PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.27299v1stat.ME

검정력의 환상 너머: 관찰 정보시스템 연구에서 준실험의 보정

Beyond the Illusion of Power: Calibrating Quasi-Experiments in Observational IS

정보시스템(IS) 연구자들은 관찰 패널 데이터에서 인과 효과를 추정하기 위해 차분의 차분(DiD) 및 도구 변수(IV) 같은 준실험(quasi-experimental) 방법을 점점 더 많이 사용한다. 이러한 설계를 정당화하는 검정력(power) 계산은 i.i.d. 오류를 가정하지만, 더 근본적인 문제는 클러스터-강건(robust) 계산기조차 포착하지 못하는 것이다. 우리는 9837개 매개변수 조건(약 980만 개 데이터셋)에 걸친 Monte Carlo 연구를 보고하고, 계획 대비 달성 검정력 격차를 분해한다. 시계열 상관(serial-correlation) 성분은 rho가 알려져 있을 때 AR(1)을 고려한 계산기로 복원 가능하며, rho를 짧은 사전 기간에서 추정해야 할 때는 부분적으로 가능하지만, 패널 이탈(attrition), 시차 도입(staggered-adoption) 바이어스, 평행 추세(parallel-trends) 사전검정은 어떤 폐형식 공식으로도 포착되지 않는다; 외생적 이탈만으로도 IS 연구에서 흔히 쓰는 수백~수천 규모 표본에서 약 8~11 퍼센트포인트를 잃는다. 처치와 상관되고 결과에 의존하는 이탈은 검정력 손실뿐 아니라 바이어스를 유발한다. IV의 경우 1단계 F를 고정하면 더 큰 N은 검정력을 높이지도 배제 제약(exclusion restriction) 바이어스를 줄이지도 않지만, 고정된 도구 변수에 더 많은 데이터는 1단계를 더 날카롭게 하므로, 식별은 표본 크기가 아니라 도구 변수 강도에 달려 있다.