Föreläsning 11 - Selection & Matching Flashcards
Vilka tre typer av selektion har vi?
Selection to treatment -> endogenitet
Selection in to sample - > Studerar bara vissa typer av personer
Bad controlls
Säg att vi har utfallsvariablen Yi och behandlingsdummyn Ci.
Visa med potential outcome framwork det klassiska uttrycket för behandlingseffekten.
Se koncept 11.
Vad är conditional indipendence assumption?
Vilken betydelse har det får vårt estimat?
Säg att vi har utfallsvariablen Y, behanding dummy C och kontrollvariabler X.
Se koncept 11.
Selection biaset försvinner när vi kontrollerar för observibles.
Förklara hur vi vet vilket tecken effekten av vår OVB får.
Se koncept 11.
Förklara vad dåliga kontroller är.
Dåliga kontroller påverkas av behandlingen och påverkar Y.
Behandlingen går alltså direkt till Y men också genom kontrollen, vilket stänger ned en kanal av effekten till Y och effekten försvagas.
Tolkningen är att dåliga kontroller är ”post” treat medan bra är ”pre” treat.
Bad controls = other outcome variables -> ”mediators”
Förklara givet Ference sätt effekten av dåliga kontroller givet ekvationen Wages = bo + b1College_i + ε_i
Sen har vi kontrollen White Collor worker = W.
Se koncept 11.
Vad är palmers Uttryck för Selection bias med bad controls?
Se koncept 11.
Givet ett nummeriskt exempel i Koncept 11, räkna ut AVE (ITE?), TOT och ATE.
Se koncept 11.
Vilket problem löser man med matchning?
Selection on observibles.
Givet behandlingsdummyn D, en observerbar kategorisk variabel X och utfallet Y, visa med potential outcome framework hur vi får ATE och TOT estimatorerna!
Se koncept 11.
Vad är den konceptuella skillnaden mellan OLS-, TOT matching-, och ATE matchingestimatornerna?
- OLS estimering ger mest vikt till cellerna med mest inom-cellvariation.
- TOT matching estimatorn ger mest vikt till cellerna med flest antal compliers
- ATE matching estimatorn ger mest vikt till cellerna med flest antal observationer.
Vad är propensity score matching?
Detta är ett sätt att komma runt problemet vid machning där vi jämför personer inom samma cell vilket blir knepigt när vi har mycket celler, dvs många värden på X.
Här är tanken att vi inte behöver jämföra personer som är exakt likadana i termer av X, utan det räcker med att jämföra personer som har samma sannolikhet att bli behandlade. En kombination av en uppsättning av olika X kommer ge samma sannolikhet som en annan kombination av X för en annan person. Vi får då ned alla dimentionerna till endast EN!
Vi behöver alltså bara hitta personer som har sannolikhet att ta upp behandlingen.
Detta görs i tre steg.
- Estimera en probit/logit givet våra X och få fram en sannolikhet att bli behandlad = en propensity score.
- Matcha personer
- Räkan TOT eller ATE estimatorn!
Vad är för och nackdelar med vanlig matchning?
Fördelar:
• Det är bra då det är icke-parametriskt och vi inte behöver göra något antagande om vilken funktionell form som kontrollvariablerna har!
• Väldigt simpelt och transparent upplägg
Nackdelar
• Det blir väldigt svårare när man har många värden på X (om den är kontinnuerlig t.ex) och framförallt om man har väldigt många olika X! Vi får för mycket dimensioner då!
