Testability of Instrumental Variables in Additive Nonlinear, Non-Constant Effects Models

Este artículo propone una condición de prueba de independencia basada en auxiliares (AIT) para validar variables instrumentales en modelos de efectos no constantes y no lineales aditivos con confusores no medidos, demostrando su validez teórica y eficacia práctica en datos sintéticos y reales.

Lo esencial

🕵️‍♂️ El Misterio: ¿Quién es el verdadero culpable?

Imagina que eres un detective intentando averiguar si comer más verduras (X) hace que vivir más años (Y).

El problema es que hay un "fantasma" invisible (llamémosle U) que afecta a ambos. Por ejemplo, las personas que comen verduras también suelen hacer ejercicio y tener dinero. Si solo miramos los datos, parece que las verduras salvan vidas, pero en realidad podría ser el ejercicio o el dinero.

Para resolver esto, los detectives usan un Testigo Especial (llamado Variable Instrumental o IV).

• El Testigo Ideal (Z): Es alguien que influye en si comes verduras (por ejemplo, la distancia a tu supermercado), pero que no influye directamente en tu longevidad y no está relacionado con el "fantasma" (ejercicio/dinero).
• El Testigo Mentiroso: Si el supermercado está cerca de un gimnasio (relacionado con el fantasma) o si vivir cerca del supermercado te hace más saludable por otras razones (influye directamente en Y), ¡ese testigo es un mentiroso!

El problema antiguo:
Antes, los detectives tenían reglas muy estrictas. Si el "testigo" era algo discreto (como "sí/no") o si el efecto era siempre el mismo, podían probar si el testigo era honesto. Pero, ¿qué pasa si el tratamiento es algo continuo (como la cantidad de verduras) o si el efecto cambia según la persona? ¡Las reglas antiguas fallaban! Era como intentar usar un mapa de papel para navegar en un videojuego 3D.

💡 La Nueva Solución: La Prueba AIT (La "Prueba de Independencia")

Los autores proponen una nueva herramienta llamada AIT (Prueba de Independencia Basada en Auxiliares).

1. La Analogía del "Residuo" (La Huella Dactilar)

Imagina que tienes una ecuación mágica que intenta predecir tu salud (Y) basándose solo en cuántas verduras comes (X).

• Si el testigo (Z) es honesto, todo lo que no pueda explicar la ecuación (el "ruido" o residuo) debería ser totalmente aleatorio y no tener ninguna relación con el testigo. Es como si el testigo y el ruido fueran dos extraños en una fiesta que nunca se hablan.
• Si el testigo es mentiroso (tiene una conexión secreta con el fantasma o afecta la salud por otra vía), ese "ruido" dejará de ser aleatorio. El testigo y el ruido empezarán a "susurrarse" entre sí.

La Prueba AIT es simplemente un detector de mentiras que escucha si el testigo y el "ruido" están susurrando. Si se detecta un susurro (dependencia), ¡el testigo es despedido!

2. ¿Por qué es especial esta prueba?

• Funciona con cosas continuas: No importa si el tratamiento es "comer verduras" (sí/no) o "comer 50 gramos de verduras" (una cantidad exacta). La prueba funciona igual.
• Funciona con efectos cambiantes: No asume que las verduras ayudan a todos por igual. A algunas personas les ayudan mucho, a otras poco. La prueba lo entiende.
• El truco de la "No-Gaussianidad":
  • Imagina que los datos son como una bola de nieve perfecta (distribución normal o "Gaussiana"). En ese caso, es muy difícil distinguir si el testigo miente o no, porque todo se ve igual.
  • Pero en la vida real, los datos suelen ser "ruidosos" o "extraños" (no Gaussianos). La prueba AIT usa esa "extrañeza" como una ventaja. Es como si el detective pudiera ver las huellas dactilares en el vidrio empañado porque la niebla no es perfecta.

🚫 ¿Cuándo falla la prueba? (Los límites)

Los autores son honestos y dicen: "No podemos detectar todas las mentiras".

• Si el testigo miente de una manera muy específica y lineal (como un espejo perfecto que refleja la mentira exactamente igual que la verdad), la prueba no puede ver la diferencia. Es como intentar distinguir entre dos gemelos idénticos que visten exactamente igual y caminan al mismo ritmo.
• Pero, en la mayoría de los casos reales (donde las cosas son no lineales o complejas), la prueba funciona de maravilla.

🧪 ¿Funciona en la vida real?

Sí. Los autores probaron su método con:

1. Datos inventados: Crearon miles de escenarios de detectives falsos y su método los atrapó a casi todos.
2. Datos reales:
   • Educación y Salarios: Verificaron si la cercanía a un colegio es un buen testigo para ver si estudiar más aumenta el dinero. (¡Funcionó! Confirmó que es un buen testigo).
   • Colonias y Economía: Verificaron si la mortalidad histórica es un buen testigo para ver cómo las instituciones afectan la economía. (Funcionó).
   • Violencia y Paciencia: Verificaron si la distancia a una ciudad afecta la paciencia de la gente a través de la violencia. (Funcionó).

🏁 Conclusión Simple

Este paper nos da un nuevo detector de mentiras para los datos. Antes, si los datos eran complejos (como dosis de medicina o niveles de nutrición), no podíamos estar seguros de si nuestra "evidencia" era válida. Ahora, con la Prueba AIT, podemos decir: "Oye, este testigo parece sospechoso porque su comportamiento no es independiente del ruido que dejamos atrás".

Es una herramienta poderosa para que economistas, médicos y científicos no se dejen engañar por correlaciones falsas y encuentren las verdaderas causas de las cosas.

En resumen: Si tienes datos complejos y quieres saber si tu "testigo" es honesto, ¡usa la Prueba AIT! Es como tener un detector de mentiras que entiende el lenguaje de los datos modernos.

Resumen técnico

Aquí presento un resumen técnico detallado del artículo "Testability of Instrumental Variables in Additive Nonlinear, Non-Constant Effects Models" en español.

1. Planteamiento del Problema

La estimación de efectos causales a partir de datos observacionales es fundamental en campos como la economía, la epidemiología y la inteligencia artificial. El método de Variables Instrumentales (IV) es una herramienta estándar para abordar el problema de los confusores no medidos ($U$) al estimar el efecto de un tratamiento ($X$) sobre un resultado ($Y$).

Para que una variable candidata $Z$ sea un IV válido, debe cumplir tres condiciones:

1. Relevancia: $Z$ afecta a $X$.
2. Exogeneidad: $Z$ es independiente de los confusores no medidos $U$.
3. Restricción de Exclusión: $Z$ no afecta directamente a $Y$ (solo a través de $X$).

El problema central: Determinar si una variable observada es un IV válido solo con datos observacionales es generalmente imposible sin supuestos adicionales, especialmente cuando el tratamiento $X$ es una variable continua y los efectos son no constantes (no lineales).

• Los métodos existentes (como la desigualdad instrumental de Pearl) funcionan principalmente con tratamientos discretos.
• Los métodos para efectos constantes (lineales) a menudo fallan si los efectos son no constantes o si no se cumplen supuestos estrictos de no-Gaussianidad.
• Se ha conjeturado (y confirmado recientemente) que sin supuestos adicionales, la validez de un IV es inobservable en modelos con tratamientos continuos.

El objetivo del artículo es abordar la testabilidad de un único IV en un modelo más general y desafiante: el Modelo de Efectos Aditivos No Lineales y No Constantes (ANINCE), donde tanto $X$ como $Y$ pueden ser continuos y las funciones de relación pueden ser no lineales.

2. Metodología Propuesta: Condición AIT

Los autores proponen una nueva condición necesaria y, bajo ciertas condiciones, suficiente para detectar IVs inválidos, denominada Condición de Prueba de Independencia Basada en Auxiliares (AIT - Auxiliary-based Independence Test).

Definición del Modelo ANINCE

El modelo asume una estructura de ecuaciones estructurales aditivas:
$$X = g(Z) + \phi_X(U) + \epsilon_X$$
$$Y = f(X, Z) + \phi_Y(U) + \epsilon_Y$$
Donde $f(\cdot)$ es el efecto causal de interés (que puede depender de $Z$, violando la restricción de exclusión) y los términos de ruido son mutuamente independientes.

La Condición AIT

La idea central es construir una variable auxiliar $A_{X \to Y || Z}$ definida como:
$$A_{X \to Y || Z} := Y - h(X)$$
Donde $h(\cdot)$ es una función tal que $E[Y - h(X) | Z] = 0$. Bajo la condición de completitud, esta función $h(\cdot)$ coincide con el verdadero efecto causal $f(X)$.

La hipótesis de prueba:
Si $Z$ es un IV válido, entonces la variable auxiliar $A$ debe ser independiente de $Z$ ($A \perp \perp Z$).

• Si $Z$ viola la exogeneidad (está correlacionado con $U$) o la restricción de exclusión (afecta directamente a $Y$), la estructura de dependencia en el modelo ANINCE hace que $A$ y $Z$ sean dependientes, violando la condición AIT.

Supuestos Clave

Para que la prueba sea válida, se requieren dos supuestos principales:

1. Condición de Completitud (Assumption 1): Garantiza la identificación única de la función causal $f(X)$. Es un estándar en modelos de IV no paramétricos.
2. Condición de No Degeneración Distribucional (Assumption 3): Exige que la densidad conjunta de $(A, Z)$ sea suficientemente suave y que la derivada parcial mixta del logaritmo de la densidad no sea cero. Esto asegura que la dependencia (si existe) sea detectable mediante la estructura de la densidad.

3. Contribuciones Clave

1. Condición Necesaria General: Se demuestra que, bajo la condición de completitud, si $Z$ es un IV válido en un modelo ANINCE, entonces la condición AIT debe cumplirse. Por lo tanto, la violación de AIT implica que $Z$ es inválido.
2. Condiciones Necesarias y Suficientes:
   • En modelos lineales con efectos constantes: La condición AIT es necesaria y suficiente para detectar IVs que violan la exogeneidad si se asume no-Gaussianidad parcial (al menos un ruido no Gaussiano). Sin embargo, en modelos puramente Gaussianos lineales, la prueba no puede detectar violaciones de exogeneidad (Proposición 1).
   • En modelos ANINCE (no lineales): Bajo la condición de no degeneración distribucional, la violación de AIT permite detectar tanto violaciones de exogeneidad como de restricción de exclusión.
3. Identificabilidad de IVs Inválidos: Se identifican casos donde la prueba falla (no identificables), específicamente cuando el efecto directo de $Z \to Y$ es una función lineal del efecto $Z \to X$ en modelos lineales, o cuando todos los ruidos son Gaussianos en modelos lineales.
4. Algoritmo Práctico con Covariables: Se extiende la condición AIT para incluir covariables $W$ (ajustando $Z$ y $Y$ por $W$) y se propone un algoritmo de implementación con datos finitos que utiliza:
   • Muestreo dividido (sample splitting) para separar la estimación de la prueba.
   • Estimadores de IV no paramétricos (Control Function o 2SLS) para estimar $h(X)$.
   • Prueba de independencia basada en HSIC (Hilbert-Schmidt Independence Criterion) para verificar la independencia entre la variable auxiliar y el instrumento residual.
5. Validación Teórica: Se establece la validez asintótica del test, demostrando control del error Tipo I (nivel nominal) y consistencia (potencia que tiende a 1) bajo alternativas fijas.

4. Resultados Experimentales

Los autores validaron su método en datos sintéticos y tres conjuntos de datos reales:

• Datos Sintéticos:

  • Modelos Lineales Gaussianos: Confirmaron que el método no puede detectar IVs inválidos (tasa de error del 100% en detectar inválidos), alineándose con la teoría de que la prueba falla en este escenario específico.
  • Modelos No Lineales / No Gaussianos: El método demostró una alta capacidad para detectar IVs inválidos que violan tanto la exogeneidad como la restricción de exclusión. La tasa de error en la identificación de IVs inválidos (Invalid MR) disminuyó drásticamente al aumentar el tamaño de la muestra y la no linealidad/no-Gaussianidad.
  • Comparaciones: Superó o igualó el rendimiento de métodos existentes como IV-PIM (Burauel, 2023) en tratamientos continuos y el K-test (Kitagawa, 2015) en tratamientos discretos.

• Datos Reales:

  1. Retornos a la Educación (Card, 1993): Se probó la validez de "vivir cerca del colegio" como IV para la educación. El test AIT no rechazó la validez (p-valor = 0.73), confirmando los hallazgos originales.
  2. Orígenes Coloniales (Acemoglu et al., 2001): Se evaluaron "mortalidad" y "euro1990" como IVs para instituciones. El test sugirió que "euro1990" podría ser menos exógeno que "mortalidad" (p-valor más bajo), pero no rechazó la validez de ninguno, coincidiendo con la literatura.
  3. Conflicto y Preferencia Temporal (Voors et al., 2012): Se probaron "distancia" y "altitud" como IVs para la violencia. Ambos pasaron la prueba (p-valores 0.33 y 0.76), validando su uso como instrumentos.

5. Significado e Impacto

Este trabajo es significativo por varias razones:

• Rompe la barrera de la testabilidad en variables continuas: Proporciona una de las primeras condiciones teóricas y prácticas para validar un único IV en escenarios donde el tratamiento es continuo y los efectos son no constantes, un área donde anteriormente se consideraba la testabilidad imposible sin supuestos muy restrictivos.
• Generalidad: A diferencia de métodos anteriores que requieren múltiples IVs o asumen linealidad, este enfoque funciona con un solo IV y maneja no linealidades complejas.
• Utilidad Práctica: Ofrece un algoritmo implementable que integra técnicas modernas de aprendizaje automático (bosques aleatorios, HSIC) con teoría causal rigurosa, permitiendo a los investigadores verificar la validez de sus instrumentos en datos reales antes de estimar efectos causales.
• Claridad Teórica: Delimita con precisión cuándo la prueba funciona (no linealidad, no-Gaussianidad, no degeneración) y cuándo falla (modelos lineales Gaussianos), evitando falsas esperanzas y guiando el diseño de estudios futuros.

En resumen, el artículo establece un nuevo marco para la validación de variables instrumentales en modelos causales complejos y no paramétricos, llenando un vacío crítico en la literatura de inferencia causal.