Augmenting propensity score equations to avoid misspecification bias

Beschreibung

"Propensity Score Matching ist eine semi-parametrische Methode zur Drittvariablenkontrolle bei der Schätzung kausaler Effekt eines Treatments, einer Intervention oder einer Handlung auf eine bestimmte Zielvariable. Propensity-Scores werden typischerweise unter Verwendung parametrischer Modelle für binäre Ergebnisse geschätzt, etwa der logistischen Regression. Daher stellt sich trotzdem die Frage der korrekten Modellspezifikation, selbst wenn der kausale Effekt in der gematchten Stichprobe nichtparametrisch geschätzt wird. Studien zeigen, dass eine falsche Spezifikation der Propensity-Score-Gleichung zu verzerrten Schätzungen führen kann. Um solche Verzerrungen zu vermeiden, haben Dehejia und Wahba und kürzlich Imbens und Rubin Algorithmen zur Anreicherung der Propensity-Score-Gleichung mit Termen vorgeschlagen, welche eine potenzielle Nichtlinearität und Nichtadditivität in der Modellspezifikation abbilden sollen. In der vorliegenden Arbeit wird eine Monte-Carlo-Simulation durchgeführt und es zeigt sich, dass die Verzerrung aufgrund von Fehlspezifikation in vielen Situationen eher klein ist. Wenn jedoch die Propensity-Score-Gleichung und/oder die Outcome-Gleichung durch starke Nichtlinearität und Nichtadditivität gekennzeichnet sind, kann die Fehlspezifizierungs-Vorspannung schwerwiegend sein. Anreicherungsalgorithmen reduzieren solche Verzerrungen oft erheblich. Der Dehejia-Wahba Algorithmus scheint hierzu besser geeignet als der Algorithmus von Imbens-Rubin (2015), insbesondere dann, wenn auch die Ergebnisgleichung stark nichtlinear und nichtadditiv ist." (Autorenreferat, © Springer-Verlag)

Zitationshinweis

Krug, Gerhard (2017): Augmenting propensity score equations to avoid misspecification bias. Evidence from a Monte Carlo simulation. In: Wirtschafts- und Sozialstatistisches Archiv, Jg. 11, H. 3/4, S. 205-231. DOI:10.1007/s11943-017-0212-x