Representativeness and Efficiency in Overidentified IV

Cet article propose l'estimateur de ciblage représentatif (RT) pour résoudre le compromis entre l'efficacité et l'interprétabilité causale dans les modèles à variables instrumentales sur-identifiés, en garantissant des poids positifs tout en atteignant la borne d'efficacité semi-paramétrique.

L'essentiel

Imaginez que vous êtes un chef cuisinier (le chercheur) et que vous voulez connaître le goût exact d'un nouveau plat (l'effet d'un traitement, comme une classe plus petite ou l'approbation d'un brevet). Pour le découvrir, vous ne pouvez pas simplement goûter le plat directement ; vous devez utiliser des "ingrédients secrets" (des instruments) qui influencent la façon dont les gens choisissent de manger ce plat.

Le problème, c'est que vous avez plusieurs ingrédients secrets (plusieurs instruments) et que chaque groupe de clients réagit différemment à chacun d'eux. Certains clients sont très sensibles à l'ingrédient A, d'autres à l'ingrédient B.

Voici l'histoire de ce papier de recherche, racontée simplement :

1. Le Problème : La Recette "Efficace" qui Ment

Jusqu'à présent, les économistes utilisaient une méthode standard appelée GMM (une sorte de "mélangeur mathématique" très sophistiqué) pour combiner les résultats de tous ces ingrédients.

• L'illusion : On pensait que ce mélangeur était simplement là pour rendre la mesure plus précise (comme un thermomètre plus précis).
• La réalité : Ce mélangeur change ce qu'on mesure. Il décide qui on écoute.

Le papier montre que ce mélangeur standard a un défaut caché : il déteste les ingrédients qui créent beaucoup de "bruit" ou de variations dans les résultats.

• L'analogie : Imaginez que vous essayez de mesurer la vitesse moyenne d'une course. Si un coureur est très rapide mais très instable (il trébuche souvent), le mélangeur standard va dire : "Oh, ce coureur est trop bruyant, je vais lui donner un poids négatif !"
• Le résultat catastrophique : Le mélangeur peut donner un poids négatif à certains groupes. C'est comme si, pour calculer la moyenne de vos notes, le professeur disait : "Je vais soustraire les points de ceux qui ont eu les meilleures notes parce qu'ils sont trop variables". Cela rend le résultat impossible à interpréter causalement. De plus, ce mélangeur "efficace" pénalise souvent les groupes qui ont les effets les plus forts, simplement parce qu'ils sont plus hétérogènes.

2. Le Dilemme : Efficacité vs Compréhension

Les auteurs prouvent un théorème impossible : Vous ne pouvez pas avoir les deux.

• Soit vous voulez l'estimation la plus précise possible (efficacité statistique), mais vous perdez le contrôle sur ce que vous mesurez (le mélangeur choisit pour vous et peut mentir).
• Soit vous voulez mesurer un groupe spécifique qui vous intéresse (par exemple, "l'effet moyen pour tout le monde"), mais vous ne pouvez pas le faire avec la précision maximale du mélangeur standard.

C'est comme essayer de conduire une voiture avec un volant qui tourne tout seul pour aller "plus vite", mais qui vous emmène dans une direction que vous n'avez pas choisie.

3. La Solution : Le "Cibleur Représentatif" (RT)

C'est ici que les auteurs proposent leur nouvelle recette, appelée Representative Targeting (RT).

Au lieu d'utiliser un mélangeur unique qui essaie de tout fondre en une seule soupe (ce qui crée des problèmes), la méthode RT fait ceci :

1. Elle prend chaque ingrédient séparément et calcule son propre petit résultat (un petit "Wald").
2. Ensuite, c'est vous, le chercheur, qui choisissez le mélange. Vous dites : "Je veux que l'ingrédient A compte pour 50% et l'ingrédient B pour 50%".
3. La magie : Tant que vos ingrédients sont bien conçus (une condition appelée "Dépendance de Régression Positive", ce qui signifie qu'ils vont généralement dans la même direction), cette méthode garantit que vous ne donnerez jamais de poids négatif. Vous ne soustrairez jamais les bons élèves.

L'avantage clé : Cette méthode est aussi précise que possible (elle atteint la limite de l'efficacité mathématique) tout en vous laissant le contrôle total sur ce que vous mesurez.

4. Les Exemples Concrets (La Preuve par l'Expérience)

Les auteurs ont testé leur méthode sur deux situations réelles :

• L'expérience des classes (Tennessee STAR) :

  • Situation : On compare les élèves en petite classe vs grande classe dans 78 écoles différentes.
  • Résultat : La méthode standard (GMM) a dit que l'effet était faible (6,55 points). Pourquoi ? Parce qu'elle a pénalisé les écoles où les élèves avaient des résultats très variables (les plus grands effets !).
  • Avec la nouvelle méthode : En choisissant un mélange équilibré, on retrouve un effet plus fort (8,84 points), qui correspond mieux à la réalité de ce qui se passe dans les écoles.

• Les brevets et les examinateurs :

  • Situation : On regarde si l'approbation d'un brevet par un examinateur "gentil" augmente les citations futures.
  • Résultat : La méthode standard a dit que l'effet était presque nul (5,51 citations) et a même donné un poids négatif aux examinateurs les plus "gentils" (ce qui est absurde).
  • Avec la nouvelle méthode : En ciblant spécifiquement la politique qui nous intéresse (relâcher la pression sur tous les examinateurs), on trouve un effet réel et positif (11,75 citations).

En Résumé

Ce papier dit aux économistes : "Arrêtez de laisser l'ordinateur décider de qui vous écoutez pour gagner de la vitesse."

La méthode traditionnelle (GMM) est comme un GPS qui essaie d'aller le plus vite possible mais qui vous emmène dans une impasse parce qu'il déteste les routes sinueuses. La nouvelle méthode (RT) vous donne le volant. Elle vous permet de choisir exactement quelle population vous voulez étudier (les élèves, les entreprises, etc.), garantit que votre calcul est logique (pas de poids négatifs), et vous assure que votre mesure est aussi précise que la science le permet.

C'est un retour au bon sens : l'outil de mesure doit servir votre question, pas dicter la réponse.

Résumé technique

1. Problématique : Le compromis entre Efficacité et Interprétabilité Causale

Le papier aborde un problème fondamental dans l'estimation par variables instrumentales (VI) lorsque les effets de traitement sont hétérogènes et qu'il existe plusieurs instruments ($L \ge 2$).

• La rupture du théorème de Gauss-Markov : Dans les modèles linéaires classiques, l'estimateur le plus efficace (OLS) conserve le même paramètre cible (estimand) que les estimateurs moins efficaces. En revanche, dans les modèles VI suridentifiés avec hétérogénéité des effets de traitement, le choix de la matrice de pondération du Méthode des Moments Généralisés (GMM) détermine non seulement la précision, mais l'identité même du paramètre estimé.
• Le problème des poids négatifs : Les estimateurs standards comme les Moindres Carrés en Deux Étapes (2SLS) et le GMM Efficace (EGMM) peuvent attribuer des poids négatifs à certains instruments ou sous-populations (types de conformité). Cela rend l'estimand ininterprétable causalement (il ne représente pas une moyenne pondérée d'effets de traitement positifs).
• Le dilemme de l'efficacité : Le papier démontre un résultat d'impossibilité : sous hétérogénéité, il est impossible pour un estimateur GMM d'atteindre simultanément la borne d'efficacité semi-paramétrique et de respecter des poids spécifiés par le chercheur (par exemple, une moyenne équitable ou une cible politique spécifique). La recherche de l'efficacité dans le cadre GMM introduit une « pénalité d'hétérogénéité » qui déforme les poids pour minimiser la variance, souvent au détriment de l'interprétabilité causale.

2. Méthodologie et Cadre Théorique

Les auteurs développent un cadre basé sur les types de conformité (compliance types) et introduisent un nouvel estimateur, le Representative Targeting (RT).

A. Cadre Théorique et Décomposition

• Types de conformité : Chaque individu est classé selon sa réponse à toutes les configurations possibles des $L$ instruments.
• Décomposition de Wald : Chaque ratio de Wald spécifique à un instrument est une combinaison linéaire des effets de traitement moyens par type de conformité (LATE).
• Condition de Dépendance de Régression Positive (PRD) : Pour garantir que les poids des ratios de Wald soient non négatifs (et donc causalement interprétables), les auteurs imposent l'hypothèse de PRD (Lehmann, 1966). Cette condition, vérifiable sur la distribution des instruments, assure que la connaissance d'un instrument augmente la probabilité que les autres instruments soient actifs (ou du moins ne les diminue pas de manière disproportionnée). Elle généralise la condition de monotonie aux instruments multiples.

B. Analyse du GMM et de la « Pénalité d'Hétérogénéité »

• Mécanisme de l'EGMM : L'estimateur EGMM inverse la matrice des moments secondaires ($\Omega$). Les auteurs montrent que $\Omega$ absorbe la variance résiduelle due à l'ajustement d'un seul paramètre $\beta$ à $L$ estimands de Wald distincts.
• La Pénalité : Si un instrument a des compliants avec une forte dispersion des effets de traitement, le résidu commun est grand. L'EGMM pénalise cet instrument en réduisant son poids (voire en le rendant négatif) pour minimiser la variance globale.
• Résultat d'impossibilité (Proposition 12) : Sauf si tous les ratios de Wald sont identiques, aucune matrice de pondération GMM ne peut à la fois atteindre la borne d'efficacité et délivrer les poids souhaités par le chercheur. Forcer les poids souhaités dans le GMM entraîne une variance supérieure à la borne optimale.

C. L'Estimateur Representative Targeting (RT)

Pour résoudre ce compromis, les auteurs proposent le RT, qui sort du cadre GMM classique :

1. Calcul séparé : Au lieu de minimiser une fonction de distance commune sur tous les moments, le RT calcule d'abord chaque ratio de Wald séparément.
2. Moyenne pondérée : Il combine ensuite ces ratios en utilisant des poids $\omega$ spécifiés par le chercheur.
3. Efficacité : Sous l'hypothèse PRD, le RT garantit des poids non négatifs sur les types de conformité. De plus, il atteint la borne d'efficacité semi-paramétrique pour l'estimand ciblé. Sa variance est une forme quadratique fermée des poids, calculable avant l'estimation finale.
4. Cibles naturelles : Les auteurs définissent des cibles économiquement pertinentes, notamment l'ATE pondéré par la part des compliants (CSW-ATE) et l'ATE à poids égaux (EW-ATE).

D. Représentation MTE (Marginal Treatment Effect)

Dans le cadre du modèle à index latent, les auteurs relient leurs résultats à la courbe MTE.

• Le RT permet de cibler l'Effet de Traitement Pertinent pour la Politique (PRTE) en trouvant les poids qui minimisent la distance $L^2$ entre la fonction de poids de l'estimateur et la fonction de poids de la politique contrefactuelle.
• Cela permet de fournir une estimation ponctuelle optimale du PRTE, complétant les approches de délimitation (bounds) existantes.

3. Résultats Empiriques

Les auteurs appliquent leur méthode à deux études de cas majeures :

A. Expérience STAR (Taille des classes)

• Contexte : Expérience aléatoire dans 78 écoles du Tennessee. Chaque école agit comme un instrument.
• Résultats :
  • Le test de suridentification (J-statistic) rejette fortement l'égalité des effets de traitement entre écoles ($p < 0.001$), confirmant une forte hétérogénéité.
  • L'EGMM réduit l'estimation de l'effet de la petite classe de 8,84 (2SLS) à 6,55.
  • Mécanisme : L'EGMM pénalise les écoles où les gains sont les plus élevés car elles présentent une plus grande dispersion des effets de traitement (variance résiduelle élevée).
  • Le RT (CSW-ATE) redonne une estimation de 8,84 (identique au 2SLS en termes de cible, mais avec une variance différente et correcte), démontrant que la pénalité de l'EGMM déforme l'estimand vers des effets plus modérés.

B. Design de clémence des examinateurs de brevets

• Contexte : Utilisation de la sévérité des examinateurs de brevets (USPTO) comme instrument pour l'approbation des brevets et leur impact sur les citations futures.
• Résultats :
  • Les instruments sont cumulatifs et corrélés. Le J-statistic rejette l'homogénéité.
  • L'EGMM attribue 86% du poids au seuil le plus bas et des poids négatifs aux seuils élevés ($G \ge 5, 6$), réduisant l'estimation de 10,58 (2SLS) à 5,51.
  • Le RT ciblant le PRTE (relâchement uniforme de la sévérité) produit une estimation de 11,75 citations, plus proche de l'intuition économique et de la cible politique.
  • L'analyse des fonctions de poids MTE montre que l'EGMM « vide » (hollows out) les régions de forte résistance où les effets sont les plus grands, tandis que le RT restaure la masse de poids nécessaire pour la politique visée.

4. Contributions Clés

1. Caractérisation de la pénalité d'hétérogénéité : Identification précise du mécanisme par lequel l'EGMM déforme les estimands en pénalisant les instruments à forte variance des effets de traitement.
2. Preuve d'impossibilité : Démonstration théorique que le GMM ne peut pas concilier efficacité et ciblage d'estimands spécifiques sous hétérogénéité.
3. Proposition du RT : Introduction d'un estimateur qui sort du cadre GMM pour atteindre l'efficacité semi-paramétrique tout en respectant des contraintes de représentativité (poids non négatifs) et de ciblage politique.
4. Outils pratiques : Fourniture de formules de variance fermées et de méthodes pour cibler le PRTE avec une erreur de projection minimale.

5. Signification et Implications

Ce papier remet en question l'utilisation automatique du GMM efficace (ou du 2SLS) dans les contextes suridentifiés avec hétérogénéité. Il démontre que :

• L'estimateur est l'estimand : Le choix de la méthode d'estimation détermine quelle sous-population est évaluée.
• L'efficacité n'est pas gratuite : Chercher l'efficacité statistique dans le cadre GMM peut conduire à des estimands causalement non interprétables (poids négatifs) ou économiquement non pertinents (ignorer les sous-groupes à fort effet).
• Solution pour les politiques publiques : Le RT offre aux économistes et aux décideurs politiques un outil rigoureux pour estimer des effets de traitement spécifiques à une politique (PRTE) sans sacrifier l'efficacité statistique ni la validité causale.

En résumé, l'article propose un changement de paradigme : au lieu de forcer les données à s'adapter à un modèle d'erreur commun (GMM), il faut combiner des estimateurs justes (Wald) de manière optimale (RT) pour répondre à des questions causales spécifiques.