Incentive-Aware Synthetic Control: Accurate Counterfactual Estimation via Incentivized Exploration

1. Problema e Contesto

Il paper affronta una sfida fondamentale nell'inferenza causale con dati panel, in particolare nell'ambito delle Metodologie di Controllo Sintetico (SCM - Synthetic Control Methods).

• Obiettivo: Stimare l'effetto di un trattamento (es. una campagna marketing, una nuova legge) su un'unità specifica (es. una regione, un prodotto) costruendo un controfattuale: cosa sarebbe successo a quell'unità se non avesse ricevuto il trattamento.
• Il Problema dell'Assunzione di "Overlap" (Sovrapposizione): Le SCM tradizionali si basano sull'assunzione che l'unità trattata possa essere espressa come una combinazione lineare (o convessa) delle unità di controllo (donatori). Questa è nota come Unit Overlap Assumption.
• La Criticità: In molti scenari reali dell'economia digitale, le unità scelgono autonomamente il trattamento in base alle proprie preferenze (es. utenti che scelgono un piano abbonamento vs. pay-as-you-go). Se le sottopopolazioni che scelgono trattamenti diversi hanno caratteristiche latenti molto eterogenee (es. latenti fattori ortogonali), l'assunzione di overlap non è soddisfatta. In questo caso, le SCM standard falliscono nel fornire stime controfattuali valide, poiché non esiste un "donatore" che possa rappresentare l'unità trattata.
• Vincolo: Il principale (la piattaforma) non può imporre il trattamento (compliance forzata), ma deve persuadere le unità a seguire raccomandazioni tramite incentivi.

2. Metodologia Proposta

Gli autori propongono un framework che combina Design dell'Informazione e Apprendimento Online per risolvere il problema dell'overlap incentivando l'esplorazione.

A. Modello di Dati e Ipotesi

• Modello a Fattori Latenti: Gli outcome sono generati da un modello a fattori latenti: $E[y_{i,t}^{(d)}] = \langle u_t^{(d)}, v_i \rangle$, dove $v_i$ è il fattore latente dell'unità e $u_t^{(d)}$ è quello temporale.
• Tipi di Unità: Le unità hanno "tipi" diversi basati sulle loro credenze a priori sull'utilità dei trattamenti. Se i fattori latenti di due tipi diversi giacciono in sottospazi ortogonali, l'overlap non esiste.
• Bayesian Incentive Compatibility (BIC): Il sistema deve raccomandare un'azione che massimizzi l'utilità attesa dell'unità, data la sua credenza a priori e l'informazione contenuta nella raccomandazione stessa.

B. Algoritmo di Esplorazione Incentivata (Algorithm 1)

L'algoritmo è progettato per convincere le unità di "Tipo 1" (che preferiscono naturalmente il trattamento) a rimanere sotto controllo, creando così la diversità necessaria per soddisfare l'overlap.

1. Fase di Esplorazione Iniziale (Cold Start): I primi $N_0$ unità non ricevono raccomandazioni e scelgono il trattamento preferito. Questo permette di raccogliere dati sufficienti per stimare i parametri del modello e garantire che l'overlap sia soddisfatto per il trattamento.
2. Fase di Raccomandazione (Batch): Le unità successive sono raggruppate in batch di dimensione $L$.
   • Sfruttamento (Exploit): Per la maggior parte delle unità ($L-1$ su $L$), il sistema raccomanda il trattamento che massimizza l'utilità stimata basandosi sui dati storici (usando la Regressione su Componenti Principali - PCR).
   • Esplorazione (Explore): Per una singola unità scelta casualmente nel batch, il sistema raccomanda il trattamento "scomodo" (es. il controllo per un utente che lo preferisce meno) per raccogliere dati e costruire il controfattuale.
3. Meccanismo di Incentivo: Le unità non sanno se sono state selezionate per l'esplorazione o lo sfruttamento. Poiché la probabilità di essere selezionati per l'esplorazione è bassa ($1/L$), e il sistema raccomanda il trattamento migliore nella maggior parte dei casi, è razionale per l'unità seguire la raccomandazione anche quando questa va contro la sua preferenza a priori (garantendo la BIC).

C. Estensione alle Interventi Sintetici

Il metodo è esteso al caso di Synthetic Interventions (SI), dove l'obiettivo è stimare i controfattuali per tutti i possibili trattamenti, non solo per il controllo. L'algoritmo (Algorithm 2) gestisce $k$ trattamenti ordinando le preferenze delle unità (sub-tipo) e incentivando l'esplorazione attraverso diverse combinazioni per soddisfare l'overlap su tutti i trattamenti.

D. Test di Validità

Gli autori propongono due test di ipotesi per verificare se l'assunzione di overlap è soddisfatta in un dataset dato:

1. Test Non-Asintotico: Utilizza la PCR per confrontare la previsione della seconda metà del periodo pre-trattamento con i dati reali. Se l'errore supera una soglia di confidenza, l'overlap non è soddisfatto.
2. Test Asintotico: Sfrutta le proprietà di convergenza normale degli stimatori SI per costruire una statistica di test valida in grandi campioni.

3. Risultati Chiave

• Teorema di Necessità: Viene dimostrato che senza l'assunzione di overlap, nessun algoritmo può fornire stime controfattuali coerenti, anche con dati infiniti.
• Garanzie Teoriche: Sotto l'Assunzione C.3 (conoscenza di limiti superiori/inferiori sulle statistiche della popolazione), l'Algoritmo 1 garantisce:
  • BIC: Le unità seguono le raccomandazioni.
  • Soddisfazione dell'Overlap: Dopo un numero sufficiente di batch, l'assunzione di overlap è soddisfatta con alta probabilità per tutte le unità e tutti i trattamenti.
  • Stime Valide: Una volta soddisfatto l'overlap, le SCM standard (come PCR) forniscono stime controfattuali con intervalli di confidenza validi.
• Simulazioni Numeriche:
  • Il metodo proposto riduce significativamente l'errore di stima rispetto alle SCM tradizionali (che ignorano gli incentivi) quando l'overlap non è soddisfatto a priori.
  • L'errore diminuisce all'aumentare del numero di unità.
  • Il sistema è robusto anche in presenza di un certo grado di non-compliance (unità che ignorano la raccomandazione).
  • I test di ipotesi dimostrano un alto tasso di veri positivi e un basso tasso di falsi positivi nel rilevare la violazione dell'overlap.

4. Contributi Principali

1. Identificazione del Problema: Sottolinea come l'eterogeneità nelle preferenze di auto-selezione delle unità possa invalidare le assunzioni fondamentali delle SCM, un aspetto spesso trascurato.
2. Algoritmo Ibrido: Introduce il primo approccio che integra il Synthetic Control con la teoria dell'Incentivized Exploration (tipica dei Multi-Armed Bandits) per creare artificialmente l'overlap necessario.
3. Garanzie Finite: Fornisce garanzie finite di campionamento per la validità delle stime controfattuali in setting online con agenti strategici.
4. Strumenti Diagnostici: Offre test statistici pratici per determinare se un dataset specifico soddisfa le condizioni necessarie per l'uso delle SCM.

5. Significato e Impatto

Questo lavoro è significativo perché colma il divario tra la teoria dell'inferenza causale (che spesso assume compliance o randomizzazione) e la realtà dei sistemi economici digitali (dove gli utenti scelgono autonomamente).

• Applicabilità: È rilevante per piattaforme di streaming, e-commerce, ride-sharing e politiche pubbliche dove la randomizzazione completa è impossibile o eticamente problematica.
• Cambiamento di Paradigma: Dimostra che un principale può "costruire" la validità statistica di un esperimento osservazionale non forzando il comportamento, ma progettando intelligentemente i segnali informativi (raccomandazioni) per guidare l'esplorazione.
• Futuro: Apre la strada a metodi di inferenza causale più robusti che tengono conto esplicitamente delle dinamiche strategiche degli agenti, estendibili anche a metodi come Difference-in-Differences.

In sintesi, il paper propone una soluzione elegante e teoricamente fondata per ottenere stime controfattuali accurate in scenari complessi di dati panel, trasformando un limite strutturale (mancanza di overlap) in un problema di design dell'informazione risolvibile.