Identification of Latent Group Effects under Conditional Calibration

Este artículo demuestra que el efecto estructural de un grupo latente es puntualmente identificable a partir de una puntuación de probabilidad calibrada mediante una relación simple de momentos ponderados, estableciendo las condiciones para su identificación, las propiedades asintóticas del estimador y los sesgos derivados de errores de calibración o clasificación umbral.

Lo esencial

Imagina que eres un detective que intenta resolver un misterio: ¿Cuánto más ganan las personas que tienen un "superpoder" oculto (como una habilidad especial o una condición de salud) en comparación con las que no lo tienen?

El problema es que nadie sabe quién tiene el superpoder. No hay una lista con nombres marcados como "Sí" o "No". Sin embargo, tienes una herramienta muy útil: un sistema de inteligencia artificial que, al ver a cada persona, le asigna una probabilidad (un número entre 0 y 1) de que tenga ese superpoder.

• Si el sistema dice "90%", es casi seguro que la persona tiene el superpoder.
• Si dice "10%", es casi seguro que no lo tiene.
• Si dice "50%", el sistema está totalmente confundido.

Este artículo, escrito por Marcell T. Kurbucz, nos enseña cómo usar esas probabilidades para calcular el efecto real del superpoder, incluso sin saber quién lo tiene realmente.

Aquí tienes la explicación paso a paso con analogías sencillas:

1. El Gran Truco: La "Calibración"

Para que este método funcione, el sistema de inteligencia artificial debe ser honesto y calibrado.

• La analogía: Imagina que el sistema es un meteorólogo. Si dice que hay un 30% de probabilidad de lluvia, en realidad debe llover el 30% de las veces que hace ese pronóstico.
• En el papel: Esto significa que si el sistema le da un puntaje de 0.8 a un grupo de personas, el 80% de ellas realmente deben tener el superpoder. Si el sistema es honesto (calibrado), podemos usar sus números para "adivinar" la realidad.

2. La Fórmula Mágica (Identificación)

El autor demuestra que, si el sistema es honesto, podemos calcular el efecto del superpoder usando una fórmula sencilla que es como una balanza.

• La analogía: Imagina que tienes dos grupos de personas:

  1. Aquellos a los que el sistema les dio un puntaje alto (cercano a 1).
  2. Aquellos a los que les dio un puntaje bajo (cercano a 0).

  Si el sistema es bueno, estos dos grupos deben ser muy diferentes entre sí. El autor dice: "Mira la diferencia en los resultados (por ejemplo, el salario) entre los que el sistema creyó mucho y los que creyó poco. Esa diferencia nos dice cuánto vale el superpoder".

• El requisito clave: Para que esto funcione, el sistema no puede ser un robot aburrido. Si el sistema siempre dice "50%" para todos, o si su respuesta depende únicamente de una sola cosa (como el color de la camisa), entonces no podemos saber nada. El sistema necesita tener "ruido" o variación natural que no se explique por cosas obvias. Si el sistema es predecible al 100%, el misterio es irresoluble.

3. La Diferencia entre "Promedio Real" y "Promedio de la Vida Real"

El autor hace una distinción muy importante:

• El efecto estructural (Lo que medimos): Es cuánto vale el superpoder dentro de un grupo de personas que son idénticas en todo (misma edad, misma educación, mismo barrio). Es como comparar dos gemelos, donde a uno le damos el superpoder y al otro no.
• El efecto marginal (Lo que la gente suele confundir): Es la diferencia promedio en la vida real. Aquí, el problema es que las personas con superpoder podrían ser, por ejemplo, más ricas o más educadas de entrada.
• La lección: Nuestro método mide el poder del superpoder en sí mismo, limpio de otras ventajas. Si quieres saber la diferencia total en la sociedad, necesitas saber también cómo se distribuyen las personas ricas y pobres entre los que tienen el superpoder, algo que este método no puede ver directamente.

4. ¿Qué pasa si el sistema miente un poco? (Robustez)

Ningún sistema es perfecto. ¿Qué pasa si el meteorólogo a veces se equivoca un poco?

• El autor calcula exactamente cuánto se estropeará nuestra respuesta si el sistema tiene un error.
• La analogía: Si el sistema está muy seguro de sus predicciones (tiene mucha variación), un pequeño error no arruinará el resultado. Pero si el sistema ya estaba muy confundido (poca variación), un pequeño error puede hacer que nuestra respuesta sea totalmente errónea.
• El paper nos da una "regla de seguridad" para saber cuánto podemos confiar en el resultado incluso si el sistema no es perfecto.

5. El Error Común: "Etiquetar" a la gente (Clasificación Ruda)

Mucha gente comete el error de decir: "Si el sistema dice más del 50%, la persona tiene el superpoder. Si dice menos, no lo tiene". Y luego compara los dos grupos.

• La analogía: Es como intentar medir la altura de un edificio usando una regla que es un poco borrosa. Si solo miras "alto" o "bajo" sin ver los centímetros intermedios, pierdes mucha información.
• El resultado: El autor demuestra que este método de "etiquetar" (usar un umbral del 50%) siempre subestima el efecto real. Es como si el superpoder valiera 100 dólares, pero al usar este método rudo, solo parezca valer 10. Es mejor usar la probabilidad exacta (el número decimal) que convertirlo en un "Sí/No" tosco.

En Resumen

Este paper es como un manual de instrucciones para detectives que tienen que resolver un caso con pistas incompletas. Nos dice:

1. Sí se puede saber el efecto de un grupo oculto si tienes un sistema de predicción honesto.
2. No se puede si el sistema es predecible o aburrido.
3. No uses el método de "corte" (Sí/No) porque te dará una respuesta muy pequeña y falsa.
4. Usa la fórmula matemática que combina las probabilidades y los resultados para obtener la respuesta más precisa posible.

Es una herramienta poderosa para economistas, científicos de datos y políticos que necesitan entender desigualdades o efectos de programas sociales cuando no tienen los datos perfectos.

Resumen técnico

Resumen Técnico: Identificación de Efectos de Grupo Latentes bajo Calibración Condicional

1. Planteamiento del Problema

En la investigación empírica, surge frecuentemente el desafío de medir diferencias en los resultados ($Y$) entre grupos cuando la pertenencia al grupo de interés ($G \in \{0, 1\}$) no se observa directamente. Ejemplos comunes incluyen el estatus de pobreza, la situación migratoria o condiciones de salud latentes.

• El Dato Observado: En lugar de $G$, el analista dispone de una puntuación de probabilidad calibrada $p \in [0, 1]$, que representa la creencia de que la unidad $i$ pertenece al grupo.
• La Condición Clave: Se asume que la puntuación está calibrada condicionalmente, es decir, $E[G \mid p, X] = p$, donde $X$ son covariables observables.
• La Pregunta Central: ¿Bajo qué condiciones y mediante qué fórmula se puede identificar un efecto estructural de grupo ($\tau$) a partir de la ley conjunta de los observables $(Y, X, p)$ cuando $G$ nunca se observa?

2. Metodología y Modelo

El autor propone un modelo de media estructural con coeficientes constantes:
$$E[Y \mid G, p, X] = \mu(X) + \tau G$$
Donde $\tau$ es el efecto causal del grupo latente sobre el resultado, constante en $X$.

Supuestos Principales:

1. Estructura del Modelo: El efecto de la pertenencia al grupo es aditivo y constante. La puntuación $p$ es condicionalmente independiente de $Y$ dado $(G, X)$.
2. Calibración Condicional: $E[G \mid p, X] = p$. Esto vincula la variable latente con la observada.
3. Variación Residual No Degenerada: La varianza residual de la puntuación después de controlar por $X$ debe ser estrictamente positiva: $V^* = E[(p - r(X))^2] > 0$, donde $r(X) = E[p \mid X]$.
4. Momentos: Existencia de momentos de cuarto orden para garantizar la normalidad asintótica.

Estrategia de Identificación:
El autor define residuos clave:

• $z = 2p - 1$ (puntuación firmada).
• $R = Y - m(X)$ (residuo del resultado, con $m(X) = E[Y \mid X]$).
• $a = p - r(X)$ (residuo de la puntuación).

Se demuestra que el coeficiente estructural $\tau$ satisface una ecuación de momentos ponderada:
$$E[(2p - 1)(Y - m(X))] = 2\tau V^*$$

3. Contribuciones Clave

A. Identificación Puntual (Point Identification)
Bajo los supuestos anteriores, $\tau$ se identifica mediante una fórmula cerrada de momentos:
$$\tau = \frac{E[(2p - 1)(Y - m(X))]}{2 E[(p - r(X))^2]}$$

• Interpretación: El numerador es la covarianza entre la puntuación firmada y el resultado residual (ambos parcializados por $X$). El denominador es el doble de la varianza residual de la puntuación.
• Analogía con IV: Esta fórmula es análoga a un estimador de Variables Instrumentales (IV), donde el residuo de la puntuación $a$ actúa como instrumento para la desviación latente $G - r(X)$. La calibración proporciona la relevancia de la primera etapa, y la independencia media del modelo estructural proporciona la restricción de exclusión.

B. Caracterización del Fallo de Identificación
El artículo establece una condición necesaria y suficiente para el fallo de identificación:

• $\tau$ no es identificable si y solo si $V^* = 0$ (es decir, si $p$ es una función determinista de $X$).
• Construcción de Equivalencia: Cuando $V^* = 0$, el autor construye explícitamente un continuo de modelos observacionalmente equivalentes con cualquier valor de $\tau' \in \mathbb{R}$, demostrando que los datos no pueden distinguir entre diferentes efectos estructurales.

C. Diferencia entre Coeficiente Estructural y Brecha Marginal
Se distingue el coeficiente identificado $\tau$ de la brecha de medias latentes marginal ($\Delta_{marg} = E[Y \mid G=1] - E[Y \mid G=0]$).

• Se demuestra que $\Delta_{marg} = \tau + C$, donde $C$ es un término composicional que depende de la distribución de las covariables entre los grupos latentes.
• $\tau$ identifica el efecto estructural dentro de las celdas de covariables, mientras que $\Delta_{marg}$ confunde este efecto con la composición de la muestra. La igualdad $\Delta_{marg} = \tau$ ocurre si y solo si los grupos latentes están balanceados en covariables.

D. Inferencia y Robustez

• Estimador Oráculo: Se demuestra que el estimador basado en la fórmula anterior es $\sqrt{n}$-consistente y asintóticamente normal con una varianza de tipo "sandwich" en forma cerrada.
• Estimador de Inserción (Plug-in): Se analiza la consistencia cuando $m(X)$ y $r(X)$ se estiman. Se discute la ortogonalidad de Neyman y se propone una reformulación del estimador para ser compatible con Double Machine Learning (DML).
• Sensibilidad a Fallos de Calibración: Si la condición de calibración falla ($E[G \mid p, X] = p + \eta$), el sesgo está acotado por:
  $$|\text{Sesgo}| \leq \frac{|\tau| \cdot \delta \cdot E[|2p-1|]}{2V^*}$$
  Donde $\delta$ es el error de calibración máximo. El límite es agudo (sharp) y diverge cuando $V^* \to 0$.

4. Resultados Empíricos (Simulaciones Monte Carlo)

El autor valida la teoría mediante experimentos numéricos:

1. Rendimiento de Muestra Finita: El estimador oráculo es insesgado y sus intervalos de confianza tienen la cobertura nominal correcta.
2. Límite de Identificación: A medida que $V^* \to 0$ (la puntuación se vuelve determinista), el Error Cuadrático Medio (RMSE) diverge, confirmando la teoría de fallo de identificación.
3. Fallo de Calibración: Se verifica que el sesgo observado coincide con la fórmula teórica y que el límite de sensibilidad es agudo para errores de calibración en el peor de los casos.
4. Clasificación por Umbral (Hard-threshold): Se demuestra que clasificar simplemente si $p > 0.5$ introduce un sesgo de atenuación severo (el estimador converge a $\kappa \tau$ con $\kappa < 1$), siendo el método de momentos estrictamente superior.
5. Efectos Heterogéneos: Cuando el efecto varía con $X$, el estimador identifica un promedio ponderado por la varianza de la puntuación, no el promedio simple.

5. Significado e Implicaciones

Este trabajo ofrece un marco riguroso para el análisis de datos donde las etiquetas de grupo son administrativamente faltantes pero predecibles mediante puntuaciones calibradas.

• Aplicaciones: Es relevante para auditorías de equidad algorítmica, análisis de distribución de pobreza, y estudios de salud pública donde las variables de grupo son latentes.
• Ventaja Metodológica: Proporciona una solución de forma cerrada (closed-form) que evita la necesidad de supuestos paramétricos fuertes sobre la distribución latente, a diferencia de la literatura previa de variables proxy.
• Advertencia Práctica: Destaca que la simple clasificación binaria de puntuaciones probabilísticas conduce a una subestimación sistemática de los efectos de grupo, y que la identificación depende críticamente de que la puntuación contenga información residual no explicada por las covariables.

En conclusión, el artículo establece que, bajo condiciones de calibración y variación residual, es posible recuperar efectos estructurales de grupos latentes con garantías estadísticas sólidas, proporcionando tanto la fórmula de identificación como los límites de robustez ante violaciones de los supuestos.