Bounding Treatment Effects by Pooling Limited Information across Observations

Sintesi Tecnica: Stima degli Effetti del Trattamento mediante Pooling di Informazioni Limitate tra le Osservazioni

Enunciato del Problema
Il lavoro affronta la sfida di stimare gli Effetti Medi del Trattamento (ATE) e gli Effetti Medi del Trattamento sui Trattati (ATT) sotto l'assunzione di non confondimento quando la condizione di sovrapposizione è violata o quando le variabili di condizionamento assumono un numero elevato di valori distinti rispetto alla dimensione del campione. In tali contesti di "sovrapposizione limitata" o ad alta dimensionalità, la ponderazione standard tramite punteggio di propensione inverso (IPS) fallisce perché il punteggio di propensione non può essere stimato in modo coerente, portando a una varianza infinita o a un comportamento asintotico non uniforme. Al contrario, fare affidamento esclusivamente sui limiti di Manski (che non richiedono sovrapposizione) produce intervalli estremamente ampi che spesso mancano di informativa. Gli autori osservano che i metodi esistenti, come il trimming o la ponderazione per sovrapposizione, alterano il parametro di interesse, mentre i metodi di estrazione si basano su modelli potenzialmente specificati in modo errato.

Metodologia
Gli autori propongono un nuovo quadro per costruire limiti che occupano uno spazio intermedio tra il "nessun pooling" dei limiti di Manski e il "pooling illimitato" richiesto per l'identificazione puntuale tramite ponderazione IPS.

1. Pooling Limitato: L'innovazione centrale consiste nella costruzione di limiti come medie campionarie di funzioni delle osservazioni esito, dove il contributo di ogni esito dipende solo dallo stato di trattamento di un numero limitato di osservazioni che condividono valori simili di covariate.
2. Ordine dei Limiti:
   • Limiti del Primo Ordine ($Q=1$): Questi corrispondono ai limiti standard di Manski, utilizzando solo l'esito individuale e lo stato di trattamento, senza richiedere sovrapposizione.
   • Limiti del Secondo Ordine e di Ordine Superiore ($Q \ge 2$): Questi utilizzano informazioni da coppie o piccoli gruppi di osservazioni con valori di covariate identici (o raggruppati). Sfruttando l'assunzione di non confondimento all'interno di questi piccoli gruppi, gli autori derivano limiti più stretti.
3. Punteggio di Propensione di Riferimento: I limiti sono parametrizzati da un "punteggio di propensione di riferimento" $p^*(x)$. I limiti rimangono validi indipendentemente dal valore di $p^*(x)$. Tuttavia, se $p^*(x)$ è vicino al vero punteggio di propensione $p(x)$, i limiti diventano affilati (ottimali in termini di larghezza attesa). Ciò permette ai ricercatori di incorporare conoscenze preliminari o stime semplici (ad esempio, la quota globale di trattamento) senza rischiare invalidità se l'ipotesi è errata.
4. Generalizzazione ad Ordini Superiori: Il lavoro generalizza questi limiti a un ordine arbitrario $q$. I limiti sono costruiti come polinomi nel punteggio di propensione sconosciuto $p(x)$. Per renderli fattibili, i termini contenenti $[p(x)]^r$ sono sostituiti da prodotti di indicatori di trattamento provenienti da $r$ osservazioni distinte all'interno dello stesso cluster di covariate.
5. Gestione delle Covariate Continue: Poiché il quadro teorico assume covariate discrete per permettere valori ripetuti, gli autori propongono una procedura pratica di clustering (clustering agglomerativo gerarchico) per raggruppare le covariate continue in bin. Ciò crea un insieme finito di valori di covariate "effettivi", rendendo possibile l'applicazione dei limiti.
6. Inferenza: Gli autori sviluppano intervalli di confidenza validi asintoticamente. Trattano i cluster distinti di covariate come la dimensione del campione effettiva ($m$). Affrontano il problema di intervalli di confidenza potenzialmente vuoti (dove il limite inferiore supera il limite superiore in campioni finiti) costruendo un'unione di intervalli basata su Stoye (2020), garantendo che l'intervallo finale non sia mai vuoto mantenendo la copertura asintotica.

Contributi Chiave

• Limiti Novelli: Il lavoro fornisce il primo metodo sistematico per derivare limiti validi su ATE e ATT che sono robusti alla sovrapposizione limitata e alle covariate ad alta dimensionalità senza richiedere la condizione di sovrapposizione o la stima coerente del punteggio di propensione.
• Robustezza alla Specificazione Errata: A differenza degli stimatori IPS, questi limiti rimangono validi anche se il punteggio di propensione di riferimento è specificato in modo errato. Offrono una "rete di sicurezza" che si restringe man mano che il punteggio di riferimento si avvicina alla verità, ma non collassa se ciò non avviene.
• Validità in Campioni Finiti: La metodologia è progettata per scenari in cui il numero di valori distinti di covariate è grande rispetto alla dimensione del campione, un regime in cui fallisce la stima non parametrica standard.
• Procedure di Inferenza: Il lavoro stabilisce la normalità asintotica dei limiti campionari e fornisce una procedura concreta per costruire intervalli di confidenza validi e non vuoti.

Risultati

• Esperimenti Monte Carlo: Le simulazioni dimostrano che quando la condizione di sovrapposizione vale e il punteggio di riferimento è corretto, i limiti proposti sono stretti e comparabili agli stimatori oracolo. Quando la sovrapposizione è violata o il punteggio di propensione è specificato in modo errato, i limiti proposti (in particolare con $Q=2, 3$) rimangono informativi e riflettono correttamente l'identificazione parziale, mentre gli stimatori IPS standard e l'accoppiamento per i vicini più prossimi mostrano un bias o una dispersione significativi. I limiti migliorano i limiti di Manski restringendo la larghezza dell'intervallo mantenendo la validità.
• Applicazioni Empiriche:
  • Cateterizzazione del Cuore Destro (RHC): Applicato ai dati di Connors et al. (1996), il metodo produce un intervallo di confidenza al 95% per l'ATT di $[-0.117, -0.006]$, escludendo lo zero e suggerendo un effetto negativo (aumento della mortalità). Questa conclusione vale senza fare affidamento sulla condizione di sovrapposizione o su un modello logit correttamente specificato.
  • Programma di Occupazione Temporanea: Applicato al sottocampione Dehejia-Wahba e al gruppo di controllo PSID. Per il campione Dehejia-Wahba (dove la randomizzazione è preservata), i limiti sono stretti e coerenti con le semplici differenze di medie. Per il gruppo di controllo PSID (dove la sovrapposizione è limitata), i limiti si allargano significativamente per riflettere l'incertezza, in contrasto con i limiti di Manski che sono ancora più ampi.

Significato e Affermazioni
Gli autori affermano che il loro metodo offre un compromesso robusto tra il conservatorismo estremo dei limiti di Manski e la fragilità dei metodi di identificazione puntuale in caso di sovrapposizione limitata. Consentendo un "pooling limitato" di informazioni, l'approccio sfrutta l'assunzione di non confondimento per restringere i limiti senza esigere i forti requisiti di dati (grandi dimensioni campionarie locali) necessari per la stima del punteggio di propensione. Il lavoro sottolinea che il metodo è particolarmente prezioso in contesti ad alta dimensionalità dove una stima affidabile del punteggio di propensione è non fattibile. Gli autori sono modesti riguardo alla discretizzazione delle covariate continue, riconoscendola come una soluzione pratica che introduce un errore di approssimazione, la cui analisi formale è lasciata a lavori futuri. Notano inoltre che, sebbene i loro limiti siano ottimali all'interno della classe di limiti "a pooling limitato" considerati, non affermano di essere i limiti globalmente ottimali possibili sotto tutte le ipotesi concepibili.