Double Machine Learning for Static Panel Data with Instrumental Variables: New Method and Applications

Aquí presento un resumen técnico detallado del artículo "Double Machine Learning for Static Panel Data with Instrumental Variables: New Method and Applications" (Aprendizaje Automático Doble para Datos de Panel Estáticos con Variables Instrumentales: Nuevo Método y Aplicaciones), traducido y estructurado en español.

---

1. Planteamiento del Problema

El análisis empírico en economía utiliza frecuentemente datos de panel para abordar la heterogeneidad no observada. Sin embargo, la inferencia causal sigue siendo un desafío cuando:

• Las variables de tratamiento son endógenas.
• Las variables de confusión son de alta dimensión y tienen relaciones no lineales con el tratamiento y el resultado.
• La validez de las Variables Instrumentales (VI) depende de un ajuste condicional rico y flexible a estas covariables.

Los métodos econométricos tradicionales, como el Mínimos Cuadrados en Dos Etapas (2SLS), fallan en estos escenarios porque:

1. No pueden manejar grandes conjuntos de covariables sin sufrir de deficiencia de rango o multicolinealidad.
2. No capturan relaciones no lineales a menos que se parametricen explícitamente.
3. Cuando se intenta controlar muchas variables para justificar la exogeneidad del instrumento, los instrumentos a menudo se vuelven débiles, lo que sesga las estimaciones de 2SLS y invalida la inferencia asintótica estándar.

2. Metodología Propuesta: Panel IV DML

Los autores proponen un nuevo estimador llamado Panel IV DML (Double Machine Learning para Datos de Panel con VI), que extiende el marco de Chernozhukov et al. (2018) y Clarke y Polselli (2025) para datos de panel estáticos con tratamientos endógenos.

A. El Modelo Econométrico

Se basa en un modelo de regresión de panel parcialmente lineal (PLPR) con efectos fijos:

• Ecuación de Estructura: $Y_{it} = (D_{it} - r_0(X_{it}))\theta_0 + l_0(X_{it}) + \alpha_i + U_{it}$
• Ecuación de Tratamiento (Primera Etapa): $D_{it} = V_{it}'\pi_0 + r_0(X_{it}) + \zeta_i + R_{it}$
• Ecuación del Instrumento: $V_{it} = Z_{it} - m_0(X_{it}) - \gamma_i$

Donde:

• $Y_{it}$ es el resultado, $D_{it}$ el tratamiento endógeno, $Z_{it}$ el vector de instrumentos.
• $X_{it}$ son las covariables de control (de alta dimensión).
• $\alpha_i, \zeta_i, \gamma_i$ son efectos fijos no observados.
• $l_0, r_0, m_0$ son funciones de nuisance (perturbación) no lineales que se estiman mediante algoritmos de Machine Learning (ML).

B. Transformación y Estimación

Para eliminar los efectos fijos y permitir el aprendizaje de las funciones de nuisance, el método utiliza una transformación de primeras diferencias (FD):

1. Se aplican diferencias temporales ($\Delta Y_{it} = Y_{it} - Y_{it-1}$) para eliminar los efectos fijos individuales.
2. Se utilizan algoritmos de ML (Lasso, Gradient Boosting, Redes Neuronales) para predecir las funciones de nuisance transformadas ($\Delta l_0, \Delta r_0, \Delta m_0$) de manera flexible, sin asumir una forma funcional específica.
3. Se construyen funciones de puntuación de Neyman ortogonales. Estas funciones son insensibles a pequeños errores en la estimación de las funciones de nuisance, lo que permite realizar inferencia estadística válida (distribución normal asintótica) incluso cuando se usan ML con regularización.
4. Se emplea una estrategia de cross-fitting por bloques (asignando toda la serie temporal de una unidad al mismo pliegue) para evitar el sobreajuste y garantizar la independencia entre las estimaciones de entrenamiento y prueba.

C. Diagnóstico de Identificación Débil

Un aporte crucial es la integración de pruebas para instrumentos débiles dentro del marco DML:

• Estadístico F de la Primera Etapa: Adaptado al marco DML para evaluar la relevancia del instrumento tras el ajuste flexible.
• Prueba de Anderson-Rubin (AR): Se propone un estadístico de prueba y conjuntos de confianza basados en AR. A diferencia de 2SLS, la prueba AR es válida incluso si los instrumentos son débiles, ya que no depende de la fuerza del instrumento para la validez de la inferencia, sino de la exogeneidad.

3. Contribuciones Clave

1. Extensión a Datos de Panel: Es uno de los primeros trabajos que desarrolla un estimador DML para modelos de panel estáticos con tratamientos endógenos, manejando explícitamente la heterogeneidad individual no observada y la dependencia serial.
2. Manejo de No Linealidades y Alta Dimensión: Permite controlar un conjunto rico de covariables y sus interacciones/no linealidades mediante ML, mejorando la validez de la exogeneidad del instrumento ("as good as randomly assigned").
3. Diagnósticos de Instrumentos Débiles: Introduce el uso de pruebas de Anderson-Rubin y estadísticos F adaptados para DML en datos de panel, proporcionando a los investigadores herramientas para detectar cuándo un instrumento es demasiado débil para identificar efectos causales, algo que el 2SLS estándar suele ocultar.
4. Inferencia Robusta: Demuestra que el estimador mantiene propiedades asintóticas deseables (consistencia y normalidad) bajo condiciones de regularidad, incluso con regularización.

4. Resultados Empíricos y Simulaciones

Los autores reanalizan tres estudios influyentes sobre migración que utilizan instrumentos de tipo shift-share:

A. Tabellini (2020) - EE. UU. (Siglo XX)

• Hallazgo: El Panel IV DML aumenta el poder predictivo del instrumento (relevancia) al ajustar flexiblemente las covariables.
• Resultado: Confirma los efectos políticos (más conservadurismo) encontrados en 2SLS, pero refuta el efecto económico positivo encontrado en el estudio original. Al incluir controles adicionales, ambos métodos (2SLS y DML) muestran que los efectos desaparecen, sugiriendo que los resultados originales eran sensibles a la especificación de controles.

B. Moriconi et al. (2019, 2022) - Europa

• Hallazgo: Aquí el Panel IV DML revela problemas de identificación débil que el 2SLS no detecta.
• Resultado: Cuando se ajustan flexiblemente las covariables, los instrumentos shift-share se vuelven débiles (bajos estadísticos F).
  • El 2SLS sigue mostrando efectos significativos (sesgo por instrumentos débiles).
  • El Panel IV DML, junto con las pruebas AR, indica que la variación disponible es insuficiente para identificar el efecto causal. Los conjuntos de confianza de AR son a menudo no acotados (la línea real completa), advirtiendo al investigador que no se puede inferir causalidad, a pesar de que el 2SLS sugiera lo contrario.

C. Simulaciones de Monte Carlo

• Instrumentos Fuertes: El Panel IV DML supera al 2SLS en sesgo y error cuadrático medio (RMSE), especialmente cuando las relaciones son no lineales.
• Instrumentos Débiles: El 2SLS falla sistemáticamente, produciendo inferencias engañosas (intervalos de confianza acotados que excluyen cero). El Panel IV DML, en cambio, detecta correctamente la debilidad mediante estadísticos F bajos y conjuntos de confianza AR no acotados o que incluyen cero, ofreciendo una inferencia más honesta y robusta.

5. Significado e Implicaciones

• Rigor en la Inferencia Causal: El artículo demuestra que la flexibilidad del ML para controlar confusores puede mejorar la validez de los instrumentos, pero a costa de reducir su fuerza predictiva. Ignorar esto (como hace el 2SLS) lleva a conclusiones falsas.
• Cambio de Paradigma: Se aboga por el uso obligatorio de diagnósticos de instrumentos débiles (como la prueba AR) en aplicaciones de IV con datos de panel, especialmente cuando se utilizan métodos de aprendizaje automático.
• Herramienta Práctica: Proporciona a los economistas un marco teórico y práctico para realizar inferencia causal en entornos de datos de panel complejos, donde los métodos tradicionales son inadecuados.

En resumen, el Panel IV DML ofrece una solución robusta para la inferencia causal en datos de panel con endogeneidad y alta dimensionalidad, priorizando la validez de la identificación sobre la precisión puntual cuando los instrumentos son débiles, evitando así las trampas de la inferencia basada en 2SLS estándar.