Causal Effects in Matching Mechanisms with Strategically Reported Preferences

Questo studio propone un metodo di identificazione robusto alla segnalazione strategica delle preferenze per derivare limiti precisi sugli effetti causali dell'assegnazione scolastica, applicandolo ai dati del meccanismo di ammissione universitaria in Cile per rivelare significative eterogeneità nel successo di laurea.

L'essenziale

Immagina di essere in una grande fiera del lavoro o in un mercato molto affollato dove migliaia di studenti devono scegliere la loro università e il loro corso di studi. Ci sono migliaia di opzioni, ma solo un numero limitato di posti. Per rendere il processo equo, lo stato usa un "meccanismo di abbinamento": un algoritmo che assegna gli studenti alle università in base ai loro voti e alle loro preferenze.

Il problema è che questo sistema è un po' come un gioco a scacchi. Gli studenti, sapendo che i posti sono limitati, non sempre dicono la verità su cosa vogliono davvero. Se il loro primo sogno è Medicina, ma sanno che è quasi impossibile entrarci con il loro voto, potrebbero scrivere in cima alla lista un corso "sicuro" per non rischiare di non essere assegnati a nulla. Questo comportamento si chiama comportamento strategico.

Ecco il dilemma per i ricercatori (gli economisti che studiano questi sistemi):
Se vogliono capire se andare in un certo corso di laurea fa davvero la differenza per il futuro (ad esempio, se si diplomano o meno), devono confrontare gli studenti che sono stati assegnati al corso "X" con quelli che sono stati assegnati al corso "Y". Ma se gli studenti hanno mentito sulla loro vera preferenza, il confronto è distorto. È come se stessimo confrontando due squadre di calcio, ma una squadra ha nascosto i suoi veri giocatori migliori.

La soluzione degli autori: Una "Lente Magica" per vedere la verità

Marinho Bertanha, Margaux Luflade e Ismael Mourifié hanno scritto questo paper per risolvere proprio questo problema. Hanno creato un metodo per "pulire" i dati e capire cosa succederebbe se gli studenti avessero detto la verità, anche se in realtà non l'hanno fatto.

Ecco come funziona il loro metodo, spiegato con un'analogia semplice:

1. Il Problema: La Lista Nascosta

Immagina che ogni studente abbia una lista segreta (le sue vere preferenze) e una lista pubblica (quella che ha scritto sul modulo).

• Lista Pubblica: "Prima scelta: Ingegneria, Seconda scelta: Economia".
• Lista Segreta: "In realtà vorrei Medicina, ma è troppo difficile, quindi ho scritto Ingegneria per sicurezza".

Se un ricercatore guarda solo la lista pubblica, pensa che lo studente voglia davvero Ingegneria. Ma se lo studente fosse stato assegnato a Medicina (magari per un caso fortuito), il ricercatore non saprebbe come interpretare il risultato.

2. Il Metodo a Due Passi (La Lente Magica)

Gli autori usano un approccio in due fasi, come se avessero una lente d'ingrandimento speciale:

• Passo 1: Costruire la "Scatola delle Possibilità"
  Invece di cercare di indovinare esattamente qual è la lista segreta di ogni singolo studente (cosa impossibile), costruiscono una "scatola" per ogni studente. Dentro questa scatola mettono tutte le liste segrete che potrebbero essere vere, basandosi su quello che lo studente ha scritto e su come funziona il sistema.

  • Analogia: È come se un detective, vedendo che un sospetto ha comprato un ombrello, non sappia se sta per piovere o se sta solo andando a un picnic. Quindi, il detective crea una scatola che contiene entrambe le possibilità: "Potrebbe piovere OPPURE potrebbe essere un picnic". La scatola è la "scatola delle preferenze vere".

• Passo 2: Usare il "Confine Magico" (Regression Discontinuity)
  Il sistema di ammissione ha dei "punti di taglio" (cutoff). Se hai un voto di 70, vai all'università A; se hai 69, vai all'università B. Gli studenti con 70 e 69 sono quasi identici, come gemelli.
  Gli autori guardano questi "gemelli" vicino al punto di taglio. Usano la loro "scatola delle possibilità" per capire quali di questi gemelli avevano davvero la stessa preferenza nascosta.

  • L'idea geniale: Anche se non sappiamo esattamente chi ha mentito e chi no, sappiamo che la "scatola" contiene la verità. Usando la matematica, calcolano i confini (i limiti) entro cui deve trovarsi la risposta vera.

3. Cosa hanno scoperto in Cile?

Hanno applicato questo metodo ai dati delle università cilene. Hanno scoperto due cose importanti:

1. Le preferenze contano davvero: Se un studente ama davvero un certo corso (anche se non riesce a entrarci), la sua probabilità di laurearsi cambia rispetto a uno studente che lo ha scelto solo "per sicurezza". Le preferenze sono collegate a cose che i voti non misurano, come la motivazione o la personalità.
2. I metodi vecchi sbagliano: Se usassimo i metodi tradizionali (che ignorano la menzogna strategica), otterremmo risultati fuorvianti. Spesso, i metodi vecchi dicono che un corso è "migliore" o "peggiore" solo perché gli studenti hanno mentito sulla loro lista, non perché il corso sia davvero così.

In sintesi

Immagina di voler sapere se mangiare mele ti fa stare meglio di mangiare pere. Ma le persone che mangiano mele lo fanno perché amano le mele, mentre quelle che mangiano pere lo fanno perché hanno paura di non trovare mele.
Gli autori di questo paper hanno inventato un modo per guardare attraverso le paure delle persone e capire chi vorrebbe davvero mangiare mele e chi no. Anche se non possono vedere il cuore di ogni persona, riescono a dire con certezza: "La verità sta sicuramente tra questo minimo e questo massimo".

Questo è fondamentale per i politici e le scuole: se vogliono migliorare il sistema, devono sapere cosa vogliono davvero gli studenti, non solo quello che scrivono per paura di rimanere senza posto. Il loro metodo è come una mappa che ti dice dove cercare la verità, anche quando la strada è piena di ostacoli e bugie.

Sommario tecnico

Ecco una sintesi tecnica dettagliata del paper "Causal Effects in Matching Mechanisms with Strategically Reported Preferences" di Bertanha, Luflade e Mourifié, redatta in italiano.

1. Il Problema di Ricerca

Il lavoro affronta una sfida fondamentale nell'economia dell'istruzione e nella teoria dei giochi: l'identificazione degli effetti causali dell'assegnazione scolastica (o universitaria) su risultati futuri (es. tasso di laurea) in presenza di comportamento strategico da parte degli studenti.

• Contesto: Molti sistemi di ammissione centralizzati (come il Deferred Acceptance o DA) utilizzano meccanismi di matching basati su punteggi e soglie di ammissione (cutoff).
• Il Problema: In molti scenari reali, gli studenti hanno incentivi a non dichiarare le proprie vere preferenze (misreporting strategico) a causa di vincoli (es. numero massimo di opzioni dichiarabili) o costi di applicazione.
• La Sfida Metodologica: La letteratura esistente (es. Kirkeboen et al., 2016; Abdulkadiroglu et al., 2022) utilizza spesso disegni di Regression Discontinuity (RD) controllando per le preferenze dichiarate ($P$). Tuttavia, se gli studenti si comportano strategicamente, $P \neq Q$ (dove $Q$ sono le vere preferenze).
  • Controllare per $P$ può portare a stime distorte perché la composizione degli studenti vicino alla soglia cambia in modo discontinuo o perché i gruppi controllati non sono comparabili in termini di vere preferenze.
  • Gli effetti causali di interesse per le analisi controfattuali (es. "cosa succederebbe se assegnassimo tutti gli studenti alla scuola X?") richiedono parametri condizionati alle vere preferenze ($Q$), che non sono osservabili direttamente.

2. Metodologia: Un Approccio a Due Passi ("Control Mapping")

Gli autori propongono un nuovo metodo di identificazione robusto al comportamento strategico, basato su un approccio a due passi che combina la teoria del matching, la teoria degli insiemi casuali e la Regression Discontinuity.

Passo 1: Identificazione Parziale delle Preferenze Locali (Costruzione degli Insiemi)

L'obiettivo è caratterizzare l'insieme delle possibili vere preferenze locali ($Q_j$) per ogni studente, dato il comportamento osservato ($P$) e le assunzioni sul meccanismo.

• Definizione di Preferenze Locali: Per uno studente vicino a una soglia $c_j$, la preferenza locale è la coppia $(k, l)$ dove $k$ è la scuola ottenuta appena sopra la soglia e $l$ è la scuola ottenuta appena sotto.
• Assunzioni Comportamentali: Gli autori introducono un ventaglio di assunzioni per restringere l'insieme delle vere preferenze compatibili con i dati:
  1. Partial Order (PO): Gli studenti dichiarano un ordinamento parziale delle loro vere preferenze accettabili.
     • Weak Partial Order (WPO): La lista dichiarata è un sottoinsieme delle preferenze vere, mantenendo l'ordinamento originale.
     • Strong Partial Order (SPO): Se uno studente dichiara meno di $K$ opzioni (il limite massimo), allora ha dichiarato tutte le sue opzioni accettabili.
  2. Assunzioni sulle Aspettative (UMAS): Gli studenti hanno aspettative razionali sulla "accessibilità uniforme" delle scuole (se una scuola è accessibile, lo è anche una scuola "migliore" o più accessibile).
  3. Assunzioni Contestuali: Ad esempio, l'ipotesi che gli studenti non dichiarino programmi di un certo campo di studi se non ne dichiarano nessuno di quel campo.
• Risultato del Passo 1: Invece di ottenere un punto unico per le preferenze, si ottiene un insieme di preferenze locali ($Q_j$) per ogni studente. Questo trasforma il problema in un caso di dati "corrotti" o parzialmente identificati.

Passo 2: Identificazione Parziale degli Effetti Causali (Bound)

Utilizzando gli insiemi di preferenze costruiti nel primo passo, gli autori derivano limiti (bounds) per gli effetti causali.

• Logica: Si seleziona la popolazione di studenti vicino alla soglia $c_j$ il cui insieme di preferenze locali contiene la coppia di interesse $(j, k)$.
• Problema: All'interno di questo sottogruppo, non sappiamo chi ha davvero le preferenze $(j, k)$ e chi no.
• Soluzione: Gli autori trattano la frazione di studenti con vere preferenze $(j, k)$ come un parametro parzialmente identificato. Utilizzando la teoria degli insiemi casuali (Molinari, 2020; Horowitz & Manski, 1995), derivano limiti superiori e inferiori (sharp bounds) per la media dei risultati potenziali.
• Raffinamento: Più forti sono le assunzioni comportamentali (es. SPO invece di WPO), più piccoli sono gli insiemi $Q_j$, più stretti sono i limiti, fino a raggiungere l'identificazione puntuale in alcuni casi.

3. Contributi Chiave

1. Robustezza Strategica: È il primo lavoro a dimostrare l'identificazione RD degli effetti di assegnazione in meccanismi di matching con preferenze dichiarate strategicamente.
2. Approccio "Control Mapping": A differenza dell'approccio standard a due passi che identifica puntualmente la variabile di controllo, questo metodo identifica parzialmente la variabile di controllo (le preferenze), gestendo l'incertezza attraverso limiti.
3. Unificazione della Letteratura: Unisce i metodi di identificazione delle preferenze (Agarwal & Somaini, 2018) con i metodi di effetti causali nel matching (Kirkeboen et al., 2016).
4. Strumenti Teorici: Fornisce condizioni di sharpness per gli insiemi di preferenze e limiti chiusi per gli effetti causali che possono essere calcolati numericamente.

4. Risultati Empirici (Caso Cile)

Gli autori applicano il metodo ai dati del sistema di ammissione universitario in Cile (2004-2010), dove gli studenti possono dichiarare al massimo 8 opzioni su oltre 1000.

• Evidenza di Comportamento Strategico:

  • Le soglie di ammissione sono altamente prevedibili ex-ante.
  • Il comportamento di dichiarazione cambia in modo discontinuo vicino alle soglie (es. gli studenti smettono di dichiarare Medicina se il loro punteggio è appena sotto la soglia, anche se la preferiscono).
  • Questo comportamento invalida le stime RD tradizionali che controllano per le preferenze dichiarate.

• Analisi degli Effetti:

  • Eterogeneità delle Preferenze: Gli autori trovano che l'effetto dell'assegnazione su una specifica scuola dipende fortemente dalle vere preferenze dello studente. Ad esempio, gli studenti che preferivano Medicina all'Università del Cile hanno tassi di laurea diversi da quelli che preferivano Medicina all'Università di Santiago, anche se assegnati allo stesso programma alternativo (Bachillerato).
  • Impatto delle Assunzioni:
    • Sotto l'assunzione debole (WPO), i limiti sono ampi.
    • Sotto l'assunzione forte (SPO), i limiti si restringono notevolmente e in alcuni casi collassano in un punto.
  • Confronto con le Pratiche Correnti: In una vasta analisi su 302 coppie di programmi, le stime puntuali ottenute con i metodi tradizionali (che assumono veridicità) cadono fuori dai limiti calcolati in una percentuale significativa di casi (fino al 25%). Questo suggerisce che le stime tradizionali sono spesso distorte a causa del comportamento strategico.

5. Significato e Implicazioni

• Validità delle Politiche Pubbliche: Il paper dimostra che ignorare il comportamento strategico può portare a conclusioni errate sulle politiche educative. Le stime degli effetti causali basate su preferenze dichiarate non sono valide per valutare scenari controfattuali che richiedono conoscenze sulle vere preferenze.
• Flessibilità Metodologica: Il framework permette ai ricercatori di testare la sensibilità dei risultati a diverse assunzioni comportamentali, offrendo un modo per quantificare quanto si "sa" davvero in presenza di dati limitati.
• Implicazioni per la Teoria: Dimostra che anche in mercati grandi e stabili, l'ipotesi di veridicità (truth-telling) non è garantita solo perché il vincolo di dichiarazione non è vincolante per la maggior parte degli studenti; la conoscenza delle soglie ex-post può indurre comportamenti strategici anche in assenza di vincoli stringenti.

In sintesi, il paper fornisce un nuovo strumento rigoroso per valutare l'efficacia dei meccanismi di assegnazione scolastica, correggendo un bias sistematico presente nella letteratura empirica precedente e offrendo limiti informativi anche quando le preferenze vere non sono osservabili.