A formal approach to variable selection in difference-in-differences

本論文は、差分の差分分析において条件付き平行トレンドを満たす共変量を選択するための形式的なグラフベースの枠組みを提案し、識別の課題はしばしば推定量そのものではなく、妥当性のために必要な調整セットと一般的な推定量が使用する調整セットとの間の不一致に起因すると論じている。

要約

新しい高価なビタミンが実際に人々の身長を伸ばすかどうかを判断しようとしていると想像してください。2 つのグループがあります。一方のグループはビタミンを摂取する（「処置群」）、もう一方は摂取しない（「対照群」）です。

これを検証する古典的な方法は、**差分の差分法（DiD）**です。これは競争レースを見るようなものです。まず、レースの開始時（ビタミン摂取前）に皆の身長をチェックします。次に、ゴール地点（ビタミン摂取後）での身長をチェックします。論理はこうです：ビタミンを摂取しなかったグループが、以前と同じ速度で成長し続けたなら、ビタミンを摂取したグループもビタミンを摂取していなければ同じように成長したと想定できる。 実際に起きたことと「もし起きていたなら」ということの差こそが、ビタミンの効果です。

ただし、これは 2 つのグループが最初から同じトラックを走っていた場合にのみ機能します。もしビタミン群が元々背が高かったり、より良い靴を履いていたりした場合、そのレースは公平ではありません。これが「平行トレンド」の仮定です。

この論文は、レースが実際に公平かどうかを確認するための審判員のためのルールブックのようなものです。以下に、彼らの新しいルールを簡潔に解説します。

1. 「流し台」の問題

過去、研究者たちは、なぜか考えずに手持ちのすべてのデータ（身長、体重、靴のサイズ、好きな色など）を混ぜていました。彼らはこれを「流し台（kitchen sink）」アプローチと呼んでいました。

• 論文による解決策： 何でもかんでも投げ込むことはできません。どの変数が実際に重要かを確認するための地図（「因果図」）が必要です。一見重要に見える変数でも、実際にはレースを混乱させる可能性があります。

2. 「完璧なバランス」の神話

古い考え方は、グループ全体として見れば、成長のトレンドが自然に完璧にバランスすると仮定していました。

• 論文による解決策： これは、単に両方とも車であるという理由だけで、2 台の異なる車が全く同じ速度で走行することを期待するようなものです。これは非常に強く、非現実的な仮定です。この論文は、特定の違い（エンジンサイズやタイヤ空気圧など）を考慮しない限り、グループはバランスしていないことが多いことを示しています。
• 罠： 時々、あまりにも多くの変数を追加してバランスを取ろうとすると、かえって元々存在していた完璧なバランスを壊してしまい、結果を悪化させてしまうことがあります。

3. 「退屈な」変数

通常、研究者たちは（性別や出身都市など）時間とともに変化しない変数を無視します。「それは変化しないのだから、ビタミンが効いた理由にはなり得ない」と考えるからです。

• 論文による解決策： 時には、これらの「退屈な」変数が実は秘密の味方なのです！変数が変化しなくても、それが 2 つのグループが最初から異なっていた理由である可能性があります。それに対して調整することで、研究を救うことができます。これは、車の色が変化しなかったとしても、その色が実はどのトラックを走ったかを決定していたことに気づくようなものです。

4. 「事後の」変数

標準的なアドバイスはこうです：「処置が始まった後に収集されたデータを決して見てはならない」。例えば、ビタミンを摂取した後にビタミン群がどれだけ食べたかを調べるのはダメです。ビタミンが彼らを空腹にさせたのかもしれないからです。

• 論文による解決策： 食習慣が変化した理由によります。
  • ビタミンが彼らを空腹にさせた場合、食事をカウントしてはいけません（それは効果の一部だからです）。
  • しかし、何か他の要因（近所に新しいレストランが開いたなど）が彼らに多く食べさせる原因だった場合、それをカウントしなければなりません。そうしないと、間違った答えになってしまいます。
  • 比喩： これは探偵のようなものです。容疑者のアリバイが犯罪のせいで変化したなら、それを無視します。しかし、アリバイが交通渋滞（犯罪とは無関係）のために変化したなら、事件を解決するために交通渋滞を考慮しなければなりません。

5. 「段階的」な開始

時には、異なるグループが異なるタイミングで処置を受けることがあります（例えば、州が 2020 年、2021 年、2022 年に新しい法律を導入する場合など）。

• 論文による解決策： この論文は、処置がいつ始まるかと、処置が何かを区別します。処置自体が状況に応じて時間とともに変化する（動的な）場合、それは解きほぐすのが難しいフィードバックループを生み出します。処置が人によって異なるタイミングで起こる一回限りのもの（静的な）場合、はるかに扱いやすくなります。

6. 「間違った道具」対「間違った設定」

科学界では、この仕事に最適な「電卓」（統計的推定量）が何かについて多くの議論がありました。

• 論文の大きな発見： どの電卓を使うかは重要ではありません！問題は電卓ではなく、電卓に入力する設定です。
• 比喩： ケーキを焼くと想像してください。高級な電気ミキサーを使っても、シンプルな木製スプーンを使っても、間違った材料（間違った変数）を使えば、どの道具を使ってもケーキの味は悪くなります。
• 解決策： 著者たちは、あなたが使いたいどの電卓に対しても、正確に「材料」（調整セット）を設定する方法を示しています。正しい変数を機械に与えれば、最も単純な機械でも正しい答えを出します。

結論

この論文は研究者たちに伝えています：どの変数を使うか推測するのをやめなさい。

1. 因果関係の地図を描きなさい。
2. その地図を使って、グループをバランスさせる正確に正しい変数を選びなさい。
3. 最も複雑な統計ツールを選ぶことを気にする必要はありません。持っている道具に正しい変数を入力することだけを確認すればよいのです。

これをすれば、公平なレースと真の答えが得られます。そうでなければ、全く間違ったものを測定していることになるかもしれません。

技術概要

Daniela Rodrigues および Laura A. Hatfield による論文「A formal approach to variable selection in difference-in-differences（差分の差分法における変数選択への形式的アプローチ）」の詳細な技術的要約を以下に示す。

1. 問題提起

差分の差分法（DiD）は、平行トレンド仮説に依存する広く用いられる因果推論手法である。すなわち、介入がなかった場合、介入群のアウトカムの推移は対照群のそれを反映するはずである、という仮説である。

• ギャップ: 実際には、研究者はこれを条件付き平行トレンド（共変量の層内でのみトレンドが平行であると仮定する）に緩和することが多い。しかし、これらの共変量の選択は頻繁に場当たり的（例：「台所流」アプローチ）であったり、時間変化する関係性の個別評価に基づいたりしている。
• 誤解: 文献では、共変量（特に時間変化するもの）の組み込みの難しさが、特定の推定量（例：二重固定効果）の限界として描かれることが多い。著者らは、これは実際には推定量が暗黙的に使用する調整セットと、因果的識別に必要な調整セットとの間の不一致であると主張する。
• 主要な課題:
  • 無条件の平行トレンドは、条件付きトレンドと矛盾する可能性のある強い仮定である。
  • 時間不変の共変量や介入後の共変量の役割は誤解されがちである（例：時間不変の变量は決して交絡因子ではないと仮定する、あるいは介入後の変数は常に除外すべきであると考えるなど）。
  • 多期間設定における介入 - 交絡因子フィードバックは、しばしば段階的導入戦略と混同される。

2. 手法

著者らは、有向非巡回グラフ（DAG）と等価交絡（Equi-confounding）の概念に基づいたグラフィカルフレームワークを提案する。

A. 理論的基盤：等価交絡

本論文は、平行トレンド仮説を等価交絡として再定義する。すなわち、観測されない交絡因子が介入前および介入後のアウトカムに等しい大きさで影響を与えることである。

• グラフィカル表現: 標準的な DAG において、観測されない交絡因子 $V_0$ は $Y_0$ および $Y_1$ へのバックドア経路を作成する。等価交絡仮説は、$V_0$ から $Y_0$ および $Y_1$ へのエッジの係数が等しいことで表現される。
• 簡潔な表現: 著者らは、アウトカムの差分 $\Delta Y = Y_1 - Y_0$ に焦点を当てた簡略化された図を導入する。等価交絡の下では、$V_0$ から $\Delta Y$ への経路は消滅する（係数が相殺されるため）。したがって、識別には、この簡潔なグラフにおいて介入（$A_1$）から $\Delta Y$ へのすべてのバックドア経路を遮断することが必要である。
• 変数選択: この簡潔なグラフに標準的なバックドア基準を適用することで、研究者は条件付き平行トレンドを正当化する最小限の十分調整セット（$X$）を特定できる。

B. 推定の整合性

著者らは、主要な DiD 推定量（TWFE、IPW、二重頑健など）を分析し、それらの実効調整セットを決定する。多くの推定量が、因果モデルの要件と一致しないデフォルトの調整セットに依存することを示す（例：時間不変の共変量を含む TWFE はそれらを相殺してしまう；標準的な IPW はしばしばベースライン値のみを使用する）。

• 提案される解決策: 推定量を変更するのではなく、共変量の仕様を変更する（例：時間変化する変数の時間不変のコピーを作成する、共変量と時間を交互作用させるなど）ことで、推定量に正しい調整セットを使用させることを提案する。

C. シミュレーション

著者らは、複数のシナリオ（共変量の数の変化、時間不変対時間変化する効果、介入後の共変量メカニズム）にわたるシミュレーション研究を行い、理論的知見を検証する。彼らは、十分、不十分、または不明確な調整セットを使用した場合の、各種推定量のバイアスを比較する。

3. 主要な貢献と洞察

A. 無条件対条件付き平行トレンド

• 矛盾: 無条件の平行トレンドは、すべての交絡を完全に相殺することを要求する。共変量に条件付けることは、無条件仮説が実際には成立していた場合、この対称性を破り、バイアスを導入する可能性がある。
• 含意: 研究者は、介入前トレンドのテスト後に共変量に盲目的に条件付けるべきではない。その決定は因果構造によって導かれるべきである。

B. 時間不変の共変量

• 洞察: 時間不変の共変量がアウトカムに時間不変の効果を持つ場合（伝統的に DiD で無視されてきた）、時間変化する交絡因子によって作成されたバックドア経路を遮断する場合、それは十分調整変数となり得る。
• 有用性: これは、特に時間変化する交絡因子が測定されていない場合に、有効な対照変数のプールを拡大する。

C. 介入後の共変量

• ニュアンス: 介入後の共変量に対する調整を禁止する普遍的な規則はない。その決定は、共変量の変化を駆動するメカニズムに依存する。
  • 自己回帰的: 介入後の値に対する調整は無害である。
  • 内生ショック: 介入前および介入後の値の両方に対する調整が必要となり得る。
  • 測定されていない交絡因子: 介入後の値に対する調整が、効果を識別する唯一の方法となり得る。
  • 介入誘発的: 介入後の値に対する調整は因果経路（媒介変数）を遮断し、総効果ではなく直接効果のみを回復する。

D. 多期間への拡張

• 区別: 著者らは、介入タイプ（静的対動的）と導入戦略（同時対段階的）を区別する。
• 介入 - 交絡因子フィードバック: このフィードバックループ（以前の介入が共変量に影響し、それが subsequent な介入を交絡させる）は、単に段階的導入があるからではなく、動的介入 regime の下でのみ生じる。
• 戦略: 段階的静的介入の場合、異なる割り当てメカニズムを考慮するために、各コホートごとに個別の因果図を構築すべきである。

E. 推定の整合性

• 核心的な問題: バイアスは、しばしば推定量の数学的形式ではなく、共変量のデフォルト処理（例：TWFE による係数のプーリング）に起因する。
• 修正: 入力データを変更すること（例：時間変化する共変量を時間不変の列として複製する、時間と交互作用させるなど）により、あらゆる標準的な推定量を識別要件と整合させることができる。

4. 結果

シミュレーション研究は、理論的予測を確認する。

• 十分調整セット: 実効調整セットが DAG から導出された十分セットと一致する場合、特定の手法に関わらず、すべての推定量は低いバイアス（ゼロに近い）をもたらす。
• 不十分調整セット: 調整セットが不十分である場合、すべての推定量は著しいバイアスを生み出す。
• 不明確調整セット: 実効調整セットが曖昧な推定量（例：時間変化する共変量を含む標準 TWFE）は、無視できるものから深刻なものまで変化するバイアスを示し、デフォルト仕様に依存する危険性を浮き彫りにする。
• 具体的な知見:
  • 介入後の共変量が必要なシナリオ（例：共変量の進化を駆動する測定されていない交絡因子）において、Heckman、IPW、DR 推定量の標準的な実装は、デフォルトで介入後の値を除外していたためバイアスを示した。入力データの修正により、このバイアスは排除された。
  • 介入 - 交絡因子フィードバックがあるシナリオでは、誤った時点での媒介変数に対する調整が、巨大なバイアスを導入した。

5. 重要性

本論文は、DiD 文献の焦点を推定量の選択から識別戦略と変数選択へと根本的にシフトさせる。

1. 変数選択の形式化: 場当たり的な慣行を超えて、DiD における共変量を選択するための最初の厳密なグラフィカル基準を提供する。
2. 誤解の明確化: 時間不変変数や介入後の共変量に関する一般的な誤解を正し、それらが識別に不可欠となり得ることを示す。
3. 実践的ガイダンス: 実務家への「プラグアンドプレイ」の解決策を提供する。複雑な新しい推定量に切り替えるのではなく、研究者は因果モデルと整合するように共変量入力を再構成するだけで、有効な推論を達成できる。
4. 頑健性: 知見は、推定量がそのセットに対して正しく指定されている限り、調整セットの選択が推定量の選択よりも有効性にとって重要であることを示唆する。

要約すると、著者らは因果図、識別理論、推定メカニズムを統合した統一的なフレームワークを提供し、複雑な実世界の設定における有効な DiD 分析への明確な道筋を示す。