Estimating Treatment Effects Under Bounded Heterogeneity

1. Planteamiento del Problema

En la inferencia causal empírica, existe una tensión fundamental entre la especificación de modelos flexibles y la precisión de las estimaciones:

• El dilema de la especificación: Los modelos que asumen efectos de tratamiento constantes (regresiones "cortas" o short regressions) son comunes y eficientes, pero están sesgados si existe heterogeneidad en los efectos del tratamiento. Por otro lado, los modelos totalmente flexibles (regresiones "largas" o long regressions, interacciones completas) son insesgados pero pueden ser imprecisos o incluso inestimables cuando existe falta de solapamiento (limited overlap) en la distribución de las covariables.
• El problema de la falta de solapamiento: En diseños de unconfundabilidad o adopción escalonada, si ciertas subpoblaciones tienen probabilidad de tratamiento de 0 o 1, los estimadores no paramétricos o de regresión larga (como IPW o interacciones completas) dejan de estar bien definidos o tienen una varianza extremadamente alta.
• La intuición práctica: Los investigadores a menudo utilizan regresiones cortas asumiendo implícitamente que la heterogeneidad es limitada, argumentando que el sesgo es pequeño comparado con la ganancia de eficiencia. Sin embargo, no existe un marco formal para cuantificar este compromiso ni para realizar inferencias válidas cuando la solapamiento es incompleto.

2. Metodología Propuesta

Los autores proponen un marco que formaliza la creencia de que los efectos del tratamiento son "broadly similar" (generalmente similares) mediante una restricción en la varianza de los efectos del tratamiento condicional.

A. Restricción de Heterogeneidad (VCATE)

En lugar de asumir efectos constantes, se impone un límite superior $C^2$ a la varianza de los efectos del tratamiento condicional (VCATE, Variance of Conditional Average Treatment Effects):
$$\text{VCATE} = E_n[(\tau(x_i) - E_n[\tau(x_i)])^2] \leq C^2$$
Donde $\tau(x)$ es el efecto del tratamiento condicional. El parámetro $C$ (desviación estándar) actúa como un parámetro de sensibilidad.

B. El Estimador Generalizado de Ridge: regulaTE

Para lograr un equilibrio óptimo entre sesgo y varianza bajo esta restricción, proponen un estimador de regresión ridge generalizado, denominado regulaTE.

• Formulación: Minimiza la suma de cuadrados de los residuos más una penalización cuadrática sobre los coeficientes de heterogeneidad ($\delta$):
  $$\min_{\beta, \gamma, \delta} \frac{1}{n}\|Y - D\beta - X\gamma - (D \circ \tilde{X}_{-1})\delta\|^2 + \lambda \delta' V_x \delta$$
• Interpretación:
  • Si $C=0$ (efectos constantes), el estimador coincide con la regresión corta.
  • Si $C \to \infty$, el estimador se aproxima a la regresión larga (si está definida).
  • Para $C$ intermedio, el estimador ajusta los pesos para dar más importancia a las celdas con buen solapamiento y reducir el impacto de las celdas con mal solapamiento, evitando la extrapoliación peligrosa de la regresión larga.

C. Intervalos de Confianza (IC) Heterogeneidad-Conscientes

Se construyen Intervalos de Confianza de Longitud Fija (FLCI) que son válidos incluso si el efecto promedio (ATE) no está identificado puntualmente debido a la falta de solapamiento.

• Corrección de Sesgo: El IC se define como $\hat{\beta} \pm \chi$, donde el valor crítico $\chi$ incorpora el peor caso de sesgo posible dado el límite $C$.
• Optimalidad: Bajo normalidad y homocedasticidad, el estimador regulaTE con el parámetro de penalización $\lambda$ elegido óptimamente minimiza la longitud del IC. Se demuestra que este estimador se encuentra en la frontera de sesgo-varianza óptima.

D. Selección del Parámetro de Sensibilidad ($C$)

Dado que $C$ no puede estimarse de manera data-driven sin violar propiedades de cobertura (teoremas de imposibilidad de Armstrong y Kolesár), el enfoque es de análisis de sensibilidad:

1. El investigador varía $C$ sobre un rango especificado.
2. Se observa cómo cambian los IC y los estimadores.
3. Se identifica el "valor de ruptura" (breakdown value) $C^*$: el valor mínimo de $C$ necesario para que el efecto del tratamiento deje de ser estadísticamente significativo.
4. La interpretación se basa en si $C^*$ es plausible dado el conocimiento sustantivo del campo (ej. usando desigualdades como la de Popoviciu).

3. Contribuciones Clave

1. Formalización de la intuición de Angrist y Pischke (2009): Proporcionan un marco riguroso que valida el uso de regresiones cortas cuando la heterogeneidad es limitada, pero cuantificando el costo en términos de sesgo y ajustando la inferencia.
2. Inferencia válida sin solapamiento: A diferencia de los estimadores estándar (IPW, regresión larga) que fallan o son inconsistentes cuando hay falta de solapamiento, regulaTE proporciona inferencias válidas y acotadas utilizando la restricción de VCATE como información de identificación parcial.
3. Eficiencia Superior: Demuestran mediante simulaciones y ejemplos empíricos que los IC basados en regulaTE son significativamente más estrechos que los IC corregidos por sesgo de la regresión corta tradicional, ofreciendo un análisis de sensibilidad más informativo.
4. Herramienta de Software: Desarrollan e implementan el paquete R regulaTEr para facilitar la aplicación de estos métodos en la práctica.

4. Resultados Principales

• Simulaciones Calibradas (Angrist, 1998): En un entorno con falta de solapamiento, la regresión corta sin corrección tiene una cobertura muy por debajo del nivel nominal (sesgo alto). La regresión corta corregida por sesgo logra cobertura correcta pero produce intervalos excesivamente anchos. El estimador regulaTE logra la cobertura correcta manteniendo intervalos mucho más precisos.
• Aplicación Empírica 1: Pensiones de Madres (Aizer et al., 2016):
  • Estudio de efectos a largo plazo de transferencias monetarias en la longevidad.
  • La regresión larga es inestimable debido a falta de solapamiento en 11 condados.
  • El análisis de sensibilidad muestra que el efecto positivo es robusto hasta un $C^* \approx 0.75\%$. Dado que un aumento del 2% en la longevidad es sustantivo, el resultado es robusto a heterogeneidades económicamente plausibles.
• Aplicación Empírica 2: Adopción Escalonada (Dobkin et al., 2018 / Sun y Abraham, 2021):
  • Efecto de hospitalizaciones inesperadas en gastos médicos.
  • La regresión larga no está definida porque todos los individuos son tratados en el último periodo.
  • El análisis de sensibilidad con regulaTE indica robustez hasta C^* = \1,583$, lo cual es mayor que la heterogeneidad observada en estudios previos. En contraste, el IC corregido de la regresión corta sugeriría una fragilidad inexistente.

5. Significancia e Impacto

Este trabajo es significativo porque ofrece una solución pragmática y teóricamente sólida a uno de los problemas más persistentes en la econometría aplicada: cómo estimar efectos de tratamiento cuando la heterogeneidad es posible pero el solapamiento es limitado.

• Cambio de Paradigma: Mueve el enfoque de "asumir efectos constantes o estimar todo" a "cuantificar la incertidumbre sobre la heterogeneidad".
• Utilidad Práctica: Permite a los investigadores defender sus resultados no solo bajo la hipótesis nula de efectos constantes, sino bajo un rango de heterogeneidad plausible, utilizando métricas intuitivas (desviación estándar de los efectos).
• Robustez: Proporciona una alternativa a los métodos de recorte (trimming) de propensión, permitiendo utilizar toda la muestra incluso en casos de falta de solapamiento total, siempre que se acepte una restricción razonable sobre la varianza de los efectos.

En resumen, regulaTE permite realizar inferencias causales más robustas y eficientes en escenarios realistas donde los modelos estándar fallan, transformando la sensibilidad a la heterogeneidad de un problema de validación en una herramienta de análisis cuantitativo.