Bounding Treatment Effects by Pooling Limited Information across Observations

Resumen Técnico: Acotación de Efectos del Tratamiento mediante la Agrupación de Información Limitada entre Observaciones

Enunciado del Problema
El artículo aborda el desafío de estimar los Efectos Promedio del Tratamiento (ATE) y los Efectos Promedio del Tratamiento sobre los Tratados (ATT) bajo el supuesto de no confusión cuando se viola la condición de superposición o cuando las variables de condicionamiento adoptan un gran número de valores distintos en relación con el tamaño de la muestra. En tales escenarios de "superposición limitada" o de alta dimensionalidad, el ponderamiento estándar por puntuación de propensión inversa (IPS) falla porque la puntuación de propensión no puede estimarse consistentemente, lo que conduce a una varianza infinita o a un comportamiento asintótico no uniforme. Por el contrario, confiar únicamente en los límites de Manski (que no requieren superposición) produce intervalos extremadamente amplios que a menudo carecen de informatividad. Los autores señalan que los métodos existentes, como el recorte o el ponderamiento por superposición, alteran el parámetro de interés, mientras que los métodos de extrapolación dependen de modelos potencialmente mal especificados.

Metodología
Los autores proponen un marco novedoso para construir límites que ocupen un espacio intermedio entre la "no agrupación" de los límites de Manski y la "agrupación ilimitada" requerida para la identificación puntual mediante el ponderamiento IPS.

1. Agrupación Limitada: La innovación central consiste en construir límites como promedios muestrales de funciones de los resultados observados, donde la contribución de cada resultado depende únicamente del estado de tratamiento de un número limitado de observaciones que comparten valores de covariables similares.
2. Orden de los Límites:
   • Límites de Primer Orden ($Q=1$): Corresponden a los límites estándar de Manski, utilizando solo el resultado individual y el estado de tratamiento, sin requerir superposición.
   • Límites de Segundo Orden y Superiores ($Q \ge 2$): Utilizan información de pares o pequeños grupos de observaciones con valores de covariables idénticos (o agrupados). Al aprovechar el supuesto de no confusión dentro de estos pequeños grupos, los autores derivan límites más ajustados.
3. Puntuación de Propensión de Referencia: Los límites se parametrizan mediante una "puntuación de propensión de referencia" $p^*(x)$. Los límites permanecen válidos independientemente del valor de $p^*(x)$. Sin embargo, si $p^*(x)$ está cerca de la puntuación de propensión verdadera $p(x)$, los límites se vuelven afilados (óptimos en términos de ancho esperado). Esto permite a los investigadores incorporar conocimiento previo o estimaciones simples (por ejemplo, la proporción global de tratamiento) sin arriesgar la invalidez si la suposición es incorrecta.
4. Generalización a Órdenes Superiores: El artículo generaliza estos límites a un orden arbitrario $q$. Los límites se construyen como polinomios en la puntuación de propensión desconocida $p(x)$. Para hacerlos factibles, los términos que involucran $[p(x)]^r$ se reemplazan por productos de indicadores de tratamiento de $r$ observaciones distintas dentro del mismo grupo de covariables.
5. Manejo de Covariables Continuas: Dado que el marco teórico asume covariables discretas para permitir valores repetidos, los autores proponen un procedimiento práctico de agrupamiento (agrupamiento jerárquico aglomerativo) para agrupar las covariables continuas en intervalos. Esto crea un conjunto finito de valores de covariables "efectivos", permitiendo la aplicación de los límites.
6. Inferencia: Los autores desarrollan intervalos de confianza asintóticamente válidos. Tratan los grupos distintos de covariables como el tamaño de muestra efectivo ($m$). Abordan el problema de los intervalos de confianza potencialmente vacíos (donde el límite inferior excede al límite superior en muestras finitas) construyendo una unión de intervalos basada en Stoye (2020), asegurando que el intervalo final nunca esté vacío mientras se mantiene la cobertura asintótica.

Contribuciones Clave

• Límites Novedosos: El artículo proporciona el primer método sistemático para derivar límites válidos sobre ATE y ATT que son robustos a la superposición limitada y a covariables de alta dimensionalidad sin requerir la condición de superposición ni la estimación consistente de la puntuación de propensión.
• Robustez ante la Especificación Incorrecta: A diferencia de los estimadores IPS, estos límites permanecen válidos incluso si la puntuación de propensión de referencia está mal especificada. Ofrecen una "red de seguridad" que se estrecha a medida que la puntuación de referencia se acerca a la verdad, pero no colapsa si no lo hace.
• Validez en Muestras Finitas: La metodología está diseñada para escenarios donde el número de valores distintos de covariables es grande en relación con el tamaño de la muestra, un régimen donde falla la estimación no paramétrica estándar.
• Procedimientos de Inferencia: El artículo establece la normalidad asintótica de los límites muestrales y proporciona un procedimiento concreto para construir intervalos de confianza válidos y no vacíos.

Resultados

• Experimentos de Monte Carlo: Las simulaciones demuestran que cuando se cumple la condición de superposición y la puntuación de referencia es correcta, los límites propuestos son ajustados y comparables a los estimadores oráculo. Cuando se viola la superposición o la puntuación de propensión está mal especificada, los límites propuestos (particularmente con $Q=2, 3$) permanecen informativos y reflejan correctamente la identificación parcial, mientras que los estimadores IPS estándar y el emparejamiento por vecino más cercano exhiben un sesgo o dispersión significativos. Los límites mejoran los límites de Manski al estrechar el ancho del intervalo mientras mantienen la validez.
• Aplicaciones Empíricas:
  • Cateterismo Cardíaco Derecho (RHC): Aplicado a los datos de Connors et al. (1996), el método produce un intervalo de confianza del 95% para el ATT de $[-0.117, -0.006]$, excluyendo cero y sugiriendo un efecto negativo (aumento de la mortalidad). Esta conclusión se mantiene sin depender de la condición de superposición ni de un modelo logit correctamente especificado.
  • Programa de Empleo Temporal: Aplicado al submuestra Dehejia-Wahba y al grupo de control de PSID. Para la muestra Dehejia-Wahba (donde se preserva la aleatorización), los límites son ajustados y consistentes con las diferencias simples de medias. Para el grupo de control de PSID (donde la superposición es limitada), los límites se amplían significativamente para reflejar la incertidumbre, en contraste con los límites de Manski, que son aún más amplios.

Significado y Afirmaciones
Los autores afirman que su método ofrece un compromiso robusto entre el conservadurismo extremo de los límites de Manski y la fragilidad de los métodos de identificación puntual bajo superposición limitada. Al permitir una "agrupación limitada" de información, el enfoque aprovecha el supuesto de no confusión para ajustar los límites sin exigir los fuertes requisitos de datos (grandes tamaños de muestra locales) necesarios para la estimación de la puntuación de propensión. El artículo enfatiza que el método es particularmente valioso en entornos de alta dimensionalidad donde la estimación fiable de la puntuación de propensión es inviable. Los autores son modestos respecto a la discretización de covariables continuas, reconociéndola como una solución práctica que introduce un error de aproximación, cuyo análisis formal se deja para trabajos futuros. También señalan que, aunque sus límites son óptimos dentro de la clase de límites de "agrupación limitada" considerados, no afirman ser los límites óptimos globales posibles bajo todas las suposiciones concebibles.