autoren haben ihre Methode an echten Beispielen getestet:

1. Klassenstärke: Sie fanden heraus, dass der negative Effekt größerer Klassen auf Noten, den man früher für sicher hielt, bei flexibler Betrachtung gar nicht mehr so klar ist. Die Daten waren zu unsicher, um eine harte Linie zu ziehen.
2. Handel und Wohlstand: Sie zeigten, dass Handel das Wohlstandsniveau erhöht, auch wenn die Beziehung nicht perfekt gerade ist.
3. Zeitungen: Sie untersuchten, wie Werbung die Leserschaft beeinflusst. Hier war der Effekt nicht einfach „mehr Werbung = weniger Leser", sondern eine Kurve: Bis zu einem Punkt hilft Werbung, danach stößt sie die Leser ab.

Fazit für den Alltag

Dieses Papier ist wie die Entwicklung eines neuen, benutzerfreundlichen Werkzeugs für Wissenschaftler und Politiker.

• Bisher: Um komplexe Zusammenhänge zu verstehen, brauchte man Spezialisten, die stundenlang an komplizierten Formeln schraubten, und die Ergebnisse waren oft unsicher.
• Jetzt: Mit diesem neuen „Ein-Knopf-Verfahren" und dem „Misch-Trick" (Bootstrap) können auch Forscher mit kleineren Datensätzen verlässliche Aussagen treffen. Sie müssen keine starren Annahmen (wie „alles ist linear") treffen, sondern lassen die Daten sprechen.

Es ist der Unterschied zwischen einem steifen, geraden Lineal und einem flexiblen, anpassungsfähigen Maßband, das jede Kurve der Realität genau nachmessen kann – und das mit nur einem Handgriff.

Technische Zusammenfassung

Titel

Average Marginal Effects in One-Step Partially Linear Instrumental Regressions
(Average Marginal Effects in einstufigen partiell linearen Instrumentalregressionen)

Autoren: Lucas Girard und Elia Lapenta
Datum: April 2026

---

1. Problemstellung

Das Papier adressiert das Problem der Schätzung und Inferenz des durchschnittlichen marginalen Effekts (Average Marginal Effect, AME) in einem partiell linearen Instrumentvariablen-Modell (IV).

Das zugrundeliegende Modell ist gegeben durch:
$$Y = h_0(Z) + X^T\beta_0 + \varepsilon$$
mit der Bedingung $E\{\varepsilon|W, X\} = 0$.
Dabei ist:

• $Y$: Die Zielvariable.
• $Z$: Eine endogene kontinuierliche Behandlung (Treatment), die mit dem Fehlerterm korreliert sein kann.
• $X$: Ein Vektor exogener Kovariaten.
• $W$: Ein kontinuierliches Instrument.
• $h_0$: Eine nichtparametrisch spezifizierte Regressionsfunktion.
• $\beta_0$: Ein Vektor linearer Koeffizienten.

Das Ziel ist die Schätzung von $\theta_0 := E\{h'_0(Z)\}$, dem durchschnittlichen marginalen Effekt der Behandlung $Z$.

Herausforderungen:

• Misspezifikationsrisiko: Lineare IV-Modelle (z. B. Two-Stage Least Squares, 2SLS) liefern inkonsistente Schätzer für den AME, wenn die wahre Beziehung nichtlinear ist.
• Komplexität der Inferenz: Nichtparametrische IV-Schätzer sind rechnerisch anspruchsvoll, und die asymptotische Varianz für Funktionale wie den AME hat oft eine komplexe analytische Form.
• Mehrstufige Verfahren: Bestehende Methoden (z. B. Ai und Chen, 2003/2007) basieren auf mehrstufigen Regressionen, die die Auswahl mehrerer Regularisierungsparameter erfordern, was die praktische Implementierung erschwert und die endlichen Stichprobeneigenschaften beeinträchtigt.

---

2. Methodik

Die Autoren schlagen ein neues, einstufiges Verfahren vor, das auf Reproduzierenden Kernel-Hilbert-Räumen (RKHS) basiert.

Kernkonzepte:

1. Einstufige Schätzung:
   Statt $h_0$ in einem ersten Schritt zu schätzen und dann den AME zu berechnen, wird ein einziges Optimierungsproblem gelöst, das direkt die Momentenbedingung des IV-Modells nutzt. Dies vermeidet die Akkumulation von Schätzfehlern aus vorherigen Schritten.

2. RKHS-Formulierung:
   Der nichtparametrische Teil $h_0$ wird in einem RKHS $\mathcal{H}$ mit einem reproduzierenden Kern $K$ gesucht. Dies ermöglicht eine flexible, nichtparametrische Anpassung bei gleichzeitig geschlossener Form der Lösung.
   Der Schätzer $(\hat{\beta}, \hat{h})$ minimiert eine regularisierte Version der Momentenbedingung:
   $$(\hat{\beta}, \hat{h}) := \arg\min_{\beta, h} \left( \int \left| E_n \left[ (Y_i - X_i^T\beta - h(Z_i)) \exp(i(W_i, X_i^T)t) \right] \right|^2 d\mu(t) + \lambda \|h\|_{\mathcal{H}}^2 \right)$$
   Hierbei wird die Momentenbedingung über eine charakteristische Funktion transformiert (inspiriert von Bierens, 2016), um die Bedingung $E[\cdot|W,X]=0$ äquivalent in ein Integral über einen Parameter $t$ umzuwandeln.

3. Lösung:
   Durch die Reproducing-Property des RKHS lässt sich $\hat{h}$ als Linearkombination der Kernel-Funktionen darstellen: $\hat{h}(\cdot) = \sum \hat{\alpha}_i K(\cdot, Z_i)$. Das Problem reduziert sich auf die Lösung eines linearen Gleichungssystems für die Koeffizienten $\hat{\alpha}$, was recheneffizient ist.

4. Inferenz via Bayesian Bootstrap:
   Da die asymptotische Varianz des AME-Schätzers $\hat{\theta}$ analytisch sehr komplex ist, schlagen die Autoren eine Bayesian-Bootstrap-Methode vor.

   • Es werden Gewichte $\xi_i$ (z. B. exponentialverteilt) gezogen.
   • Die Schätzer werden unter Verwendung dieser Gewichte neu berechnet.
   • Die Verteilung der bootstrapperten Statistiken wird genutzt, um Konfidenzintervalle und p-Werte zu konstruieren.

---

3. Wichtige Beiträge

1. Ein einziger Regularisierungsparameter:
   Im Gegensatz zu mehrstufigen Verfahren, die für jeden Schritt einen eigenen Regularisierungsparameter benötigen, erfordert dieses Verfahren nur einen einzigen Parameter $\lambda$. Dies vereinfacht die praktische Anwendung (z. B. durch Cross-Validation) erheblich.

2. Integration von Machine-Learning-Methoden:
   Die Anwendung von RKHS-Methoden (verbreitet in Support Vector Machines) auf semiparametrische IV-Modelle ermöglicht eine handhabbare Berechnung komplexer Funktionale und bietet exzellente Eigenschaften in endlichen Stichproben.

3. Theoretische Fundierung:

   • Konsistenz und asymptotische Normalität: Es wird gezeigt, dass der Schätzer $\hat{\theta}$ unter Standardannahmen (einschließlich einer Quellenbedingung für $h_0$) asymptotisch normalverteilt ist.
   • Gültigkeit des Bootstraps: Es wird bewiesen, dass der vorgeschlagene Bayesian Bootstrap die korrekte asymptotische Größe (Size) und Konsistenz (Power) liefert.

4. Praktische Implementierung:
   Die Autoren stellen ein R-Paket (rkhsiv) zur Verfügung, das die Methode für Praktiker zugänglich macht.

---

4. Ergebnisse

Simulationen (Finite Sample Performance)

Die Autoren vergleichen ihre "One-Step"-Methode mit einem etablierten "Two-Step"-Verfahren auf Basis von Reihenentwicklungen (Series Estimation, z. B. Ai & Chen, 2007).

• Größenkontrolle (Size Control): Unter der Nullhypothese kontrollieren beide Methoden den Fehler 1. Art, aber die RKHS-Methode liefert in den meisten Konfigurationen (besonders bei kleinen Stichproben $n=100$ und nicht-polynomiellen Funktionen) Werte, die näher am nominalen Niveau liegen.
• Teststärke (Power): Die RKHS-Methode zeigt bei kleinen Stichproben eine deutlich höhere Teststärke als das Zwei-Schritt-Verfahren. Bei größeren Stichproben ($n=400$) sind die Ergebnisse vergleichbar, wobei die RKHS-Methode bei nicht-polynomiellen Funktionen oft überlegen ist.
• Robustheit: Die Methode funktioniert gut sowohl im vollständig nichtparametrischen als auch im partiell linearen Modell.

Empirische Anwendungen

Drei reale Datensätze wurden analysiert:

1. Klassengröße und Schülerleistungen (Angrist & Lavy, 1999, $n=2024$):
   • Im Gegensatz zu 2SLS-Ergebnissen, die einen signifikant negativen Effekt der Klassengröße zeigten, findet die RKHS-Methode keinen statistisch signifikanten Effekt. Dies bestätigt frühere nichtparametrische Befunde (Horowitz, 2011) und unterstreicht die Gefahr linearer Misspezifikation.
2. Handel und Pro-Kopf-Einkommen (Frankel & Romer, 1999, $n=150$):
   • Auch bei kleinen Stichproben wird ein positiver, signifikanter Effekt des Handels auf das Einkommen gefunden. Der geschätzte Effekt ist jedoch geringer als bei der linearen Spezifikation, was auf Nichtlinearitäten hindeutet.
3. Werbung und Zeitungs-Nachfrage (Sokullu, 2016, $n=117$):
   • Analyse von Netzwerkeffekten in zwei-seitigen Märkten. Die nichtparametrische Schätzung des AME ergibt einen signifikanten negativen Effekt von Werbung auf die Lesernachfrage, der mit den Ergebnissen einer polynomiellen Spezifikation übereinstimmt, aber formale Inferenz ermöglicht.

---

5. Bedeutung und Fazit

Das Papier leistet einen wesentlichen Beitrag zur ökonometrischen Literatur, indem es eine praktikable, theoretisch fundierte Methode zur Inferenz über durchschnittliche marginale Effekte in nichtlinearen IV-Modellen bereitstellt.

• Vereinfachung: Durch die Reduktion auf einen einzigen Regularisierungsparameter wird die Hürde für die Anwendung nichtparametrischer IV-Methoden in der angewandten Forschung gesenkt.
• Zuverlässigkeit: Die Methode bietet verlässliche Inferenz auch in kleinen Stichproben, wo traditionelle asymptotische Approximationen oft versagen.
• Flexibilität: Sie erlaubt es, komplexe, nichtlineare Zusammenhänge zu modellieren, ohne das Risiko von Misspezifikation einzugehen, und liefert dennoch interpretierbare Zusammenfassungsmaße (den AME).

Die Kombination aus RKHS-Methoden, einstufiger Schätzung und Bayesian Bootstrap stellt einen neuen Standard für die Analyse von Behandlungseffekten in Gegenwart von Endogenität dar.