Complier General Causal Effect in Randomized Controlled Trials with One-Sided Noncompliance

A continuación presento un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Título: Efecto Causal General de los Cumplidores en Ensayos Controlados Aleatorizados con No Cumplimiento Unilateral

Autores: Yin Tang, Yanyuan Ma y Jiwei Zhao.

---

1. Planteamiento del Problema

Los Ensayos Controlados Aleatorizados (RCT) son el estándar de oro para evaluar efectos causales, pero en la práctica a menudo sufren de no cumplimiento (los participantes no siguen el tratamiento asignado).

• Contexto: El artículo se centra en el escenario de no cumplimiento unilateral. En este caso, los sujetos asignados al grupo de control ($Z=0$) no pueden acceder al tratamiento ($T=0$), mientras que los asignados al tratamiento ($Z=1$) pueden decidir no tomarlo ($T=0$) o tomarlo ($T=1$).
• Desafío: El efecto causal promedio para toda la población no es identificable debido a la falta de datos sobre el estado de cumplimiento ($W$) en el grupo de control.
• Limitaciones de métodos existentes: La literatura previa se ha centrado principalmente en el Efecto Causal Promedio de los Cumplidores (CACE) o en efectos cuantílicos específicos (CQCE), utilizando marcos de variables instrumentales (IV). Sin embargo, no existía un marco unificado para estimandos más generales ni un análisis sistemático de la identificabilidad basado en la verosimilitud en este contexto específico.

2. Metodología

El artículo propone un enfoque basado en la verosimilitud y la teoría de modelos semiparamétricos.

A. Definición del Estimando: Efecto Causal General de los Cumplidores (CGCE)

Los autores definen el CGCE ($\tau = \tau_1 - \tau_0$) como un estimando general para los "cumplidores" ($W=1$).

• Se define mediante una función de pérdida $u(Y_k, \tau_k)$ tal que $E[u(Y_k, \tau_k) | W=1] = 0$.
• Generalidad:
  • Si $u(y, \tau) = y - \tau$, el CGCE se reduce al CACE (efecto promedio).
  • Si $u(y, \tau) = I(y \leq \tau) - \alpha$, el CGCE se reduce al efecto causal cuantílico (CQCE) en el percentil $\alpha$.

B. Identificabilidad Basada en Verosimilitud

• Se construye una función de verosimilitud no paramétrica basada en la estructura de datos observables $(X, Z, T, Y)$.
• Resultado Clave: Se demuestra que la verosimilitud es identificable. Esto permite identificar el CGCE, pero también establece que otros efectos (como el efecto causal en los "nunca cumplidores" o en toda la población) no son identificables bajo este diseño sin suposiciones adicionales.

C. Estimadores Propuestos

Se desarrollan dos estimadores para el CGCE:

1. Estimador Simple ($\hat{\tau}_s$):

   • No requiere procedimientos no paramétricos ni aprendizaje automático (ML).
   • Se basa en resolver ecuaciones de estimación empíricas utilizando probabilidades marginales estimadas.
   • Es consistente a una tasa de $\sqrt{n}$, pero no es eficiente.

2. Estimador Eficiente ($\hat{\tau}$):

   • Busca alcanzar el límite de eficiencia semiparamétrica.
   • Derivación de la Función de Influencia Eficiente (EIF): A diferencia de métodos anteriores que usan funciones instrumentales óptimas, los autores proyectan la función de influencia del estimador simple sobre el espacio tangente del modelo semiparamétrico. Esto descompone la EIF en componentes de "molestia" (nuisance) interpretables ($\mu_1, \mu_2, \mu_3, q$) ligados directamente a la estructura de datos.
   • Implementación: Utiliza división de muestras (sample splitting) para evitar el sobreajuste y permitir el uso de métodos de aprendizaje automático.
   • Condición de Tasa Libre (Rate-free): El teorema principal establece que la eficiencia semiparamétrica se logra si los estimadores de los componentes de molestia convergen en norma $L_2$, sin restricciones sobre la tasa de convergencia. Esto permite el uso de métodos modernos de ML (redes neuronales, bosques aleatorios) incluso si sus tasas de convergencia teóricas no están completamente caracterizadas o son lentas.

3. Contribuciones Clave

1. Nuevo Estimando Unificado: Introducción del CGCE, que abarca tanto efectos promedio como cuantílicos bajo un solo marco teórico.
2. Análisis de Identificabilidad: Primer tratamiento sistemático de la identificabilidad basada en la verosimilitud para RCTs con no cumplimiento unilateral, delineando claramente qué es identificable y qué no.
3. Condición de Tasa Libre: La contribución teórica más significativa es demostrar que la eficiencia semiparamétrica no requiere tasas de convergencia específicas para los estimadores de ML, solo consistencia en norma $L_2$. Esto rompe la barrera de las condiciones de producto de tasas comunes en la literatura semiparamétrica.
4. Metodología de Proyección: Un enfoque novedoso para derivar la EIF, partiendo del estimador simple y proyectándolo, lo que ofrece una descomposición transparente de los componentes.

4. Resultados

Estudios de Simulación

• Se evaluaron escenarios con diferentes dimensiones de covariables ($d=1, 4, 9$) y modelos de datos lineales y no lineales.
• Rendimiento:
  • El estimador simple mostró un sesgo bajo pero una varianza significativamente mayor (ineficiente).
  • El estimador eficiente combinado con Redes Neuronales (Eff-NN) y con Regresión por Núcleos (Eff-kernel) demostró una varianza muy baja, acercándose al rendimiento del estimador "oráculo" (que conoce las funciones verdaderas).
  • En dimensiones altas ($d=9$), el método basado en redes neuronales superó al basado en núcleos, mostrando menor variabilidad.
  • Los intervalos de confianza del 95% tuvieron una cobertura empírica cercana al nivel nominal.

Aplicación a Datos Reales

• Datos: Estudio de microcrédito en Marruecos (Crépon et al., 2015).
• Objetivo: Evaluar el efecto causal del microcrédito en la producción de actividades de autoempleo.
• Resultados:
  • El estimador eficiente (Eff-NN) estimó un efecto causal de $\hat{\tau} = 1.113$ con un intervalo de confianza del 95% de $[-0.071, 2.296]$.
  • El estimador simple dio un resultado similar pero más conservador.
  • Conclusión: Ambos intervalos incluyen el cero, lo que sugiere que no hay evidencia estadística significativa de un efecto causal diferente de cero en este contexto específico, contradiciendo hallazgos previos que usaban modelos paramétricos lineales. Esto resalta la robustez del enfoque no paramétrico propuesto.

5. Significado e Impacto

• Flexibilidad Metodológica: La condición de "tasa libre" permite a los investigadores utilizar una amplia gama de algoritmos de aprendizaje automático modernos (Deep Learning, Random Forests, etc.) para estimar funciones de nuisance complejas sin sacrificar la eficiencia estadística del estimador causal final.
• Unificación Teórica: Proporciona un marco coherente que conecta el CACE y los efectos cuantílicos, facilitando la comparación y el análisis de diferentes tipos de efectos causales en presencia de no cumplimiento.
• Robustez: Al evitar suposiciones paramétricas fuertes (como linealidad), el método es más robusto ante la especificación incorrecta del modelo, como se evidenció en la aplicación de datos reales donde los resultados difirieron de los estudios paramétricos anteriores.
• Futuro: El marco se presenta como una base sólida para extensiones futuras, como el no cumplimiento bilateral (dos lados) y datos observacionales.

En resumen, este artículo avanza significativamente en la inferencia causal al combinar la rigurosidad teórica de la identificabilidad con la flexibilidad práctica de los métodos modernos de aprendizaje automático, resolviendo el problema de la eficiencia en escenarios de no cumplimiento unilateral.