Estimating Treatment Effects Under Bounded Heterogeneity

1. Problématique

Dans les applications empiriques de l'inférence causale, les chercheurs font souvent face à un dilemme entre la spécification de modèles flexibles et la précision des estimations :

• Modèles flexibles (régression longue) : Ils permettent d'estimer des effets de traitement hétérogènes (CATE) sans restriction. Cependant, ils souffrent souvent d'une grande imprécision (variance élevée) et peuvent devenir inestimables en cas de chevauchement limité (limited overlap) ou d'absence totale de chevauchement dans la distribution des covariables.
• Modèles restrictifs (régression courte) : La spécification standard suppose des effets de traitement constants (ou néglige les interactions traitement-covariables). Bien que plus précise et robuste face au manque de chevauchement, cette approche est biaisée si l'hétérogénéité des effets existe. Le coefficient estimé représente alors une moyenne pondérée des effets, avec des poids souvent contre-intuitifs (dépendant de la variance de l'affectation au traitement).

L'objectif de l'article est de formaliser l'intuition selon laquelle une hétérogénéité limitée permet d'utiliser la régression courte tout en corrigeant le biais, ou d'offrir une alternative optimisée qui navigue entre les deux extrêmes.

2. Méthodologie

Les auteurs proposent une approche basée sur une borne supérieure sur la variance des effets de traitement conditionnels (VCATE).

A. Cadre théorique et hypothèse de borne

Soit $\tau(x)$ l'effet de traitement conditionnel moyen (CATE). L'article impose une contrainte sur la variance de ces effets dans l'échantillon :
$$\text{VCATE} = E_n[(\tau(x_i) - E_n[\tau(x_i)])^2] \leq C^2$$
où $C$ est un paramètre de sensibilité (borne sur l'écart-type des effets hétérogènes).

• Si $C=0$, les effets sont constants (modèle de régression courte).
• Si $C \to \infty$, on revient à l'hétérogénéité non restreinte.

Cette borne permet une identification partielle même en cas d'absence totale de chevauchement, car elle restreint la plage possible des effets de traitement pour les sous-populations non chevauchantes.

B. L'estimateur regulaTE (Ridge généralisé)

Au lieu de simplement corriger le biais de la régression courte (ce qui élargit excessivement les intervalles de confiance), les auteurs proposent un nouvel estimateur : regulaTE.

• Formulation : Il s'agit d'une régression ridge généralisée qui pénalise les coefficients d'hétérogénéité $\delta$.
  $$\min_{\beta, \gamma, \delta} \frac{1}{n}\|Y - D\beta - X\gamma - (D \circ \tilde{X}_{-1})\delta\|^2 + \lambda \delta' V_x \delta$$
  où $V_x$ est la matrice de variance des covariables décentrées.
• Interprétation : Le paramètre de pénalité $\lambda$ contrôle le compromis biais-variance.
  • Pour $\lambda \to \infty$, l'estimateur converge vers la régression courte (biais faible, variance faible, mais biais potentiel si $C>0$).
  • Pour $\lambda \to 0$, il converge vers la régression longue (si définie).
  • Pour un $\lambda$ intermédiaire, il pondère les cellules de covariables : il accorde plus de poids aux cellules bien chevauchées et réduit l'influence des cellules mal chevauchées, tout en ajustant le poids en fonction de la borne $C$.

C. Choix du paramètre de pénalité et Inférence

Les auteurs démontrent que l'estimateur regulaTE se situe sur la frontière biais-variance optimale pour les estimateurs linéaires sous la contrainte VCATE.

• Sélection de $\lambda$ : Le paramètre $\lambda^*_C$ est choisi pour minimiser la demi-longueur de l'intervalle de confiance (IC) fixe dans un cadre gaussien homoscédastique.
• Intervalle de Confiance (IC) : L'IC est construit comme $\hat{\beta} \pm \chi$, où la valeur critique $\chi$ intègre à la fois la variance de l'estimateur et le pire biais possible (worst-case bias) sous la contrainte $C$.
• Robustesse : La méthode reste valide même en cas d'hétéroscédasticité et de distributions d'erreurs non gaussiennes, grâce à l'utilisation d'estimateurs de variance robustes et au théorème central limite.

D. Analyse de sensibilité

Le paramètre $C$ n'est pas estimé de manière data-driven (ce qui conduirait à des IC invalides ou trop larges, selon les résultats d'impossibilité d'Armstrong et Kolesár), mais est traité comme un paramètre de sensibilité.

• Les chercheurs font varier $C$ pour observer l'évolution des IC.
• On identifie la valeur de rupture (breakdown value) $C^*$ : la plus petite valeur de $C$ pour laquelle l'effet de traitement devient statistiquement non significatif.
• La plausibilité de $C^*$ est évaluée en la comparant à des connaissances empiriques (ex: variance des effets dans des sous-groupes).

3. Résultats Clés

1. Optimalité théorique : L'estimateur regulaTE est prouvé être l'estimateur linéaire qui minimise la longueur de l'intervalle de confiance fixe sous la contrainte de VCATE, offrant un compromis optimal entre biais et variance.
2. Performance en simulation : Dans des simulations calibrées sur les données d'Angrist (1998) avec chevauchement limité :
   • Les IC basés sur la régression courte non corrigée ont un taux de couverture bien inférieur au niveau nominal (sous-coverage).
   • Les IC corrigés pour le biais de la régression courte deviennent excessivement larges.
   • Les IC regulaTE maintiennent une couverture correcte tout en restant significativement plus étroits que les IC corrigés de la régression courte.
3. Applications empiriques :
   • Effets des pensions maternelles (Aizer et al., 2016) : L'effet positif sur la longévité des enfants reste significatif jusqu'à une hétérogénéité $C^* \approx 0,75\%$, ce qui est proche d'une borne de référence économique plausible ($1\%$). L'analyse suggère que le résultat est robuste.
   • Adoption échelonnée (Dobkin et al., 2018) : L'effet d'une hospitalisation imprévue sur les dépenses médicales reste significatif jusqu'à $C^* \approx 1583$ $. Cette valeur dépasse la borne de référence basée sur la variabilité temporelle ($1000$ $), confirmant la robustesse du résultat original, contrairement à ce que suggérerait une analyse basée sur la régression courte corrigée (qui deviendrait non significative très rapidement).

4. Contributions Principales

• Nouvel estimateur (regulaTE) : Introduction d'un estimateur de type ridge qui s'adapte dynamiquement à la contrainte d'hétérogénéité, offrant une alternative supérieure à la simple correction de biais de la régression courte.
• Gestion du manque de chevauchement : La méthode permet une inférence valide même en cas d'absence totale de chevauchement (non-identification ponctuelle), en utilisant la borne VCATE pour restreindre l'espace des paramètres possibles.
• Cadre d'analyse de sensibilité formalisé : Fournit une procédure rigoureuse pour évaluer la robustesse des conclusions empiriques aux violations de l'hypothèse d'effets constants, en utilisant une métrique intuitive (la variance des effets).
• Outils logiciels : Développement d'un package R (regulaTEr) facilitant l'implémentation de la méthode et la visualisation des analyses de sensibilité.

5. Signification et Implications

Ce travail est significatif car il offre une solution pragmatique au problème persistant de l'hétérogénéité des effets de traitement dans la recherche appliquée.

• Il valide l'intuition des praticiens qui utilisent la régression courte pour sa stabilité, tout en fournissant un cadre formel pour quantifier le risque de biais.
• Il évite le piège des estimateurs semi-paramétriques non paramétriques qui échouent souvent en présence de chevauchement limité.
• Il déplace le débat de la recherche de l'estimateur "parfait" (souvent inatteignable) vers une analyse de sensibilité structurée, permettant aux chercheurs de déclarer explicitement sous quelles hypothèses d'hétérogénéité leurs conclusions tiennent.

En résumé, regulaTE permet d'obtenir des intervalles de confiance plus précis et plus informatifs que les méthodes traditionnelles, tout en garantissant une couverture valide sous des hypothèses réalistes et interprétables sur la dispersion des effets de traitement.