Bayesian Propensity Score-Augmented Latent Factor Models for Causal Inference with Time-Series Cross-Sectional Data

论文技术总结

1. 研究背景与核心问题 (Problem)

• 研究场景：针对时间序列横截面（Time-Series Cross-Sectional, TSCS）数据的因果推断，特别是存在**交错处理（Staggered Adoption）**的情境。
• 现有挑战：
  • 未观测混杂因素：传统的倾向得分（Propensity Score, PS）方法通常假设条件可忽略性（Conditional Ignorability），即仅基于观测协变量。但在 TSCS 数据中，往往存在未观测到的、随时间不变的个体特异性混杂因素（Latent Confounders）。
  • 模型反馈问题（Model Feedback）：在贝叶斯框架下，如果将倾向得分（作为处理分配机制的产物）直接放入结果模型，同时又将结果模型中的潜在因子用于估计倾向得分，会导致“模型反馈”。这种双向依赖会破坏后验推断的准确性，导致反事实预测偏差和处理效应估计有偏。
  • 异质性忽略：现有的基于潜在因子的面板数据模型（如交互固定效应模型）通常显式地建模结果方程，但往往忽略了处理分配机制，或者未将倾向得分纳入结果模型，导致无法捕捉倾向得分分层内的异质性。

2. 方法论 (Methodology)

作者提出了一种贝叶斯倾向得分增强潜在因子模型（PS-LFM），旨在联合建模处理分配机制和潜在结果。

• 核心假设：

  • 潜在可忽略性（Latent Ignorability）：在控制了观测协变量 $Z_i$ 和未观测的个体特异性混杂因子 $\gamma_i$ 后，处理分配与潜在结果独立。
  • 处理时间随机化：对于最终接受处理的单元，其处理时间是在给定条件下随机分配的。

• 模型结构：

  1. 处理分配阶段（Propensity Score Stage）：
     处理状态 $W_i$ 被建模为观测协变量 $Z_i$ 和潜在因子载荷 $\gamma_i$ 的函数：
     $$W_i = 1\{Z_i'\lambda_z + \gamma_i'\lambda_\gamma + \nu_i \geq 0\}$$
     由此导出的倾向得分 $ps(Z_i, \gamma_i) = \Phi(Z_i'\lambda_z + \gamma_i'\lambda_\gamma)$ 显式地包含了未观测混杂因素的信息。

  2. 结果模型阶段（Outcome Stage）：
     潜在结果 $Y_{it}(0)$ 不仅依赖于协变量和潜在因子，还显式地纳入了倾向得分（通过分层或作为连续协变量）：
     $$Y_{it}(0) = g(Z_i, ps(Z_i, \gamma_i))'\beta_t + \gamma_i'f_t + \varepsilon_{it}$$
     其中 $g(\cdot)$ 允许倾向得分以分层（Stratification）形式进入模型，捕捉不同倾向得分组内的异质性。

• 估计策略：近似贝叶斯推断（Approximate Bayesian Inference）
  为了解决上述的“模型反馈”问题，作者采用了一种切断反馈回路的近似贝叶斯算法（参考 Zigler et al., 2013）：

  • 分步更新：在 MCMC 采样过程中，更新潜在因子载荷 $\tilde{\gamma}_i$ 时，仅使用结果模型的信息，忽略处理分配模型对 $\tilde{\gamma}_i$ 的依赖。
  • 后处理旋转（Post-processing Rotation）：由于因子载荷在结果模型中估计，为了满足因子模型的识别约束（如 Bai, 2009 的归一化），对估计出的因子和载荷进行旋转，然后将其作为已知量代入处理分配模型以更新参数 $\lambda_\gamma$。
  • 收缩先验（Shrinkage Priors）：使用收缩先验（如 Horseshoe 先验）对因子载荷和随机效应进行正则化，以实现自动的因子数量选择（Model Selection）。

3. 主要贡献 (Key Contributions)

1. 理论创新：在 TSCS 数据框架下，首次显式地将潜在混杂因素纳入处理分配机制的建模中，并推导了基于潜在可忽略性的处理效应识别条件。
2. 方法扩展：将贝叶斯倾向得分分析从传统的横截面数据扩展到了具有丰富未观测混杂结构的时间序列横截面数据。
3. 解决反馈问题：提出了一种针对因果面板数据模型的近似贝叶斯算法，有效缓解了因倾向得分和潜在因子相互依赖导致的模型反馈偏差，同时保持了因子结构的识别性。
4. 异质性捕捉：通过引入倾向得分分层，模型能够捕捉不同倾向得分组内的处理效应异质性，提供了比传统交互固定效应模型更灵活的比较框架。

4. 实验结果 (Results)

• 蒙特卡洛模拟（Monte Carlo Simulations）：

  • 设置：模拟了 $N=200, T=50$ 的交错处理数据，包含未观测因子和倾向得分分层。
  • 对比模型：Oracle 模型（已知真值）、PS-LFM（本文方法）、DM-LFM（无倾向得分的贝叶斯因子模型）、CS-DID（Callaway & Sant'Anna 双重稳健估计量）、FEct（交互固定效应反事实模型）。
  • 发现：
    • PS-LFM 的偏差（Bias）和均方根误差（RMSE）显著低于 DM-LFM 和 CS-DID。
    • PS-LFM 的 95% 置信区间覆盖率（Coverage Rate）接近名义水平（0.945），优于 DM-LFM (0.880) 和 CS-DID (0.330)。
    • 结果表明，忽略倾向得分分层会导致严重的估计偏差，而本文方法能有效校正未观测混杂带来的偏差。

• 实证应用（Empirical Application）：

  • 案例：重新分析 Acemoglu et al. (2016) 关于“政治联系（Timothy Geithner 关系）对金融公司股价异常回报的影响”。
  • 数据：536 家金融公司，53 家为处理组（有政治联系），2008 年 11 月宣布提名后的 10 个交易日。
  • 发现：
    • 在宣布日及第 9 个交易日，PS-LFM 估计的异常回报 95% 置信区间包含 0，而传统的 DM-LFM 模型则不包含 0。
    • 这表明引入倾向得分分层后，估计结果更加稳健，消除了部分由未观测混杂导致的虚假显著性。
    • 安慰剂检验（Placebo Test）显示处理前效应接近零，支持模型有效性。

5. 意义与局限性 (Significance & Limitations)

• 意义：

  • 为处理具有复杂未观测混杂因素的面板数据因果推断提供了新的贝叶斯工具。
  • 证明了在存在未观测混杂时，显式建模处理分配机制（包括潜在因子）对于获得无偏估计至关重要。
  • 开源 R 包 bpCausal 使得该方法易于被社会科学和经济学研究者应用。

• 局限性：

  • 参数假设：处理分配和结果模型仍依赖参数化假设（如正态分布、线性关系）。如果倾向得分分层的阈值设定错误，可能导致偏差。
  • 非双重稳健性：由于潜在因子载荷是从结果模型估计并反馈到处理模型的，该方法不满足经典的双重稳健性（Double Robustness）。即仅正确设定处理模型或结果模型之一不足以保证一致性估计，必须正确设定联合模型结构。

总结

这篇论文通过结合贝叶斯倾向得分和潜在因子模型，并引入近似推断策略解决模型反馈问题，为 TSCS 数据中的因果推断提供了一个更严谨、更灵活的框架。其实证研究表明，在存在未观测混杂因素时，忽略处理分配机制中的潜在结构会导致显著偏差，而本文提出的 PS-LFM 能有效改善这一状况。