面向任意结果变量下多种处理异质效应的子样本最小二乘估计量
统计方法学
2023-09-14 v2
摘要
对于多种处理 D=0,1,...,J、协变量 X 和结果 Y，将 Y 对 (D1,...,DJ,X) 的普通最小二乘估计量（OLS）广泛用于常效应线性模型，其中 Dj 是 D=j 的虚拟变量。然而现实中处理效应几乎总是 X-异质的，或 Y 是非连续的，从而使此类线性模型失效。实践者的盲目期望是 OLS“某种程度”估计了未知 X-异质效应的合理平均。本文表明，不幸的是，除非所有处理效应均为常数，否则 OLS 是不一致的，因为 Dd 斜率的估计量涉及所有处理的 X-异质效应，而非仅 Dd。克服此“污染”问题的一种方法是对仅 D=0,d 的子样本使用 Y 对 Dd-E(Dd|X, D=0,d) 的 OLS，本文提出一种子样本 OLS 的改进版本，其对 E(Dd|X, D=0,d) 的误设定具有稳健性。证明了稳健化子样本 OLS 对于任意形式 Y（连续、二值、计数……）的 Dd 的 X-异质效应的“重叠权重”平均是一致的。
引用
@article{arxiv.2308.07076,
title = {Subsample Least Squares Estimator for Heterogeneous Effects of Multiple Treatments with Any Outcome Variable},
author = {Myoungjae Lee},
journal= {arXiv preprint arXiv:2308.07076},
year = {2023}
}