Treatment Choice with Nonlinear Regret

Sintesi Tecnica: Scelta del Trattamento con Regret Non Lineare

Problematica
Il saggio affronta il problema della scelta statistica del trattamento, specificamente come utilizzare i dati sperimentali per informare decisioni di politica ottimali riguardanti il benessere sociale. Basandosi sul quadro della teoria decisionale statistica stabilito da Wald (1950) e sulla letteratura sulla scelta del trattamento iniziata da Manski (2004), gli autori criticano l'attuale enfasi sulla minimizzazione della media del regret del benessere (regret atteso). Essi sostengono che questo criterio lineare conduce a "regole singleton" (singleton rules)—regole decisionali che trattano l'intera popolazione o non trattano nessuno. Gli autori dimostrano che tali regole mostrano un'indesiderabile sensibilità all'incertezza del campionamento; piccole fluttuazioni nei dati possono causare passaggi bruschi dal trattare tutti al non trattare nessuno, potenzialmente incorrendo in grandi perdite di benessere dovute ad errori di campionamento casuale, particolarmente in campioni finiti. Inoltre, il paradigma del regret medio non riesce a catturare l'avversione dei decisori verso grandi perdite di benessere in stati avversi del mondo.

Metodologia
Per affrontare queste limitazioni, gli autori propongono un nuovo quadro decisionale che minimizza la media di una trasformazione non lineare del regret, denotata come $g(\text{Regret})$. Questo criterio, denominato "rischio di regret non lineare", incorpora i momenti di ordine superiore della distribuzione del regret (come la varianza) nel processo di ottimizzazione.

• Funzione di Rischio: Le prestazioni di una regola di trattamento $\hat{\delta}$ sono valutate tramite $R_g(\hat{\delta}, P) = E_{P^n}[g(\text{Reg}(\hat{\delta}))]$.
• Focus Specifico: Il saggio si concentra principalmente sul regret quadratico medio (mean square regret), dove $g(r) = r^2$. Questa specifica trasformazione penalizza le regole che risultano in un'alta varianza del regret (e, equivalentemente, un'alta varianza del benessere), accogliendo così l' "avversione al regret".
• Criteri di Ottimalità: Gli autori derivano regole ottimali sotto due criteri:
  1. Ottimalità Bayesiana: Minimizzare il rischio di regret non lineare atteso rispetto a una distribuzione a priori sulle potenziali distribuzioni degli esiti.
  2. Ottimalità Minimax: Minimizzare il rischio di regret non lineare nel caso peggiore su l'insieme delle possibili distribuzioni.
• Quadro Teorico: L'analisi utilizza modelli gaussiani a campione finito ed estende il lavoro ai contesti a grandi campioni tramite il framework dell'esperimento limite (Le Cam, 1986), seguendo Hirano e Porter (2009, 2020).

Contributi Chiave e Risultati

1. Incompletezza e Inammissibilità delle Regole Singleton:
   Il saggio stabilisce che per una vasta classe di trasformazioni non lineari (inclusa la media del quadrato del regret), la classe delle regole singleton non è essenzialmente completa. A differenza del caso del regret lineare in cui le regole soglia singleton sono spesso ammissibili ed essenzialmente complete, gli autori dimostrano che, per i rischi di regret non lineare, le regole singleton sono generalmente inammissibili. Nello specifico, per ogni regola singleton, esiste una regola "frazionaria" (che assegna il trattamento a una proporzione della popolazione) che la domina in termini di rischio di regret non lineare. Ciò fornisce una giustificazione decisionale per l'assegnazione di trattamenti frazionari senza ricorrere all'ambiguità del modello, al comportamento strategico o a funzioni di benessere non lineari.

2. Regole Ottimali in Forma Chiusa:
   Gli autori derivano soluzioni esplicite in forma chiusa sia per la regola Bayes ottimale che per quella minimax ottimale sotto il regret quadratico medio:

• Regola Minimax: In un esperimento gaussiano con varianza nota, la regola minimax ottimale assume una semplice forma logistica:
  $$\hat{\delta}^*(\bar{Y}) = \frac{\exp(2 \cdot \tau^* \cdot \bar{Y})}{\exp(2 \cdot \tau^* \cdot \bar{Y}) + 1}$$
  dove $\tau^* \approx 1.23$ è una costante derivata dalla distribuzione a priori meno favorevole, e $\bar{Y}$ è la media campionaria (o t-statistica). Questa regola coincide con la regola di matching della probabilità a posteriori sotto una prior least favorable supportata su due punti simmetrici.
• Regola Bayes: La regola Bayes ottimale è una versione "inclinata" (tilted) della regola di matching della probabilità a posteriori. Essa aggiusta la probabilità di trattamento in base all'entità dell'effetto del trattamento, assegnando probabilità più vicine a 0 o 1 rispetto al matching a posteriori standard, a meno che la prior non sia supportata su due punti simmetrici, nel qual caso si riduce alla regola di matching standard.

3. Interpretazione come Statistica di Sintesi:
   Gli autori propongono che l'assegnazione del trattamento frazionario $\hat{\delta}^*$ possa essere interpretata come una statistica di sintesi che quantifica la forza dell'evidenza a favore del trattamento rispetto al controllo. A differenza della regola di Successo Empirico (ES), che impone una decisione binaria, la regola proposta offre una misura continua di confidenza. Il saggio osserva che questa misura è distinta e spesso più informativa del P-value standard, poiché deriva da un criterio di ottimalità (minimax mean square regret) piuttosto che dal semplice test di ipotesi.

4. Applicazioni ed Efficienza:

• Regressione Normale: Il framework viene applicato a un modello di regressione normale con trattamento binario, fornendo una regola asintoticamente minimax ottimale e fattibile basata sulla t-statistica.
• Calcolo della Dimensione del Campione: Il saggio dimostra che l'implementazione di regole singleton (come ES o le regole standard di test d'ipotesi) per raggiungere un determinato livello di regret quadratico medio richiede dimensioni campionarie significativamente maggiori rispetto alla proposta regola frazionaria minimax. Ad esempio, per garantire lo stesso rischio di regret quadratico medio nel caso peggiore, la regola ES richiede quasi il 40% di osservazioni in più, e la regola di test d'ipotesi richiede circa 11 volte più osservazioni rispetto alla proposta regola minimax.

Significatività e Rivendicazioni
Il saggio sostiene che spostare il criterio decisionale dal rischio di regret lineare a quello non lineare altera fondamentalmente la natura delle regole di trattamento ottimali. Penalizzando la varianza del benessere, l'approccio produce regole frazionarie che sono più robuste all'incertezza del campionamento e meglio allineate con i decisori che sono avversi a grandi perdite di benessere.

• Giustificazione Teorica: I risultati offrono una nuova giustificazione per le regole frazionarie in contesti standard (modelli con identificazione puntuale, benessere lineare) senza necessità di ambiguità o considerazioni strategiche.
• Trattabilità Pratica: Le regole derivate sono computazionalmente semplici, richiedendo solo stimatori standard (come l'OLS) e una trasformazione logistica, rendendole accessibili ai professionisti.
• Fondamento Microeconomico: L'approccio è radicato nella teoria decisionale assiomatica, collegandosi specificamente al concetto di "avversione al regret" come formalizzato da Hayashi (2008), fornendo un fondamento microeconomico per considerare la distribuzione del regret piuttosto che solo la sua media.

Gli autori sottolineano che il loro approccio non sostituisce i quadri esistenti ma li estende per accomodare l'avversione al rischio riguardo alla volatilità del benessere, offrendo uno strumento più sfumato per la creazione di politiche basate sull'evidenza.