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

" Daniela Rodrigues 와 Laura A. Hatfield 의 논문 'A formal approach to variable selection in difference-in-differences'에 대한 상세한 기술적 요약입니다.

1. 문제 제기

차이 간 차이 (DiD) 는 병렬 추세 가정에 의존하는 널리 사용되는 인과 추론 방법입니다. 즉, 처치가 없는 상태에서 처치군의 결과 변화가 대조군의 변화와 일치할 것이라고 가정합니다.

• 격차: 실제로 연구자들은 이를 종종 조건부 병렬 추세 (공변량의 층 내에서만 추세가 병렬이라고 가정) 로 완화합니다. 그러나 이러한 공변량의 선택은 종종 임의적 (예: "주방 싱크" 접근법) 이거나 시변적 관계에 대한 고립된 평가에 기반합니다.
• 오해: 문헌은 종종 공변량 (특히 시변적 공변량) 을 통합하는 어려움을 특정 추정량 (예: 양방향 고정효과) 의 한계로 규정합니다. 저자들은 이는 실제로 추정량이 암묵적으로 사용하는 조정 집합과 인과적 식별에 필요한 조정 집합 간의 불일치라고 주장합니다.
• 주요 과제:
  • 무조건부 병렬 추세는 조건부 추세와 충돌할 수 있는 강력한 가정입니다.
  • 시불변 공변량과 처치 후 공변량의 역할은 종종 오해됩니다 (예: 시불변 변수는 결코 교란변수가 아니라고 가정하거나, 처치 후 변수는 항상 배제되어야 한다고 가정).
  • 다기간 설정에서의 처치 - 교란변수 피드백은 종종 점진적 도입 전략과 혼동됩니다.

2. 방법론

저자들은 **방향성 비순환 그래프 (DAG)**와 동일 교란 (Equi-confounding) 개념에 기반한 그래픽 프레임워크를 제안합니다.

A. 이론적 기초: 동일 교란

이 논문은 병렬 추세 가정을 동일 교란으로 재정의합니다. 즉, 관찰되지 않은 교란변수가 처치 전 결과와 처치 후 결과에 동일한 크기로 영향을 미친다는 것입니다.

• 그래픽 표현: 표준 DAG 에서 관찰되지 않은 교란변수 $V_0$는 $Y_0$와 $Y_1$ 모두로 가는 백도어 경로를 생성합니다. 동일 교란 가정은 $V_0$에서 $Y_0$와 $Y_1$로 가는 간선의 계수가 동일하게 표현됩니다.
• 간소화된 표현: 저자들은 결과 변화 $\Delta Y = Y_1 - Y_0$에 초점을 맞춘 간소화된 다이어그램을 도입합니다. 동일 교란 하에서 $V_0$에서 $\Delta Y$로 가는 경로는 사라집니다 (계수가 상쇄됨). 따라서 식별은 이 간소화된 그래프에서 처치 ($A_1$) 에서 $\Delta Y$로 가는 모든 백도어 경로를 차단하는 것을 요구합니다.
• 변수 선택: 이 간소화된 그래프에 표준 백도어 기준을 적용함으로써 연구자들은 조건부 병렬 추세를 정당화하는 최소 충분 조정 집합 ($X$) 을 식별할 수 있습니다.

B. 추정 정렬

저자들은 TWFE, IPW, 이중 강건 (Doubly Robust) 등 인기 있는 DiD 추정량들을 분석하여 그들의 유효 조정 집합을 결정합니다. 그들은 많은 추정량들이 인과 모델의 요구 사항과 일치하지 않는 조정 집합을 기본값으로 사용함을 보여줍니다 (예: 시불변 공변량을 포함한 TWFE 는 이를 상쇄함; 표준 IPW 는 종종 기저값만 사용함).

• 제안된 해결책: 추정량을 변경하는 대신, 저자들은 추정량이 올바른 조정 집합을 사용하도록 강제하기 위해 공변량 사양을 수정 (예: 시변적 변수의 시불변 복사본 생성, 공변량과 시간의 상호작용) 하는 것을 제안합니다.

C. 시뮬레이션

저자들은 여러 시나리오 (공변량 수 변화, 시불변 대 시변적 효과, 처치 후 공변량 메커니즘) 에 걸쳐 시뮬레이션 연구를 수행하여 이론적 발견을 검증합니다. 그들은 충분, 불충분, 또는 불명확한 조정 집합을 사용할 때 다양한 추정량의 편향을 비교합니다.

3. 주요 기여 및 통찰

A. 무조건부 대 조건부 병렬 추세

• 충돌: 무조건부 병렬 추세는 모든 교란의 완벽한 상쇄를 요구합니다. 공변량을 조건화하면 역설적으로 무조건부 가정이 실제로 성립했을 때 이 대칭성을 깨뜨리고 편향을 초래할 수 있습니다.
• 함의: 연구자들은 처치 전 추세 테스트 후 공변량을 맹목적으로 조건화해서는 안 됩니다. 결정은 인과 구조에 의해 안내되어야 합니다.

B. 시불변 공변량

• 통찰: 결과에 시불변적인 영향을 미치는 시불변 공변량 (전통적으로 DiD 에서 무시됨) 은 시변적 교란변수가 생성한 백도어 경로를 차단한다면 충분한 조정 변수가 될 수 있습니다.
• 유용성: 이는 특히 측정되지 않은 시변적 교란변수가 있을 때 유효한 통제 변수의 풀을 확장합니다.

C. 처치 후 공변량

• 미묘한 차이: 처치 후 공변량을 조정하는 것에 대한 보편적인 금기 규칙은 없습니다. 이 결정은 공변량 변화의 구동 메커니즘에 달려 있습니다:
  • 자기회귀적: 처치 후 값을 조정하는 것은 해롭지 않습니다.
  • 내생적 충격: 처치 전과 처치 후 값을 모두 조정해야 할 수 있습니다.
  • 측정되지 않은 교란변수: 처치 후 값을 조정하는 것이 효과를 식별하는 유일한 방법일 수 있습니다.
  • 처치 유발: 처치 후 값을 조정하면 인과 경로 (매개변수) 를 차단하여 총효과가 아닌 직접 효과만 회복합니다.

D. 다기간 확장

• 구분: 저자들은 처치 유형 (정적 대 동적) 과 도입 전략 (동시 대 점진적) 을 구분합니다.
• 처치 - 교란변수 피드백: 이 피드백 루프 (이전 처치가 공변량에 영향을 미치고, 그 공변량이 이후 처치를 교란시킴) 는 점진적 도입 때문이 아니라 동적 처치 체계 하에서만 발생합니다.
• 전략: 점진적 정적 처치의 경우, 각 코호트의 다른 할당 메커니즘을 고려하기 위해 별도의 인과 다이어그램을 구성해야 합니다.

E. 추정 정렬

• 핵심 문제: 편향은 종종 추정량의 수학적 형태가 아니라 공변량에 대한 추정량의 기본 처리 방식 (예: TWFE 의 계수 풀링) 에서 비롯됩니다.
• 해결책: 입력 데이터를 수정 (예: 시변적 공변량을 시불변 열로 복제, 시간과 상호작용) 함으로써 모든 표준 추정량을 식별 요구 사항과 정렬할 수 있습니다.

4. 결과

시뮬레이션 연구는 이론적 예측을 확인합니다:

• 충분한 조정 집합: 유효 조정 집합이 DAG 에서 유도된 충분 집합과 일치할 때, 특정 방법과 관계없이 모든 추정량은 낮은 편향 (거의 0) 을 보입니다.
• 불충분한 조정 집합: 조정 집합이 불충분할 때 모든 추정량은 상당한 편향을 생성합니다.
• 불명확한 조정 집합: 유효 조정 집합이 모호한 추정량 (예: 시변적 공변량을 포함한 표준 TWFE) 은 무시할 수 있는 것부터 심각한 것까지 다양한 편향을 보여주며, 기본 사양에 의존하는 위험성을 강조합니다.
• 구체적 발견:
  • 처치 후 공변량이 필요한 시나리오 (예: 공변량 진화를 주도하는 측정되지 않은 교란변수) 에서 Heckman, IPW, DR 추정량의 표준 구현은 기본적으로 처치 후 값을 배제했기 때문에 편향되었습니다. 입력 데이터를 수정하면 이 편향이 제거되었습니다.
  • 처치 - 교란변수 피드백이 있는 시나리오에서 잘못된 시점에 매개변수를 조정하면 막대한 편향이 발생했습니다.

5. 의의

이 논문은 DiD 문헌의 초점을 추정량 선택에서 식별 전략 및 변수 선택으로 근본적으로 전환시킵니다.

1. 변수 선택의 형식화: 임의적 관행을 넘어 DiD 에서 공변량을 선택하기 위한 최초의 엄격하고 그래픽적인 기준을 제공합니다.
2. 오해의 명확화: 시불변 변수와 처치 후 공변량에 대한 일반적인 오해를 바로잡고, 이들이 식별에 필수적일 수 있음을 보여줍니다.
3. 실무 지침: 실무자에게 "플러그 앤 플레이" 솔루션을 제공합니다. 복잡한 새로운 추정량으로 전환하는 대신, 연구자들은 인과 모델과 정렬되도록 공변량 입력을 단순히 재구성함으로써 유효한 추론을 달성할 수 있습니다.
4. 강건성: 추정량이 해당 집합에 대해 올바르게 지정되어 있다면, 조정 집합의 선택이 추정량의 선택보다 유효성에 더 중요하다는 발견을 시사합니다.

요약하자면, 저자들은 인과 다이어그램, 식별 이론, 추정 메커니즘을 통합한 통일된 프레임워크를 제공하여 복잡하고 현실적인 환경에서 유효한 DiD 분석을 위한 명확한 길을 제시합니다.