Design-based nested instrumental variable analysis

1. El Problema: Heterogeneidad y Limitaciones de las IV Tradicionales

En la inferencia causal, las variables instrumentales (IV) se utilizan para abordar el sesgo por variables no observadas. Sin embargo, el enfoque clásico de una sola IV suele tratar a todos los "cumplidores" (compliers) como un grupo homogéneo.

Este artículo aborda una situación común en la práctica: cuando existen dos niveles de incentivo (uno fuerte y uno débil), los individuos pueden responder de manera distinta. El problema central es que la metodología tradicional no permite distinguir entre dos subgrupos latentes cruciales:

• Always-compliers (ACO): Individuos que cumplen con el tratamiento incluso bajo el incentivo más débil.
• Switchers (SW): Individuos que no cumplen con el incentivo débil, pero sí con el fuerte.

Identificar los efectos del tratamiento de forma separada para estos grupos es vital para la ciencia de la implementación y la política pública, pero presenta desafíos estadísticos de identificación y de inferencia cuando la asignación de la IV no es perfectamente aleatoria.

2. Metodología Propuesta

Los autores introducen un marco de trabajo basado en el diseño (design-based) que se aleja de los modelos estructurales tradicionales para centrarse en el mecanismo de asignación.

A. Diseño de "Par de Pares" (PoP-NIV):
Proponen un diseño experimental de dos etapas denominado Pair-of-Pairs Nested IV (PoP-NIV). En este diseño, cada estrato emparejado consta de cuatro unidades organizadas en dos pares. Un par recibe un par de IVs débiles $\{0a, 1a\}$ y el otro par recibe un par de IVs fuertes $\{0b, 1b\}$. Este diseño permite una estratificación fina y facilita la comparación de los efectos.

B. Estimandos de Interés:
El marco permite identificar y estimar:

1. ACO-SATE: El efecto promedio del tratamiento en el subgrupo de always-compliers.
2. SW-SATE: El efecto promedio del tratamiento en el subgrupo de switchers.
3. Prueba de Homogeneidad: Un test estadístico para determinar si el efecto en los ACO es igual al de los SW ($\kappa = \lambda$).

C. Esquema de Aleatorización Parcialmente Sesgada:
Reconociendo que en estudios multicéntricos la asignación de la "intensidad" de la IV (por ejemplo, el sitio clínico) puede no ser aleatoria, los autores proponen un nuevo esquema de aleatorización sesgada controlado por un parámetro $\Gamma$. Esto permite realizar inferencia válida incluso cuando existe un sesgo sistemático en la selección de los centros o estudios.

3. Contribuciones Clave

• Identificación de Subgrupos: A diferencia de los métodos anteriores, este marco permite la identificación no paramétrica de los efectos en los subgrupos de always-compliers y switchers bajo el supuesto de IV anidada.
• Inferencia Basada en el Diseño: Al basarse en la probabilidad de asignación y no en el modelado de resultados potenciales, el método es robusto ante muestras pequeñas y proporciones bajas de switchers.
• Robustez al Sesgo de Selección: La introducción de la inferencia bajo aleatorización sesgada permite aplicar el modelo a datos observacionales complejos donde la asignación de la intensidad del instrumento está sesgada.

4. Resultados Principales

A. Simulaciones:
Las simulaciones demuestran que los tests propuestos mantienen un control riguroso del error Tipo I (nivel de significancia) y poseen un alto poder estadístico, incluso en escenarios desafiantes con pocos eventos o tamaños de muestra reducidos. El método de aleatorización sesgada demostró ser superior a los métodos de aleatorización estándar cuando se introdujo sesgo en la asignación.

B. Aplicación al Caso de Estudio (Ensayo PLCO):
Aplicando el marco a los datos del ensayo de detección de cáncer (PLCO), los autores estimaron:

• Composición: El 52.2% de los participantes eran always-compliers y el 26.7% eran switchers.
• Efecto en ACO: La sigmoidoscopia flexible mostró una tendencia hacia la disminución de la tasa de cáncer colorrectal (−0.62%), aunque sin significancia estadística clara.
• Efecto en SW: No se detectó ningún efecto entre los switchers (1.46%).
• Interpretación: Este hallazgo explica por qué el efecto de "intención de tratar" (ITT) no aumentó después de 1997 a pesar de que la tasa de cumplimiento subió: los nuevos cumplidores (switchers) no estaban obteniendo beneficios del tratamiento.

5. Significancia e Impacto

Este trabajo es significativo porque proporciona una herramienta matemática para entender la heterogeneidad del efecto del tratamiento. En lugar de concluir simplemente que un tratamiento "no funciona" (basándose en un promedio general), los investigadores pueden identificar si el tratamiento es efectivo para un grupo específico pero inútil para otro. Esto tiene implicaciones directas en la medicina de precisión y en el diseño de políticas de salud pública, permitiendo optimizar los incentivos para alcanzar a los grupos que realmente se beneficiarán.