Resumen Técnico: Ajustar CATE Una Vez: Pruebas de Aleatorización Asistidas por Modelo sin División de Muestra

1. Planteamiento del Problema

Los experimentos de panel aleatorizados generan secuencias de resultados adecuadas para estudiar efectos causales dinámicos. Si bien las pruebas de aleatorización ofrecen validez en muestras finitas fundamentada en el mecanismo de asignación conocido, a menudo carecen de potencia cuando los efectos del tratamiento son heterogéneos. Por el contrario, los modelos flexibles de efectos del tratamiento (como los modelos del Efecto Promedio Condicional del Tratamiento, o CATE) pueden capturar heterogeneidades complejas, pero generalmente requieren supuestos de modelado fuertes o división de muestra para mantener la validez en la inferencia de aleatorización.

El desafío central abordado es la compensación en la construcción de pruebas de aleatorización asistidas por modelo:

1. Validez: El modelo de estorbo (por ejemplo, un estimador de CATE) debe ser independiente de las asignaciones de tratamiento realizadas ($A[N]$) para garantizar que la distribución de aleatorización permanezca válida. Ajustar un modelo sobre $A[N]$ y utilizarlo en la estadística de prueba rompe la simetría requerida para obtener valores p válidos.
2. Potencia: Para mejorar la potencia, la estadística de prueba debe utilizar estimaciones precisas de la heterogeneidad del efecto del tratamiento.
3. Limitaciones Actuales: Las soluciones existentes o reajustan el modelo para cada asignación simulada (computacionalmente prohibitivo) o utilizan división de muestra (sacrificando la potencia estadística al descartar datos).

Este artículo propone un método para estimar CATEs sin utilizar las asignaciones realizadas, preservando así la validez sin la pérdida de eficiencia de la división de muestra.

2. Metodología

El enfoque propuesto, Ajustar CATE Una Vez, aprovecha la estructura de covarianza de los resultados residualizados en datos de panel para estimar la magnitud de los efectos del tratamiento, dejando solo el signo por determinar.

2.1. Configuración y Supuestos

• Datos: $N$ unidades observadas durante $T$ periodos de tiempo con covariables $X_i$, resultados $Y_{i,t}$ y un tiempo de inicio del tratamiento $A_i$.
• Modelo de Resultados Aditivo: El resultado observado sigue $Y_{i,t} = \mu_{0,t}(X_i) + \sum_{l=0}^{t-1} \mathbb{1}\{A_i = t-l\}\tau_l(X_i) + \epsilon_{i,t}$.
• Sin Anticipación: El tratamiento que comienza después del tiempo $t$ no afecta a $Y_{i,t}$.
• Residualización: Los resultados se residualizan restando la media condicional $\mu_t(X_i)$, obteniendo residuos $R_{i,t}$.

2.2. Estimación de CATE sin Signo

La idea clave es que, bajo el modelo aditivo, los momentos de segundo orden (covarianzas) de los resultados residualizados codifican la magnitud de los efectos del tratamiento, independientemente de los signos de las asignaciones realizadas.

• Momentos Diagonales (Efectos Invariantes al Retraso): Si el efecto del tratamiento es constante a través de los retrasos ($\tau_l(x) \equiv \tau^*(x)$), las entradas diagonales de la matriz de covarianza residual $\Sigma_R(x)$ dependen de la magnitud del efecto al cuadrado $\tau^{*2}(x)$ y de un factor de diseño conocido $v_t(x)$. Al comparar los momentos diagonales a lo largo del tiempo, la varianza de estorbo puede diferenciarse, identificando $|\tau^*(x)|$.
• Momentos No Diagonales (Efectos Variables por Retraso): Si los efectos varían por retraso y los errores residuales no están correlacionados en serie (Supuesto 4), las covarianzas residuales no diagonales dependen del vector CATE $\tau(x)$ a través de formas cuadráticas: $c(x) = F_x(\tau) = (\tau^\top H_{t,s}(x) \tau)_{(t,s)}$.
  • Esto crea un problema de ajuste de momentos donde las covarianzas no diagonales identifican el vector $\tau(x)$ hasta un signo global.
  • Los autores proponen una relajación convexa (estimando la matriz de rango uno $B = \tau\tau^\top$ mediante programación semidefinida) y un enfoque de mínimos cuadrados no lineales (NLS) para resolver el estimador sin signo $\hat{\tau}_\pm(x)$.

2.3. Orientación del Signo

Dado que los estimadores basados en momentos solo recuperan la magnitud (o la dirección hasta un signo), se requiere un paso final para determinar el signo.

• Orientación Libre de Asignación: El signo se elige para ajustar mejor la trayectoria de resultados residualizados observada para cada unidad, minimizando el error cuadrático entre los residuos observados y el modelo predicho por el estimador sin signo.
• Orientación Parcial de Asignación: Alternativamente, un pequeño subconjunto de asignaciones observadas puede utilizarse únicamente para aprender el signo, dejando la mayoría de las unidades para la prueba de aleatorización. Esto es computacionalmente más barato que reajustar un modelo completo de CATE.

2.4. Prueba de Aleatorización Asistida por CATE

Una vez obtenido el estimador de CATE con signo $\hat{\tau}(X_i)$, se utiliza para construir una estadística de prueba (por ejemplo, una puntuación de razón de verosimilitud o una puntuación AIPW) que es más sensible a efectos heterogéneos.

• Validez: Debido a que el estimador de CATE se deriva de covarianzas residuales (que dependen de las covariables y los resultados, pero no de las asignaciones realizadas $A[N]$), se cumple la condición de independencia condicional $\hat{\eta} \perp A[N] \mid X, Y$.
• Procedimiento: La prueba calcula un valor p comparando la estadística observada contra la distribución de estadísticas generadas permutando el vector de asignación $A[N]$ mientras se mantiene fijo el modelo de estorbo.

3. Contribuciones Clave

1. Estimación de CATE Libre de Asignación: El artículo establece que en experimentos de panel, la estructura de covarianza de los resultados residualizados permite la identificación de magnitudes de CATE (y vectores hasta el signo) sin ajustar sobre asignaciones realizadas.
2. Garantías Teóricas:
   • Identificación: Demuestra la identificación local y global del vector de CATE sin signo hasta un signo global bajo condiciones de rango en el Jacobiano del mapa de momentos.
   • Consistencia: Establece la consistencia de los estimadores de relajación convexa y NLS para el CATE sin signo a medida que $N \to \infty$.
3. Pruebas Asistidas por Modelo Válidas: Demuestra que el uso de estos estimadores libres de asignación en pruebas de aleatorización preserva la validez en muestras finitas (control del error Tipo I) evitando la pérdida de potencia asociada con la división de muestra.
4. Descubrimiento de Subgrupos: Muestra que las estimaciones de CATE libres de asignación pueden utilizarse post-hoc para descubrir subgrupos heterogéneos y realizar pruebas de aleatorización válidas dentro de esos subgrupos.

4. Resultados Experimentales

Los autores evalúan el método mediante experimentos sintéticos, semisintéticos y de consistencia:

• Control del Error Tipo I: A través de diversos tamaños de muestra y estructuras de retraso (invariantes y variables al retraso), la prueba de aleatorización asistida por CATE propuesta (RT CATE) controla el error Tipo I al nivel nominal (0.1), comparable a las pruebas sin ajustar (RT DM) y ajustadas por covariables (RT cDM).
• Potencia: RT CATE logra consistentemente mayor potencia que:
  • Pruebas sin ajustar (RT DM).
  • Pruebas ajustadas por covariables que utilizan solo medias de resultados (RT cDM).
  • Alternativas de división de muestra (RT SS), que sacrifican datos por validez.
  • Esta ganancia es particularmente pronunciada cuando los efectos del tratamiento son heterogéneos entre unidades o retrasos.
• Consistencia: El estimador sin signo converge a la magnitud real del CATE (hasta el signo) a medida que aumenta el tamaño de la muestra.
• Arranque en Caliente: Utilizar el estimador sin signo como un "arranque en caliente" permite una estimación precisa de CATE con signo con significativamente menos asignaciones reveladas que aprender el vector completo de CATE desde cero.
• Validación Semisintética: Utilizando un conjunto de datos de empleo juvenil a nivel de condado (basado en Callaway y Sant'Anna, 2021), el método supera a las regresiones estándar de Efectos Fijos Bidireccionales (TWFE) de estudios de eventos tanto en el control del tamaño (evitando el rechazo excesivo) como en la potencia.
• Análisis de Subgrupos: El método recupera con éxito subgrupos basados en umbrales y respalda inferencias válidas dentro de esos grupos descubiertos.

5. Significado y Afirmaciones

El artículo afirma que Ajustar CATE Una Vez resuelve la tensión fundamental entre validez y potencia en las pruebas de aleatorización asistidas por modelo para datos de panel. Al explotar la estructura de momentos de segundo orden de los residuos, el método extrae información sobre el efecto del tratamiento que es "libre de asignación", permitiendo a los investigadores utilizar estadísticas de prueba flexibles y de alta potencia sin comprometer el marco de inferencia de aleatorización.

Los autores enfatizan que este enfoque no se limita a los diseños de panel específicos estudiados, sino que sugiere una clase más amplia de pruebas asistidas por modelo donde los residuos dependen de las asignaciones solo a través de los efectos del tratamiento. El método se presenta como una solución práctica que evita la carga computacional de reajustar modelos para cada permutación y la ineficiencia estadística de la división de muestra.

Limitaciones señaladas por los autores:

• El estimador no diagonal asume errores residuales no correlacionados en serie; errores correlacionados confundirían los efectos del tratamiento con la estructura de error.
• El paso de recuperación del signo depende de la relación señal-ruido y del momento de inicio del tratamiento; los inicios de tratamiento tempranos proporcionan más información para la recuperación del signo que los inicios tardíos.
• La identificación global depende de condiciones de rango que, aunque generalmente se satisfacen en diseños estándar, pueden fallar en casos degenerados específicos.