A Design-Based Approach to Testing and Inference in (Quasi-)Experiments with Spillovers

Resumen Técnico: Un Enfoque Basado en el Diseño para Pruebas de Inferencia en (Cuasi-)Experimentos con Efectos de Desbordamiento (Spillovers)

1. El Problema
Las políticas económicas suelen generar efectos de desbordamiento que se extienden más allá de los objetivos directos, propagándose a través de redes espaciales, de mercado y sociales. Para que estos efectos sean tratables, los investigadores aplicados suelen resumir vectores complejos de asignación de tratamiento mediante "mapas de exposición" de baja dimensión (por ejemplo, la proporción de vecinos tratados dentro de un radio específico). Sin embargo, persisten dos desafíos críticos:

1. Incertidumbre de Especificación: La teoría económica rara vez dicta la forma funcional precisa (por ejemplo, núcleo de anillo vs. gravedad) o los parámetros (por ejemplo, el radio específico o la tasa de decaimiento) de estos mapas. Los investigadores suelen seleccionarlos basándose en la intuición institucional o diagnósticos informales, tratándolos como fijos en lugar de estimados.
2. Limitaciones de Inferencia: Los errores estándar e intervalos de confianza en la literatura existente suelen condicionarse a una especificación elegida, ignorando la incertidumbre introducida por la selección del propio mapa de exposición. Además, no existe un método formal basado en el diseño para probar si un mapa propuesto es consistente con los datos observados bajo el mecanismo de asignación conocido.

2. Metodología
El artículo propone un marco basado en el diseño para probar y estimar mapas de exposición, apoyándose en la aleatorización (o cuasi-aleatorización) de la asignación de tratamiento como única fuente de aleatoriedad. Los resultados potenciales se tratan como fijos para la muestra experimental.

• Suficiencia de Exposición y Ortogonalidad: La idea teórica central es que un mapa de exposición correctamente especificado $g(W; X_i, \theta_0)$ implica una propiedad de suficiencia de exposición: condicionado a la exposición $g(W; X_i, \theta_0)$, los detalles restantes del vector de asignación $W$ no aportan información adicional sobre el resultado $Y_i$. Esto implica un conjunto de condiciones de ortogonalidad (restricciones de momentos). Específicamente, para cualquier transformación del resultado $\phi$ y función de diseño $\psi$, el "residuo del lado del diseño" $R_{i,\theta}\psi(W) = \psi(W) - E[\psi(W) | g(W; X_i, \theta)]$ es ortogonal a $\phi(Y_i)$ en el verdadero parámetro $\theta_0$.
• Residualización del Lado del Diseño: Los autores construyen estos momentos mediante el "recentrado" de funciones de diseño. La esperanza condicional $E[\psi(W) | g(W; X_i, \theta)]$ se calcula utilizando la distribución de asignación conocida $D_n$ (vía simulación o enumeración), sin requerir supuestos sobre el modelo de resultados.
• Estimación y Pruebas:
  • Estimación: El parámetro de ajuste $\theta$ se estima mediante el Método de Momentos Generalizado (GMM) minimizando una forma cuadrática de los momentos de la muestra.
  • Prueba de Especificación: Cuando el sistema está sobreidentificado (más momentos que parámetros), una prueba $J$ basada en el diseño evalúa si el mapa de exposición propuesto es consistente con el diseño de asignación. El rechazo indica que la variación residual de la asignación sigue siendo predictiva de los resultados, lo que sugiere que el mapa está mal especificado.
• Teoría de Muestra Grande: El artículo establece la consistencia y normalidad asintótica para el estimador GMM bajo dependencia espacial y de red, utilizando el marco de dependencia de conjunto de afinidad (Chandrasekhar et al., 2023). Este marco admite tanto núcleos suaves (ej. gravedad) como especificaciones no suaves (ej. radios de anillos). Los autores derivan un límite de eficiencia para la clase de momentos residualizados de productos a nivel de unidad y demuestran que un estimador GMM de tipo sieve con un diccionario creciente alcanza dicho límite.
• Inferencia en Dos Etapas: El marco propaga la incertidumbre del mapa de exposición estimado $\hat{\theta}$ hacia los estimadores de política derivados (por ejemplo, efectos promedio de tratamiento o multiplicadores), utilizando un enfoque de estimador Z apilado, asegurando que los errores estándar reflejen tanto la variación experimental como la incertidial de la especificación.

3. Principales Contribuciones

• Formalización de la Selección del Mapa de Exposición: El artículo proporciona la primera metodología basada en el diseño para probar y estimar los parámetros de los mapas de exposición, yendo más allá de los análisis de sensibilidad informales.
• Ortogonalidad Basada en el Diseño: Introduce una novedosa estrategia de "residualización del lado del diseño" que genera condiciones de momentos válidas para probar la suficiencia de la exposición sin requerir un modelo estructural de resultados.
• Inferencia Robusta bajo Dependencia: Establece la consistencia uniforme y la normalidad asintótica para los estimadores GMM en presencia de dependencias espaciales y de red complejas, cubriendo mapas de exposición suaves y no suaves.
• Caracterización de la Eficiencia: El artículo caracteriza el límite de eficiencia dentro de la clase de momentos a nivel de unidad y demuestra que los estimadores sieve factibles pueden alcanzarlo.

4. Resultados Empíricos
El marco se aplica a dos programas de lucha contra la pobreza a gran escala:

• Muralidharan et al. (2023) (NREGS de la India): El estudio examina los desbordamientos de una reforma de obras públicas utilizando una medida de exposición basada en un anillo con un radio fijo de 20 km.

  • Resultado: Las pruebas de sobreidentificación basadas en el diseño no rechazan la especificación del anillo. El radio seleccionado por los datos (aprox. 23.7 km para ingresos totales) es cercano a la elección original de 20 km.
  • Implicación: La elección institucional original es respaldada por los datos; el hallazgo principal de que las ganancias de ingresos provienen predominantemente de ingresos no vinculados al programa (efectos de equilibrio general) sigue siendo robusto incluso cuando el radio es estimado.

• Egger et al. (2022) (GiveDirectly en Kenia): El estudio analiza los desbordamientos de transferencias de efectivo utilizando un radio de 2 km.

  • Resultado: Las pruebas basadas en el diseño rechazan el soporte original de 2 km para todos los resultados principales. Los radios más pequeños no rechazados son típicamente de 4 a 6 km.
  • Implicación: Reemplazar el anillo de 2 km con el índice seleccionado por el diseño altera significativamente las conclusiones de política. El multiplicador de transferencia fiscal local estimado cae del 2.5 original a 1.57, alineándose estrechamente con la predicción del modelo estructural de Walker et al. (2024) (1.54). Esto sugiere que el radio original de 2 km era demasiado local para capturar los desbordamientos ambientales a nivel de mercado.

5. Significado y Reivindicaciones
El artículo afirma ofrecer una alternativa rigurosa para tratar los mapas de exposición no como elecciones fijas del investigador. Al tratar el mapa como un objeto de inferencia basada en el diseño, el marco puede:

1. Validar mapas motivados económicamente cuando son consistentes con la aleatorización.
2. Detectar y guiar revisiones cuando la especificación elegida es inconsistente con los datos (como se vio en la aplicación en Kenia).
3. Propagar la incertidumbre de la especificación de la exposición hacia los estimadores de política derivados, evitando la subestimación de los errores estándar que ocurre cuando $\theta$ se trata como conocido.

Los autores enfatizan que su enfoque no pretende identificar la "verdadera" estructura de interferencia contra todas las alternativas posibles (notando los resultados de imposibilidad de Gao et al., 2026), sino que proporciona una restricción contrastable dentro de las clases paramétricas comúnmente utilizadas en el trabajo aplicado. El marco permite a los investigadores utilizar el diseño de aleatorización conocido para disciplinar la elección de los mapas de exposición, asegurando que las inferencias de política sean robustas a la forma funcional y los parámetros específicos elegidos.