Dynamic covariate balancing: estimating treatment effects over time with potential local projections

1. 研究背景与问题 (Problem)

在观察性研究的面板数据中，研究者经常需要评估动态处理效应（Dynamic Treatment Effects），即不同处理历史（Treatment Histories）对最终结果的影响。例如，评估连续 $T$ 期接受某种政策（如民主化）对经济增长的累积效应。

核心挑战：

• 动态选择偏差 (Dynamic Selection Bias)： 个体在不同时期根据过去的结果、协变量和处理状态动态选择是否接受处理。这违反了传统双重差分法（DiD）的“平行趋势”假设。
• 高维协变量 (High Dimensions)： 现实数据中，控制变量（协变量）的数量 $p$ 往往很大，甚至超过样本量 $n$。
• 现有方法的局限性：
  • 逆概率加权 (IPW/AIPW)： 在动态设置中，倾向性得分（Propensity Score）定义为整个处理历史的联合概率。随着时间推移，该概率可能趋近于零，导致权重方差极大，估计不稳定。此外，在高维下正确设定倾向性得分模型极其困难。
  • 标准局部投影 (Standard Local Projections)： 通常对观测到的结果建模，而非潜在结果。在动态处理下，这会引入对处理分配分布的依赖，导致估计偏差。
  • 结构模型法： 需要为每个时间变化的协变量建模其随处理变化的动态，在高维下会导致巨大的估计误差和模型误设风险。

研究目标： 提出一种在高维协变量、动态处理分配且不依赖倾向性得分正确设定的情况下，能够一致且高效地估计动态处理效应的方法。

---

2. 方法论 (Methodology)

作者提出了动态协变量平衡 (Dynamic Covariate Balancing, DCB) 方法，结合了潜在局部投影 (Potential Local Projections) 和序列平衡权重的思想。

2.1 核心假设与设定

• 序列可忽略性 (Sequential Ignorability)： 在控制了过去的高维协变量、结果和处理历史后，当前的处理分配与潜在结果独立。
• 无预期 (No Anticipation)： 未来的处理不会影响当前的协变量或中间结果。
• 潜在局部投影模型 (Potential Local Projections)：
  • 假设潜在结果的期望是过去历史（协变量、结果、处理）的线性函数。
  • 关键创新：模型直接作用于潜在结果 $E[Y_t(d_{1:t}) | H_t]$，而非观测结果。这避免了处理分配机制的函数形式限制。
  • 允许系数随时间变化，且协变量维度 $p$ 可随 $n$ 增长。

2.2 估计步骤

1. 递归系数估计 (Recursive Coefficient Estimation)：
   • 利用 Lasso 等惩罚回归方法，递归地估计潜在结果模型中的系数 $\beta$。
   • 从最后时期 $T$ 开始，向后递归投影到早期时期，构建潜在结果的预测值。
2. 动态平衡权重 (Dynamic Balancing Weights)：
   • 为了消除高维回归带来的偏差，作者构造了一组序列权重 $\hat{\gamma}_t$。
   • 平衡条件： 权重需满足在每一期 $t$，经过加权后的处理组和对照组的历史特征（包括过去的处理、协变量和结果）分布一致。
   • 优化问题： 在每个时期 $t$，求解一个二次规划问题（Quadratic Program），在满足平衡约束的前提下，最小化权重的 $L_2$ 范数（即最小化方差）。
   • 序列性： 第 $t$ 期的权重平衡是在第 $t-1$ 期权重重新加权后的历史基础上进行的。

2.3 估计量形式

估计量采用增强型逆概率加权（AIPW）的变体形式，但用平衡权重 $\hat{\gamma}$ 替代了倾向性得分：
$$\hat{\mu}_T(d_{1:T}) = \sum_{i=1}^n \left( \hat{\gamma}_{i,T} Y_{i,T} - \sum_{t=2}^T (\hat{\gamma}_{i,t} - \hat{\gamma}_{i,t-1}) H_{i,t} \hat{\beta}^{(t)} - (\hat{\gamma}_{i,1} - \frac{1}{n}) X_{i,1} \hat{\beta}^{(1)} \right)$$
这种形式利用了回归调整（Regression Adjustment）来减少方差，同时利用平衡权重来消除偏差。

---

3. 主要贡献 (Key Contributions)

1. 理论创新：动态平衡条件

   • 首次推导了动态设置下的平衡方程。不同于横截面研究，动态平衡要求不仅平衡当期协变量，还要平衡加权后的历史轨迹。
   • 证明了在潜在局部投影框架下，平衡条件可以简化为对历史向量的线性约束。

2. 对倾向性得分的稳健性 (Robustness to Propensity Score Misspecification)

   • 核心优势： 该方法不需要正确设定倾向性得分模型。
   • 在标准 AIPW 中，需要同时满足倾向性得分估计误差和结果模型估计误差的乘积收敛速度（双重稳健性）。而 DCB 仅需结果模型系数估计误差满足 $O_p(n^{-1/4})$（或更弱条件），完全规避了高维下倾向性得分估计不稳定的问题。
   • 证明了在有限样本下，平衡权重的方差显著小于逆概率权重（IPW），特别是在长时序下。

3. 高维理论保证

   • 建立了估计量的参数级收敛速率 ($O_p(n^{-1/2})$)，即使协变量维度 $p$ 随 $n$ 指数增长（只要 $\log(p)/n^{1/4} \to 0$）。
   • 证明了在满足重叠性（Overlap）和子高斯尾部假设下，存在可行的平衡权重解。
   • 推导了渐近正态性，允许进行统计推断（构建置信区间）。

4. 实践工具

   • 开发了 R 语言包 DynBalancing，实现了完整的算法，包括自适应调参（Tuning Parameters）和计算优化。

---

4. 实证与模拟结果 (Results)

4.1 模拟实验 (Numerical Studies)

• 设置： 比较了 DCB 与多种竞争方法，包括 AIPW（已知/估计倾向性得分）、Marginal Structural Models (MSM)、Double Lasso、标准局部投影 (LP) 和 DiD。
• 发现：
  • 精度： 在大多数设置下（特别是高维、弱重叠、长时序），DCB 的均方误差 (MSE) 显著低于所有竞争对手。
  • 稳定性： 当倾向性得分接近 0 或 1（重叠性差）时，IPW 和 AIPW 的方差急剧增加，导致估计失效；而 DCB 保持稳健。
  • 模型误设： 即使结果模型存在非线性误设，DCB 的表现仍优于依赖正确倾向性得分设定的 AIPW。
  • 长时序表现： 随着时间周期 $T$ 增加，IPW 的方差呈指数级增长，而 DCB 通过最小化权重范数有效控制了方差。

4.2 实证应用：民主对经济增长的影响

• 数据： 使用 Acemoglu et al. (2019) 的数据（1960-2010 年各国 GDP 与民主化状态）。
• 发现：
  • 民主化对长期 GDP 增长有显著的正向影响，且这种影响在 3 年后变得统计显著。
  • 对比： 标准局部投影和 Acemoglu 等人的线性回归估计出的效应量显著偏小（低估了长期效应）。
  • 原因分析： 标准方法未能完全消除动态选择偏差。DCB 通过平衡滞后 GDP 等关键协变量，修正了偏差，得出的效应量约为传统方法的两倍。
  • 权重诊断： 图 4 和表 2 显示，IPW 权重在长时序下极度不稳定（方差大），而 DCB 权重分布更集中，有效样本量更大。

---

5. 意义与结论 (Significance)

• 方法论突破： 解决了动态因果推断中“高维协变量”与“动态选择”并存时的核心难题。它提供了一种无需依赖复杂倾向性得分模型即可处理动态选择偏差的通用框架。
• 政策评估价值： 为评估长期政策（如教育干预、医疗方案、经济改革）提供了更可靠的工具。传统方法往往因忽视动态选择或处理高维数据而得出有偏结论。
• 理论深度： 将局部投影（Local Projections）从宏观计量经济学引入到微观因果推断，并赋予了其“潜在结果”的解释力，连接了边际结构模型（MSM）与高维统计学习。
• 实用性： 提出的算法计算复杂度为多项式级，且提供了开源软件，使得该方法易于被经济学、流行病学和社会科学领域的研究者应用。

总结： 本文提出的动态协变量平衡（DCB）方法，通过递归的潜在局部投影和序列平衡权重，成功克服了高维动态面板数据中处理效应估计的偏差和方差问题，特别是在倾向性得分难以估计或模型误设的情况下，展现了卓越的稳健性和准确性。