Essays on causal inference in econometrics

Diese Doktorarbeit besteht aus vier Studien, die auf dem Konzept der kausalen Inferenz basieren. Zwei empirische Studien untersuchen, ob eine Abhängigkeit von Wohlfahrtshilfe die Gesundheit und das Gesundheitsverhalten beeinflussen kann. Die beiden restlichen Arbeiten sind methodische Studien über Treatmenteffekte, die eine neue Inferenzmethode einführen und diese neben einer Vielzahl von anderen Methoden analysieren. In der ersten Studie wird untersucht, ob Abhängigkeit von Wohlfahrtshilfe einen Einfluss auf die Gesundheit und das Gesundheitsverhalten hat. Die empirische Analyse verwendet mehrperiodische Umfragedaten, um die Auswirkungen des deutschen Wohlfahrtshilfeprogramms Hartz IV auf Gesundheit zu studieren. Basierend auf einer Stichprobe von Wohlfahrtshilfeempfängern vergleicht diese Analyse die Gesundheit zweier Gruppen: Personen, die weiterhin Wohlfahrtshilfe beziehen und Personen, die die Wohlfahrtshilfe nicht mehr benötigen. Die Ergebnisse lassen darauf schliessen, dass eine Abhängigkeit von Wohlfahrtshilfe die Gesundheit und Sportverhalten negativ beeinflussen kann. In der zweiten Studie wird eine Mediationsanalyse durchgeführt, um potentielle Kanäle zu identifizieren, die die Gesundheit von Wohlfahrtshilfeempfängern beeinflussen können. Hier wird ein speziell für diese Analyse adaptiertes semi-parametrisches Schätzverfahren eingesetzt. Die Resultate zeigen, dass Beschäftigung zur Verbesserung der Gesundheit von Männern und älteren Personen, die keine Wohlfahrtshilfe mehr beziehen, beitragen kann. Bei Frauen hingegen wirken sich andere Faktoren - zusammengefasst als direkte Effekte von Unabhängigkeit von Wohlfahrtshilfe - positiv auf deren Gesundheit aus. Für jüngere Personen hat der Bezug von Wohlfahrtshilfe keine Auswirkungen auf die Gesundheit. In der dritte Studie werden verschiedene Inferenzmethoden für Schätzverfahren von Treatmenteffekten in kleinen Stichproben analysiert. In Simulationen mit empirischen Daten werden Konfidenzintervalle und p-Werte bestimmt, die sowohl auf analytisch berechneten Varianzen also auch auf Bootstrapmethoden beruhen. Die Evidenz zeigt, dass die Bootstrapmethoden generell genauer und schärfer sind als die analytischen Variixanzmethoden. Unterschiedliche Spezifikationen hinsichtlich der Stichprobengrösse, der Treatmentselektivität, der Effektheterogenität sowie der Zusammensetzung der Treatmentgruppe haben keinen Einfluss auf die Simulationsergebnisse. Die letzte Studie stellt eine "wilde" Bootstrap-Methode vor, die die Verteilung von Propensity Score Matching-Schätzern approximiert. Bei dieser Methode werden die unabhängigen Variablen konstant gehalten und die Approximation erfolgt durch eine zufällige Störung der Martingalrepresentation von Matching-Schätzern. Anhand einer Monte Carlo Simulation und einer empirischen Anwendung wird die Inferenzmethode in kleinen Stichproben getestet. Die Resultate zeigen, dass diese neue Bootstrap-Methode höhere Überdeckungswahrscheinlichkeiten von Konfidenzintervallen aufweist als ein Wurzel-n-konsistenter Schätzer.