Representativeness and Efficiency in Overidentified IV

Este artículo propone el estimador de Enfoque Representativo (RT) para resolver el compromiso entre eficiencia y representatividad en modelos de variables instrumentales sobreidentificadas, logrando la cota de eficiencia semiparamétrica con pesos no negativos bajo dependencia regresiva positiva, a diferencia de la GMM estándar que puede generar pesos negativos y perder interpretabilidad causal.

Lo esencial

Imagina que eres un chef que quiere cocinar el plato perfecto (el resultado o "estimand") usando varios ingredientes especiales (los instrumentos). En el mundo de la economía, estos ingredientes son datos que nos ayudan a entender si algo causa un efecto (por ejemplo, si un tamaño de clase más pequeño mejora las notas de los niños).

Este paper, escrito por Chun Pang Chow y Hiroyuki Kasahara, nos dice que la forma en que mezclamos estos ingredientes es más importante de lo que pensábamos. De hecho, la forma en que mezclas los ingredientes determina qué plato obtienes, no solo qué tan rápido lo cocinas.

Aquí tienes la explicación sencilla, con analogías:

1. El Problema: El "Mezclador Automático" (GMM)

Antes, los economistas usaban un método llamado GMM (un tipo de "mezclador automático" muy sofisticado) para combinar los resultados de diferentes instrumentos. La idea era: "Si usamos todos los instrumentos juntos de la manera más eficiente, obtendremos el resultado más preciso".

Pero los autores descubrieron un truco sucio en este mezclador:

• El castigo a la diversidad: El mezclador automático (GMM) odia la diversidad. Si un ingrediente (un instrumento) tiene mucha variabilidad o "ruido" (es decir, si los efectos que mide son muy diferentes entre sí), el mezclador le quita peso o incluso le pone un peso negativo.
• La analogía del sabor: Imagina que tienes 10 cocineros que prueban un guiso. Algunos dicen que está salado, otros que está dulce. El mezclador automático, para ser "eficiente", decide ignorar a los que dicen que está dulce y, peor aún, resta puntos a los que dicen que está salado. El resultado final no es el sabor real del guiso, sino una versión distorsionada que solo le gusta a los cocineros que dicen que está "estándar".
• El resultado: A veces, este mezclador te da un resultado que es matemáticamente eficiente, pero causalmente absurdo (como decir que una clase pequeña daña el aprendizaje, cuando en realidad solo está ignorando a los niños que más se beneficiaron).

2. La Imposibilidad: No puedes tenerlo todo

Los autores prueban algo muy importante: No puedes tener la máxima eficiencia y al mismo tiempo elegir qué ingredientes quieres usar.

• Si dices: "Quiero que todos los cocineros tengan la misma voz" (pesos iguales), el mezclador automático no puede darte eso y al mismo tiempo ser el más rápido posible.
• Si dices: "Quiero el resultado más rápido posible", el mezclador decidirá por ti qué cocineros escuchar y cuáles ignorar, y probablemente ignorará a los que tienen resultados más interesantes o diversos.

3. La Solución: "Representative Targeting" (RT)

Para solucionar esto, los autores crearon un nuevo método llamado Representative Targeting (RT), o "Enfoque Representativo".

• La analogía del Consejo de Sabios: En lugar de usar un mezclador automático que decide por ti, RT es como reunir a un consejo de sabios.
  1. Primero, escuchas a cada cocinero por separado y calculas su opinión individual (el "estimador Wald").
  2. Luego, tú, como investigador, decides: "Quiero que el cocinero A tenga un 50% de la voz, y el B un 50%".
  3. Haces el promedio manualmente con esos pesos.

¿Por qué es mejor?

• Sin pesos negativos: Asegura que nadie tenga un peso negativo. Nadie es "restado" de la ecuación.
• Tú tienes el control: Tú decides qué subgrupo de la población quieres estudiar (por ejemplo, ¿quieres el efecto promedio para todos? ¿O solo para los que más se beneficiaron?).
• Eficiencia garantizada: Aunque es un método diferente, resulta ser el más eficiente posible para el objetivo que tú elegiste. No pierdes precisión al tomar el control.

4. Ejemplos Reales del Paper

Los autores probaron esto con dos casos famosos:

• El caso de las clases pequeñas (Tennessee STAR):

  • Había 78 escuelas diferentes. Algunas tenían efectos muy grandes, otras pequeños.
  • El método antiguo (GMM/2SLS) dijo: "Las clases pequeñas mejoran las notas en 8.8 puntos".
  • El mezclador automático (EGMM) dijo: "No, en realidad solo mejoran en 6.5 puntos".
  • ¿Por qué la diferencia? Porque el mezclador automático castigó a las escuelas que tenían efectos grandes (porque tenían más variabilidad) y bajó el promedio. El nuevo método (RT) permite ver que el efecto real depende de a qué escuela le preguntes.

• El caso de los patentes (Examinadores de patentes):

  • Aquí, los examinadores de patentes son como "jueces" con diferentes niveles de permisividad.
  • El método antiguo (EGMM) dio un resultado muy bajo (5.5 citas) porque ignoró a los examinadores más permisivos (que veían patentes de mayor calidad) y se centró solo en los estrictos.
  • El nuevo método (RT) permitió a los investigadores decir: "Queremos saber qué pasa si hacemos a todos los examinadores un poco más permisivos". El resultado fue mucho más alto (11.75 citas), lo cual es mucho más útil para un político que quiere cambiar la ley.

En Resumen

Este paper nos dice: Deja de confiar ciegamente en el "mejor" algoritmo matemático para mezclar tus datos.

Si usas el método estándar (GMM), el algoritmo está decidiendo por ti qué subpoblación estás estudiando, y a menudo elige mal, ignorando a los grupos más interesantes o diversos.

La nueva herramienta (RT) te devuelve el volante. Te permite decir: "Yo quiero estudiar a este grupo específico" y te garantiza que lo harás de la manera más precisa posible, sin que el algoritmo te traicione con pesos negativos o distorsiones ocultas. Es como pasar de dejar que una IA cocine tu cena a ser tú mismo el chef, eligiendo exactamente qué ingredientes usar para obtener el sabor que realmente quieres.

Resumen técnico

Resumen Técnico: Representatividad y Eficiencia en IV Sobredeterminados

1. El Problema: La Tensión entre Eficiencia y Causalidad en IV Sobredeterminados

En modelos de Variables Instrumentales (IV) con efectos de tratamiento heterogéneos, la elección del estimador no solo afecta la precisión (varianza), sino que determina fundamentalmente qué parámetro causal se está estimando (el estimando).

• El fallo del GMM Estándar: El Método Generalizado de Momentos (GMM), incluido el Estimador de Mínimos Cuadrados en Dos Etapas (2SLS) y el GMM Eficiente (EGMM), utiliza una matriz de ponderación para combinar múltiples instrumentos. Bajo heterogeneidad de efectos, esta matriz de ponderación asigna pesos implícitos a los estimadores de Wald específicos de cada instrumento.
• El Problema de los Pesos Negativos: Se demuestra que el GMM eficiente (EGMM) incorpora una "penalización por heterogeneidad". Este mecanismo reduce el peso de los instrumentos que tienen alta varianza en los efectos de tratamiento (dispersión de efectos), lo que a menudo resulta en la asignación de pesos negativos a ciertos subgrupos de complacientes (compliers).
• Consecuencia Causal: Los pesos negativos hacen que el estimando pierda su interpretación causal directa (no representa un promedio ponderado de efectos de tratamiento positivos de subpoblaciones). Además, el GMM no puede lograr simultáneamente la cota de eficiencia semiparamétrica y respetar pesos especificados por el investigador (como un promedio equitativo o basado en la participación).

2. Metodología y Marco Teórico

El artículo se basa en un marco de tipos de cumplimiento (compliance types) generalizado para $L$ instrumentos binarios, donde cada individuo tiene un tipo de respuesta a todas las configuraciones posibles de instrumentos.

• Descomposición de Wald: Cada estimador de Wald para un instrumento $\ell$ se descompone como una combinación lineal de los efectos de tratamiento promedio específicos por tipo ($LATE_t$).
• Condición de Dependencia de Regresión Positiva (PRD): Para garantizar que los pesos en la descomposición de Wald sean no negativos, los autores introducen la condición de Dependencia de Regresión Positiva (PRD) sobre la distribución conjunta de los instrumentos. Bajo PRD, condicionar en un instrumento aumenta la probabilidad de que otros instrumentos estén activos, eliminando los efectos indirectos negativos.
• Análisis de GMM:
  • Se demuestra que la matriz de ponderación óptima de GMM ($W = \Omega^{-1}$) invierte la matriz de segundos momentos de las condiciones de momento.
  • Esto crea un penalización por heterogeneidad: los instrumentos con alta varianza residual (debido a efectos de tratamiento dispersos) reciben menos peso.
  • Resultado de Imposibilidad: Se prueba que, a menos que todos los estimadores de Wald coincidan perfectamente, ninguna matriz de ponderación puede lograr simultáneamente la cota de eficiencia semiparamétrica y entregar los pesos deseados por el investigador. El GMM está estructuralmente limitado a una varianza superior a la cota de eficiencia para cualquier estimando específico que no sea el "punto fijo" del EGMM.

3. La Solución Propuesta: Estimador de Enfoque Representativo (RT)

Para resolver esta disyuntiva, los autores proponen el Estimador de Enfoque Representativo (Representative Targeting - RT).

• Definición: En lugar de ajustar un único residuo común a todos los instrumentos (como hace el GMM), el RT calcula cada relación de Wald específica por instrumento por separado y luego promedia estos estimadores utilizando pesos especificados por el investigador ($\omega$).
  $$\hat{\beta}_{RT}(\omega) = \sum_{\ell=1}^L \omega_\ell \widehat{Wald}_\ell$$
• Propiedades Clave:
  1. Validez Causal: Bajo la condición PRD, cualquier promedio convexo de estimadores de Wald (con $\omega \geq 0$) garantiza que el estimando sea una combinación convexa de efectos de tratamiento por tipo, asegurando pesos no negativos y una interpretación causal clara.
  2. Eficiencia Semiparamétrica: El RT alcanza la cota de eficiencia semiparamétrica para su estimando objetivo específico. Ningún otro estimador (GMM o no) puede tener una varianza asintótica menor para ese mismo promedio ponderado.
  3. Costo de Varianza Conocido: La varianza del RT es una forma cuadrática cerrada de los pesos objetivo, computable a partir de estimaciones piloto.
  4. Superioridad sobre GMM: El RT evita la penalización por heterogeneidad del GMM al utilizar residuos específicos de cada instrumento en lugar de un residuo común mal especificado.

4. Resultados Empíricos y Aplicaciones

Los autores aplican el RT a dos estudios de caso para demostrar las consecuencias empíricas de la penalización por heterogeneidad del GMM.

A. Experimento de Tamaño de Clase (Tennessee STAR):

• Contexto: 78 escuelas con randomización independiente.
• Hallazgo: El J-statístico rechaza fuertemente la igualdad de los efectos de tratamiento entre escuelas (heterogeneidad significativa).
• Comparación:
  • 2SLS: Estima un efecto de 8.84 puntos.
  • EGMM: Estima un efecto de 6.55 puntos (una reducción del 25%).
  • Mecanismo: El EGMM penaliza severamente a las escuelas con alta dispersión de efectos (donde los efectos son grandes pero variables), reduciendo su peso. El RT (con pesos CSW-ATE o EW-ATE) recupera estimaciones más representativas de la población de interés sin la distorsión de la penalización.

B. Diseño de Lenidad de Examinadores de Patentes:

• Contexto: Uso de umbrales acumulativos de lenidad de examinadores como instrumentos.
• Hallazgo: La heterogeneidad es extrema. El EGMM concentra el 86% del peso en el umbral más bajo y asigna pesos negativos a los umbrales más altos ($G \geq 5, 6$), empujando la estimación (5.51 citas) por debajo de cualquier estimador de Wald individual.
• Aplicación de RT:
  • Se utiliza el RT para apuntar al Efecto de Tratamiento Relevante para Políticas (PRTE), que corresponde a una política hipotética de relajación uniforme de la escrutinio.
  • El RT logra aproximar la función de peso de la política con un error $L_2$ del 0.12%, entregando una estimación de 11.75 citas, mucho más cercana a la política deseada que el EGMM o el 2SLS.

5. Contribuciones Clave y Significancia

1. Diagnóstico de la Penalización por Heterogeneidad: Identifican y formalizan el mecanismo por el cual el GMM eficiente distorsiona los estimandos al down-weightar instrumentos con alta variabilidad de efectos, exacerbando el problema de pesos negativos.
2. Teorema de Imposibilidad: Demuestran que dentro de la clase GMM, es imposible lograr eficiencia y control sobre los pesos causalmente interpretables simultáneamente.
3. Solución Constructiva (RT): Proponen un estimador que abandona la arquitectura de "residuo común" del GMM. El RT es el estimador óptimo de varianza para cualquier promedio ponderado de efectos de tratamiento local (LATE) que el investigador desee.
4. Relevancia para Políticas Públicas: Proporcionan una herramienta práctica para estimar el PRTE (Efecto de Tratamiento Relevante para Políticas) de manera puntual y eficiente, superando las limitaciones de la identificación parcial tradicional cuando se busca un punto estimado óptimo.
5. Interpretación del J-Test: Reinterpretan el rechazo del J-test de Hansen no necesariamente como invalidez de los instrumentos, sino como evidencia de heterogeneidad de efectos de tratamiento entre tipos de cumplimiento.

Conclusión:
El artículo argumenta que bajo efectos de tratamiento heterogéneos, el estimador es el estimando. El uso ciego del GMM eficiente puede llevar a conclusiones causales engañosas debido a la penalización de la heterogeneidad. El Estimador de Enfoque Representativo (RT) ofrece un camino superior: permite al investigador elegir explícitamente qué subpoblación o política desea estudiar y proporciona la estimación más precisa posible para ese objetivo específico, garantizando pesos no negativos y validez causal.