Treatment Choice with Nonlinear Regret

Resumen Técnico: Elección de Tratamiento con Arrepentimiento No Lineal

Planteamiento del Problema
El artículo aborda el problema de la elección de tratamientos estadísticos, específicamente cómo utilizar los datos experimentales para informar decisiones de política óptimas respecto al bienestar social. Basándose en el marco de la teoría de la decisión estadística establecido por Wald (1950) y la literatura sobre la elección de tratamientos iniciada por Manski (2004), los autores critican el enfoque predominante de minimizar la media del arrepentimiento del bienestar (arrepentimiento esperado). Argumentan que este criterio lineal conduce a "reglas de elemento único" (singleton rules) —reglas de decisión que o bien tratan a toda la población o no tratan a nadie—. Los autores demuestran que tales reglas exhiben una sensibilidad indeseable a la incertidumbre del muestreo; pequeñas fluctuaciones en los datos pueden causar cambios abruptos de tratar a todos a no tratar a nadie, lo que puede incurrir en grandes pérdidas de bienestar debido a errores de muestreo aleatorios, particularmente en muestras finitas. Además, el paradigma del arrepentimiento medio no logra capturar la aversión de los tomadores de decisiones a las grandes pérdidas de bienestar en estados adversos del mundo.

Metodología
Para abordar estas limitaciones, los autores proponen un nuevo marco de decisión teórica que minimiza la media de una transformación no lineal del arrepentimiento, denotada como $g(\text{Arrepentimiento})$. Este criterio, denominado "riesgo de arrepentimiento no lineal", incorpora los momentos de orden superior de la distribución del arrepentimiento (como la varianza) en el proceso de optimización.

• Función de Riesgo: El desempeño de una regla de tratamiento $\hat{\delta}$ se evalúa mediante $R_g(\hat{\delta}, P) = E_{P^n}[g(\text{Reg}(\hat{\delta}))]$.
• Enfoque Específico: El artículo se centra principalmente en el arrepentimiento cuadrático medio, donde $g(r) = r^2$. Esta transformación específica penaliza las reglas que resultan en una alta varianza del arrepentimiento (y, equivalentemente, una alta varianza del bienestar), acomodando así la "aversión al arrepentimiento".
• Criterios de Optimalidad: Los autores derivan reglas óptimas bajo dos criterios:
  1. Optimalidad Bayesiana: Minimizar el riesgo de arrepentimiento no lineal esperado con respecto a una distribución a priori sobre las posibles distribuciones de resultados.
  2. Optimalidad Minimax: Minimizar el riesgo de arrepentimiento no lineal en el peor de los casos sobre el conjunto de distribuciones posibles.
• Marco Teórico: El análisis utiliza modelos gaussianos de muestra finita y se extiende a entornos de muestras grandes mediante el marco de experimento límite (Le Cam, 1986), siguiendo a Hirano y Porter (2009, 2020).

Contribuciones Clave y Resultados

1. Incompletitud e Inadmisibilidad de las Reglas de Elemento Único:
   El artículo establece que, para una amplia clase de transformaciones no lineales (incluyendo el arrepentimiento cuadrático medio), la clase de reglas de elemento único no es esencialmente completa. A diferencia del caso de arrepentimiento lineal donde las reglas de umbral de elemento único son a menudo admisibles y esencialmente completas, los autores demuestran que, para riesgos de arrepentimiento no lineal, las reglas de elemento único son generalmente inadmisibles. Específicamente, para cualquier regla de elemento único, existe una regla "fraccionaria" (que asigna el tratamiento a una proporción de la población) que la domina en términos de riesgo de arrepentimiento no lineal. Esto proporciona una justificación de la teoría de la decisión para la asignación de tratamiento fraccionario sin recurrir a la ambigüedad del modelo, el comportamiento estratégico o funciones de bienestar no lineales.

2. Reglas Óptimas de Forma Cerrada:
   Los autores derivan soluciones explícitas de forma cerrada para las reglas óptimas bayesianas y minimax bajo arrepentimiento cuadrático medio:

• Regla Minimax: En un experimento gaussiano con varianza conocida, la regla óptima minimax toma una forma logística simple:
  $$\hat{\delta}^*(\bar{Y}) = \frac{\exp(2 \cdot \tau^* \cdot \bar{Y})}{\exp(2 \cdot \tau^* \cdot \bar{Y}) + 1}$$
  donde $\tau^* \approx 1.23$ es una constante derivada de la distribución a priori menos favorable, y $\bar{Y}$ es la media muestral (o el estadístico t). Esta regla coincide con la regla de emparejamiento de probabilidad posterior bajo una distribución a priori menos favorable soportada en dos puntos simétricos.
• Regla Bayesiana: La regla Bayesiana óptima es una versión "inclinada" de la regla de emparejamiento de probabilidad posterior. Ajusta la probabilidad de tratamiento basándose en la magnitud del efecto del tratamiento, asignando probabilidades más cercanas a 0 o 1 en comparación con el emparejamiento posterior estándar, a menos que la distribución a priori esté soportada en dos puntos simétricos, en cuyo caso se reduce a la regla de emparejamiento estándar.

3. Interpretación como Estadístico de Resumen:
   Los autores proponen que la asignación de tratamiento fraccionaria $\hat{\delta}^*$ puede interpretarse como un estadístico de resumen que cuantifica la fuerza de la evidencia a favor del tratamiento frente al control. A diferencia de la regla de Éxito Empírico (ES), que fuerza una decisión binaria, la regla propuesta ofrece una medida continua de confianza. El artículo señala que esta medida es distinta y a menudo más informativa que el valor p estándar, ya que se deriva de un criterio de optimalidad (arrepentimiento cuadrático medio minimax) en lugar de solo de pruebas de hipótesis.

4. Aplicaciones y Eficiencia:

• Regresión Normal: El marco se aplica a un modelo de regresión normal con tratamiento binario, proporcionando una regla asintóticamente minimax óptima y factible basada en el estadístico t.
• Cálculo del Tamaño de la Muestra: El artículo demuestra que implementar reglas de elemento único (como ES o reglas estándar de pruebas de hipótesis) para lograr un nivel específico de arrepentimiento cuadrático medio requiere tamaños de muestra significativamente mayores en comparación con las reglas fraccionarias minimax propuestas. Por ejemplo, para garantizar el mismo arrepentimiento cuadrático medio en el peor de los casos, la regla ES requiere casi un 40% más de observaciones, y la regla de prueba de hipótesis requiere aproximadamente 11 veces más observaciones que la propuesta regla minimax.

Significancia y Reivindicaciones
El artículo sostiene que cambiar el criterio de decisión de un riesgo de arrepentimiento lineal a uno no lineal altera fundamentalmente la naturaleza de las reglas de tratamiento óptimas. Al penalizar la varianza del bienestar, el enfoque produce reglas fraccionarias que son más robustas a la incertidumbre del muestreo y se alinean mejor con los tomadores de decisiones que son adversos a las grandes pérdidas de bienestar.

• Justificación Teórica: Los resultados ofrecen una nueva justificación para las reglas fraccionarias en entornos estándar (modelos de identificación puntual, bienestar lineal) sin necesidad de ambigüedad o consideraciones estratégicas.
• Tractabilidad Práctica: Las reglas derivadas son computacionalmente simples, requiriendo solo estimadores estándar (como OLS) y una transformación logística, lo que las hace accesibles para los profesionales.
• Fundamento Microeconómico: El enfoque está basado en la teoría de la decisión axiomática, vinculándose específicamente con el concepto de "aversión al arrepentimiento" formalizado por Hayashi (2008), proporcionando un fundamento microeconómico para considerar la distribución del arrepentimiento en lugar de solo su media.

Los autores enfatizan que su enfoque no reemplaza los marcos existentes, sino que los extiende para acomodar la aversión al riesgo respecto a la volatilidad del bienestar, ofreciendo una herramienta más matizada para la formulación de políticas basadas en la evidencia.