Mortgage and Childbirth: Opportunity or Burden?
11-14 сентября 2025 состоялась международная конференция по эконометрике и анализу больших данных (ICEBDA2025) на базе университета Bilgi в Стамбуле, Турция.
The International Conference on Econometrics and Big Data Analysis.
На пленарном заседании выступил Нобелевский лауреат (2021) Хидо Имбенс, представив новый метод оценки причинно-следственных связей в панельных данных (Triply Robust Panel Estimator).
На секции по микроэконометрике домохозяйства и здоровья был представлен доклад сотрудников ИРГ: Evgrafova Rufina (HSE), Vakulenko Elena (HSE), Trofimenko Ilya (HSE) Mortgage and Childbirth: Opportunity or Burden?
Подробнее в программе конференции по ссылке.
Немного о докладе Хидо Имбенс.
Triply Robust Panel Estimator: новая эра оценки причинных эффектов в панельных данных
↔️ Что не так с классикой?Разность разностей (DID), фиксированные эффекты (TWFE) и синтетический контроль (SC) – давно стали базовыми инструментами эмпирической оценки. Но:🟤DID требует параллельных претрендов – редко выполняется в реальных данных
🟤SC использует одни и те же веса по юнитам, независимо от временного периода
🟤Обе методики жёстко фиксируют веса и плохо работают при неоднородных или сложных схемах назначения воздействия
🟤Matrix Completion / Interactive Fixed Effects моделируют исход, но игнорируют сам процесс воздействия
А в реальности: данные сложные, тренды – нелинейные и не параллельные, воздействие вводится поэтапно. Ни один классический метод не защищён от смещения при нарушении предпосылок
В своем препринте Сьюзан Эйти, Хидо Имбенс, Чжаонань Цюй, Давиде Вивиано предложили новый метод TROP (Triply Robust Panel Estimator), который призван решить эти проблемы
↔️ Как работает TROP?Новый метод TROP объединяет лучшие идеи из всех вышеуказанных подходов:
1️⃣ Веса по юнитам — как в SC: находят контрольные юниты, похожие на те, что попали под воздействие
2️⃣ Веса по времени — новшество! Учитывает, что недавние периоды могут быть более информативны
3️⃣ Регрессионная корректировка — как в Matrix Completion: латентные факторы улавливают скрытые тренды
❗️Главное – "тройная робастность":Оценка будет асимптотически несмещённой, если хотя бы один из трёх компонентов корректен. Это свойство никакой другой метод не имеет
↔️ Что показали симуляции?В статье проведены симуляции на известных датасетах:
🟤CPS (з/п, безработица, законы)
🟤PWT (ВВП, демократия)🟤Германия, Баскский регион, курение, "Boatlift"Результат:TROP – лучший по RMSE в 20 из 21 сценария. DID может ошибаться в 9 раз сильнее, SC – в 5 раз
↔️ Выводы для прикладного исследователя
🟤Будьте аккуратны с предпосылками и не верьте в универсальные максимы
🟤SC и DID работают только при своих (сильных) предпосылках
🟤Чуть более мягкие предпосылки имеют TROP или SDID, они справляются гораздо лучше, особенно если структура данных сложная
🟤Оптимальный подход – протестировать несколько методов
