Identification Design

1. Problématique et Contexte

Ce papier s'attaque au problème de la conception de l'identification (identification design) dans le cadre de l'inférence causale robuste en microéconométrie. L'auteur postule que les chercheurs empiriques sont des agents économiques rationnels qui peuvent être tentés de divulguer sélectivement des informations pour influencer les décisions des décideurs, même lorsque les données divulguées sont factuellement exactes.

Le problème central est le suivant : comment un décideur objectif, dépourvu de croyances a priori (prior-free) et avers au risque (ou plus précisément, suivant un critère maxmin), doit-il réagir face à des structures d'information stratégiquement conçues par des chercheurs ? Le décideur observe la distribution de population des signaux générés par une structure d'information et classe les actions selon leur pire rendement possible (worst-case payoff) sur l'ensemble des distributions d'états admissibles compatibles avec ces signaux.

L'objectif est de déterminer si un environnement est manipulable, c'est-à-dire si, pour toute action souhaitée et toute vraie distribution d'état, il existe une structure d'information capable de faire en sorte que cette action soit choisie par le décideur.

2. Méthodologie et Cadre Théorique

Le modèle repose sur une approche non bayésienne de la théorie de la décision et de la conception de l'information :

• Environnement : Un ensemble d'états $\Omega$, un ensemble d'actions $A$, un ensemble de distributions d'états admissibles $\mathcal{P}$ (contenant la vraie distribution $\mu$), et une fonction d'utilité $U$.
• Structure d'information : Le décideur observe la distribution des messages $\Sigma$ générés par une application $E: \Omega \to \Delta(\Sigma)$. L'ensemble identifié $\mathcal{P}_\mu(\Sigma, E)$ contient toutes les distributions $\nu \in \mathcal{P}$ qui sont observationnellement équivalentes à $\mu$ (c'est-à-dire $E_\nu = E_\mu$).
• Comportement du décideur : Il maximise son rendement garanti (worst-case) :
  $$\max_{\alpha \in \Delta(A)} \inf_{\nu \in \mathcal{P}_\mu(\Sigma, E)} U(\alpha, \nu)$$
• Manipulabilité : Un environnement est dit manipulable si, pour toute action $\alpha$ et toute vraie distribution $\mu$, il existe une structure d'information qui rend $\alpha$ optimal pour le décideur.

L'auteur utilise des outils d'algèbre linéaire (espaces vectoriels, noyaux d'applications linéaires) pour caractériser les ensembles identifiés et les conditions de mise en œuvre des actions.

3. Contributions Clés et Résultats Principaux

A. Caractérisation de la Manipulabilité (Théorème 1)

Le résultat fondamental établit une condition nécessaire et suffisante pour la manipulabilité d'un environnement :

• Un environnement est manipulable si et seulement si le pire rendement (worst-case payoff) de chaque action est identique sur l'ensemble des distributions admissibles $\mathcal{P}$.
• Si les pires rendements diffèrent, certaines actions ne peuvent jamais être implémentées sous certaines distributions vraies.

B. Application aux Modèles d'Effets de Traitement (Section 5)

L'auteur applique ce cadre aux modèles d'effets de traitement (traitement binaire ou multiple, covariables, résultats potentiels).

• Manipulabilité forte : Il démontre que tous les modèles d'effets de traitement sont manipulables. En effet, la structure cubique des rendements potentiels permet de construire des distributions admissibles où le pire rendement de chaque action est égal au minimum global possible ($\min Y$).
• Robustesse de la manipulation : Cette manipulation est possible via des structures d'information presque totalement informatives (qui révèlent au moins $n-1$ statistiques linéairement indépendantes dans un modèle à $n$ états). Ces structures permettent de cibler une action spécifique sans que le décideur ne puisse détecter la manipulation ex post, car le rendement de l'action implémentée est exactement identifié.

C. Structures d'Information Marginales et Identification (Sections 5.2 et 5.3)

Revenant à des contraintes pratiques (les chercheurs divulguent souvent la distribution marginale conjointe du résultat, du traitement et d'un sous-ensemble de covariables), l'auteur analyse les structures d'information marginales.

• Condition d'identification exacte (Théorème 2) : Un modèle d'effets de traitement est exactement identifié (et donc non manipulable) par une structure marginale si et seulement si les covariables divulguées sont suffisamment riches pour déterminer les probabilités d'assignation du traitement. Cela correspond à la condition de sélection sur les observables globale : $(Y_1, ..., Y_k) \perp T | Z$.
  • Conséquence : Dans les expériences randomisées où le mécanisme d'assignation est connu et dépend uniquement des covariables divulguées, la manipulation est impossible.
• Biais dans les études observationnelles : Dans les études observationnelles avec des covariables omises, l'identification n'est pas exacte. L'auteur dérive des bornes de rendement strictes (Théorème 3) basées sur les covariables omises.
  • La manipulation est possible via la sélection de covariables : en omettant certaines variables, le chercheur peut élargir l'ensemble identifié pour rendre une action sous-optimale (selon la vérité) optimale en termes de pire rendement.
  • Cependant, si le nombre de covariables divulguées augmente, les bornes de rendement se resserrent vers les vraies valeurs.

D. Environnements Non Manipulables (Section 6)

Pour les environnements qui ne satisfont pas la condition de manipulabilité (où les pires rendements diffèrent), l'auteur caractérise l'ensemble des actions implémentables sous des hypothèses de régularité (convexité, quasi-concavité).

• Une action $\alpha$ est implémentable sous la vraie distribution $\mu$ si et seulement s'il existe une distribution a priori admissible $\nu$ telle que :
  1. $\alpha$ est optimal sous $\nu$ (avec information complète).
  2. Le rendement de $\alpha$ sous $\nu$ n'est pas supérieur à son rendement sous $\mu$.
• Cette implémentation est réalisable via des structures d'information presque totalement informatives.

4. Signification et Implications

Ce papier apporte plusieurs contributions majeures à la littérature économique et économétrique :

1. Théorie de la persuasion et communication stratégique : Il endogénéise l'ensemble d'identification (partial identification) de la même manière que la persuasion bayésienne endogénéise les expériences de Blackwell. Il se distingue des modèles classiques en supposant un décideur sans a priori et avers au risque (maxmin), répondant à la distribution des signaux plutôt qu'à leurs réalisations individuelles.
2. Inférence causale robuste : Il fournit une analyse formelle de la vulnérabilité des études empiriques à la manipulation stratégique. Il montre que même des divulgations partielles (marginales) peuvent suffire à inverser les politiques optimales si les covariables divulguées ne sont pas suffisantes pour identifier le mécanisme d'assignation.
3. Recommandations pratiques :
   • Pour les expériences randomisées, la divulgation des covariables déterminant l'assignation est cruciale pour éliminer toute manipulation.
   • Pour les études observationnelles, la sélection de covariables reste un vecteur de manipulation, mais la divulgation d'un ensemble riche de covariables réduit l'incertitude et les bornes de rendement.
   • Le papier suggère que les structures d'information ne divulguant que des distributions marginales (Y, T, Z) devraient être traitées avec scepticisme si Z n'est pas suffisant pour identifier le mécanisme d'assignation.

En résumé, Rosenthal démontre que la robustesse de l'inférence causale dépend intrinsèquement de la richesse de l'information divulguée par rapport au mécanisme d'assignation, et que sans une identification complète, l'espace des actions manipulables est vaste, même avec des structures d'information très informatives.