Assessing bias in the estimation of causal effects: Rosenbaum bounds on matching estimators and instrumental variables estimation with imperfect instruments

Abstract

"Propensity score matching provides an estimate of the effect of a 'treatment' variable on an outcome variable that is largely free of bias arising from an association between treatment status and observable variables. However, matching methods are not robust against 'hidden bias' arising from unobserved variables that simultaneously affect assignment to treatment and the outcome variable. One strategy for addressing this problem is the Rosenbaum bounds approach, which allows the analyst to determine how strongly an unmeasured confounding variable must affect selection into treatment in order to undermine the conclusions about causal effects from a matching analysis. Instrumental variables (IV) estimation provides an alternative strategy for the estimation of causal effects, but the method typically reduces the precision of the estimate and has an additional source of uncertainty that derives from the untestable nature of the assumptions of the IV approach. A method of assessing this additional uncertainty is proposed so that the total uncertainty of the IV approach can be compared with the Rosenbaum bounds approach to uncertainty using matching methods. Because the approaches rely on different information and different assumptions, they provide complementary information about causal relationships. The approach is illustrated via an analysis of the impact of unemployment insurance on the timing of reemployment, the postunemployment wage, and the probability of relocation, using data from several panels of the Survey of Income and Program Participation (SIPP)." (author's abstract)

"Propensity score matching ermöglicht die verzerrungsfreie Abschätzung der Kausalwirkung einer "treatment"-Variable auf eine Ergebnisvariable sofern Verzerrungen allein aus dem Zusammenhang zwischen Kausalfaktor und beobachteten Kovariaten resultieren. Matchingverfahren sind allerdings anfällig für Schätzverzerrungen aufgrund von "hidden bias" durch unbeobachtete Variablen, die sowohl die Zuweisung des Kausalfaktors als auch die Ergebnisvariable bestimmen. Im letzteren Fall besteht eine mögliche Strategie darin, mit Hilfe der Methode der sogenannten Rosenbaumschranken abzuschätzen, wie stark der Einfluss unbeobachteter Kovariaten auf die Zuweisung des Kausalstatus sein müsste, um die beabsichtigten Schlussfolgerungen im Hinblick auf den interessierenden kausalen Effekt qualitativ zu verändern. Instrumentalvariablenschätzer (IV) wären ein zweites Verfahren, um in dieser Situation kausale Effekte abschätzen zu können, allerdings führt das Verfahren in der Regel zu wenig präzisen Schätzungen und beinhaltet in der Anwendung zusätzliche Unsicherheiten aufgrund der empirisch nicht testbaren Annahmen des IV-Ansatzes. In diesem Aufsatz wird eine Methode zur Abschätzung dieser Unsicherheiten vorgeschlagen, wodurch die potentiellen Verzerrungen innerhalb einer IV-Schätzung mit den durch die Rosenbaumschranken abgeschätzten Verzerrungen innerhalb eines entsprechenden Matchingansatzes verglichen werden können. Da diesen Verfahren jeweils unterschiedliche Informationsgrundlage sowie unterschiedliche Annahmen zugrunde liegen, erbringen sie komplementäre Informationen über den Gehalt kausaler Beziehungen. Wir illustrieren die vorgeschlagene Vorgehensweise anhand einer Analyse des kausalen Effekts der Arbeitslosenversicherung auf die Dauer der Arbeitslosigkeit, den Lohn bei Wiederbeschäftigung sowie der Wahrscheinlichkeit geographischer Mobilität auf der Basis von Daten des amerikanischen Survey of Income and Program Participation (SIPP)." (Autorenreferat)