Matrix completion and factor models in causal inference: establishing a new standard

Abstract

Η παρούσα εργασία διεισδύει στο προσκήνιο των μεθοδολογιών αιτιώδους συμπερασματολογίας, με ιδιαίτερη έμφαση στον αναδυόμενο τομέα των μοντέλων αιτιωδών παραγόντων. Ειδικότερα, οι εκτιμητές που εισάγονται από Xu (2017) και Athey et al. (2021) αποτελούν ουσιαστική πρόοδο, προσφέροντας μια χαλάρωση των υποθέσεων προσδιορισμού που σχετίζονται με τον παραδοσιακό Two-Way Fixed Effects (TWFE) εκτιμητή, ενισχύοντας έτσι τη μεθοδολογική ευελιξία. Παρά τις δυνατότητές τους, τα εν λόγω μοντέλα έχουν συγκεντρώσει σχετικά μέτρια προσοχή, με συνδυασμένο αριθμό αναφορών 1.484 στο Google Scholar. Αυτό έρχεται σε πλήρη αντίθεση με τους εναλλακτικούς εκτιμητές τύπου Differences-in-Differences (DiD), με παράδειγμα τους Callaway and Sant'Anna (2021), οι οποίοι, παρά το γεγονός ότι είναι μεταγενέστερη εργασία, έχουν λάβει πάνω από 4.000 αναφορές, γεγονός που υποδηλώνει μια σημαντική διαφορά στην επιστημονική αναγνώριση τους. Αυτή η εργασία αποσκοπεί στην σύγκριση της αποτελεσματικότητας των μοντέλων αιτιώδους παραγόντων έναντι τόσο των εναλλακτικών εκτιμητών τύπου DiD όσο και του κλασικού TWFE σε μια ποικιλία σεναρίων χρησιμοποιώντας προσομοιώσεις Monte Carlo. Επιπλέον, η παρούσα εργασία εφαρμόζει αυτές τις καινοτόμες μεθόδους σε μια εμπειρική εφαρμογή, αξιολογώντας τον αντίκτυπο μιας κλιμακωτής παρέμβασης πολιτικής στις ελληνικές επιχειρήσεις, όπου παρατηρήθηκε σημαντική θετική επίδραση διάρκειας πέντε μηνών. Μέσω μιας ολοκληρωμένης ανάλυσης, η μελέτη αυτή επιδιώκει να συμβάλει στην ευρύτερη κατανόηση και εφαρμογή της αιτιώδους συμπερασματολογίας και υποστηρίζει μια διαφοροποιημένη εννοιολογική στροφή προς τα μοντέλα αιτιώδους παραγόντων, προτείνοντάς τα ως τις νέες μεθοδολογίες αναφοράς στις εμπειρικές εφαρμογές.

This thesis delves into the forefront of causal inference methodologies, with a particular emphasis on the emergent domain of Causal Factor Models. Notably, the estimators introduced by Xu (2017) and Athey et al. (2021) represent substantial advancements by offering a relaxation of the identifying assumptions associated with the traditional Two-Way Fixed Effects (TWFE) estimator, thereby enhancing methodological flexibility. Despite their potential, these models have garnered relatively modest attention, with a combined citation count of 1,484 on Google Scholar. This is in stark contrast to the Alternative Differences-in-Differences (DiD)-type estimators, exemplified by Callaway and Sant’Anna (2021), which, despite being a later work, has received over 4,000 citations, indicating a considerable disparity in scholarly recognition. This thesis aims to rigorously compare the efficacy of Causal Factor Models against both Alternative DiD-type estimators and the canonical TWFE specification across a variety of scenarios utilizing Monte Carlo simulations. Additionally, this thesis applies these innovative methods to an empirical application, assessing the impact of a staggered policy intervention on Greek businesses, wherein a significant positive effect lasting five months was observed. Through this comprehensive analysis, the study seeks to contribute to the broader understanding and application of causal inference and advocates for a nuanced conceptual shift towards Causal Factor Models, suggesting them as the new benchmark methodologies in empirical applications.