Instrument Validity Tests with Causal Trees : With an Application to the Same-sex Instrument

German Abstract: Die Verwendung von Instrumental Variablen (IV’s) zur Identifizierung von kausalen Effekten ist weit verbreitet in der empirischen Wirtschaftsforschung. Es ist jedoch fundamental unmöglich deren Validität zu beweisen. Annahmen zur Identifizierung von local average treatment effects (LATEs) generieren notwendige Bedingungen in den beobachteten Daten, die es erlauben, die Validität von IV’s zu widerlegen. Es existieren bereits entsprechende statistische Tests. Diese sind in der Praxis jedoch möglicherweise nicht in der Lage selbst starke Verletzungen der IV Validität zu entdecken. In diesem Papier verwenden wir neue Werkzeuge aus der Machine Learning Literatur um diese Tests zu verbessen. Insbesondere verwenden wir den Causal Tree (CT) Algorithmus von Athey und Imbens (2016) um im Kovariablen Raum direkt nach Verletzungen der LATE Annahmen zu suchen. Die neue Methode wird auf das „sibling sex“ Instrument in Zensusdaten aus China und den USA angewandt. Wir erwarten, dass das „sibling sex“ Instrument aufgrund von Präferenzen für Söhne statt Töchtern in den chinesischen Daten invalide ist. Wir finden allerdings, dass die existierenden Tests nicht in der Lage sind Verletzungen des IV’s festzustellen, während unser auf dem CT Algorithmus basierender Test Verletzungen findet