Heterogeneous Treatment Effects and Causal Mechanisms

Aquí presento un resumen técnico detallado del artículo "Heterogeneous Treatment Effects and Causal Mechanisms" de Jiawei Fu y Tara Slough, estructurado según los componentes solicitados.

1. El Problema

La "revolución de la credibilidad" en ciencias sociales ha avanzado en la identificación de efectos causales mediante diseños de investigación rigurosos. Sin embargo, persiste un desafío fundamental: determinar qué mecanismos subyacentes producen esos efectos causales.

La práctica dominante para evaluar mecanismos cuantitativamente se basa en la detección de Efectos de Tratamiento Heterogéneos (HTE, por sus siglas en inglés) respecto a covariables pre-tratamiento. Los investigadores asumen comúnmente que:

1. La presencia de HTEs es evidencia de que un mecanismo específico está activo.
2. La ausencia de HTEs indica que un mecanismo está inactivo o es irrelevante.

Los autores argumentan que la base teórica para estas afirmaciones es deficiente. La literatura actual carece de una guía clara sobre la relación entre los HTEs y las pruebas de mecanismos, lo que lleva a interpretaciones engañosas y errores de inferencia (tanto falsos positivos como falsos negativos) en la atribución causal.

2. Metodología y Marco Teórico

El paper desarrolla un marco teórico formal basado en el modelo de resultados potenciales (Neyman-Rubin) y extendiendo el marco de mediación causal (Imai et al., 2010a).

Definiciones Clave:

• Mecanismo (Mediador): Un proceso subyacente $M(Z; X)$ que es afectado por el tratamiento $Z$ y afecta el resultado $Y$.
• Efecto de Tratamiento Condicional Promedio (CATE): El efecto del tratamiento en un subgrupo definido por una covariable $X_k$.
• Variable Detectora de Mecanismo (MDV): Una covariable pre-tratamiento que modera la activación de un mecanismo o su efecto sobre el resultado.

Supuestos de Identificación (Exclusión):

Para que la diferencia en CATEs (HTEs) identifique la activación de un mecanismo, el paper introduce dos supuestos de exclusión críticos:

1. Supuesto 1 (Exclusión I): La covariable $X_k$ no modera el efecto directo del tratamiento sobre el resultado.
2. Supuesto 2 (Exclusión II): La covariable $X_k$ no modera los efectos indirectos de otros mecanismos distintos al de interés.

El marco demuestra que, bajo estos supuestos, la diferencia en CATEs es equivalente a la diferencia en los efectos indirectos condicionales promedio (AIE) del mecanismo de interés.

Análisis de Transformaciones No Lineales:

Un aporte metodológico crucial es el análisis de resultados transformados ($\tilde{Y} = h(Y)$), donde $h(\cdot)$ es una función no lineal (ej. elección binaria, escalas Likert, capping/winsorization). El paper demuestra que las transformaciones no lineales rompen la separabilidad aditiva entre mecanismos y predictores, violando los supuestos de exclusión incluso si se cumplían para el resultado latente original.

3. Contribuciones Principales

El artículo hace tres contribuciones teóricas y prácticas:

1. Nuevos Fundamentos Teóricos: Establece la relación formal entre HTEs y mecanismos, demostrando que la práctica actual a menudo es engañosa. Aclara que los HTEs no son inherentemente más o menos "agnósticos" que el análisis de mediación tradicional, pero requieren supuestos de exclusión específicos sobre las covariables.
2. Ampliación de la Literatura TIEM (Teoría e Implicaciones de Modelos Empíricos): Conecta explícitamente los modelos de mediación empírica con modelos teóricos formales y aborda cómo la medición de resultados (transformaciones) afecta la inferencia sobre constructos teóricos.
3. Guía Práctica para el Diseño de Investigación: Proporciona directrices concretas para investigadores que desean usar HTEs para probar mecanismos, incluyendo la selección de variables, la interpretación de resultados y el uso de modelos alternativos cuando los supuestos estándar fallan.

4. Resultados Clave y Proposiciones

El análisis se divide en cuatro casos exhaustivos basados en la existencia de HTEs y el tipo de resultado (lineal vs. transformado):

Hallazgos Adicionales:

• Asimetría de Inferencia: La presencia de HTEs es una condición suficiente (bajo supuestos) para afirmar la activación, pero la ausencia de HTEs no es una condición suficiente para descartarla.
• El Problema de la Medición: En el ejemplo motivador (corrupción y votación), se demuestra que aunque el mecanismo (aversión a la corrupción) es el único activo, la transformación de la utilidad a una elección de voto binaria genera HTEs en la alineación partidista (que no modera el mecanismo). Esto lleva a un error de Tipo I: concluir erróneamente que el partidismo modera el mecanismo.
• Alternativas de Modelado: Cuando los supuestos de exclusión fallan (ej. por transformaciones no lineales), el paper sugiere:
  • Usar Modelos de Utilidad Aleatoria (RUM) para recuperar la utilidad latente y realizar el análisis de HTEs sobre ella.
  • Imponer supuestos de monotonía (aunque el paper muestra que esto por sí solo no es suficiente sin supuestos funcionales adicionales).
  • Utilizar enfoques Bayesianos sobre la magnitud de los HTEs para inferir la probabilidad de activación del mecanismo.

5. Significado e Implicaciones

Este trabajo es fundamental para la metodología de las ciencias sociales, especialmente en ciencia política, donde el uso de HTEs para probar mecanismos es la modalidad más común (según sus datos, el 46% de los artículos cuantitativos en revistas líderes lo hacen).

• Corrección de Prácticas Erróneas: Alerta a los investigadores sobre el peligro de interpretar la ausencia de heterogeneidad como evidencia de inactividad del mecanismo, o de interpretar heterogeneidad en resultados transformados (como votos) como evidencia directa de mecanismos.
• Reevaluación del Diseño: Insta a los investigadores a:
  1. Definir explícitamente los supuestos de exclusión para sus covariables.
  2. Priorizar la medición de resultados que preserven la separabilidad aditiva (ej. utilidades o actitudes) sobre resultados transformados (ej. elecciones binarias) cuando el objetivo es probar mecanismos.
  3. Considerar múltiples variables detectoras (MDVs) para robustecer las inferencias.
• Futuro de la Investigación: Sugiere un cambio de paradigma desde la simple detección de la existencia de HTEs hacia el análisis de su magnitud y la integración de modelos estructurales para desentrañar los mecanismos causales de manera más precisa.

En resumen, el paper no descarta el uso de HTEs para estudiar mecanismos, sino que exige un rigor teórico y metodológico mucho mayor, demostrando que sin supuestos explícitos y un cuidado extremo en la medición, las inferencias sobre "cómo" y "por qué" funcionan los tratamientos son a menudo inválidas.