Resumen Técnico: Inferencia de Población Finita para Diseños Factoriales y Experimentos de Panel con Cumplimiento Imperfecto

1. Planteamiento del Problema

Los métodos estándar de Variables Instrumentales (IV), específicamente el marco del Efecto Local del Tratamiento (LATE) establecido por Imbens & Angrist (1994), son adecuados para entornos transversales con un único tratamiento binario y un único instrumento binario. Sin embargo, muchas aplicaciones empíricas se desvían de este escenario canónico. Dos ejemplos prominentes son los diseños factoriales (donde se asignan múltiples tratamientos simultáneamente) y los experimentos de panel (donde los tratamientos y los resultados se observan a lo largo del tiempo). En ambos entornos, el cumplimiento imperfecto es común: las unidades asignadas al tratamiento no siempre lo toman, y las unidades asignadas al control no siempre permanecen sin tratamiento.

En estos entornos complejos, los estimandos de IV estándar (como los mínimos cuadrados en dos etapas, 2SLS) a menudo carecen de una interpretación causal directa. Los métodos estándar pueden fallar al no contabilizar las secuencias específicas de tratamientos o la naturaleza dinámica de la toma del tratamiento, lo que puede conducir a conclusiones erróneas sobre los efectos causales. Además, la literatura existente sobre la inferencia basada en el diseño en entornos de IV se ha centrado principalmente en escenarios de un solo tratamiento, dejando un vacío en los procedimientos de inferencia de población finita para entornos de múltiples factores y dinámicos con cumplimiento imperfecto.

2. Metodología y Marco de Trabajo

El artículo desarrolla un marco de inferencia basado en el diseño y de población finita. Este enfoque trata los resultados potenciales y los tratamientos potenciales como cantidades fijas para una población finita de $N$ unidades, donde la incertidumbre surge únicamente de la aleatorización de las asignaciones.

2.1 Supuestos Centrales

La estrategia de identificación se basa en un conjunto de supuestos estándar adaptados para entornos multifactoriales y dinámicos:

• Ausencia de Efectos de Desbordamiento (SUTVA): Los resultados potenciales y los tratamientos de una unidad dependen únicamente de sus propias asignaciones y tratamientos, descartando la interferencia entre unidades.
• Restricciones de Exclusión:
  • Exclusión del Resultado: Las asignaciones afectan los resultados solo a través de su efecto en la toma del tratamiento.
  • Exclusión del Tratamiento: En los diseños factoriales, la toma del tratamiento para el factor $k$ depende únicamente de la asignación para el factor $k$. En los experimentos de panel, la toma del tratamiento en el tiempo $t$ depende únicamente de la asignación en el tiempo $t$.
• Monotonicidad: Las unidades asignadas al tratamiento tienen, al menos, la misma probabilidad de tomar el tratamiento que aquellas asignadas al control. Esto permite la clasificación de las unidades en Siempre-tomadores (Always-takers), Nunca-tomadores (Never-takers) y Cumplidores (Compliers).
• Aleatorización Individualista/Secuencial: Las asignaciones son independientes de los resultados y tratamientos potenciales, e independientes entre las unidades (o aleatorizadas secuencialmente en entornos de panel).
• Soporte Común: Los puntajes de propensión para todas las secuencias de asignación posibles están alejados de cero y uno.

2.2 Estrategia de Identificación

El artículo define los efectos causales para secuencias de tratamientos (vectores de factores o trayectorias a lo largo del tiempo).

• Parámetros Objetivo: El enfoque se centra en el efecto causal promedio para la subpoblación de cumplidores para una secuencia específica de asignaciones. Esto incluye los efectos conjuntos de múltiples factores (en diseños factoriales) y efectos dinámicos de rezago-$p$ (en experimentos de panel).
• El Enfoque de Múltiples Diferencias: La idea central de identificación es que los efectos causales para una secuencia de tratamientos pueden identificarse explotando las variaciones en la secuencia correspondiente de asignaciones utilizando un formato de múltiples diferencias.
  • Para un solo factor, esto se reduce a un estimador de Wald estándar.
  • Para dos factores (o dos períodos de tiempo), toma la forma de una diferencia en diferencias.
  • Para tres factores (o períodos), toma la forma de una triple diferencia, y así sucesivamente.
• Estimadores de Horvitz-Thompson: El autor utiliza estimandos de Horvitz-Thompson, ponderados por el inverso de las probabilidades de asignación (puntajes de propensión), para identificar funciones de respuesta locales. El efecto causal se deriva entonces como la diferencia entre estas funciones de respuesta identificadas.

2.3 Estimación e Inferencia

• Estimadores No Paramétricos: El artículo propone estimadores no paramétricos para los efectos causales identificados. Estos estimadores se construyen introduciendo análogos muestrales de las cantidades de Horvitz-Thompson.
• Propiedades Asintóticas: El artículo deriva las distribuciones asintóticas de población finita de estos estimadores a medida que el tamaño de la población $N$ aumenta. Se demuestra que los estimadores son consistentes sobre la distribución de aleatorización y asintóticamente normales.
• Inferencia: Para manejar la inobservabilidad de los resultados potenciales individuales (que impide el cálculo exacto de la varianza), el artículo propone intervalos de confianza conservadores basados en el límite superior de la varianza de la forma reducida, siguiendo el enfoque de Bloom (1984). Estos intervalos son válidos bajo los supuestos establecidos, aunque pueden ser conservadores en presencia de efectos causales heterogéneos.

3. Contribuciones Clave

1. Identificación Novedosa para Entornos Multifactoriales/Dinámicos: El artículo proporciona un enfoque de identificación no paramétrico para los efectos causales en diseños factoriales y experimentos de panel con cumplimiento imperfecto. Define una clase rica de efectos causales (conjuntos y dinámicos) que capturan la efectividad relativa de las secuencias de tratamiento alternativas.
2. Inferencia de Población Finita Basada en el Diseño: A diferencia de trabajos anteriores que a menudo dependen de supuestos de superpoblación, este artículo desarrolla una perspectiva puramente basada en el diseño. Deriva distribuciones asintóticas de población finita para los estimadores de IV en entornos con múltiples tratamientos e instrumentos.
3. Extensión de la Literatura de IV Dinámica: El artículo extiende los resultados de Bojinov et al. (2021) a experimentos de panel con cumplimiento imperfecto. Demuestra que los estimandos de IV estándar (como el 2SLS específico por período) generalmente no tienen una interpretación causal directa en presencia de efectos causales dinámicos, incluso cuando se cumplen las restricciones de exclusión.
4. Nuevos Estimadores: Introduce estimadores específicos de tipo Horvitz-Thompson (etapa única para un solo factor, múltiples diferencias para secuencias) y proporciona procedimientos de inferencia válidos (intervalos de confianza conservadores) para estos estimadores.

4. Resultados

4.1 Simulaciones de Monte Carlo

El artículo realiza extensas simulaciones de Monte Carlo para evaluar las propiedades de muestra finita de los estimadores propuestos.

• Diseños Factoriales: En simulaciones con $N=1,000$ y $K=2$ factores, los estimadores propuestos exhiben un sesgo insignificante e intervalos de confianza con tasas de cobertura cercanas al nivel nominal del 95%.
• Experimentos de Panel: En simulaciones con $N=1,000$ y $T=2$ períodos, los estimadores de Horvitz-Thompson propuestos se mantienen consistentes e insesgados. En contraste, los estimadores 2SLS estándar por período y los estimadores 2SLS multivariados exhiben un sesgo severo y una cobertura deficiente (muy por debajo del 95%) cuando existen efectos dinámicos. Las simulaciones resaltan que, a medida que aumenta el número de períodos de tiempo, los métodos 2SLS estándar funcionan cada vez peor debido a la heterogeneidad variante en el tiempo.

4.2 Aplicación Empírica: Experimento GOTV

El artículo aplica el estimador de diseño factorial a un famoso experimento de movilización de votantes de Nickerson (2007), que estudió los efectos de las llamadas telefónicas de voluntarios y profesionales en la participación electoral juvenil.

• Hallazgos: El análisis confirma que tanto las llamadas de voluntarios como las profesionales tienen efectos causales positivos en la participación.
• Efectos de Interacción: Los resultados sugieren rendimientos decrecientes a los esfuerzos de GOTV (Get Out The Vote). El efecto de recibir ambas llamadas no es significativamente mayor que recibir solo una, y el término de interacción implica un efecto negativo de combinar los tratamientos.
• Inferencia: Los estimadores son estadísticamente significativos bajo el marco de inferencia conservadora propuesto. El artículo señala que, si bien estudios previos (Nickerson 2007, Blackwell 2017) encontraron estimaciones puntuales similares, la interpretación de la incertidumbre difiere: este trabajo trata la población como fija y las asignaciones como estocásticas, proporcionando intervalos de confianza de población finita válidos.

5. Significado y Reivindicaciones

El artículo afirma realizar una contribución significativa a la literatura de inferencia causal al cerrar la brecha entre los métodos de IV estándar y los diseños experimentales complejos que involucran múltiples tratamientos y dinámicas temporales.

• Abordar Conclusiones Engañosas: Aborda el riesgo de conclusiones erróneas derivadas de los métodos de IV estándar en entornos factoriales y de panel con cumplimiento imperfecto.
• Rigor Teórico: Al proporcionar un marco de población finita, ofrece una base rigurosa para la inferencia que no depende de supuestos de superpoblación, lo cual es particularmente relevante para experimentos aleatorios donde la población es fija.
• Utilidad Práctica: Se demuestra que los estimadores y los procedimientos de inferencia propuestos funcionan bien en las simulaciones y proporcionan una herramienta robusta para el reanálisis de datos experimentales existentes, como lo demuestra la aplicación de GOTV.

El artículo concluye que, bajo los supuestos estándar de IV y las restricciones de exclusión de tratamiento, los efectos causales asociados con las secuencias de tratamientos pueden identificarse y estimarse utilizando un enfoque de múltiples diferencias de dos etapas, ofreciendo una alternativa confiable a los métodos estándar en entornos experimentales complejos.