📊 statistics

Structural Nested Mean Models Under Parallel Trends Assumptions

Este artículo vincula la Diferencia en Diferencias variante en el tiempo y los Modelos de Media Anidada Estructural al demostrar que los SNMM son identificables bajo supuestos de tendencias paralelas condicionales, permitiendo así que los investigadores estimen una gama más amplia de efectos causales, incluyendo la heterogeneidad variante en el tiempo y las estrategias de tratamiento dinámicas, al tiempo que proporciona métodos para el análisis de sensibilidad y la estimación de regímenes óptimos.

Autores originales: Zach Shahn, Oliver Dukes, Meghana Shamsunder, David Richardson, Eric Tchetgen Tchetgen, James Robins

Publicado 2026-07-03

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Zach Shahn, Oliver Dukes, Meghana Shamsunder, David Richardson, Eric Tchetgen Tchetgen, James Robins

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ 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

Imagina que eres un detective tratando de descubrir la verdadera relación de causa y efecto entre dos cosas: un tratamiento (como una nueva política, una inundación o un cambio de temperatura) y un resultado (como las primas de seguros, el rendimiento de los cultivos o las puntuaciones en exámenes).

Normalmente, para resolver este misterio, necesitas un "grupo de control" (personas que no recibieron el tratamiento) que sea exactamente igual al "grupo de tratamiento" en todos los sentidos, excepto por el tratamiento en sí. En el mundo de la estadística, esto se llama la suposición de "No Confusión No Observada". Es como decir: "La única razón por la que estos dos grupos son diferentes es porque uno recibió la medicina y el otro no".

Sin embargo, en el mundo real, las personas y los lugares son caóticos. Hay factores ocultos (confusores) que no podemos medir y que podrían influir tanto en quién recibe el tratamiento como en lo que sucede después.

Este artículo presenta una nueva forma de resolver este misterio combinando dos herramientas de detective ya existentes: Diferencias en Diferencias (DiD) y Modelos de Medias Estructurales Anidadas (SNMM).

Aquí está el desglose de lo que hicieron, utilizando analogías sencillas:

1. Las Herramientas Viejas vs. El Nuevo Híbrido

La Herramienta de "Tendencias Paralelas" (DiD): Este es el método de detective clásico. Supone que, si el tratamiento no hubiera ocurrido, el grupo de tratamiento y el grupo de control habrían seguido el mismo camino (tendencia) a lo largo del tiempo. Piensa en dos corredores en una pista. Si están corriendo uno al lado del otro a la misma velocidad y, de repente, uno recibe un jetpack (el tratamiento), puedes medir el efecto del jetpack viendo qué tan rápido se vuelve en comparación con el otro corredor.
- El Problema: Esta herramienta suele ser limitada. Solo puede decirte el efecto promedio de comenzar un tratamiento. Le cuesta trabajo si el tratamiento cambia de valor repetidamente (como un termostato que sube y baja) o si quieres saber cómo cambia el efecto basado en detalles específicos (como "¿El jetpack funciona mejor para corredores pesados o ligeros?").
La Herza de "SNMM": Esta es una herramienta más compleja y flexible que puede responder todas esas preguntas detalladas (heterogeneidad, efectos sostenidos, etc.).
- El Problema: Históricamente, esta herramienta requería la estricta suposición de "No Confusión No Observada". Necesitaba estar segura de que no había factores ocultos arruinando las cosas.

El Gran Avance del Artículo:
Los autores demostraron que puedes usar la flexible herramienta SNMM incluso cuando solo tienes la suposición más débil de "Tendencias Paralelas". Demostraron que si los "corredores" habrían seguido el mismo camino sin el tratamiento, puedes usar el flexible SNMM para responder preguntas mucho más profundas de lo que permite el método DiD estándar.

2. ¿Qué puedes hacer con esta Nueva Superherramienta?

Debido a que este nuevo método es tan flexible, el artículo afirma que permite a los investigadores plantear preguntas que antes eran imposibles bajo las suposiciones de "Tendencias Paralelas". Estas son las "casos de detective" que ahora pueden resolver:

La Pregunta de "¿Quién se beneficia más?" (Heterogeneidad):
- Analogía: En lugar de solo preguntar "¿Funcionó el jetpack?", puedes preguntar: "¿Funcionó el jetpack mejor para corredores que ya estaban cansados (alto desempleo) frente a aquellos que estaban frescos?".
- Ejemplo del Artículo: Analizaron la expansión de Medicaid y encontraron que redujo las tasas de seguros más en condados con mayor desempleo.
La Pregunta del "Choque Único" (Efectos de Blip):
- Analogía: Imagina que un corredor recibe un empujón único (una inundación) y luego se detiene. ¿Ese único empujón cambió su velocidad para siempre, o volvió a la normalidad?
- Ejemplo del Artículo: Estudiaron cómo una sola inundación afectó la contratación de seguros contra inundaciones. Encontraron un gran pico en los seguros justo después de la inundación, que luego se desvaneció a medida que la gente "olvidaba" el peligro.
La Pregunta de "Mantenerlo Continuo" (Intervenciones Sostenidas):
- Analogía: ¿Qué pasa si el corredor mantiene el jetpack encendido durante toda la carrera? ¿Qué pasa si la temperatura sigue aumentando?
- Ejemplo del Artículo: Estudiaron los "Grados Día Acumulados" (una medida de calor). Calcularon qué sucede con el rendimiento de los cultivos si el calor se mantiene alto durante años, en lugar de solo mirar un cambio de una sola vez.
La Pregunta de "¿Qué pasa si detenemos otras cosas?" (Efectos Directos Controlados):
- Analogía: Si el jetpack funciona, pero solo porque también encendió accidentalmente el aire acondicionado, ¿cuál es el efecto del jetpack por sí solo?
- Ejemplo del Artículo: Observaron la expansión de Medicaid asumiendo que el salario mínimo no cambió. Esto aísla el efecto de Medicaid de otros cambios económicos.
La Pregunta de la "Escala Continua":
- Analogía: La mayoría de las herramientas DiD funcionan como un interruptor de luz (Encendido/Apagado). Esta nueva herramienta funciona como un regulador de intensidad (dimmer). Puede manejar tratamientos que son números (como la temperatura o los ingresos) donde todos comienzan en niveles diferentes.
- Ejemplo del Artículo: Los rendimientos de los cultivos y la temperatura no tienen una base de "cero" que todos compartan. Este método maneja ese caos.

3. La "Estrategia Óptima" (El Libro de Jugadas del Entrenador)

El artículo también toca una idea muy avanzada: Encontrar el Mejor Libro de Jugadas.
Si asumes que la regla de "Tendencias Paralelas" se cumple para cada posible estrategia que un entrenador pueda llamar, y que los factores ocultos no cambian cómo reaccionan los jugadores a esas estrategias, puedes calcular matemáticamente el régimen de tratamiento dinámico óptimo.

Analogía: En lugar de solo decir "Corre rápido", la herramienta puede decirle a un entrenador: "Si el jugador está cansado y está lloviendo, cambia a la defensa. Si están frescos y hace sol, cambia a la ofensiva".
Afirmación del Artículo: Muestran cómo estimar esta "mejor estrategia" usando su nuevo método, lo cual es un gran avance para campos como el Aprendizaje por Refuerzo (IA que aprende haciendo).

4. La Verificación de "¿Y si nos equivocamos?" (Análisis de Sensibilidad)

Los autores saben que "Tendencias Paralelas" es una suposición fuerte. ¿Qué pasa si los corredores no estaban realmente en el mismo camino desde el principio?

Proporcionan una herramienta de Análisis de Sensibilidad. Esto es como una "prueba de estrés". Puedes decirle a la computadora: "Está bien, asumamos que los factores ocultos estaban afectando las tendencias por esta cantidad". La herramienta luego recalcula los resultados para mostrarte un rango de posibilidades. Esto ayuda a los investigadores a ver qué tan robustas son sus conclusiones si sus suposiciones son ligeramente erróneas.

Resumen

En resumen, este artículo toma un modelo estadístico flexible y potente (SNMM) y le enseña cómo trabajar con la suposición de "Tendencias Paralelas" (usualmente reservada para modelos más simples).

¿El resultado? Los investigadores ahora pueden usar un método único y robusto para responder preguntas complejas sobre:

¿Quién se beneficia más?
¿Qué sucede después de un evento único frente a un cambio a largo plazo?
Cómo manejar tratamientos que son números continuos (no solo Sí/No).
Cómo encontrar la mejor estrategia posible para tratar pacientes o poblaciones a lo largo del tiempo.

Probaron esto con datos del mundo real relacionados con la expansión de Medicaid, inundaciones y rendimiento de cultivos, demostrando que funciona en la práctica.

Resumen Técnico: Modelos de Media Estructuralmente Anidados bajo Supuestos de Tendencias Paralelas

1. Planteamiento del Problema

El artículo aborda una brecha en la metodología de inferencia causal para estimar efectos de tratamiento variables en el tiempo sobre resultados continuos repetidos. Existen dos marcos dominantes que operan de forma aislada:

Diferencia en Diferencias (DiD) con tiempo variable: Ampliamente utilizado en economía y ciencias sociales, particularmente en entornos de "adopción escalonada". Los métodos estándar de DiD suelen depender del supuesto de "tendencias paralelas", pero a menudo están limitados a la estimación de efectos marginales de la iniciación del tratamiento (por ejemplo, el Efecto Promedio del Tratamiento sobre los Tratados, ATT) y tienen dificultades con la heterogeneidad del efecto variable en el tiempo, tratamientos continuos sin una línea base compartida, o intervenciones sostenidas donde los valores del tratamiento cambian repetidamente.
Modelos de Media Estructuralmente Anidados (SNMMs): Un marco flexible desarrollado por Robins y sus colegas para modelar la heterogeneidad del efecto variable en el tiempo y regímenes de tratamiento dinámicos complejos. Históricamente, los SNMMs se han identificado solo bajo el fuerte supuesto de "ausencia de confusión no observada" (intercambiabilidad secuencial), lo cual suele ser difícil de justificar en entornos observacionales.

El problema central es que los SNMMs ofrecen un conjunto más rico de estimandos causales (por ejemplo, efectos de intervenciones sostenidas, efectos directos controlados, regímenes dinámicos), pero carecen de identificación bajo los supuestos de "tendencias paralelas" más plausibles utilizados para justificar los métodos DiD. Por el contrario, los métodos DiD carecen de la flexibilidad para responder a preguntas sustantivas complejas modeladas por los SNMMs.

2. Metodología

Marco Central

Los autores vinculan estos dos enfoques demostrando que los SNMMs pueden identificarse de forma no paramétrica bajo un supuesto de Tendencias Paralelas Condicionales Variables en el Tiempo.

Notación: El artículo considera una cohorte observada desde el tiempo $0$ hasta el $K$ . En cada tiempo $m$ , los datos incluyen covariables $Z_m$ , tratamiento $A_m$ y resultado $Y_m$ . $\bar{L}_m$ representa un resumen de la historia de las covariables y del resultado hasta el tiempo $m$ .
Estimandos Causales: El artículo se centra en las funciones de blip (o de salto) $\gamma^*_{mk}(\bar{l}_m, \bar{a}_m)$ $γ_{mk}^{*} (\overset{ˉ}{l}_{m}, \overset{a}{ˉ}_{m})$ , que representan el efecto promedio condicional en el tiempo $k$ $k$ de recibir el tratamiento $a_m$ $a_{m}$ en el tiempo $m$ $m$ y luego seguir un régimen específico $g$ $g$ , comparado con seguir $g$ $g$ en el tiempo $m$ $m$ y en adelante.
- Casos especiales incluyen efectos de iniciación (donde $g$ es el régimen "no tratado" $\bar{0}$ ), efectos de intervención sostenida (donde $g$ es el régimen de "mantener el tratamiento previo"), y efectos directos controlados (usando tratamientos multidimensionales).
Supuesto de Identificación: Los autores proponen un supuesto de Tendencias Paralelas Condicionales Variables en el Tiempo. Para un régimen objetivo $g$ $g$ , el supuesto establece que, condicionado a la historia observada $\bar{L}_m$ $\overset{ˉ}{L}_{m}$ y a la historia del tratamiento hasta $m-1$ $m - 1$ , la tendencia esperada del resultado contrafáctico de $m$ $m$ en adelante no depende de si el tratamiento realmente recibido en $m$ $m$ ( $A_m$ $A_{m}$ ) habría sido asignado bajo $g$ $g$ .
- Formalmente: $E[Y_k(\bar{a}_{m-1}, g_m) - Y_{k-1}(\bar{a}_{m-1}, g_m) | \bar{A}_m = \bar{a}_m, \bar{L}_m] = E[Y_k(\bar{a}_{m-1}, g_m) - Y_{k-1}(\bar{a}_{m-1}, g_m) | \bar{A}_m = (\bar{a}_{m-1}, g_m(\bar{L}_m, \bar{a}_{m-1}), \bar{L}_m]$ .
- Crucialmente, este supuesto condiciona sobre la historia observada del tratamiento hasta $m-1$ y la historia de las covariables, evitando el condicionamiento sobre el tratamiento futuro (por ejemplo, grupos "nunca tratados") que a menudo hace que los supuestos estándar de DiD sean implausibles en presencia de confundidores variables en el tiempo.

Estrategia de Estimación

El artículo proporciona estimadores múltiplemente robustos para los parámetros de los SNMMs paramétricos:

G-Estimación: Los autores construyen ecuaciones de estimación basadas en la propiedad de que, bajo el supuesto de tendencias paralelas, una función de resultado específica "reducida por blip" (blipped-down) $H_{mk}(\gamma)$ se comporta como el resultado contrafáctico en que su tendencia condicional es independiente de $A_m$ .
Estimadores Doblemente Robustos (DR): El artículo propone estimadores DR-ML con ajuste cruzado (cross-fit). Estos estimadores siguen siendo consistentes si el modelo para el mecanismo de asignación del tratamiento (propensity score) o el modelo para la tendencia del resultado (función de molestia/nuisance) está correctamente especificado. Esto permite el uso de algoritmos de aprendizaje automático flexibles para estimar los parámetros de molestia.
Regímenes Óptimos: Bajo el supuesto más fuerte de que las tendencias paralelas se mantienen para todos los regímenes y que los confundidores no observados no modifican los efectos (modificación de efecto), los autores muestran cómo identificar y estimar regímenes de tratamiento dinámicos óptimos (A-learning) utilizando SNMMs.

Análisis de Sensibilidad

Reconociendo que las tendencias paralelas son imposibles de probar, los autores adaptan los métodos de análisis de sensibilidad para los SNMMs. Introducen una función de sesgo $c^g_{mk}$ para cuantificar las desviaciones del supuesto de tendencias paralelas. Al especificar un rango de funciones de sesgo plausibles, los analistas pueden producir un rango de estimaciones de efecto plausibles, permitiendo un análisis de sensibilidad de la heterogeneidad del efecto y de las cantidades derivadas.

3. Principales Contribuciones

Identificación de SNMMs bajo Tendencias Paralelas: La principal contribución teórica es demostrar que los SNMMs, anteriormente conocidos solo bajo la ausencia de confusión no observada, están identificados bajo un supuesto modificado de tendencias paralelas. Esto cierra la brecha entre la literatura de DiD y la de SNMM.
Estimandos Expandidos: Los resultados permiten a los profesionales estimar un conjunto más amplio de preguntas causales bajo tendencias paralelas, incluyendo:
- Heterogeneidad del efecto variable en el tiempo (por ejemplo, cómo los efectos de la expansión de Medicaid varían según la tasa de desempleo).
- Efectos duraderos de un único "blip" de tratamiento (por ejemplo, el impacto de una inundación única en la futura contratación de seguros).
- Efectos de intervenciones sostenidas donde los valores del tratamiento cambian repetidamente.
- Efectos de tratamientos de valor continuo sin una línea base compartida (por ejemplo, cambios de temperatura en los rendimientos agrícolas).
- Efectos directos controlados (por ejemplo, los efectos de la expansión de Medicaid excluyendo los cambios en el salario mínimo).
- Regímenes de tratamiento dinámicos óptimos.
Avances Metodológicos: El artículo proporciona estimadores doblemente robustos prácticos (incluyendo DR-ML con ajuste cruzado) y un marco para el análisis de sensibilidad que acomoda covariables variables en el tiempo y heterogeneidad del efecto.
Crítica a los Supuestos de DiD Existentes: Los autores argumentan que su supuesto de tendencias paralelas propuesto es más plausible que los supuestos estándar de "nunca tratados" o "aún no tratados" en presencia de confundidores variables en el tiempo. Los supuestos estándar a menudo condicionan sobre valores de tratamiento futuros, lo que puede inducir sesgo si las covariables son confundidores variables en el tiempo.

4. Resultados y Aplicaciones

El artículo valida la metodología a través de tres aplicaciones con datos reales:

Expansión de Medicaid (Adopción Escalonada): Estimación del efecto de la expansión de Medicaid sobre las tasas de falta de seguro a nivel de condado. El SNMM permitió a los autores modelar cómo el efecto varía con el desempleo y la población a nivel de condado, encontrando que la expansión fue más impactante en condados con mayor desempleo y menor población.
Inundaciones y Seguros (Efectos de Blip): Análisis del impacto duradero de una única inundación en la contratación de seguros contra inundaciones. El modelo estimó un aumento inicial en la contratación seguido de un descenso pronunciado, siendo el aumento mayor para las inundaciones más recientes.
Temperatura y Rendimiento de Cultivos (Tratamiento Sostenido/Continuo): Reanálisis de la relación entre los "grados día de crecimiento" (GDD) y las ganancias agrícolas. A diferencia del DiD estándar, que tiene dificultades con tratamientos continuos que carecen de una línea base compartida y cambios repetidos, el SNMM estimó los efectos de cambios sostenidos en el GDD, encontrando que los efectos eran mayores cuando el aumento era sostenido por más tiempo y en condados con niveles de GDD previos al aumento más altos.

5. Significado y Reivindicaciones

El artículo sostiene que utilizar SNMMs bajo supuestos de tendencias paralelas es una estrategia fructífera que expande el alcance de la inferencia causal en estudios observacionales.

Para Profesionales de DiD: Ofrece una forma de abordar preguntas sustantivas (heterogeneidad, efectos sostenidos, tratamientos continuos) que actualmente están fuera del alcance de los métodos DiD estándar, utilizando supuestos de identificación similares.
Para Profesionales de SNMM: Permite a los analistas estimar efectos causales bajo condiciones de identificación alternativas (tendencias paralelas vs. ausencia de confusión no observada), facilitando la triangulación de evidencia.
Contribución Teórica: El artículo sitúa su trabajo dentro de la literatura de aprendizaje por refuerzo al mostrar cómo los regímenes dinámicos óptimos pueden identificarse bajo tendencias paralelas (con el supuesto adicional de que no hay modificación de efecto por parte de los confundidores no observados).

Los autores son modestos respecto a los supuestos requeridos para la identificación de regímenes óptimos (señalando la fuerza del supuesto de "no modificación de efecto") y reconocen que el supuesto de tendencias paralelas sigue siendo imposible de probar, lo que requiere el análisis de sensibilidad propuesto. El artículo concluye que, si bien las condiciones para las tendencias paralelas en presencia de confundidores variables en el tiempo son estrictas, el marco propuesto proporciona una herramienta rigurosa y flexible para la inferencia causal en entornos complejos y variables en el tiempo.