Potential weights and implicit causal designs in linear regression

Sintesi Tecnica: Pesi Potenziali e Design Causali Impliciti nella Regressione Lineare

1. Definizione del Probleamento

I ricercatori applicati utilizzano frequentemente la regressione lineare per stimare effetti causali, giustificandone l'interpretazione attraverso la variazione quasi-sperimentale del trattamento, lasciando però implicite le assunzioni riguardanti il processo di assegnazione del trattamento. Esiste una tensione centrale: le specifiche di regressione spesso assomigliano a modelli strutturali di outcome, eppure la loro validità causale deriva interamente dalle assunzioni su come il trattamento $W$ venga assegnato. Come osservato da Freedman (2008), la randomizzazione non giustifica intrinsecamente le assunzioni alla base del modello OLS (Ordinary Least Squares).

Sebbene la letteratura (ad es. Angrist e Pischke, 2008; Angrist, 1998; Lin, 2013) suggerisca che gli stimatori comuni possiedano spesso interpretazioni semplici e indipendenti dal modello, questo ottimismo è delicato. Specifiche particolari possono produrre interpretazioni di effetti medi ponderati del trattamento (WATE) interpretabili sotto certi processi di assegnazione, ma possono produrre estimandi non interpretabili o con pesi negativi sotto altri. Il documento affronta la mancanza di un quadro generale per determinare:

1. Sotto quali assunzioni di assegnazione del trattamento una data regressione ammette un'interpretazione quasi-sperimentale.
2. Quale specifico contrasto causale (estimando) la regressione mira sotto condizioni di eterogeneità.
3. Quanto diventino scadenti le stime quando queste assunzioni implicite sono errate.

2. Metodologia e Framework

Il documento formalizza una prospettiva "basata sul design", trattando le covariate $(x_i)$ e gli outcome potenziali $y_i(\cdot)$ come fissi e isolando la casualità nell'assegnazione del trattamento $W_i$. L'innovazione centrale è la decomposizione del requisito quasi-sperimentale in due domande distinte riguardanti il vero processo di assegnazione $\pi^*$.

Il Criterio di Quasi-Esperimentalità Minima (MQE):
Il documento definisce un estimando di regressione $\tau$ come minimalmente quasi-sperimentale se è un contrasto di outcome potenziali individuali (ovvero, una media ponderata di effetti del trattamento) indipendentemente dalla configurazione degli outcome potenziali. Ciò impone l'indipendenza dal livello: spostare tutti gli outcome potenziali di un'unità per una costante non deve cambiare l'estimando.

Pesi Potenziali e Design Impliciti:
L'estimando di regressione di popolazione $\tau$ può essere espresso come un'aggregazione lineare di outcome potenziali:
$$\tau = \frac{1}{n} \sum_{i=1}^n \sum_{w \in \mathcal{W}} \pi^*_i(w) \rho_i(w) y_i(w)$$
dove $\rho_i(w) = \Lambda G_n^{-1} z(x_i, w)$ sono i pesi potenziali, determinati esclusivamente dalla specifica della regressione e dalla matrice Gram di popolazione $G_n$.

Affinché $\tau$ sia minimalmente quasi-sperimentale, i pesi assegnati agli outcome potenziali devono sommare a zero attraverso i livelli di trattamento per ogni unità. Ciò impone restrizioni lineari sulle probabilità di assegnazione reali $\pi^*_i$:
$$\sum_{w \in \mathcal{W}} \pi^*_i(w) \rho_i(w) = 0 \quad \text{e} \quad \sum_{w \in \mathcal{W}} \pi^*_i(w) = 1$$

Le soluzioni a queste equazioni lineari sono definiti design impliciti.

• [MQE-1] Esistenza: Esiste una distribuzione di probabilità valida $\pi$ che soddisfi queste restrizioni lineari?
• [MQE-2] Correttezza: Il vero processo di assegnazione $\pi^*$ è uguale a uno di questi design impliciti?

Interpretazione Quasi-Sperimentale Approssimativa:
Quando le condizioni esatte falliscono, il documento stabilisce un'equivalenza numerica tra lo stimatore OLS e uno stimatore di Ponderazione Inversa della Propensione Aumentata (AIPW). Il divario tra lo stimatore OLS e uno stimatore AIPW (che mira a un design specifico $\tilde{\pi}$) è proporzionale alla covarianza empirica tra i residui della regressione e il grado in cui il $\tilde{\pi}$ viola i vincoli del design implicito. Pertanto, l'OLS è approssimativamente quasi-sperimentale se la misspecificazione del modello di trattamento è non correlata con la misspecificazione del modello di outcome.

3. Contributi Chiave e Risultati Teorici

Unificazione e Risultati Conversi:
Il framework unifica risultati disparati nella letteratura (ad es. Angrist, 1998; Goldsmith-Pinkham et al., 2024; Athey e Imbens, 2022) mostrando che i loro design e estimandi proposti sono precisamente i design impliciti e gli estimandi impliciti derivati dalla specifica della regressione. Fondamentalmente, il documento fornisce risultati conversi: una regressione ammette un'interpretazione quasi-sperimentale se e solo se il vero design corrisponde all'unico design implicito.

Risultati su Specifiche Particolari:

• Trattamento Binario con Covariate: Per $Y_i = \tau W_i + x_i'\gamma + \epsilon_i$, il design implicito richiede che il punteggio di propensione sia lineare nelle covariate ($\pi_i = x_i'\delta$). L'estimando è un WATE con pesi proporzionali a $\pi_i(1-\pi_i)$.
• Regressioni con Interazione: Per specifiche che interagiscono il trattamento con le covariate ($Y_i = \tau_0 W_i + \tau_1' W_i x_i + \dots$), l'interpretazione quasi-sperimentale esatta è altamente fragile. Richiede che sia il punteggio di propensione che la sua interazione con le covariate siano lineari rispetto alle restanti covariate. Questa condizione generalmente fallisce a meno che le covariate non siano sature, il che implica che le regressioni con interazione spesso mancano di un'interpretazione causale difendibile.
• Effetti Fissi a Due Vie (TWFE): Le regressioni TWFE con covariate tempo-varianti generalmente non ammettono un design implicito a meno che i percorsi di trattamento non siano totalmente randomizzati o le covariate non soddisfino ristretti vincoli di span lineare.
• Minimi Quadrati ai Due Stadi (TSLS): Il framework si estende a TSLS, recuperando le condizioni necessarie per i pattern di compliance (ad es. forte monotonicità per strumenti binari) come requisiti affinché l'estimando implicito assegni pesi appropriati.

4. Risultati Empirici

Censimento Assistito da AI:
Un'analisi di 1.051 articoli dell'American Economic Review e dell'American Economic Journal: Applied Economics (2020–2026) rivela che la regressione quasi-sperimentale è pervasiva. Tuttavia:

• I praticanti raramente utilizzano metodi moderni di inferenza causale (IPW, matching, DML).
• Gli estimandi target espliciti sono raramente nominati (solo 9 su 98 articoli sull'unconfoundedness).
• Una parte significativa degli studi utilizza specifiche con interazione o TWFE con covariate tempo-varianti, che i risultati teorici suggeriscono essere vulnerabili a risultati negativi riguardo all'interpretazione causale.

Rianalisi Diagnostica di Nove Studi:
Il documento rianalizza nove studi recenti utilizzando i diagnostici proposti:

1. Interpretazione Esatta: In tutti i nove casi, l'interpretazione quasi-sperimentale esatta viene rifiutata. I design impliciti stimati spesso producono punteggi di propensione al di fuori dell'intervallo $[0, 1]$, e i test RESET di Ramsey rifiutano decisamente la linearità del vero punteggio di propensione.
2. Interpretazione Approssimativa: Nonostante il rifiuto delle condizioni esatte, la maggior parte degli studi appare approssimativamente quasi-sperimentale. La covarianza tra le discrepanze del design e i residui della regressione è tipicamente piccola, il che significa che le stime OLS rimangono vicine alle stime AIPW per ragionevoli design alternativi.
3. Eccezioni: Uno studio (Ang, 2023) mostra una grande discrepanza dove le stime alternative del punteggio di propensione cambiano il risultato OLS di più di due errori standard, indicando che il fallimento del modello implicito è consequenziale in quel contesto specifico.
4. Rappresentatività: Molte applicazioni soffrono di scarsa sovrapposizione (overlap), il che significa che l'estimando implicito aggrega su una piccola frazione della popolazione. Il trimming per l'overlap migliora la rappresentatività ma spesso lascia le stime rappresentative di una sottopopolazione minoritaria.

5. Significato e Rivendicazioni

Il documento sostiene di fornire un quadro generale e automatizzabile per valutare la validità delle affermazioni causali derivate dalla regressione lineare. La sua importanza primaria risiede nel:

• Formalizzare il Modello Implicito: Dimostra che l'uso di una regressione per l'inferenza causale seleziona implicitamente un modello specifico di assegnazione del trattamento (il design implicito) e un peso specifico degli effetti eterogenei (l'estimando implicito).
• Mettere in Discussione l'Ottimismo: Suggerisce che l'ottimismo di Angrist e Pischke (2008) riguardo alla robustezza della regressione non è universalmente giustificato. Le interpretazioni quasi-sperimentali esatte sono spesso fragili, particolarmente nei modelli con interazione e TWFE.
• Utilità Pratica: Sebbene le interpretazioni esatte spesso falliscano, il framework permette ai ricercatori di valutare la validità approssimativa e la rappresentatività dei loro estimandi. Gli autori sostengono che l'analisi empirica trasparente debba comportare la stima e la segnalazione esplicita dei design e degli estimandi impliciti per rendere visibili queste assunzioni nascoste.

Il documento conclude che, sebbene la regressione serva spesso come un estimatore ragionevole nella pratica grazie alla bassa correlazione tra le misspecificazioni dei modelli, le assunzioni implicite che essa impone sono non banali e dovrebbero essere rese esplicite piuttosto che lasciate a una giustificazione informale.