Heterogeneous Responses to Continuous Treatments: A Cluster-Based Causal Framework

Aquí presento un resumen técnico detallado del artículo "Heterogeneous Responses to Continuous Treatments: A Cluster-Based Causal Framework" (Respuestas Heterogéneas a Tratamientos Continuos: Un Marco Causal Basado en Agrupamientos), escrito por Augusto Cerqua, Roberta Di Stefano y Raffaele Mattera.

1. El Problema: Limitaciones de los Métodos Actuales

El artículo aborda un desafío fundamental en la inferencia causal con tratamientos continuos (variables que no son binarias, sino que varían en intensidad, como montos de subsidios o dosis de fármacos).

• Limitación de la Función de Respuesta a la Dosis Promedio (ADRF): La literatura existente (e.g., Hirano & Imbens, 2004; Huling et al., 2024) se centra en estimar una única función de respuesta a la dosis a nivel de población (ADRF). Esto asume que, aunque los efectos pueden variar según las covariables observadas, existe una relación causal promedio única para toda la población.
• Heterogeneidad no capturada: En contextos empíricos reales, los efectos del tratamiento suelen ser heterogéneos entre subpoblaciones (clústeres) incluso a la misma intensidad de tratamiento. Esto puede deberse a diferencias en la capacidad de absorción, características contextuales o mecanismos subyacentes distintos.
• Violación del Soporte Común (Positivity): Los estimadores tradicionales requieren que la suposición de "positividad" (overlap) se cumpla en toda la población. Es decir, cada unidad debe tener una probabilidad no nula de recibir cualquier nivel de tratamiento. En la práctica, esto es a menudo irrealista; ciertos grupos solo reciben rangos específicos de tratamiento. Intentar estimar un ADRF global en estas condiciones conduce a:
  • Sesgos significativos debido a la extrapoliación.
  • Promedios engañosos que ocultan relaciones causales fuertes en subgrupos específicos.
  • Recomendaciones de política pública ineficientes o erróneas.

2. Metodología: El Estimador Cl-DRF

Los autores proponen un nuevo marco metodológico: la Función de Respuesta a la Dosis Agrupada (Clustered Dose-Response Function - Cl-DRF).

A. Marco Causal y Supuestos

En lugar de estimar un promedio poblacional, el objetivo es estimar $C$ funciones de respuesta específicas para cada clúster ($\mu_c(t)$).

• Definición del Estimando: $\mu_c(t) = E[Y_i(t) | C_i = c]$, donde $C_i$ es la pertenencia al clúster.
• Supuestos Relajados:
  • Independencia Débil (Weak Unconfoundedness): Se requiere solo dentro de cada clúster, no en toda la población. Esto permite que el tratamiento esté confundido a nivel global, pero que, una vez agrupados unidades similares, la asignación sea condicionalmente independiente.
  • Positivity: Se requiere solo dentro del soporte de tratamiento observado en cada clúster, eliminando la necesidad de extrapolar a rangos de tratamiento que no existen en ciertos grupos.

B. Algoritmo de Estimación

El método utiliza una extensión paramétrica del enfoque de Puntuación de Propensión Generalizada (GPS) de Hirano & Imbens (2004), adaptada para descubrir la estructura de clústeres simultáneamente.

1. Modelo de Asignación del Tratamiento: Se asume un modelo gaussiano específico por clúster: $T_i | X_i, C_i=c \sim N(\beta'_c X_i, \sigma^2_c)$. Esto genera una Puntuación de Propensión Generalizada Específica por Clúster (GPS).
2. Modelo de Resultados: Se modela el resultado condicional al tratamiento y la GPS específica del clúster: $E[Y_i | T_i=t, R_{i,c}=r, C_i=c] = f(t, r; \alpha_c)$.
3. Procedimiento Iterativo (Algoritmo de Descenso de Coordenadas): Dado que la pertenencia al clúster es desconocida, se utiliza un algoritmo iterativo que alterna entre:
   • Actualizar los parámetros de regresión de resultados ($\alpha_c$) para cada clúster.
   • Actualizar la asignación de pertenencia a clústeres ($\kappa_{i,c}$) minimizando el error cuadrático.
   • Actualizar los parámetros del modelo de tratamiento ($\beta_c, \sigma_c$) para recalcular la GPS.
4. Selección del Número de Clústeres ($C$): Se propone un criterio de información penalizado (similar al BIC) para seleccionar el número óptimo de clústeres, evitando tanto la subestimación como la sobreajuste.

3. Contribuciones Clave

1. Novedad Metodológica: Es el primer marco que integra explícitamente la detección de clústeres (heterogeneidad no observada en la respuesta al tratamiento) dentro de la inferencia causal para tratamientos continuos.
2. Relajación de Supuestos: Demuestra que es posible obtener estimaciones causales consistentes relajando las suposiciones de independencia y positividad a nivel de subpoblación, lo cual es mucho más plausible en datos observacionales reales.
3. Enfoque Híbrido: Combina definiciones teóricas de subgrupos con procedimientos basados en datos (data-driven) para identificar la estructura de clústeres sin conocimiento a priori.
4. Validación Empírica y Simulada: Proporciona evidencia robusta a través de simulaciones que el algoritmo recupera correctamente la estructura de clústeres y las funciones de respuesta subyacentes, incluso cuando las fronteras entre grupos son difusas.

4. Resultados: Aplicación a los Fondos de Cohesión de la UE

Los autores aplican el Cl-DRF para evaluar el impacto de los Fondos de Cohesión de la Unión Europea en el crecimiento económico regional (1994-2015).

• Comparación con Métodos Tradicionales:

  • Los estimadores estándar (GPS y pesos de independencia) sugieren una relación positiva pero débil que se aplana y se vuelve negativa para las regiones con mayor subsidio, apoyando la hipótesis de rendimientos decrecientes.
  • Resultado Cl-DRF: El algoritmo identifica tres clústeres distintos con comportamientos radicalmente diferentes:
    1. Cluster 1 (Regiones Ricas/Densas): Muestra una relación fuertemente positiva y lineal. No hay evidencia de rendimientos decrecientes; más fondos significan más crecimiento. Incluye regiones de Irlanda, Alemania del Sur y sur de Inglaterra.
    2. Cluster 2 (Regiones Intermedias): Muestra una relación positiva moderada, similar a la encontrada por los métodos tradicionales.
    3. Cluster 3 (Regiones con Menor Capacidad de Absorción): Muestra una relación ligeramente negativa. Incluye regiones de Italia, Grecia y Francia. Aquí, el aumento de fondos no genera crecimiento y podría estar asociado a ineficiencias o crisis económicas (especialmente post-2008).

• Hallazgo Crítico: La relación "negativa" observada en el promedio global es un artefacto de promediar grupos con respuestas opuestas. Las regiones ricas (Cluster 1) no sufren rendimientos decrecientes, mientras que las regiones con baja capacidad de absorción (Cluster 3) no pueden beneficiarse de la intensidad actual de los fondos.

5. Significado e Implicaciones de Política

El estudio tiene implicaciones profundas para la evaluación de políticas públicas y el diseño de intervenciones:

• Evitar el "One-Size-Fits-All": Las políticas que imponen umbrales máximos de financiación basados en un ADRF global pueden ser contraproducentes, limitando el crecimiento en regiones que sí tienen capacidad de absorción (Cluster 1).
• Optimización de Recursos: La identificación de clústeres permite a los responsables políticos:
  • Aumentar la financiación en regiones con alta capacidad de absorción donde los retornos marginales son altos.
  • Redirigir fondos o invertir en el desarrollo de la "capacidad de absorción" (capital humano, instituciones) en regiones donde el dinero actual no está generando crecimiento (Cluster 3), en lugar de simplemente inyectar más fondos sin cambios estructurales.
• Robustez Metodológica: El marco Cl-DRF ofrece una herramienta más robusta para la inferencia causal en entornos observacionales complejos, donde la heterogeneidad y la falta de soporte común son la norma y no la excepción.

En conclusión, el artículo demuestra que ignorar la heterogeneidad estructural en la respuesta a tratamientos continuos no solo sesga las estimaciones causales, sino que conduce a recomendaciones de política pública subóptimas. El enfoque Cl-DRF proporciona una vía para descubrir y cuantificar estas diferencias ocultas.