通过后分层改进工具变量估计量
统计方法学
2024-07-02 v3
摘要
研究动员投票(GOTV)努力的实验估计了各种动员工作对选民投票率的因果效应。然而,这些研究常存在显著的不依从现象。通常的方法是使用工具变量(IV)分析来估计依从者的效应,此处即实际被调查者联系到的那些人。遗憾的是,在依从者占比较小的研究中,流行的IV估计量可能不稳定。我们探索使用预测依从者状态(并可能预测结果)的变量对数据进行后分层(例如,取各层内IV估计量的加权平均值)以缓解此问题。我们从偏差、方差和改进的标准误估计方面展示了后分层的益处,并给出了有限样本渐近方差公式。我们还比较了不同IV方法的性能,并讨论了基于设计的后分层方法相对于将依从预测协变量纳入两阶段最小二乘估计量的优势。最后,我们表明预测依从的协变量可提高精度,但前提是愿意通过下调权重或丢弃依从者较少的层来做出偏差-方差权衡。相比之下,两阶段最小二乘等标准方法未能利用此类信息。我们最后在两个GOTV应用中考察了本方法的益处。
引用
@article{arxiv.2303.10016,
title = {Improving instrumental variable estimators with post-stratification},
author = {Nicole E. Pashley and Luke Keele and Luke W. Miratrix},
journal= {arXiv preprint arXiv:2303.10016},
year = {2024}
}