Bias-Variance Tradeoff of Matching Prior to Difference-in-Differences When Parallel Trends is Violated

기술적 요약: 매칭 사전 조건과 차이의 차분 (DiD) 간의 편차 - 분산 트레이드오프

문제 제기
실증 운영 관리 및 관련 분야에서 차이의 차분 (DiD) 추정량은 "평행 추세 (parallel trends, PT)" 가정에 의존하는 인과 추론을 위한 표준 도구입니다. 이 가정의 타당성을 강화하기 위해 연구자들은 종종 추정에 앞서 관측된 공변량에 대해 처치군과 통제군을 매칭하는 "매칭 - DiD(M-DiD)" 전략을 사용합니다. 기존 문헌 (예: Chabé-Ferret, 2015; Ham and Miratrix, 2024) 은 이러한 추정량의 편차 특성을 광범위하게 분석해 왔으나, 분산과 평균 제곱 오차 (MSE) 함의는 largely 간과해 왔습니다. 이는 매칭을 통한 편차 감소와 표본 크기 감소로 인한 분산 증가 사이의 트레이드오프를 고려할 때, M-DiD 추정량의 전반적인 성능에 대한 이해에 공백을 만들어 냅니다. 또한, 이전 연구들은 종종 유한 표본 특성보다는 모집단 수준의 극한 기대값에 의존하며, 일부는 강한 정규성 가정에 의존합니다.

방법론
저자들은 관측되지 않은 시변 혼란변수를 가진 선형 구조 방정식 모델을 기반으로 한 이론적 프레임워크를 개발했습니다. 이 모델은 다음을 허용합니다:

1. 시변 효과: 관측된 공변량 ($X$) 과 잠재 변수 ($\theta$) 의 계수가 시간에 따라 변할 수 있어 평행 추세 위반 가능성이 발생합니다.
2. 유한 표본 분석: 극한 점근적 한계에만 초점을 맞춘 이전 작업과 달리, 저자들은 세 가지 추정량에 대한 유한 표본 유사체를 정의합니다:
   • 고전적 비매칭 DiD ($\hat{\tau}_{DiD}$).
   • 관측된 공변량에 매칭한 후의 DiD ($\hat{\tau}^X_{DiD}$).
   • 관측된 공변량과 처치 전 결과 모두에 매칭한 후의 DiD ($\hat{\tau}^{X,Y_0}_{DiD}$).
3. 완화된 가정: 이전 문헌 (예: Ham and Miratrix, 2024) 의 정규성 가정을 조건부 모멘트에 대한 리프시츠 연속성 조건으로 대체하여, 이산 공변량과 더 넓은 분포 구조를 수용합니다.
4. 일반화: 분석은 단변량 2 기간 설정에서 여러 처치 전 기간 ($T > 1$) 을 가진 일반 다변량 설정으로 확장되었으며, 양방향 고정 효과 회귀 동등성을 활용합니다.

주요 기여

1. 유한 표본 특성화: 이 논문은 유한 표본 DiD 및 매칭 DiD 추정량의 일관성을 도입하고 증명하여, 이론적 극한 값과 실제 적용 사이의 간극을 메웁니다.
2. 분산 및 MSE 분석: 저자들은 이러한 추정량의 분산과 MSE 에 대한 정확한 수학적 특성화를 제공합니다. 그들은 편차에서 관찰된 트레이드오프가 반드시 분산에도 적용되는 것은 아님을 보여줍니다.
3. 새로운 트레이드오프 발견:
   • 공변량 ($X$) 에 대한 매칭: $X$에 대한 매칭이 항상 유익하다는 편차 결과와 반대로, 저자들은 $X$에 대한 매칭이 표본 크기 트레이드오프를 수반함을 보여줍니다. 평행 추세가 위반될 때, $X$에 대한 매칭은 $X$의 변동을 제거함으로써 분산을 줄이지만, 이 이점은 유효 표본 크기의 감소 (샘플링 변동 증가) 로 상쇄됩니다. 따라서 분산을 고려할 때 $X$에 대한 매칭이 항상 권장되는 것은 아닙니다.
   • 처치 전 결과 ($Y_0$) 에 대한 매칭: 반면, 처치 전 결과에 추가적으로 매칭하는 것은 $X$에만 매칭하는 경우보다 항상 분산을 줄입니다. 이는 매칭이 이미 수행되었으므로 유효 표본 크기가 동일하게 유지되고, $Y_0$에 대한 매칭이 회복 불가능한 오차 항을 줄이고 잠재 변수 매칭의 신뢰성을 향상시키기 때문입니다.
4. 실무 지침: 이 논문은 연구자들이 특정 표본 크기와 편차, 분산, 또는 MSE 중 무엇을 우선시하는지에 따라 매칭 여부 및 매칭할 변수를 결정하기 위한 단계별 추정 전략과 지침을 제공합니다.

주요 결과

• 편차와 분산의 이질성: 이 논문은 명확한 편차 - 분산 트레이드오프를 확립합니다. $X$에 대한 매칭은 일반적으로 편차를 줄이지만, 공변량 불균형 제거의 이점이 표본 크기 감소 비용을 상회하지 않는다면 분산을 증가시킬 수 있습니다.
• "신뢰성" 항: 처치 전 결과에 매칭한 추정량의 분산은 $X$를 통제한 후 처치 전 결과가 잠재 혼란변수 $\theta$를 얼마나 잘 예측하는지를 측정하는 "신뢰성" 항 ($r_{\theta|x}$) 에 의존합니다. 처치 전 기간의 수가 증가함에 따라 이 신뢰성은 1 에 수렴하여 매칭된 추정량의 분산을 회복 불가능한 오차 바닥으로 이끕니다.
• MSE 함의: 편차와 분산이 매칭 전략에 따라 서로 다른 방향으로 움직이기 때문에, MSE 를 최소화하는 최적 추정량은 상황에 따라 다릅니다. 저자들은 의사 결정을 안내하기 위해 특정 부호 조건 하에서 편차, 분산, 그리고 MSE 의 상대적 감소에 대한 추정량을 제공합니다.
• 실증 적용: Zhihu 플랫폼의 금전적 인센티브에 관한 Wang et al. (2022) 을 재분석한 결과, 저자들은 공변량과 처치 전 결과 모두에 매칭하기로 한 원래 결정이 통계적으로 정당화되었음을 발견했습니다. 분석은 무시할 수 있는 분산 비용으로 유의미한 편차 감소를 보여주어, 해당 특정 맥락에서 전체 M-DiD 전략의 사용을 지지했습니다.

의의 및 주장
이 논문은 편차만 분석하는 것을 넘어 포괄적인 편차 - 분산 - MSE 프레임워크로 이동함으로써 문헌의 중요한 공백을 메운다고 주장합니다. 그 의의는 다음과 같습니다:

• 직관 교정: 매칭이 항상 우월하다는 직관에 도전하여, 분산 고려 사항 하에서는 표본 크기 효율성으로 인해 고전적 비매칭 DiD 가 때로는 더 선호될 수 있음을 보여줍니다.
• 관리적 관련성: 신뢰 구간 폭 최소화 및 의사 결정 위험 감축과 관련된 지표 (MSE) 와 지침을 제공함으로써, 운영 관리 연구자들에게 실용적인 도구를 제공합니다.
• 이론적 엄밀성: 정규성 가정을 완화하고 유한 표본 일관성 증명을 제공함으로써 이전 결과를 일반화하여 이산 데이터를 가진 적용 설정에서 발견 사항을 더 견고하게 만듭니다.

저자들은 선형 구조 모델에 대한 의존성과 시변하지 않는 공변량 가정과 같은 한계를 인정하며 겸손한 태도를 유지합니다 (다만 시변 맥락을 근사하기 위해 재파라미터화할 수 있다고 주장함). 그들은 편차를 완전히 제거한다고 주장하는 것이 아니라, 데이터의 특정 제약 조건 하에서 전체 오차 (MSE) 를 최소화하는 추정량을 선택하기 위한 프레임워크를 제공하는 것입니다.