崩溃边界的推断

给定一组基线假设，崩溃边界（breakdown frontier）是导致某一特定结论的假设集合与不会导致该结论的假设集合之间的边界。在一个具有二元处理的潜在结果模型中，我们考虑两种结论：第一，平均处理效应（ATE）至少达到某个特定值（例如非负）；第二，受益于处理的单位比例至少达到某个特定值（例如至少50%）。针对这些结论，我们推导了两类假设下的崩溃边界：一类对基线随机分配处理假设进行松弛，另一类对基线秩不变假设进行松弛。这些假设类既嵌套了随机分配与秩不变的点识别假设，也嵌套了另一端——对处理选择或潜在结果间依赖结构无任何约束。该边界提供了结论对基线点识别假设松弛的鲁棒性的定量度量。我们推导了这些边界的$\sqrt{N}$一致样本类似估计量。随后，我们提供了两种渐近有效的自助法（bootstrap）程序，用于构建崩溃边界的下均匀置信带。作为鲁棒性度量，估计的崩溃边界及其相应置信带可与在传统点识别假设下获得的传统点估计和置信区间一同呈现。我们通过对童兵经历对工资影响的实证应用说明了该方法。我们发现，足够弱的结论对秩不变与随机分配的同时失效具有鲁棒性，而某些较强的结论对秩不变失效相当鲁棒，但不一定对随机分配的松弛鲁棒。