分层双重差分模型中的贝叶斯变量选择
统计方法学
2019-10-17 v1
摘要
使用观测数据估计因果处理效应的一种流行方法是双重差分（DiD）模型。在这项工作中，我们考虑将经典DiD设置扩展到数据无法在最细粒度级别匹配（例如，个体层面的差异不可观测）的分层情境。我们提出了一个贝叶斯分层双重差分（HDiD）模型，该模型通过将处理变量对一个代表组层面结果均值变化的潜变量进行回归来估计处理效应。我们给出的理论和实证结果表明，未能针对特定类别的混杂变量或与基线（处理前）结果的混杂进行调整的HDiD模型，会使得处理效应估计产生偏差。我们提出并实现了在HDiD背景下使用结构化贝叶斯尖峰-厚板模型进行变量选择的各种方法。我们提出的方法利用DiD背景下的时间结构来选择那些能够导致无偏且高效估计因果处理效应的协变量。我们通过理论结果和模拟评估了这些方法的性质，并使用它们来评估2008年至2017年间明尼苏达州诊所的初级保健重新设计对糖尿病结果管理的影响。
引用
@article{arxiv.1910.07017,
title = {Bayesian variable selection in hierarchical difference-in-differences models},
author = {James Normington and Eric F. Lock and Thomas A. Murray and Caroline S. Carlin},
journal= {arXiv preprint arXiv:1910.07017},
year = {2019}
}