📈 economics

Compositional Synthetic Controls

Este artículo introduce un estimador de control sintético para resultados composicionales basado en un modelo de utilidad aleatoria y la geometría de Aitchison, el cual se aplica a la mezcla de electricidad de Pensilvania para revelar un cambio significativo y persistente hacia el gas natural y alejándose de las energías renovables tras la implementación del Estándar de Cartera de Energía Alternativa.

Autores originales: Onil Boussim

Publicado 2026-07-21

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Onil Boussim

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que eres un detective tratando de resolver un misterio: "¿Qué habría pasado si un evento específico no hubiera ocurrido?". Este es el corazón de un campo llamado inferencia causal, donde los científicos intentan descubrir la causa y el efecto. Usualmente, observan una ciudad, estado o país específico que hizo algo nuevo (como aprobar una nueva ley) y lo comparan con un "gemelo" compuesto por una mezcla de otros lugares que no hicieron eso. Este método, conocido como "Control Sintético", funciona como una receta: tomas un poco del Estado A, una pizca del Estado B y un toque del Estado C para crear un "Estado Sintético" perfecto que se ve exactamente igual al original antes del evento.

Pero hay un inconveniente. Muchos resultados del mundo real no son solo un número único como la "temperatura" o el "PIB". Son recetas en sí mismas: vectores de proporciones que siempre deben sumar 100%. Piensa en un gráfico de pastel: si la rebanada de "Manzanas" se hace más grande, las rebanadas de "Naranjas" y "Bananas" deben hacerse más pequeñas. Esto se llama datos composicionales. La forma antigua de comparar estos pasteles usaba una regla que medía la distancia en línea recta, lo cual es pésimo para entender cómo cambian los ratios entre las rebanadas. Es como intentar juzgar el sabor de una sopa midiendo el peso del tazón en lugar de probar el caldo. Este artículo interviene para arreglar esa regla, creando una nueva forma de comparar estos pasteles cambiantes que respeta la matemática de cómo las partes se relacionan con el todo.

El artículo, titulado "Compositional Synthetic Controls" de Onil Boussim, introduce una nueva y astuta herramienta para resolver este rompecabezas. El autor argumenta que cuando observamos cosas como tipos de empleo, fuentes de energía o cuotas de votos, no deberíamos limitarnos a mirar los números brutos. En su lugar, debemos mirar los "log-odds", que es una forma elegante de comparar qué tan probable es una opción frente a otra. Al utilizar un tipo especial de geometría (llamada geometría de Aitchison) que comprende estos ratios, el nuevo método construye un "Gemelo Sintético" que es matemáticamente perfecto. Asegura que si la rebanada de "Gas" del gemelo aumenta, las rebanadas de "Carbón" y "Renovables" se ajusten automáticamente para mantener el total en 100%, tal como un pastel real.

El artículo encuentra que este nuevo método es mucho mejor para detectar la verdad que la vieja regla de "línea recta". El autor lo demuestra con un estudio de caso del mundo real: la red eléctrica de Pensilvania tras una ley de 2004 llamada Alternative Energy Portfolio Standard. Los métodos antiguos podrían haber pasado por alto la historia completa, pero esta nueva herramienta revela un cambio masivo y persistente. Muestra que, para 2022, el uso de gas natural en Pensilvania era casi 60 puntos porcentuales más alto de lo que habría sido sin la ley, mientras que la energía renovable, a pesar de crecer en términos absolutos, en realidad perdió terreno en relación al gas. El artículo sugiere que, sin esta nueva forma de mirar los datos, habríamos perdido el hecho de que el mayor impacto de la política fue un enorme intercambio de carbón por gas, en lugar de un simple impulso para las renovables. El autor está bastante seguro de estos resultados, habiendo probado el método contra escenarios falsos (placebos) para asegurar que los hallazgos no sean solo un golpe de suerte, aunque señala que el pequeño número de estados disponibles para comparación limita qué tan "seguros" podemos estar estadísticamente sobre la probabilidad exacta.

En resumen, este artículo nos brinda un par de gafas mejores para observar cómo las piezas de un todo cambian con el tiempo. Demuestra que cuando tratas con participaciones y porcentajes, no puedes simplemente medir la distancia entre números; tienes que medir la distancia entre las relaciones que esos números tienen entre sí. Al hacerlo, descubre una historia oculta en la historia energética de Pensilvania que los métodos antiguos simplemente no podían ver.

Resumen Técnico: Controles Sintéticos Composicionales

Planteamiento del Problema
El artículo aborda el desafío de aplicar el método de control sintético (SCM, por sus siglas en inglés) a resultados que son composiciones —vectores de proporciones que suman uno, generados por un proceso categórico subyacente (por ejemplo, estados de empleo, fuentes de generación de energía o cuotas de voto)—. Extender el SCM estándar a estos entornos enfrenta tres desafíos fundamentales:

Multiplicidad: Ejecutar SCMs separados para cada categoría produce vectores de pesos distintos, lo que resulta en participaciones ajustadas que no suman uno, fallando así en la producción de una única unidad contrafactual coherente.
Desajuste Geométrico: Las participaciones residen en un simplex donde la estructura económica está definida por razones y proporciones relativas, no por diferencias aritméticas. El SCM estándar depende de la distancia euclidiana, la cual es ciega a esta estructura y trata los cambios relativos en categorías de baja participación como insignificantes en comparación con los cambios absolutos en las categorías dominantes.
Dependencia de la Escala: El objetivo euclidiano penaliza las desviaciones absolutas, lo que causa que el estimador priorice el ajuste de las categorías con mayor participación mientras ignora la evolución relativa de las categorías con menor participación, incluso cuando estas últimas son de primario interés sustantivo.

Metodología
El autor propone los Controles Sintéticos Composicionales (CSC), un estimador derivado de un modelo estructural de utilidad aleatoria de elección discreta. La metodología procede en cuatro pasos:

Microfundamentación: Bajo un modelo logit multinomial, las participaciones agregadas están determinadas por utilidades sistemáticas relativas. Se demuestra que los log-odds de cada categoría frente a una base son exactamente iguales a estas utilidades sistemáticas relativas. Así, el log-odds observable sirve como el parámetro de preferencia estructural.
Estructura de Factores: Se impone un modelo de efectos fijos interactivos sobre las utilidades sistemáticas relativas (los log-odds), en lugar de sobre las participaciones directamente. Esto asume que los factores no observados que impulsan las preferencias de elección interactúan con cargas específicas de la unidad.
Identificación: Bajo una condición de envolvente convexa sobre las cargas de los factores, los log-odds contrafactuales de la unidad tratada se identifican como una combinación convexa de los log-odds de los donantes. Geométricamente, esto implica que la composición contrafactual es el baricentro de Fréchet único de las composiciones de los donantes bajo la métrica de Aitchison (la geometría canónica del simplex).
Estimación: Los pesos se estiman minimizando la distancia de Aitchison pre-tratamiento entre la unidad tratada y la combinación sintética. Al apilar las $p-1$ ecuaciones de log-odds a través de todos los periodos de pre-tratamiento, la estimación se reduce a un único programa cuadrático convexo. Este principio de "apilamiento", adaptado de Sun et al. (2025), trata las $p-1$ coordenadas de log-odds como $L$ resultados que comparten cargas de factores comunes, aumentando efectivamente el tamaño de la muestra a $(p-1)T_0$ .

Contribuciones Clave

Derivación Estructural de la Geometría: A diferencia de otros enfoques basados en variedades que imponen la geometría de forma abstracta, el CSC deriva la métrica de Aitchison directamente del modelo de elección discreta. Esto proporciona una interpretación conductual donde los pesos de los donantes miden la similitud de las preferencias relativas (parámetros estructurales) en lugar de solo las participaciones marginales.
Contrafactuales Coherentes: El estimador produce un único conjunto de pesos que genera una composición contrafactual válida (participaciones positivas que suman uno) por construcción.
Resolución de la Dependencia de la Escala: La métrica de Aitchison trata las razones de log de forma simétrica. Un aumento del doble de una participación del 2% contribuye de igual manera al objetivo que un aumento del doble de una participación del 30%, asegurando que las categorías de baja participación reciban el peso apropiado.
Propiedades Teóricas: El artículo establece la consistencia del estimador a medida que el producto del número de categorías y los periodos de pre-tratamiento crece, y proporciona un procedimiento de inferencia de placebo basado en la distancia de Aitchison.

Resultados Empíricos
El método se aplica a la mezcla de generación de electricidad de Pensilvania tras la implementación del Estándar de Cartera de Energía Alternativa (AEPS) en 2004.

Hallazgos: El análisis revela un cambio composicional grande y persistente. Para 2022, la participación del gas natural supera a su contrafactual por casi 60 puntos porcentuales. Si bien las renovables crecieron en términos absolutos, perdieron terreno relativo frente al gas natural.
Interacción: Un análisis componente por componente pasaría por alto el intercambio entre el gas y las renovables; el contrafactual composicional captura esta redistribución de manera coherente.
Inferencia: Una prueba de placebo arroja un p-valor de 0.111, lo que indica que, aunque el cambio es sustancial, no es estadísticamente distinguible de los cambios observados en otros pocos estados (Michigan, Luisiana, Florida) que experimentaron transformaciones similares impulsadas por el gas, aunque el cambio de Pensilvania comenzó antes.

Significancia y Reivindicaciones
El artículo afirma que el CSC resuelve las limitaciones geométricas y estructurales de aplicar el SCM estándar a datos composicionales. Al fundamentar el método en un modelo de elección estructural, asegura que el contrafactual respete la geometría del simplex y que los pesos reflejen una similitud de preferencia genuina. El autor argumenta que este enfoque es esencial para la evaluación de políticas donde el resultado es inherentemente una distribución de participaciones, ya que evita la distorsión de categorías pequeñas pero de relevancia política y proporciona un marco unificado y conductualmente interpretable para la inferencia causal en entornos composicionales. El artículo no pretende resolver todos los desafíos de inferencia (notando las limitaciones de potencia de las pruebas de permutación), sino que posiciona al CSC como una alternativa fundamentada a los enfoques euclidianos o de categorías separadas.

Más como este