Zerlegung und Interpretation von Behandlungseffekten in Settings mit verzögertem Ergebnis
Author
Venue
Journal of Political Economy
Abstract
Dieser Beitrag untersucht Situationen, in denen der Analyst daran interessiert ist, den durchschnittlichen kausalen Effekt einer binären Behandlung auf ein Ergebnis zu identifizieren und zu schätzen. Wir betrachten ein Szenario, in dem die Ergebnisrealisierung nicht unmittelbar nach der Behandlungszuweisung erfolgt – ein Merkmal, das in empirischen Situationen allgegenwärtig ist. Der Zeitraum zwischen der Behandlung und der Realisierung des Ergebnisses ermöglicht es, dass andere beobachtete Handlungen stattfinden und das Ergebnis beeinflussen. In diesem Zusammenhang untersuchen wir mehrere regressionsbasierte Schätzgrößen, die in der empirischen Forschung routinemäßig verwendet werden, um den durchschnittlichen Behandlungseffekt zu erfassen, und beleuchten deren Interpretation im Hinblick auf Ceteris-paribus-Effekte, indirekte kausale Effekte und Selektionseffekte. Wir gelangen zu drei wesentlichen und miteinander verbundenen Erkenntnissen. Erstens erfüllen die drei gängigsten Schätzgrößen im Allgemeinen nicht das, was wir als „starke Vorzeichenbeibehaltung“ bezeichnen, in dem Sinne, dass diese Schätzgrößen negativ sein können, selbst wenn die Behandlung das Ergebnis unter der Bedingung jeder möglichen Kombination anderer Handlungen positiv beeinflusst. Zweitens erfüllt die gängigste Regression, die die anderen Handlungen als Kontrollvariablen einbezieht, die starke Vorzeichenbeibehaltung genau dann, wenn diese Handlungen sich gegenseitig ausschließende binäre Variablen sind. Schließlich zeigen wir, dass eine lineare Regression, die die anderen Maßnahmen vollständig stratifiziert, zu Schätzgrößen führt, die die starke Vorzeichenbeibehaltung erfüllen.
