通过异常模式检测在随机化实验中高效发现异质分位数处理效应
统计方法学
2023-05-12 v3 计量经济学
机器学习
摘要
在近期关于估计异质处理效应的文献中，每种提出的方法都对干预效应以及要显式估计哪些子群体做出了各自的限制性假设。此外，大部分文献没有提供机制来识别哪些子群体受影响最大——除了人工检查——并且对所识别子群体的正确性几乎没有保证。因此，我们提出了一种名为处理效应子集扫描（TESS）的新方法，用于发现在随机化实验中哪个子群体受处理影响最显著。我们将这一挑战构建为一个模式检测问题，在其中我们高效地最大化子群体上的非参数扫描统计量（条件分位数处理效应的度量）。此外，我们在对干预效应或底层数据生成过程做出最小假设的情况下，识别出因干预而经历最大分布变化的子群体。除了算法之外，我们证明了在无处理效应的严格零假设下，可以控制渐近第一类和第二类错误，并提供了检测一致性的充分条件——即对受影响子群体的精确识别。最后，我们通过在模拟数据和来自一项著名项目评估研究的真实数据中发现异质处理效应，验证了该方法的有效性。
引用
@article{arxiv.1803.09159,
title = {Efficient Discovery of Heterogeneous Quantile Treatment Effects in Randomized Experiments via Anomalous Pattern Detection},
author = {Edward McFowland and Sriram Somanchi and Daniel B. Neill},
journal= {arXiv preprint arXiv:1803.09159},
year = {2023}
}