Förenklat sätt att studera felaktiga modellers följdfel

Inom det statistiska forskningsområdet kausal inferens studeras hur man skattar/estimerar orsakssamband mellan en behandling och ett utfall. Begreppet behandling används i en vid mening och kan avse en medicinsk behandling men även en annan åtgärd som exempelvis ett arbetsmarknadsprogram eller en policy.

Rapportförfattarna studerar en klass av estimatorer av kausala effekter som använder antaganden om parametriska modeller för delar av fördelningen för ett observerat data. Om de modellantaganden som görs inte stämmer så resulterar det i systematiska fel (bias) för skattningen av den kausala effekten.

Forskarna föreslår ett förenklat sätt att studera fel som uppstår som en konsekvens av de felaktiga modellerna. Deras metod används för att jämföra felens storlek för tre typiska semi-parametriska estimatorer, två estimatorer som använder modellbaserade skattningar som vikter och en estimator som kombinerar vikter och utfallsregression. Forskarna tar fram nödvändiga och tillräckliga villkor i jämförelser av estimatorernas storlek på felen. De villkor forskarna tar fram beskriver till exempel när det är bättre att använda två felaktiga modeller istället för en felaktig modell.

Författare till IFAU Working Paper 2017:23 "Model Misspecification and Bias for Inverse Probability Weighting and Doubly Robust Estimators" är Ingeborg Waernbaum, verksam vid Statistiska institutionen vid Umeå universitet samt på IFAU, och Laura Pazzagli vid Division of Statistics, Department of Economics på University of Perugia i Italien.