Appearance
Bayesian sensitivity analysis for unmeasured confounding in causal panel data models
Summary
Problem: 尽管因果面板数据模型（如合成控制法、交互固定效应模型）在社会科学实证研究中日益普及，但这些方法通常依赖于“平行趋势”假设或交互固定效应来应对未观测混杂。然而，仍可能存在同时随单位和时间变化的未观测混杂因素U，无法被双向固定效应或交互固定效应完全捕捉。现有敏感性分析方法（如Rambachan and Roth 2023；Cinelli and Hazlett 2020）要么依赖研究者主观设定敏感性参数值而缺乏系统指导，要么需要额外的结构假设（如处理效应同质性）。因此，需要一个既能系统指导敏感性参数设定、又能适应异质性处理效应的贝叶斯敏感性分析框架。 Approach: 本文提出了一种完全贝叶斯敏感性分析方法（BSA-LFM），建立在Rubin（1978）的贝叶斯因果推断框架与McCandless, Gustafson, and Levy（2007）的参数化BSA框架之上。该方法在线性因子模型（LFM）中显式引入一个未观测连续混杂变量U，将U建模为处理变量、观测混杂因素和因子项的函数，并以βu（U对结果的影响）和λ（U的生成系数）作为敏感性参数。关键创新在于：通过标准化约束使U的方差与观测混杂因素可比，并对βu和β赋予可交换先验，从而将频率学派中“以观测混杂因素为基准”的做法转化为贝叶斯框架下的先验设定。此外，利用Gustafson（2005）的透明参数化技术开发了高效的MCMC算法，解决非识别模型中的收敛问题。 Finding: 蒙特卡洛模拟研究表明，所提出的BSA-LFM方法能够有效评估未观测时变混杂对处理效应估计的影响。与不涉及贝叶斯更新的蒙特卡洛敏感性分析（MCSA）相比，由于收缩先验的引入，BSA方法能够从数据中间接学习敏感性参数（如βu），从而产生实质性不同的推断结果。实证应用中，作者将该方法应用于战争对遗产税率影响的研究，展示了如何通过基准化先验设定来系统评估结论对未观测混杂的稳健性。 Significance: 该方法为因果面板数据研究提供了一种更系统、更原则性的敏感性分析工具。它解决了传统频率学派敏感性分析中“敏感性参数值如何设定”这一关键难题，将研究者的先验信念以概率分布的形式正式纳入推断过程。同时，该方法允许处理效应异质性，并放松了观测协变量外生性的假设，拓展了敏感性分析在面板数据中的应用范围。
Theoretical Framework
- Theoretical tradition: 基于潜在结果框架（Rubin因果模型）的贝叶斯因果推断传统，结合参数化贝叶斯敏感性分析传统。
- Prior theories built upon: Rubin（1978）的贝叶斯模型化因果推断框架；McCandless, Gustafson, and Levy（2007）的参数化BSA方法；Gustafson（2005）的透明参数化理论；Gustafson et al.（2010）关于利用观测协变量信息设定敏感性参数先验的方法；Bai（2009）的交互固定效应模型；Frühwirth-Schnatter and Wagner（2010）的连续收缩先验方法。
- Causal mechanism: 未观测混杂U同时影响处理分配和潜在结果。在面板数据中，U随单位和时间变化，无法被单位固定效应、时间固定效应或交互固定效应捕捉。U通过βu影响结果Y，通过λd影响处理D，从而造成处理效应估计的偏误。敏感性分析通过显式建模U并考察不同先验信念下处理效应估计的变化来评估结论的稳健性。
- Key assumptions: 无预期假设（Assumption 1）；无结转效应假设（Assumption 2）；面板潜在可忽略性假设（Assumption 3），即在控制观测混杂X、单位固定效应γ、时间固定效应f和未观测混杂U后，处理分配与潜在结果独立；U为连续变量且服从线性模型；因子载荷和共同因子服从正态分布；误差项独立同分布。
- Theoretical move: 本文扩展了现有理论。具体而言，它将McCandless et al.（2007）的BSA框架从横截面数据推广到面板数据情境，将Cinelli and Hazlett（2020）的遗漏变量偏误框架扩展到允许处理效应异质性的因果面板数据模型，并通过基准化先验设定解决了BSA方法中先验选择缺乏指导的问题。
- Scope conditions: 适用于平衡面板数据；处理变量为二元指标；结果变量为连续变量；假设U为连续混杂因素；模型为线性因子模型；适用于ATT及其他处理效应的凸组合的识别与估计。
Research Design
本文为方法论研究，采用理论推导、蒙特卡洛模拟和实证应用相结合的设计。分析单元为面板数据中的“单位-时期”观测对（i,t）。核心自变量为二元处理指标Dit，因变量为连续结果变量Yit。关键变量操作化如下：未观测混杂Uit被建模为处理变量、观测协变量和因子项的线性函数；敏感性参数包括βu（U对结果的影响系数）和λ（U的生成系数向量，包括λ0、λd、λx、λf）。处理效应定义为ATT = ∑i,t Ditδit / ∑i,t Dit，其中δit = Yit(1) − Yit(0)。
Data & Sample
- 蒙特卡洛模拟：模拟生成面板数据，具体N和T的取值在文中未完全展示（N/A），但模拟设计旨在评估不同混杂强度下方法的性能。
- 实证应用：使用关于战争对遗产税率影响的数据集。具体样本量、国家/地区范围、时间跨度、数据来源在提供的文本中未详细说明（N/A）。
Analytical Strategy
- 核心模型：BSA-LFM模型（公式13），将未观测混杂Uit纳入线性因子模型，Uit = λ0 + λdDit + X′itλx + λf(ωγ·γ̃i)′ft + νit，结果方程Yit = β0 + δitDit + X′itβ + βuUit + (ωγ·γ̃i)′ft + εit。
- 先验设定：对λ赋予正态先验，通过约束（c²₁ + c²₂ + c²₄ + c²₅ = 1）保证U的方差标准化为1；对βu和β赋予可交换先验，实现以观测混杂因素为基准的敏感性参数设定；对因子载荷采用连续收缩先验（Frühwirth-Schnatter and Wagner 2010的再参数化方法）。
- 计算策略：利用Gustafson（2005）的透明参数化技术开发高效MCMC算法，解决非识别模型中的收敛问题；引入随机置换步骤处理因子标签交换问题。
- 稳健性检验：通过蒙特卡洛模拟评估方法在不同混杂强度下的表现；与MCSA（Greenland 2003）进行比较，展示BSA因贝叶斯更新而产生的差异。
Results & Findings
- 方法有效性：蒙特卡洛模拟表明，BSA-LFM方法能够有效评估未观测时变混杂对处理效应估计的影响。当存在未观测混杂时，该方法能够正确反映估计的不确定性，且后验区间能够覆盖真实处理效应。
- 与MCSA的差异：由于收缩先验的引入，BSA方法能够从数据中间接学习敏感性参数βu，使得结果与不涉及贝叶斯更新的MCSA产生实质性差异。这表明，当U与观测协变量或因子项相关时，数据能够提供关于敏感性参数的额外信息，从而缩小推断的不确定性。
- 基准化先验的作用：通过将βu和β赋予可交换先验，研究者可以更系统地设定敏感性参数的先验，避免了传统频率学派方法中主观设定参数值的随意性。这一做法使得敏感性分析结果更具可解释性和可比性。
- 实证应用：在战争对遗产税率影响的案例中，该方法展示了如何通过基准化先验设定来评估结论对未观测混杂的稳健性。具体数值结果在提供的文本中未详细展示（N/A）。
- 与理论预期的关系：模拟结果验证了理论推导——当U与观测协变量或因子项相关时（即λx或λf非零），βu能够被实质性更新，从而获得更精确的推断，这与Gustafson et al.（2010）的理论预期一致。
Limitations
- 模型假设U为连续变量且服从线性模型，对于离散或非线性未观测混杂的适用性有限。
- 假设误差项独立同分布，未考虑序列相关或随机波动率等更复杂的误差结构（尽管作者指出可以扩展）。
- 假设因子项与观测协变量独立，未处理内生协变量的情况（作者指出可以扩展）。
- 方法依赖于研究者对先验超参数（如c₁至c₅）的选择，虽然比传统方法更系统，但仍存在一定的主观性。
- 实证应用中，战争对遗产税率影响的具体数据细节在提供的文本中未充分展示。
Key Contributions
- 提出了一个完全贝叶斯敏感性分析框架（BSA-LFM），专门针对因果面板数据模型中未观测时变混杂问题。
- 将Rubin（1978）的贝叶斯因果推断框架与McCandless et al.（2007）的参数化BSA框架相结合，建立了面板数据情境下敏感性分析的理论基础。
- 通过标准化约束和可交换先验，实现了以观测混杂因素为基准的敏感性参数先验设定，解决了BSA方法中先验选择缺乏指导的问题。
- 开发了基于透明参数化的高效MCMC算法，解决了非识别贝叶斯模型中的收敛问题。
- 展示了BSA与MCSA之间的实质性差异，强调了贝叶斯更新在敏感性分析中的重要性。
- 该方法允许处理效应异质性，并放松了观测协变量外生性的假设，拓展了敏感性分析在面板数据中的应用范围。
Key Claims
"Despite the recent methodological advancements in causal panel data analysis, concerns remain about unobserved unit-specific time-varying confounders that cannot be addressed by unit or time fixed effects or their interactions." (Abstract)
"We make two important contributions in this article. First, conceptually, our proposed method addresses a key challenge that is common to most existing non-BSA techniques for unobserved confounding: the specification of 'plausible' sensitivity parameter values." (Section 1, Introduction)
"Second, computationally, BSA often runs into convergence issues because the model with sensitivity parameters is by design nonidentified. To cope with this problem, we develop an efficient Markov chain Monte Carlo (MCMC) algorithm by utilizing the transparent parameterization proposed by Gustafson (2005)." (Section 1, Introduction)
"Moreover, the shrinkage prior assigned to the coefficient of unobserved confounder induces substantial indirect learning of the coefficient given data, making results based on BSA significantly different from those based on Monte Carlo sensitivity analysis (MCSA; Greenland 2003), a procedure that does not involve the Bayesian updating of sensitivity parameters." (Section 1, Introduction)
"We view this as a Bayesian analog of 'benchmarking' sensitivity parameters by observed pre-treatment confounders, as commonly done in frequentist approaches to make results of sensitivity analysis more interpretable (Cinelli and Hazlett 2020; Imbens 2003)." (Section 1, Introduction)