Double/Debiased Machine Learning for Continuous Treatment Effects in Panel Data with Endogeneity

Technische Samenvatting: Double/Debiased Machine Learning voor Continue Behandelingseffecten in Paneldata met Endogeniteit

Probleemstelling
Onderzoekers streven er vaak naar om de causale effecten van continue, tijdvariërende behandelingen te schatten in paneldata-omgevingen. Hoewel semiparametrische en niet-parametrische modellen de nodige flexibiliteit bieden om de risico's op misspecificatie inherent aan lineaire modellen te vermijden, staan ze voor drie versterkende uitdagingen: hoge dimensionaliteit, alomtegenwoordige endogeniteit (inclusief gelijktijdige correlatie, schendingen van sequentiële exogeniteit en vertraagde afhankelijke variabelen), en de aanwezigheid van tweeweg-vaste effecten (individueel en tijdsgebonden).

Bestaande Double/Debiased Machine Learning (DML)-kaders, zoals die van Chernozhukov et al. (2018), hebben zich voornamelijk gericht op cross-sectionele data of paneldata met slechts individuele vaste effecten en exogene regressoren. Er bestaat een kritieke lacune in het hanteren van niet-parametrische panelmodellen met tweeweg-vaste effecten (TWFE) en endogene regressoren. Specifiek:

1. Standaard cross-fitting-schema's falen in TWFE-panelen omdat het elimineren van tijdsgebonden vaste effecten via cross-sectionele middeling mechanische correlaties tussen eenheden introduceert, waardoor de onafhankelijkheidsaannames die nodig zijn voor de asymptotische theorie worden geschonden.
2. De debiasingsterm (Riesz-representant) die vereist is voor Neyman-orthogonaliteit heeft doorgaans geen gesloten vormoplossing in endogene settings, en bestaande schattingsstrategieën voor deze term zijn beperkt tot exogene regressoren.
3. Conventionele TWFE-schatters zijn vaak beperkt tot binaire behandelingen en gelijktijdige effecten, en falen in het vastleggen van dynamische behandelingseffecten of heterogene responsen over tijd.

Methodologie
De auteurs stellen een Double/Debiased Machine Learning (DML)-kader voor dat is toegespitst op niet-parametrische panelmodellen met additieve TWFE en endogene regressoren. Het kader richt zich op de schatting van gemiddelde afgeleide effecten (gemiddelde marginale effecten) van continue behandelingen, inclusief gelijktijdige, dynamische (vertraagde) en geaggregeerde effecten.

De kernmethodologische innovaties omvatten:

1. Modelspecificatie: De auteurs beschouwen zowel statische als dynamische niet-parametrische panelmodellen:

   • Statisch: $Y_{it} = \gamma_0(X_{i,t-q:t}, D_{i,t-q:t}, C_i) + \mu_i + \lambda_t + \varepsilon_{it}$
   • Dynamisch: Omvat vertraagde uitkomsten $Y_{i,t-1-p:t-1}$ als regressoren.
   • Endogeniteit wordt behandeld via instrumentvariabelen $I_{it}$, waarbij regressoren sequentieel exogeen of volledig endogeen kunnen zijn.

2. Neyman-orthogonalisatie en Debiasing:

   • De auteurs leiden de expliciete vorm af van de debiasingsterm die nodig is om Neyman-orthogonale momentvoorwaarden te construeren. Deze term blijkt te factoriseren in het product van een Riesz-representant ($\alpha_0$) en het gedifferentieerde foutterm.
   • In tegenstelling tot cross-sectionele settings, waar $\alpha_0$ via standaard regressie zou kunnen worden geschat, staat de endogene setting dit niet toe. De auteurs stellen voor om de Riesz-representant $\alpha_0$ te schatten met behulp van Gegeneraliseerde Methode van Momenten met Straal (Penalized GMM). Deze "automatische" benadering schat de complexe debiasingsterm uitsluitend met behulp van bekende momentvoorwaarden, zonder dat expliciete functionele vormen vereist zijn.

3. Innovatief Cross-Fitting-schema:

   • Om de correlatie die wordt veroorzaakt door het verwijderen van tijdsgebonden vaste effecten (middelen) aan te pakken, introduceren de auteurs een gewijzigd cross-fitting-procedure.
   • De steekproef wordt opgesplitst in $K$ folds. Voor een doel-fold $F_k$ worden de tijdsgebonden vaste effecten geëlimineerd door middelen met behulp van een andere fold $F_{k'}$. Cruciaal is dat de schatting van de storende functies ($\gamma_0$ en $\alpha_0$) gebruikmaakt van een derde dataset ($F_k \cup F_{k'}$ uitgesloten), en dat de uiteindelijke schatting van het behandelingseffect gebruikmaakt van de doel-fold. Deze strategie van "toegewijde fold" herstelt de steekproefonafhankelijkheid die vereist is voor de asymptotische theorie.

4. Schattingalgoritme:

   • Stap 1: Splits individuen in $K$ folds.
   • Stap 2: Schat voor elke fold de structurele functie $\gamma_0$ (met ML-methoden zoals DeepIV of gepenaliseerde GMM) en de Riesz-representant $\alpha_0$ (met gepenaliseerde GMM) op de complementaire data.
   • Stap 3: Construeer de orthogonale momentvoorwaarde:
     $$\psi(W^*_{it}, \theta, \Delta\gamma^*, \alpha) = m(W^*_{it}, \Delta\gamma^*) - \theta + \alpha(Z_{it})[\Delta Y^*_{it} - \Delta\gamma^*(V_{it})]$$
     waarbij $\Delta$ differentiatie aanduidt om individuele vaste effecten te verwijderen, en $^*$ middelen aanduidt om tijdsgebonden vaste effecten te verwijderen.
   • Stap 4: Los de gemiddelde afgeleide $\theta$ op met behulp van het steekproefgemiddelde van de orthogonale momentvoorwaarde.

Belangrijkste Bijdragen
Het artikel levert vier primaire bijdragen aan de literatuur:

1. Uitbreiding van DML naar TWFE met Endogeniteit: Het is het eerste werk dat het DML-kader uitbreidt naar niet-parametrische panelmodellen met zowel individuele als tijdsgebonden vaste effecten in aanwezigheid van endogene regressoren.
2. Oplossing voor Cross-Fitting in TWFE: De auteurs leiden de specifieke vorm af van de debiasingsterm voor deze setting en stellen een innovatief cross-fitting-schema voor dat een extra fold terzijde schuift voor middelen, waardoor de schending van onafhankelijkheid veroorzaakt door het elimineren van tijdsgebonden vaste effecten wordt opgelost.
3. Gepenaliseerde GMM voor Riesz-representanten: Het artikel breidt het concept "auto-DML" uit naar endogene settings door de Riesz-representant te schatten via gepenaliseerde GMM. Dit maakt de schatting van uiterst complexe debiasingstermen mogelijk zonder gesloten vormoplossingen, en komt zowel endogeniteit als TWFE tegemoet. De auteurs stellen ook de convergentiesnelheid in het kwadraat van de fout van deze schatter vast onder voorwaarden die milder zijn dan in eerdere literatuur (bijv. Caner en Kock, 2018).
4. Dynamische en Heterogene Effecten: Het kader komt dynamische behandelingseffecten en heterogene responsen op continue behandelingen tegemoet, en overwint de beperkingen van conventionele TWFE-schatters die vaak beperkt zijn tot binaire behandelingen en gelijktijdige effecten. Het biedt ook een verfijnde, niet-parametrische versie van de Arellano-Bond-schatter voor dynamische panelen.

Resultaten

• Asymptotische Theorie: De auteurs stellen vast dat de voorgestelde debiasing-schatters voor gelijktijdige, dynamische en geaggregeerde effecten $\sqrt{N}$-consistent en asymptotisch normaal zijn. Er wordt een consistente variantieschatter geboden, wat geldige statistische inferentie mogelijk maakt.
• Simulaties: Monte Carlo-studies tonen aan dat de voorgestelde schatter (DPGMM) regularisatiebias en overfittingbias effectief verwijdert. In vergelijking met niet-debiasing plug-in-schatters (PGMM) en schatters die endogeniteit negeren (Lasso) of de eerste fase misspecificeren (GMM), vertoont de DPGMM-schatter:
  • Een aanzienlijk verminderde bias en gemiddelde kwadratische fout (MSE).
  • Nauwkeurige variantieschatting, wat leidt tot betrouwbaarheidsintervallen met empirische dekkingpercentages dicht bij het nominale niveau (bijv. 95%).
  • Robuustheid tegen modelmisspecificatie en het negeren van endogeniteit.
• Empirische Toepassing: Het kader wordt toegepast op de ECLS-K-dataset om het effect van de sociaaleconomische status (SES) van het gezin, het huishoudengrootte en de prijzen van fastfood op de BMI van kinderen te onderzoeken.
  • De resultaten onthullen rijke dynamiek: het effect van de gezins-SES op de BMI verandert van teken naarmate kinderen ouder worden (negatief in vroege periodes, positief in latere periodes), wat helpt om tegenstrijdige bevindingen in eerdere literatuur die uitsluitend tijd-geaggregeerde effecten schatten, te verzoenen.
  • De dynamische panelspecificatie toont aan dat sommige effecten gedeeltelijk worden verklaard door eerdere uitkomsten, wat het belang onderstreept van het rekening houden met dynamiek.

Betekenis en Claims
Het artikel claimt een reeks uitdagingen op te lossen die het onderscheiden van bestaand werk, en biedt een robuust instrument voor causale inferentie in complexe paneldata-omgevingen. Door de flexibiliteit van machine learning te combineren met rigoureuze debiasingstechnieken die zijn toegespitst op endogeniteit en tweeweg-vaste effecten, stelt het kader onderzoekers in staat om gemiddelde afgeleide effecten te schatten met geldige inferentie in settings die eerder als onoplosbaar voor DML werden beschouwd. De auteurs merken bescheiden op dat hoewel hun theorie uitgaat van een vaste $T$ en $N \to \infty$, toekomstig werk gezamenlijke asymptotiek en alternatieve identificatiestrategieën (bijv. parallelle trends) zou kunnen aanpakken waar instrumenten niet beschikbaar zijn.