📊 statistics

Combining BART and Principal Stratification to estimate the effect of intermediate variables on primary outcomes with application to estimating the effect of family planning on employment in Nigeria and Senegal

Questo studio propone un approccio combinato di stratificazione principale e BART per stimare l'effetto causale dell'uso di contraccettivi moderni sull'empowerment femminile, applicandolo ai dati di Nigeria e Senegal per quantificare l'impatto sulla occupazione delle donne urbane tra le "compliers" e generalizzarlo alla popolazione target.

Autori originali: Lucas Godoy Garraza, Ilene Speizer, Leontine Alkema

Pubblicato 2026-03-31

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Lucas Godoy Garraza, Ilene Speizer, Leontine Alkema

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

🌍 La Grande Sfida: Capire se "Dire di No" ai Bambini Aiuta a Trovare Lavoro

Immagina di voler scoprire se usare la contraccezione moderna aiuta le donne a trovare lavoro. Sembra una domanda semplice, ma c'è un grosso problema: non puoi fare un esperimento. Non puoi prendere due gruppi di donne, dire a una di usare la pillola e all'altra di no, e vedere cosa succede. Nella vita reale, le donne scelgono da sole se usare la contraccezione, e spesso lo fanno perché sono già più istruite, più motivate o più ricche.

Quindi, se vedi che le donne che usano la contraccezione lavorano di più, è perché la pillola le ha rese lavoratrici? O erano già destinate a lavorare? È come vedere che le persone con gli ombrelli hanno i capelli bagnati: è l'ombrello che bagna i capelli, o è la pioggia che fa usare l'ombrello e bagna i capelli?

🕵️‍♀️ La Soluzione: Gli "Investigatori" e il "Gruppo Speciale"

Gli autori di questo studio hanno usato un trucco intelligente. Hanno guardato un programma di pianificazione familiare che è stato lanciato in alcune città (come se fosse un "esperimento naturale") e non in altre.

Hanno diviso le donne in due gruppi immaginari:

Le "Soggette" (Compliers): Donne che non avrebbero usato la contraccezione se non avessero ricevuto aiuto dal programma, ma che l'hanno fatto grazie a lui. Sono come i clienti che comprano un prodotto solo perché c'è uno sconto speciale.
Le "Ostinate" e le "Sempre Pronte": Quelle che non l'avrebbero usato comunque, o quelle che lo usavano già da sempre.

Il segreto è che il programma ha agito come un investigatore che ha "selezionato" un gruppo speciale di donne (le Soggette). Per questo gruppo, possiamo dire con certezza: "Se usano la contraccezione, è solo perché il programma le ha spinte". Questo ci permette di isolare l'effetto vero della contraccezione, pulito da tutte le altre differenze (come l'istruzione o la ricchezza).

🌳 L'Albero Magico (BART) e il "Filtro"

Ma c'è un'altra complicazione: non tutte le donne sono uguali. L'effetto della contraccezione sul lavoro potrebbe essere diverso per una donna giovane e povera rispetto a una donna più grande e ricca.

Qui entra in gioco la loro "arma segreta": un metodo statistico chiamato BART (Bayesian Additive Regression Trees).
Immagina il BART come un albero magico che non si limita a fare una media generale (come dire "in media, il lavoro aumenta del 10%"). Invece, l'albero si dirama in mille rami piccoli per capire:

"Per le donne senza marito che non lavoravano l'anno scorso, la contraccezione ha un effetto X."
"Per le donne sposate con bassa istruzione, l'effetto è Y."

L'albero scova i modelli nascosti che i metodi vecchi (come le semplici linee rette) non riescono a vedere.

🚚 Il Camion delle Traslochi (Generalizzare i Risultati)

Ora, abbiamo scoperto l'effetto per il gruppo speciale (le donne del programma). Ma noi vogliamo sapere: cosa succederebbe se tutte le donne della città (o del paese) usassero la contraccezione?

Il gruppo del programma è come un assaggio di gelato in un negozio: è delizioso, ma è solo un piccolo campione. Il "popolo" è l'intero paese.
Per rispondere, gli autori hanno usato un metodo chiamato Bootstrap Bayesiano.
Immagina di avere un camion delle traslochi.

Prendi i dati del "gruppo speciale" (il gelato).
Prendi i dati di un grande sondaggio nazionale (il DHS) che descrive esattamente com'è fatto il "popolo" (la città intera).
Il camion carica i dati del gruppo speciale e li "trasloca" nella città intera, mescolandoli con la distribuzione reale della popolazione (chi è povero, chi è ricco, chi vive in città, chi in campagna).

In questo modo, calcolano l'effetto medio per tutte le donne, non solo per quelle del programma.

🇳🇬🇸🇹 I Risultati: Cosa Hanno Scoperto in Nigeria e Senegal?

Ecco cosa è saltato fuori da questo viaggio statistico:

L'effetto è reale e forte: Usare la contraccezione moderna aumenta davvero le probabilità di trovare lavoro per le donne. Non è un'illusione.
Non è uguale per tutti (Eterogeneità):
- In Nigeria, l'effetto è molto diverso a seconda di chi sei. Per le donne più povere e con meno istruzione, l'impatto è enorme: la contraccezione dà loro la libertà di lavorare. Per le donne più ricche, l'effetto è minore (forse perché lavoravano già o avevano altre opzioni).
- In Senegal, le differenze sono meno marcate, ma l'effetto positivo c'è comunque.
Il "Salto" verso la popolazione reale: Quando hanno applicato questi risultati a tutta la popolazione urbana (e anche rurale), l'effetto stimato è rimasto alto. Significa che se più donne avessero accesso alla contraccezione, l'economia del paese ne beneficerebbe notevolmente.

🛡️ La Prova di Robustezza: "E se ci sbagliassimo?"

Gli autori sono stati molto prudenti. Si sono chiesti: "E se ci sono fattori che non abbiamo visto? E se le città dove hanno fatto il programma erano speciali?"
Hanno fatto dei test di stress (come spingere un ponte per vedere se crolla). Hanno scoperto che per i loro risultati crollare, dovrebbero esserci fattori nascosti enormi e improbabili. Quindi, i risultati sono solidi.

💡 La Conclusione in Pillole

Questo studio ci dice che:

La pianificazione familiare non è solo una questione di salute, ma è un motore economico.
Dare alle donne il controllo sulla loro fertilità le libera per entrare nel mondo del lavoro.
L'effetto è particolarmente potente per le donne più svantaggiate, che è proprio il gruppo che ha più bisogno di opportunità.

In sintesi, gli autori hanno usato un "albero magico" e un "camion dei dati" per dimostrare che quando le donne possono pianificare la famiglia, la famiglia (e il paese) cresce di prosperità.

Titolo: Combinazione di BART e Stratificazione Principale per stimare l'effetto di variabili intermedie sugli esiti primari: Applicazione alla pianificazione familiare e all'occupazione in Nigeria e Senegal.

1. Il Problema

L'obiettivo della ricerca è stimare l'effetto causale dell'uso di contraccettivi moderni su esiti legati all'empowerment, in particolare l'occupazione femminile.

Sfida metodologica: I dati osservazionali presentano differenze sistematiche tra le donne che usano contraccettivi e quelle che non lo fanno (selezione non casuale). Inoltre, i programmi di pianificazione familiare (FP) spesso non assegnano direttamente l'uso di contraccettivi, ma ne aumentano l'accesso o l'uso tramite "incoraggiamento" (strumento).
Limiti degli approcci tradizionali: Gli stimatori classici a variabile strumentale (IV), come la regressione a due stadi (2SLS), spesso assumono linearità e omogeneità degli effetti. Quando l'assegnazione dello strumento è condizionata alle covariate (non randomizzata a livello globale) e gli effetti del trattamento sono eterogenei, questi metodi possono produrre stime distorte o fuori scala (es. probabilità > 1).
Problema di generalizzabilità: L'effetto causale è identificabile solo per un sottogruppo specifico di "compliers" (donne il cui comportamento cambia a causa del programma). Tuttavia, questo gruppo può differire sistematicamente dalla popolazione target più ampia (es. tutte le donne urbane), rendendo difficile generalizzare i risultati senza correggere per le differenze nella distribuzione delle covariate che modificano l'effetto.

2. Metodologia: Prince BART Generalized (PBG)

Gli autori propongono un approccio in due fasi, denominato Prince BART Generalized, che integra la stratificazione principale con modelli non parametrici bayesiani.

Fase 1: Stima dell'effetto interno (Validità Interna)

Stratificazione Principale: Si definiscono strati latenti basati sul potenziale comportamento di risposta allo strumento (compliers, always-takers, never-takers, defiers). L'interesse si concentra sugli compliers.
Modellazione con BART: Invece di usare regressioni logistiche parametriche, si utilizza Bayesian Additive Regression Trees (BART) per modellare:
1. La probabilità di appartenenza allo strato (es. probabilità di essere un complier data le covariate $X$ ).
2. L'esito potenziale (occupazione) condizionato allo strato e alle covariate.
Vantaggi: BART cattura relazioni non lineari complesse e interazioni ad alta dimensionalità senza specificare una forma funzionale a priori. L'approccio bayesiano fornisce distribuzioni posteriori complete, evitando le instabilità degli stimatori a rapporto tipici del 2SLS.
Validazione: Vengono enforceate le assunzioni di validità interna (unconfoundedness condizionale, monotonia, restrizione di esclusione) e si applica un trimming per garantire la sovrapposizione pratica (overlap) delle probabilità di assegnazione.

Fase 2: Generalizzazione alla popolazione target (Validità Esterna)

Integrazione con dati esterni: Si utilizzano dati da sondaggi complessi (DHS - Demographic and Health Surveys) per stimare la distribuzione delle covariate nella popolazione target (es. tutte le donne urbane in Nigeria/Senegal).
Bayesian Bootstrap Scalato: Per gestire il disegno di campionamento complesso (a stadi, con pesi e cluster) dei dati DHS, gli autori adattano il Bayesian Bootstrap. Questo metodo genera distribuzioni posteriori delle covariate nella popolazione target, incorporando l'incertezza legata al campionamento.
Stima del PATE: L'effetto medio del trattamento sulla popolazione (PATE) viene calcolato mediando gli effetti medi condizionali (CATE) stimati nella Fase 1 sulla distribuzione delle covariate della popolazione target ottenuta tramite il Bootstrap.
Gestione delle covariate mancanti: Per le variabili presenti nei dati di studio (MLE) ma assenti nei dati DHS (es. atteggiamenti verso la FP), si utilizza un'imputazione multipla basata su BART per propagare l'incertezza nel processo di generalizzazione.

3. Contributi Chiave

Integrazione Metodologica: Combinazione innovativa di Stratificazione Principale e BART per stimare effetti eterogenei in contesti di variabili strumentali condizionali, superando i limiti dei modelli lineari.
Generalizzazione Robusta: Sviluppo di un framework per trasportare i risultati da un campione selettivo (compliers) a una popolazione target più ampia, utilizzando dati di sondaggi complessi e correggendo per lo spostamento delle covariate osservate.
Adattamento del Bayesian Bootstrap: Estensione del Bayesian Bootstrap per gestire disegni di campionamento complessi (cluster e pesi), permettendo una corretta quantificazione dell'incertezza nella stima della distribuzione delle covariate target.
Analisi di Sensibilità: Implementazione di test di robustezza per valutare l'impatto di:
- Confondimento non osservato a livello di città (validità interna).
- Violazione dell'inclusione del supporto (mancanza di sovrapposizione tra popolazioni).
- Violazione della trasportabilità condizionale (effetti modificatori non osservati).

4. Risultati

Lo studio è stato applicato ai dati del progetto MLE (Nigeria e Senegal) e ai dati DHS.

Effetto sull'occupazione:
- Nigeria: L'adozione di contraccettivi moderni ha un effetto positivo significativo sull'occupazione. L'effetto medio tra i compliers nel campione di studio (MATE) è circa 0.37. Tuttavia, generalizzando alla popolazione urbana, l'effetto stimato aumenta a circa 0.50-0.53, indicando che l'effetto è più forte nella popolazione generale rispetto a quella dello studio.
- Senegal: Anche qui si osserva un effetto positivo, con un MATE di circa 0.47 e un PATE simile (circa 0.48), suggerendo una minore eterogeneità o una maggiore similarità tra il campione e la popolazione target rispetto al caso nigeriano.
Eterogeneità dell'effetto: L'analisi rivela che l'effetto è fortemente eterogeneo. In Nigeria, l'effetto è maggiore tra le donne sposate/separate, con istruzione primaria o inferiore, che lavoravano già l'anno precedente. Al contrario, l'effetto è nullo o negativo per donne non sposate, ricche e non lavoratrici.
Performance nelle Simulazioni: Gli studi di simulazione mostrano che Prince BART supera o eguaglia le prestazioni di 2SLS, $\kappa$ -weighting e modelli parametrici bayesiani (PStrata) in scenari con effetti eterogenei e non linearità, mantenendo una copertura degli intervalli di credibilità vicina al livello nominale (95%).
Robustezza: Le analisi di sensibilità indicano che i risultati sono robusti. Per annullare l'effetto stimato, sarebbero necessari confondenti non osservati di magnitudine molto superiore alla variabilità residua osservata o spostamenti distributivi non osservati estremi.

5. Significato e Implicazioni

Politiche Pubbliche: I risultati forniscono evidenze causali robuste sul fatto che l'accesso ai contraccettivi moderni possa aumentare l'occupazione femminile, specialmente tra le donne con meno risorse educative ed economiche. Questo supporta investimenti nella pianificazione familiare come strategia di sviluppo economico.
Avanzamento Metodologico: Il paper offre un "toolkit" pratico per ricercatori che devono stimare effetti causali in contesti osservazionali complessi, dove la randomizzazione è parziale e i dati provengono da fonti diverse (studi specifici vs. sondaggi nazionali).
Superamento dei Limiti IV: Dimostra come l'uso di metodi non parametrici bayesiani possa mitigare i rischi di specificazione errata del modello (model misspecification) tipici degli approcci IV lineari tradizionali, fornendo stime più affidabili in presenza di interazioni complesse.

In sintesi, questo lavoro dimostra che combinando la rigore della stratificazione principale con la flessibilità dell'apprendimento automatico bayesiano (BART) e tecniche di inferenza per sondaggi complessi, è possibile ottenere stime causali affidabili e generalizzabili su temi critici di salute pubblica e sviluppo economico.