DOI: https://doi.org/10.3982/ecta21442
تاريخ النشر: 2025-01-01
المؤلف: Christoph Breunig وآخرون
الموضوع الرئيسي: طرق إحصائية واستدلال
نظرة عامة
في هذا القسم، يقدم المؤلفون إجراء استدلال بايزي مزدوج قوي لتقدير متوسط تأثير العلاج (ATE) تحت فرضية عدم وجود تداخل. تتضمن المنهجية تعديل التوزيعات السابقة لدوال المتوسط الشرطي وتصحيح التوزيع البعدي لـ ATE، باستخدام مقدرات تجريبية مستوحاة من دالة التأثير شبه المعلمية. يؤسس المؤلفون نظرية برنشتاين-فون ميس الجديدة شبه المعلمية التي تظهر التكافؤ الأسيمبتيكي لنهجهم البايزي مع مقدرات ATE الفعالة، مشيرين إلى أن نقص السلاسة في دوال المتوسط الشرطي يمكن تخفيفه من خلال الانتظام العالي لدرجة الميل، والعكس صحيح.
تشير النتائج إلى أن مجموعات الثقة البايزية الناتجة عن هذه الطريقة توفر فترات ثقة مع احتمالات تغطية دقيقة أسيمبتيكياً. تظهر دراسات المحاكاة أن الطريقة المقترحة توفر تقديرات نقطية دقيقة لـ ATE من خلال المتوسط البعدي وتنتج فترات موثوقة تتطابق عن كثب مع احتمالية التغطية الاسمية، محققة أطوال فترات أقصر مقارنة بالطرق الحالية. يوضح المؤلفون أيضًا تطبيق نهجهم باستخدام بيانات من تجربة العمل المدعوم الوطني، مشيرين إلى الأعمال الأساسية لـ LaLonde (1986) و Dehejia و Wahba (1999).
مقدمة
تقدم مقدمة هذه الورقة نهج بايزي مزدوج قوي جديد لتقدير متوسط تأثير العلاج (ATE) تحت فرضية عدم وجود تداخل، باستخدام المتغيرات التمهيدية. تتضمن المنهجية تعديلين رئيسيين: أولاً، يتم تعديل التوزيعات السابقة لدالة المتوسط الشرطي باستخدام مقدر لدرجة الميل، كما اقترح Ray و van der Vaart (2020). ثانياً، يتم دمج هذا المقدر لدرجة الميل مع مقدر تجريبي للمتوسط الشرطي لتصحيح التوزيع البعدي لـ ATE. لا تؤدي هذه التعديلات إلى تغيير مركز التوزيع البعدي فحسب، بل تغير أيضًا شكله، مما يؤدي إلى نظرية برنشتاين-فون ميس (BvM) جديدة تضمن أن التوزيع البعدي يكون أسيمبتيكياً طبيعياً عندما يكون مركزه عند أي مقدر فعال، تحت فرضيات سلاسة مزدوجة قوية.
تؤكد الورقة على أهمية نتائجها في سياق الأدبيات الحالية، التي تركزت بشكل أساسي على الطرق التكرارية لتقدير ATE. وتبرز أن الطرق البايزية التقليدية يمكن أن تؤدي إلى تقديرات غير متسقة ما لم يتم فرض شروط سلاسة قوية. تعالج الطريقة البايزية القوية المقترحة هذه المشكلة من خلال دمج مصطلح انحياز في نظرية BvM، مما يسمح بتوازن بين متطلبات السلاسة لدرجة الميل ودوال المتوسط الشرطي. يقدم المؤلفون أدلة تجريبية من خلال المحاكاة وتطبيق على بيانات تجربة العمل المدعوم الوطني، مما يوضح أن طريقتهم تحقق احتمالات تغطية تجريبية محسنة وتقدير عدم اليقين بدقة أكبر مقارنة بالطرق البايزية والتكرارية الحالية. تساهم هذه الأعمال في النقاش المستمر في الاستدلال البايزي لنماذج الاقتصاد القياسي، خاصة في سياق التقدير القوي تحت التعريف الجزئي أو الضعيف.
نتائج
في هذا القسم، يقدم المؤلفون نتائج أسيمبتيكية لحقل عشوائي غاوسي يتميز بدالة تغاير $\phi(st)$، مع التركيز بشكل خاص على عملية الأسية المربعة. يتم تحليل العملية الغاوسية في سياق نسخة معاد قياسها، $W(a_n t)$، حيث يعمل $a_n$ كمعامل عرض نطاق. يتم إظهار أن اختيار $a_n \sim n^{1/(2s_m + p)} (\log n)^{-(1+p)/(2s_m + p)}$ يؤدي إلى معدل انكماش بعدي لدالة المتوسط الشرطي، وهو أمر حاسم للتطبيقات في النمذجة الإحصائية. تشير النتائج إلى أن المقدّر $\gamma$ يحقق $\|\gamma\|_\infty = O_P(1)$ و $\|\gamma – \gamma_0\|_\infty = O_P\left((n/\log n)^{-s_\pi/(2s_\pi + p)}\right)$، تحت شروط سلاسة معينة لدالة المتوسط $m_0$.
علاوة على ذلك، يناقش المؤلفون آثار القوة المزدوجة في إطارهم، حيث يمكن تعويض سلاسة دالة المتوسط الشرطي من خلال انتظام درجة الميل. هذا ذو صلة خاصة عندما يتم استيفاء شرط السلاسة $\sqrt{s_\pi} s_m > p/2$، مما يسمح بالتقدير الفعال حتى في الأنظمة غير-دونسكر. يختتم القسم بتطبيق عددي على مجموعة بيانات Lalonde-Dehejia-Wahba، موضحًا الفائدة العملية للمنهجية المقترحة في تحليل تأثيرات العلاج.
نقاش
في هذا القسم، يقدم المؤلفون إطارًا شاملاً لتقدير متوسط تأثير العلاج (ATE) باستخدام منهجية بايزية تتضمن القوة المزدوجة. يعرفون عائلة من توزيعات الاحتمالات تتميز بمعامل $\eta$، حيث يتوافق المعامل الحقيقي $\eta_0$ مع توزيع البيانات الملاحظة. يتم التعبير عن ATE كـ $\tau_0 = E_0[Y_i(1) – Y_i(0)]$، معتمدين على الافتراضات القياسية لعدم وجود تداخل والتداخل. يقدم المؤلفون نهج استدلال بايزي يستخدم إعادة برمجة المعاملات من خلال دالة ارتباط لوجستية، مما يسمح باشتقاق التوزيع البعدي لـ ATE.
تستخدم المنهجية عمليات سابقة غير معلمية، وبشكل خاص عملية ديريشليت لدرجة الميل وعمليات غاوسية سابقة لدالة المتوسط الشرطي. تسهل هذه الطريقة المزدوجة بناء إجراء استدلال بايزي مزدوج قوي، والذي يتم تفصيله في الخوارزمية 1. يؤكد المؤلفون على أهمية المقدرات التجريبية لدرجة الميل والمتوسط الشرطي، والتي تعتبر أساسية لتصحيح البعدي لـ ATE. كما يؤسسون نظرية برنشتاين-فون ميس جديدة تظهر طبيعية التوزيع البعدي الأسيمبتيكي، مع الأخذ في الاعتبار مصطلح انحياز يمكن القضاء عليه من خلال التصحيح المقترح. لا يوفر هذا الإطار فقط طريقة تقدير بايزية قوية، بل يربط أيضًا بين النهجين البايزي والتكراري لتقدير ATE، مما يضمن أن مجموعات الثقة التي تم بناؤها تحت هذه المنهجية تحافظ على صلاحية تكرارية.
DOI: https://doi.org/10.3982/ecta21442
Publication Date: 2025-01-01
Author(s): Christoph Breunig et al.
Primary Topic: Statistical Methods and Inference
Overview
In this section, the authors introduce a double robust Bayesian inference procedure for estimating the average treatment effect (ATE) under the assumption of unconfoundedness. The methodology involves adjusting the prior distributions of the conditional mean functions and correcting the posterior distribution of the ATE, utilizing pilot estimators inspired by the semiparametric influence function. The authors establish a new semiparametric Bernstein-von Mises theorem that demonstrates the asymptotic equivalence of their Bayesian approach with efficient frequentist ATE estimators, highlighting that the lack of smoothness in conditional mean functions can be mitigated by the high regularity of the propensity score, and vice versa.
The results indicate that the Bayesian credible sets generated by this method yield confidence intervals with asymptotically exact coverage probabilities. Simulation studies show that the proposed method provides accurate point estimates of the ATE through the posterior mean and produces credible intervals that closely match the nominal coverage probability, achieving shorter interval lengths compared to existing methods. The authors further illustrate the application of their approach using data from the National Supported Work Demonstration, referencing foundational works by LaLonde (1986) and Dehejia and Wahba (1999).
Introduction
The introduction of this paper presents a novel double robust Bayesian approach for estimating the average treatment effect (ATE) under the assumption of unconfoundedness, utilizing pretreatment covariates. The methodology involves two key adjustments: first, the prior distributions of the conditional mean function are modified using an estimator of the propensity score, as proposed by Ray and van der Vaart (2020). Second, this propensity score estimator is combined with a pilot estimator of the conditional mean to correct the posterior distribution of the ATE. These adjustments not only shift the center of the posterior distribution but also alter its shape, leading to a new Bernstein-von Mises (BvM) theorem that ensures the posterior distribution is asymptotically normal when centered at any efficient estimator, under double robust smoothness assumptions.
The paper emphasizes the significance of its findings in the context of existing literature, which has predominantly focused on frequentist methods for ATE estimation. It highlights that conventional Bayesian approaches can yield inconsistent estimates unless strong smoothness conditions are imposed. The proposed robust Bayesian method addresses this issue by incorporating a bias term in the BvM theorem, allowing for a trade-off between the smoothness requirements of the propensity score and the conditional mean functions. The authors provide empirical evidence through simulations and an application to the National Supported Work Demonstration data, demonstrating that their method achieves improved empirical coverage probabilities and more accurate uncertainty quantification compared to existing Bayesian and frequentist approaches. This work contributes to the ongoing discourse in Bayesian inference for econometric models, particularly in the context of robust estimation under partial or weak identification.
Results
In this section, the authors present asymptotic results for a Gaussian random field characterized by a covariance function $\phi(st)$, focusing specifically on the squared exponential process. The Gaussian process is analyzed under the context of a rescaled version, $W(a_n t)$, where $a_n$ serves as a bandwidth parameter. The choice of $a_n \sim n^{1/(2s_m + p)} (\log n)^{-(1+p)/(2s_m + p)}$ is shown to induce a posterior contraction rate for the conditional mean function, which is critical for applications in statistical modeling. The results indicate that the estimator $\gamma$ satisfies $\|\gamma\|_\infty = O_P(1)$ and $\|\gamma – \gamma_0\|_\infty = O_P\left((n/\log n)^{-s_\pi/(2s_\pi + p)}\right)$, under certain smoothness conditions for the mean function $m_0$.
Furthermore, the authors discuss the implications of double robustness in their framework, where the smoothness of the conditional mean function can be compensated by the regularity of the propensity score. This is particularly relevant when the smoothness condition $\sqrt{s_\pi} s_m > p/2$ is satisfied, allowing for effective estimation even in non-Donsker regimes. The section concludes with a numerical application to the Lalonde-Dehejia-Wahba dataset, illustrating the practical utility of the proposed methodology in analyzing treatment effects.
Discussion
In this section, the authors present a comprehensive framework for estimating the average treatment effect (ATE) using a Bayesian methodology that incorporates double robustness. They define a family of probability distributions characterized by a parameter $\eta$, with the true parameter $\eta_0$ corresponding to the observed data distribution. The ATE is expressed as $\tau_0 = E_0[Y_i(1) – Y_i(0)]$, relying on standard assumptions of unconfoundedness and overlap. The authors introduce a Bayesian inference approach that utilizes a reparametrization of the parameters through a logistic link function, allowing for the derivation of the posterior distribution of the ATE.
The methodology employs nonparametric prior processes, specifically a Dirichlet process for the propensity score and Gaussian process priors for the conditional mean function. This dual approach facilitates the construction of a double robust Bayesian inference procedure, which is detailed in Algorithm 1. The authors emphasize the importance of pilot estimators for the propensity score and conditional mean, which are essential for the posterior correction of the ATE. They also establish a new Bernstein-von Mises theorem that demonstrates the asymptotic normality of the posterior distribution, accounting for a bias term that can be eliminated through their proposed correction. This framework not only provides a robust Bayesian estimation method but also connects Bayesian and frequentist approaches to ATE estimation, ensuring that the credible sets constructed under this methodology maintain frequentist validity.