Introducing the b-value: combining unbiased and biased estimators from a sensitivity analysis perspective

A continuación presento un resumen técnico detallado del artículo "Introducing the b-value: combining unbiased and biased estimators from a sensitivity analysis perspective" (Introduciendo el valor-b: combinando estimadores sesgados y no sesgados desde una perspectiva de análisis de sensibilidad), escrito por Zhexiao Lin, Peter J. Bickel y Peng Ding.

---

1. Planteamiento del Problema

En la investigación empírica, es común que los investigadores tengan acceso a múltiples estimadores para el mismo parámetro de interés ($\tau$). Estos surgen de diferentes fuentes de datos (ej. ensayos controlados aleatorizados vs. datos observacionales) o de diferentes supuestos de modelo (ej. Mínimos Cuadrados Ordinarios - OLS vs. Variables Instrumentales - IV).

• El Dilema: A menudo, existe un estimador no sesgado pero impreciso (alta varianza, $\sigma_0^2$ grande) y un estimador sesgado pero más preciso (baja varianza, $\sigma_1^2$ pequeña).
• El Desafío: La literatura previa ha abordado extensamente cómo combinar estos estimadores para la estimación puntual (minimizando el error cuadrático medio). Sin embargo, hay una brecha significativa en la inferencia estadística válida (construcción de intervalos de confianza y pruebas de hipótesis) cuando el sesgo ($\Delta$) del estimador preciso es desconocido.
• La Pregunta Central: ¿Cómo se puede construir una secuencia de intervalos de confianza válidos para $\tau$ a través de diferentes niveles de sesgo desconocido, y cómo cuantificar la robustez de una conclusión estadística frente a este sesgo?

2. Marco Metodológico

Los autores proponen un marco basado en el análisis de sensibilidad, asumiendo un modelo gaussiano finito (justificado asintóticamente por el argumento de Le Cam).

2.1. Configuración del Problema

Se asume la observación de dos variables aleatorias independientes:

1. $\hat{\tau}_0 \sim N(\tau, \sigma_0^2)$: Estimador no sesgado.
2. $\hat{\tau}_1 \sim N(\tau + \Delta, \sigma_1^2)$: Estimador sesgado, donde $\Delta$ es desconocido.
   Se define la razón de varianzas $\gamma = \sigma_0^2 / \sigma_1^2$. El objetivo es combinar $\hat{\tau}_0$ y $\hat{\tau}_1$ en un estimador $\hat{\tau}$ que no dependa de $\Delta$, pero cuya inferencia sea robusta a un rango de sesgos.

2.2. Secuencia de Intervalos de Confianza

En lugar de un único intervalo, los autores proponen construir una secuencia de intervalos de confianza $I(b, \zeta)$ indexada por un límite superior de sesgo relativo $b \geq 0$ (donde $|\Delta/\sigma_0| \leq b$).

• El intervalo debe garantizar una cobertura de $1-\zeta$ uniformemente para todo $\Delta$ dentro del límite $b$.
• A medida que $b$ aumenta (permitiendo más sesgo), el intervalo se ensancha para mantener la validez.

2.3. El Valor-b ($b$-value)

La contribución conceptual central es la introducción del valor-b ($b^*$).

• Definición: Es el valor crítico del sesgo relativo máximo tal que, si el sesgo real supera este valor, la conclusión de una prueba de hipótesis (ej. $H_0: \tau = 0$) cambia de "rechazar" a "no rechazar".
• Interpretación: Funciona de manera análoga al valor-E o la sensibilidad de diseño. Un valor-b alto indica que la conclusión es robusta incluso si el estimador sesgado tiene un sesgo considerable. Un valor-b bajo sugiere que la conclusión es frágil y depende de la suposición de un sesgo muy pequeño.

2.4. Estimadores Analizados

El marco se aplica a tres estimadores combinados canónicos:

1. Estimador Ponderado por Precisión (PW): Combina linealmente ambos estimadores. Es eficiente si $\Delta=0$, pero su riesgo no está acotado si $\Delta$ es grande.
2. Estimador de Pre-prueba (PT): Realiza una prueba preliminar de si $\Delta=0$. Si no se rechaza, usa el estimador PW; si se rechaza, usa solo el estimador no sesgado $\hat{\tau}_0$. Su riesgo es alto en transiciones moderadas de sesgo.
3. Estimador de Umbral Suave (Soft-Thresholding, ST): Similar al PT, pero aplica un umbral suave en la frontera de la prueba para garantizar continuidad. Este estimador tiene un riesgo máximo acotado y propiedades de cobertura monotónicas.

3. Resultados Teóricos y Técnicos

3.1. Derivación de Intervalos de Confianza

Los autores derivan fórmulas analíticas o numéricas para la longitud mínima del intervalo de confianza ($L$) para cada estimador bajo un límite de sesgo $b$:

• Para PW: La longitud depende de la distribución normal doblada. El intervalo crece sin límite a medida que $b \to \infty$, lo que lo hace poco robusto.
• Para PT: La cobertura es simétrica respecto a $\Delta=0$, pero no monótona en $|\Delta|$. Esto requiere una optimización numérica compleja para encontrar el peor caso dentro del rango $[0, b]$.
• Para ST: Se demuestra que la probabilidad de cobertura es simétrica y monótonamente decreciente en $|\Delta|$. Esta propiedad crucial implica que el peor caso siempre ocurre en la frontera del sesgo ($|\Delta|/\sigma_0 = b$), permitiendo un cálculo eficiente del intervalo de confianza.

3.2. Generalizaciones

El marco se extiende a:

• Caso Dependiente: Cuando $\hat{\tau}_0$ y $\hat{\tau}_1$ están correlacionados, mediante una reparametrización que transforma el problema en uno de estimadores independientes.
• Caso Multivariado: Para vectores de parámetros ($\tau \in \mathbb{R}^d$), definiendo regiones de confianza elipsoidales y un valor-b como una superficie de frontera en el primer cuadrante.
• Múltiples Estimadores Sesgados: Extensión a un escenario con un estimador no sesgado y $K$ estimadores sesgados, donde el valor-b se convierte en una superficie de dimensión $K-1$.

3.3. Estudio Empírico (Angrist y Krueger, 1991)

Se aplica el método a la estimación del retorno de la escolaridad usando OLS (sesgado, preciso) e IV (no sesgado, impreciso).

• Hallazgo: En submuestras pequeñas donde el estimador IV por sí solo no puede rechazar la hipótesis nula, los estimadores combinados (especialmente ST y PW) permiten rechazar la hipótesis nula bajo supuestos de sesgo pequeño.
• Valor-b: El análisis muestra cuánto debe ser el sesgo del OLS para que la conclusión de "retorno positivo" deje de ser estadísticamente significativa. El estimador ST ofrece el mejor equilibrio entre eficiencia y robustez.

4. Contribuciones Clave

1. Inferencia Válida con Sesgo Desconocido: Proporciona un método riguroso para realizar inferencias (intervalos de confianza y pruebas) al combinar estimadores de calidad heterogénea sin conocer el sesgo exacto.
2. El Concepto de Valor-b: Introduce una métrica cuantitativa para la robustez de las conclusiones, permitiendo a los investigadores reportar no solo un resultado, sino el grado de sesgo necesario para invalidarlo.
3. Superioridad del Umbral Suave (Soft-Thresholding): Demuestran teóricamente y empíricamente que el estimador de umbral suave es superior al de pre-prueba y al ponderado por precisión para la inferencia, debido a su riesgo acotado y la monotonicidad de su función de cobertura, lo que facilita el cálculo de intervalos y valores-b.
4. Herramienta Computacional: Desarrollan un paquete de Python disponible públicamente para calcular estos intervalos y valores-b, haciendo el método accesible para la práctica empírica.

5. Significado e Impacto

Este trabajo cierra una brecha importante entre la teoría de estimación (donde se han desarrollado muchos métodos para combinar estimadores) y la práctica de la inferencia estadística. Al tratar el sesgo como un parámetro de sensibilidad en lugar de un error fijo, el enfoque permite a los investigadores:

• Evaluar la robustez de sus hallazgos de manera transparente.
• Justificar el uso de datos observacionales o modelos más precisos pero potencialmente sesgados, siempre que el sesgo estimado sea menor que el valor-b calculado.
• Tomar decisiones informadas sobre la validez interna de sus estudios en presencia de confusión no medida o especificación de modelo incorrecta.

En resumen, el artículo transforma el problema de "¿cuál es el mejor estimador?" en "¿cuánto sesgo puedo tolerar antes de que mi conclusión cambie?", ofreciendo una herramienta poderosa para la ciencia de datos y la econometría moderna.