When Do Treatment Changes Identify Causal Effects?

기술 요약: 처치 변화(Treatment Changes)는 언제 인과 효과를 식별하는가?

문제 제기 및 동기
실증 연구는 흔-히 관측 데이터에 의존하여 인과 효과를 식별하며, 일반적으로 관측 가능한 변수들에 대한 선택 전략(공변량을 조건화하여 처치 수준을 외생적으로 취급)이나 차이-in-차이(DiD) 설계(잠재적 결과의 평행 추세를 가정)를 채택한다. 그러나 세 번째로, 종종 암묵적으로 존재하는 관행이 있는데, 이는 특정 처치 수준 자체가 아니라 동적으로 진화하는 처치(예: 세율 조정, 용량 수정)의 변화를 평가하는 것이다. 연구자들이 처치를 '증가' 대 '변화 없음'의 이진 지표로 재코딩하는 경우가 많지만, 이러한 "처치 변화" 식별 전략에 필요한 구조적 가정은 이론적으로 충분히 탐구되지 않았다. 구체적으로, 이러한 가정들이 처치 수준에 기반한 전통적인 전략들과 어떻게 연관되는지, 그리고 그들이 서로 포함 관계(nested)에 있는지 여부는 불분ка명하다. 본 논문은 처치 변화의 변동이 인과 효과를 식별하는 조건들을 다루고, 이러한 식별을 뒷받침하는 구조적 모델을 규명하며, 처치 변화와 처치 수준 식별 전략 간의 관계를 조사한다.

방법론 및 구조적 프레임워크
본 논문은 관심 있는 인과 효과를 '변화 없음' 대비 처치 증분 $\nabla d$의 평균 효과인 $\Delta_t(\nabla d)$로 정의하기 위해 잠재적 결과 프레임워크를 사용한다. 핵심적인 식별 가정은 처치 변화에 대한 조건부 독립 가정(CIA-$\nabla D$)이며, 이는 처치 변화 $\nabla D_T$가 관측된 공변량의 이력 $\bar{X}_{T-1}$에 대해 조건부로 잠재적 결과와 독립적이어야 함을 요구한다.

CIA-$\nabla D$의 타당성을 이해하기 위해, 저자는 고정 효과($U$)와 시변 불관측치($V_t, W_t$)를 포함하는 결과 방정식 및 처치 방정식이 결합된 두 가지 구별되는 비포함적(non-nested) 구조 모델(모델 A와 모델 B)을 규명한다.

• 모델 A: 처치 방정식에서 고정 효과 $U$가 가법적으로 분리되어야 하며(변화 $\nabla D_T$에서 상쇄됨), 동적 처치 효과(이전의 처치가 이후의 결과나 공변량에 영향을 미치지 않음)를 배제해야 한다. 또한 처치 방정식의 시변 불관측치가 결과 방정식의 시변 불관측치와 독립적이어야 한다.
• 모델 B: 마찬가지로 처치 방정식에서 $U$의 가법적 분리를 요구하지만, 처치 과정에 대해 더 강력한 제한을 부과한다. 즉, 처치 변화를 유발하는 시변 충격은 (공변량에 대해 조건부로 자기상관이 없는) 랜덤 워크(random walk)를 따라야 한다. 이 더 강력한 가정을 얻는 대신, 모델 B는 동적 처치 효과를 허용한다.

본 논문은 처치 변화를 통한 식별의 가정들이 처치 수준 기반 전략(선택-on-observables, CIA-$D$, 그리고 DiD, CIA-$\nabla Y$)과 일반적으로 **포함 관계에 있지 않음(not nested)**을 공식적으로 입증한다. 구체적으로, CIA-$\nabla D$는 CIA-$D$나 CIA-$\nabla Y$를 함의하지 않으며, 그 역도 성립하지 않는다. 그러나 모델 B(랜덤 워크)의 특정 조건 하에서는, 처치 변화를 조건화하는 것이 시차 처치(lagged treatment)가 주어졌을 때 처치 수준을 조건화하는 것과 동일해지며, 이 경우 세 전략이 공동으로 유효해진다.

주요 기여 및 이론적 결과

1. 비포함적 모델의 규명: 본 논문은 처치 변화를 통한 유효한 식별이 처치 수준 기반 식별에 필요한 것과는 구별되는 구조적 조건에 의존함을 확립한다. 이러한 비포함성은 한 세트의 가정 하에서 유효한 전략이 다른 세트의 가정 하에서는 실패할 수 있음을 의미한다.
2. 랜덤 워크 하에서의 등가성: 핵심적인 이론적 결과는, 만약 처치 과정이 랜덤 워크를 따른다면(모델 B), 처치 변화를 조건화하는 것이 시차 처치가 주어졌을 때 처치 수준을 조건화하는 것과 동일하다는 것이다. 이러한 등가성은 수준 기반 방법과 변화 기반 방법을 공동으로 활용하는 Hausman 유형의 과식별 검정(overidentification test) 구축을 가능하게 한다.
3. 구조적 이중 강건성(Structural Double Robustness, DR): 과식별 검정을 넘어, 비포함성 결과는 결과와 처치를 모두 차분하는 추정량(예: 고전적인 양방향 고정효과(TWFE) 추정량)의 구조적 이중 강건성 특성을 시사한다. 본 논문은 TWFE가 처치 변화 가정(처치 방정식에서의 가법적 분리) 또는 평행 추세 가정(결과 방정식에서의 가법적 분리) 중 어느 하나만 만족하더라도 일치성을 유지함을 증명하며, 두 가지가 동시에 필요하지는 않음을 보인다. 이 속성은 다른 한 쪽의 가정이 실패하더라도 유지된다.
4. 추정량의 차이 및 재척도화(Rescaling): 이질적인 처치 효과 하에서 각 전략의 추정량이 서로 다름을 명확히 한다. 구체적으로, CIA-$\nabla D$ 추정량은 지속성 계수 $\lambda$(처치 수준이 변화와 함께 움직이는 정도)에 의해 스케일링된 한계 효과의 가중 평균을 목표로 하는 반면, TWFE 및 수준 기반 전략은 스케일링되지 않은 한계 효과를 직접 목표로 한다. 따라서, 비교를 위한 유효한 과식별 검정을 위해서는 CIA-$\nabla D$ 추정치를 $1/\lambda$로 재척도화해야 한다.

실증 및 시뮬레이션 결과

• 시뮬레이션 연구: 본 논문은 시뮬레이션을 통해 비포함성 결과를 확인한다. 하나의 가정만이 성립하는 시나리오에서, 해당 추정량은 일치하는 반면 다른 추정량은 편향된다. 결정적으로, 시뮬레이션은 TWFE의 이중 강건성을 입증한다: 즉, 처치 변화 가정 또는 평행 추세 가정 중 어느 하나가 성립하는 한 TWFE는 일치성을 유지한다. 처치가 랜덤 워크를 따를 때는 모든 전략이 일치하는 추정치를 산출한다.
• 실증 적용: 본 방법론은 담배 수요의 가격 탄력성을 추정하기 위해 주 단위 패널 데이터(Baltagi and Levin, 1986)에 적용된다. 연구는 네 가지 전략을 비교한다: CIA-$\nabla D$, CIA-$\nabla Y$ (DiD), CIA-$D$ (선택-on-observables), 그리고 TWFE.
  • 결과는 수준 기반 전략(CIA-$\nabla Y$, CIA-$D$, TWFE)이 일치하는 추정치(탄력성 $\approx -0.38$ ~ $-0.40$)를 산출함을 보여준다.
  • 처치 변화 전략(CIA-$\nabla D$)은 지속성 계수에 대해 재척도화한 후에도 절대값 기준으로 유의미하게 큰 탄력성($\approx -0.68$)을 보인다.
  • Hausman 과식별 검정은 수준 기반 전략들에 대해 처치 변화 전략의 공동 유효성을 강력하게 기각한다.
  • TWFE의 이중 강건성을 고려할 때, 이러한 불일치는 처치 변화 가정(CIA-$\nabla D$)이 이 맥락에서 실패했을 가능성을 시사한다. 이는 변수로 포착되지 않는 무언가가 큰 가격 인상을 보이는 주(state)들과 체계적으로 다르기 때문일 수 있다.

의의
본 논문은 처치 변화의 사용에 대한 체계적인 이론적 토대를 제공하며, 이 접근 방식이 기존 방법들과는 구별되는 구조적 가정에 의존한다는 점을 명확히 한다. 또한, 처치 변화를 통한 식별이 수준 기반 식별을 오염시키는 고정 효과를 제거함으로써 검정력을 높일 수 있지만, 이것이 보편적으로 우월한 것은 아님을 강조한다. 비포함적 가정의 식별은 연구자가 공동 유효성을 반증하기 위한 과식별 검정을 구축할 수 있게 한다. 나아가, TWFE의 구조적 이중 강건성을 입증한 것은 실무적인 안전장치를 제공한다: 연구자들은 처치 변화 또는 평행 추세 가정 중 하나를 정당화할 수 있다면, 설령 다른 하나가 실패하더라도 TWFE를 통해 일치된 추정을 신뢰할 수 있다. 본 논문은 처치 변화를 사용하는 연구자들이 자신이 의존하는 구조적 조건(예: 동적 효과의 부재 또는 랜덤 워크 충격)을 명시해야 하며, 과식별 검정을 식별 가정의 유효성을 진단하는 도구로 고려해야 한다고 결론짓는다.