📈 economics

Dynamic covariate balancing: estimating treatment effects over time with potential local projections

Este artículo propone un método de equilibrio dinámico de covariables que permite estimar e inferir efectos de tratamientos en datos de panel con asignación secuencial y dependiente del historial, incluso cuando el número de características observables supera el tamaño de la muestra.

Autores originales: Davide Viviano, Jelena Bradic

Publicado 2026-02-24

📖 5 min de lectura🧠 Análisis profundo

CC0 1.0

Autores originales: Davide Viviano, Jelena Bradic

Artículo original dedicado al dominio público bajo CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

¡Claro que sí! Imagina que este artículo es como un manual de instrucciones para un chef experto que quiere saber exactamente cómo afecta un ingrediente secreto (el "tratamiento") al sabor final de un guiso, pero con un problema: el guiso se cocina en varias etapas, y el chef cambia los ingredientes y las especias día tras día basándose en cómo sabe el plato hasta ese momento.

Aquí tienes la explicación de la investigación de Davide Viviano y Jelena Bradic, traducida a un lenguaje sencillo y con analogías creativas:

1. El Problema: El "Guiso" que cambia constantemente

Imagina que quieres saber si comer verduras todos los días durante un año te hace más sano. Pero no es tan simple:

La dinámica: No solo comes verduras el día 1. Tal vez el día 2 comes más porque ayer te sentiste bien, o menos porque llovió.
El caos de datos: Tienes miles de variables (tu edad, el clima, cuánto dormiste, qué comiste ayer).
El error común: Los métodos tradicionales (como los que usan muchos economistas) intentan adivinar la probabilidad de que alguien coma verduras basándose en su historial. Pero si el historial es muy largo y complejo, esa "adivinanza" (llamada propensity score) se vuelve inestable, como intentar adivinar el clima de la próxima década con una bola de cristal rota. El resultado es un cálculo de salud muy impreciso.

2. La Solución: El "Equilibrio Dinámico" (DCB)

Los autores proponen un nuevo método llamado Equilibrio de Covariables Dinámico (DCB).

La analogía del "Equilibrio de Pesas":
Imagina que tienes dos grupos de personas: los que comieron verduras todos los días (el grupo de tratamiento) y los que no (el grupo de control). Para comparar sus resultados de salud, necesitas que ambos grupos sean idénticos en todo lo demás (edad, sueño, clima), excepto por las verduras.

El problema antiguo: En estudios estáticos (una sola foto), es fácil igualar a los grupos. Pero en estudios dinámicos (una película de 10 años), igualar a los grupos es como intentar equilibrar una torre de Jenga que se mueve sola. Si intentas usar las "probabilidades" (el método antiguo), la torre se cae porque los cálculos se vuelven locos.
La solución DCB: En lugar de adivinar las probabilidades, el método construye pesos paso a paso.
- Paso 1: En el año 1, ajusta las balanzas para que los que comieron verduras y los que no sean similares.
- Paso 2: En el año 2, toma esos ajustes del año 1 y vuelve a ajustar las balanzas para el año 2, considerando lo que pasó antes.
- El truco: Es como si fueras un director de orquesta que no intenta predecir qué nota tocará cada músico, sino que simplemente ajusta el volumen de cada instrumento en tiempo real para que la música (el resultado) suene perfecta y equilibrada, sin importar cuán caótica sea la partitura.

3. ¿Por qué es genial? (Las ventajas)

No necesita "adivinar" el futuro: Los métodos viejos necesitan saber exactamente por qué la gente eligió comer verduras (su "propensity score"). Si se equivocan en esa suposición, el resultado es basura. El método DCB es agnóstico: no le importa por qué eligieron comer verduras, solo se asegura de que los grupos estén equilibrados. Es como decir: "No me importa por qué decidiste ir a la fiesta, solo me importa que los que fueron y los que no tengan la misma edad y estilo".
Funciona con miles de datos: A veces tenemos demasiadas variables (tu historial médico, tus gustos musicales, el clima de tu ciudad). Los métodos antiguos se ahogan con tanta información. DCB usa una técnica llamada "Lasso" (como un lazo que atrapa solo la información importante) para manejar miles de variables sin volverse loco.
Estabilidad: Los métodos antiguos a veces dan resultados extremos (como decir que las verduras te curan el cáncer o te matan) porque un solo dato raro arruina el cálculo. DCB es como un amortiguador de coche: absorbe los baches y mantiene el viaje suave.

4. El Ejemplo Real: La Democracia y el Dinero

Los autores probaron su método con datos reales sobre si la democracia hace que los países sean más ricos (un estudio famoso de Acemoglu et al.).

El hallazgo: Los métodos antiguos decían que la democracia ayuda a la economía, pero el efecto era pequeño.
La revelación de DCB: Al usar su nuevo método de "equilibrio dinámico", descubrieron que el efecto de la democracia en la economía es el doble de grande y más claro.
¿Por qué? Porque los métodos antiguos estaban "desbalanceados". No comparaban a países que eran similares en su historia pasada. DCB corrigió ese desbalance y reveló la verdad oculta.

En resumen

Imagina que quieres saber si un entrenamiento de gimnasio te hace fuerte.

Método viejo: Intenta adivinar por qué la gente va al gimnasio y compara a los que van con los que no, pero se equivoca porque la gente cambia de opinión cada semana.
Método DCB (el de este papel): Es como un entrenador personal inteligente que, cada semana, reorganiza a los atletas en grupos perfectamente equilibrados basándose en su historial completo, sin importar por qué decidieron entrenar. Así, cuando miras al final del año, sabes con certeza que la fuerza extra vino del entrenamiento y no de la suerte o de otras variables.

La moraleja: Cuando las decisiones cambian con el tiempo y dependen de muchas cosas, no intentes predecir el "por qué". En su lugar, equilibra las balanzas paso a paso. ¡Y así obtendrás la respuesta correcta!

Aquí presento un resumen técnico detallado del artículo "Dynamic covariate balancing: estimating treatment effects over time with potential local projections" de Davide Viviano y Jelena Bradic.

1. Planteamiento del Problema

El artículo aborda el desafío de estimar e inferir efectos causales de tratamientos en datos de panel donde los tratamientos cambian dinámicamente a lo largo del tiempo. El objetivo principal es estimar el efecto promedio de diferentes historias de tratamiento (por ejemplo, el efecto de haber recibido tratamiento durante $h$ periodos consecutivos).

Los autores identifican dos limitaciones críticas en los enfoques existentes para este escenario:

Modelado explícito de la dinámica: Intentar modelar cómo los efectos del tratamiento se propagan a través de covariables y resultados intermedios en alta dimensión conduce a grandes errores de estimación y riesgo de mala especificación (misspecification).
Ponderación por Probabilidad Inversa (IPW/AIPW): Los estimadores clásicos basados en la puntuación de propensión (propensity score) son inestables en este contexto. La puntuación de propensión debe definir la probabilidad conjunta de toda la historia de tratamiento. En trayectorias largas, esta probabilidad puede acercarse a cero, generando pesos extremos y alta varianza. Además, requieren una especificación correcta del modelo de selección, lo cual es difícil en entornos observacionales con muchas covariables.

El problema se complica porque las unidades seleccionan dinámicamente el tratamiento basándose en covariables pasadas, resultados anteriores y tratamientos previos, violando a menudo los supuestos de tendencias paralelas requeridos por los diseños de Diferencia en Diferencias (DiD) estándar.

2. Metodología: Equilibrio de Covariables Dinámico (DCB)

Los autores proponen un nuevo método llamado Dynamic Covariate Balancing (DCB). Este enfoque combina proyecciones locales potenciales (potential local projections) con un mecanismo de reponderación secuencial.

A. Marco Teórico y Supuestos

Proyecciones Locales Potenciales: A diferencia de las proyecciones locales estándar (Jordà, 2005) que modelan resultados observados, DCB modela la esperanza de los resultados potenciales como una función lineal (aproximada) de las características pasadas (covariables, resultados y tratamientos previos). Esto evita imponer restricciones funcionales sobre el mecanismo de asignación del tratamiento.
Ignorabilidad Secuencial: Se asume que, condicionando a las características observables de alta dimensión y la historia pasada, el tratamiento actual es independiente de los resultados potenciales futuros.
No Anticipación: Los resultados intermedios dependen solo de tratamientos pasados, no futuros.

B. El Algoritmo de Estimación

El estimador se construye recursivamente en dos pasos principales para cada periodo $t$ :

Estimación de Coeficientes (Proyecciones):
Se estiman recursivamente los coeficientes de regresión ( $\hat{\beta}$ ) que relacionan los resultados potenciales con la historia pasada. Esto se realiza utilizando regresiones penalizadas (Lasso) para manejar la alta dimensión ( $p \gg n$ ).
- Paso 1: Regresar el resultado final $Y_T$ sobre la historia $H_T$ para obtener $\hat{\beta}^{(T)}$ .
- Paso 2: Regresar la predicción $H_T \hat{\beta}^{(T)}$ sobre la historia $H_{T-1}$ para obtener $\hat{\beta}^{(T-1)}$ , y así sucesivamente hasta el periodo inicial.
Construcción de Pesos de Equilibrio (Balancing Weights):
En lugar de usar IPW, el método resuelve una secuencia de programas cuadráticos para encontrar pesos $\hat{\gamma}_t$ que minimicen la varianza (norma $L_2$ ) sujeta a condiciones de equilibrio dinámico:
- Condición de Equilibrio: Los pesos deben equilibrar las características observables entre los grupos tratados y de control en cada periodo, reponderados por los pesos del periodo anterior.
- Formalmente, se busca que la diferencia entre la media de las covariables en la muestra ponderada y la media poblacional sea pequeña: $\| \bar{X} - \hat{\gamma}^\top X \|_\infty \approx 0$ .
- En periodos dinámicos, esto implica equilibrar la historia completa $H_t$ una vez reponderada por los pesos estimados en $t-1$ .

C. Estimador Final

El estimador del efecto del tratamiento es una combinación lineal de los resultados observados y las correcciones de regresión en cada periodo, ponderadas por los pesos $\hat{\gamma}$ obtenidos. Esto permite controlar el sesgo de alta dimensión sin depender de la estimación precisa de la puntuación de propensión.

3. Contribuciones Clave

Inferencia sin Propensión Correcta: A diferencia de los estimadores doblemente robustos (AIPW) que requieren que tanto el modelo de resultados como el de propensión se estimen consistentemente (con tasas de convergencia específicas), DCB solo requiere que el modelo de resultados (lineal) se estime con una tasa de error controlada ( $O_p(n^{-1/4})$ ). No requiere estimar la puntuación de propensión.
Estabilidad en Alta Dimensión y Series Temporales: El método evita la explosión de la varianza típica de los pesos IPW en trayectorias de tratamiento largas, ya que los pesos de equilibrio se optimizan para minimizar la varianza del estimador mientras satisfacen las restricciones de equilibrio.
Generalización de Proyecciones Locales: Extiende el marco de proyecciones locales (común en macroeconomía) al contexto de inferencia causal con datos de panel y tratamientos dinámicos, identificando parámetros sobre resultados potenciales en lugar de observados.
Garantías Teóricas: Se demuestra que el estimador tiene una tasa de convergencia paramétrica ( $O_p(n^{-1/2})$ ) incluso cuando el número de covariables crece más rápido que el tamaño de la muestra, y se establece la normalidad asintótica para la inferencia.

4. Resultados Principales

Resultados Teóricos

Existencia de Soluciones: Se prueba que, bajo condiciones de solapamiento (overlap) y colas sub-gaussianas, existe una solución factible para los pesos de equilibrio que minimizan la varianza.
Tasa de Convergencia: El estimador del efecto promedio del tratamiento (ATE) converge a la tasa paramétrica $n^{-1/2}$ , permitiendo inferencia válida.
Robustez: El sesgo del estimador es de orden superior a $n^{-1/2}$ , lo que garantiza que el error de estimación de los coeficientes no domine el error total, siempre que se cumplan las condiciones de equilibrio dinámico.

Resultados Empíricos y Simulaciones

Simulaciones: En estudios de Monte Carlo con datos de panel, covariables de alta dimensión y selección dinámica de tratamiento, DCB supera consistentemente a:
- IPW y AIPW (incluso cuando la puntuación de propensión es conocida).
- Estimadores de Doble Lasso dinámicos.
- Proyecciones Locales estándar (Simple LP) y diseños DiD.
- Métodos de equilibrio estático (MSM).
- La ventaja es particularmente notable cuando hay mala superposición (poor overlap) o trayectorias de tratamiento largas, donde los métodos IPW fallan debido a la alta varianza.
Aplicación Empírica (Democracia y Crecimiento): Utilizando datos de Acemoglu et al. (2019) sobre el efecto de la democracia en el crecimiento del PIB:
- DCB produce estimaciones de efectos a largo plazo significativamente más grandes y precisas que las regresiones lineales estándar o las proyecciones locales simples.
- Se observa un desequilibrio (imbalance) mucho menor en las covariables (especialmente en el PIB rezagado) con DCB en comparación con IPW, lo que sugiere una reducción del sesgo.
- Los pesos de DCB muestran una dispersión mucho menor que los pesos IPW, confirmando su mayor estabilidad en muestras finitas.

5. Significado e Impacto

Este trabajo es significativo porque proporciona una herramienta robusta para la inferencia causal en entornos de datos de panel con tratamientos dinámicos y alta dimensionalidad, un escenario común en economía, ciencias políticas y bioestadística pero difícil de abordar con métodos tradicionales.

Superación de limitaciones de DiD: Ofrece una alternativa válida cuando el supuesto de tendencias paralelas es violado por la selección dinámica de tratamientos.
Viabilidad en Alta Dimensión: Permite realizar inferencia causal sin necesidad de especificar correctamente modelos complejos de selección, algo crucial en la era de los "big data" donde el número de variables excede el número de observaciones.
Herramienta Práctica: Los autores proveen un paquete en R (DynBalancing) y guías prácticas para la implementación, incluyendo la selección de parámetros de ajuste y la gestión de paneles largos.

En resumen, DCB representa un avance metodológico al reemplazar la dependencia de la puntuación de propensión (que es inestable en dinámicas complejas) por un enfoque de equilibrio de covariables secuencial, logrando estimaciones más precisas, estables y con inferencia válida en condiciones realistas y desafiantes.