On Robust Empirical Likelihood for Nonparametric Regression with Application to Regression Discontinuity Designs

Problematica

La Verosimiglianza Empirica (Empirical Likelihood, EL) è uno strumento di inferenza non parametrica potente che offre intervalli di confidenza basati sulla verosimiglianza con proprietà desiderabili, come il rispetto dei vincoli dei parametri e la presenza di distribuzioni limite di tipo Wilks (asintoticamente $\chi^2$). Tuttavia, quando applicata alla regressione non parametrica e ai Disegni di Discontinuità di Regressione (Regression Discontinuity Designs, RDD) utilizzando smoother polinomiali locali, i metodi EL standard affrontano un limite critico: il bias di smoothing (distorsione da smoothing).

Per ottenere un'inferenza di tipo Wilks valida (dove il rapporto EL converge a una distribuzione $\chi^2$ standard), gli approcci tradizionali richiedono l'undersmoothing (la selezione di una banda $h$ più piccola del tasso ottimale per la stima puntuale). Ciò riduce il bias ma gonfia la varianza, portando a intervalli di confidenza eccessivamente ampi nei campioni finiti.

In alternativa, gli approcci di correzione del bias tentano di stimare e rimuovere la distorsione. Tuttavia, il documento identifica un difetto fondamentale nei metodi EL corretti per il bias esistenti: essi non tengono conto della variabilità aggiuntiva introdotta dalla stima del bias stesso. Di conseguenza, quando il rapporto tra la banda di stima ($h$) e la banda pilota utilizzata per la correzione del bias ($b$) converge a una costante positiva ($h/b \to \kappa \in (0, 1]$), il fenomeno di Wilks standard fallisce. Il rapporto EL converge a una distribuzione $\chi^2$ scalata piuttosto che a una standard, portando a una grave sottocopertura (under-coverage) e a tassi di errore di Tipo I gonfiati se vengono utilizzati i valori critici standard.

Metodologia

Gli autori propongono un nuovo framework denominato Robust Empirical Likelihood (Robust EL) per risolvere la tensione tra la correzione del bias e la preservazione del fenomeno di Wilk sotto condizioni di banda realistiche ($h/b \to \kappa \in [0, 1]$).

1. Costruzione di Pesi Robusti (Robust Weights):
Invece di limitarsi ad aggiustare il rapporto EL o lo stimatore puntuale, l'innovazione centrale risiede nella costruzione di nuovi pesi robusti che sono completamente adattivi ai dati. Questi pesi realizzano simultaneamente la correzione del bias e incorporano la variabilità dello stimatore del bias direttamente nei vincoli di momento della formulazione EL.

• Pesi Robusti basati sull'Espansione di Taylor ($W^\star$): Derivati riesprimendo lo stimatore del bias (basato su un fit quadratico locale) all'interno del vincolo di momento EL. Ciò tratta efficacemente lo stimatore del bias come una funzione delle probabilità di ricampionamento ($p_i$) piuttosto che come costanti fisse.
• Pesi Robusti basati sulla Differenza ($W^\ddagger$): Costruiti similmente utilizzando un approccio diretto basato sulle differenze per la stima del bias, garantendo che la variabilità dello stimatore della differenza sia catturata.

2. Rapporti EL Robusti:
Utilizzando questi nuovi pesi, gli autori definiscono due funzioni di rapporto EL robuste:

• $l_{TR}(\theta)$: Rapporto Robust EL basato sull'espansione di Taylor.
• $l_{DR}(\theta)$: Rapporto Robust EL basato sulla differenza.

3. Estensione a RDD:
Il framework è esteso sia agli scenari di RDD Sharp (netti) che Fuzzy (indeterminati).

• Per la RDD Sharp, il metodo costruisce pesi robusti separatamente per i gruppi trattati e di controllo per stimare l'effetto del trattamento $\tau_S$.
• Per la RDD Fuzzy, il metodo gestisce il rapporto tra le discontinuità negli esiti e nelle probabilità di trattamento, costruendo pesi robusti per tutti i componenti ($Y$ e $T$) per stimare $\tau_F$.

4. Framework Teorico:
Il documento adotta il raffinato framework asintotico di Calonico et al. (2014), dove $h/b \to \kappa \in [0, 1]$. Sotto standard condizioni di regolarità, gli autori dimostrano che sia $l_{TR}$ che $l_{DR}$ convergono a una distribuzione $\chi^2_1$ standard, indipendentemente dal fatto che $\kappa = 0$ (undersmoothing) o $\kappa > 0$ (regime corretto per il bias).

Contributi Chiave

1. Innovazione Metodologica: Il documento introduce un framework di inferenza EL corretta per il bias basato su pesi robusti completamente adattivi ai dati. A differenza dei metodi precedenti che aggiustano il rapporto ex-post, questo approccio integra la correzione del bias e la sua variabilità associata direttamente nello schema di pesatura della formulazione EL.
2. Validità Teorica: Gli autori stabiliscono che il fenomeno di Wilks si mantiene sotto la condizione più generale e praticamente rilevante in cui $h/b \to \kappa \in [0, 1]$. Ciò consente la costruzione di intervalli di confidenza validi utilizzando i valori critici $\chi^2$ standard senza richiedere l'undersmoothing.
3. Applicazione a RDD: Il framework è esteso senza soluzione di continuità a RDD Sharp e Fuzzy, fornendo le prime procedure EL robuste per questi scenari che mantengono proprietà pivotal senza complessi aggiustamenti di scala o ulteriori passaggi di stima della varianza.
4. Analisi del Secondo Ordine: Il documento esplora le proprietà asintotiche del secondo ordine, notando che, sebbene il metodo attuale migliori i tassi di errore di copertura rispetto all'EL originale, potrebbero essere necessarie ulteriori modifiche per eguagliare i tassi di errore di copertura ottimali degli stimatori di tipo Wald corretti per il bias.

Risultati

Studi di Simulazione:
Sono state condotte estese simulazioni per la regressione non parametrica e per la Sharp RDD.

• Copertura e Dimensione (Size): I metodi Robust EL proposti (TR e DR) raggiungono costantemente probabilità di copertura empirica vicine al livello nominale (95%) e dimensioni empiriche corrette attraverso una vasta gamma di scelte di banda ($h$) e rapporti di banda pilota ($b/h$).
• Confronto:
  • EL Originale (Undersmoothing): Ha sofferto di una grave sottocopertura quando $h$ non era sufficientemente piccolo, e ha prodotto intervalli più ampi a causa dell'elevata varianza.
  • EL Corretta per il Bias Convenzionale (TB/DB): Ha dimostrato una significativa sottocopertura e tassi di Tipo I gonfiati quando $h/b \not\to 0$, confermando il fallimento teorico dell'approssimazione di Wilks in questi regimi.
  • Robust EL vs. Tipo Wald (CCF): Il metodo Robust EL proposto ha performato in modo comparabile o superiore all'approccio Wald robusto corretto per il bias (Calonico et al., 2014) in termini di accuratezza della copertura, offrendo spesso intervalli di confidenza più brevi.
• Efficienza Computazionale: Sebbene i metodi EL siano computazionalmente più intensivi dei metodi Wald a causa dell'inversione numerica, gli algoritmi proposti (utilizzando metodi Newton-Lagrange) hanno costruito intervalli di confidenza in meno di 0,5 secondi per campioni di dimensioni moderate, rendendoli praticamente fattibili.

Applicazioni su Dati Reali:
Il documento applica i metodi proposti a due dataset reali (dettagli nella Sezione 6 del documento completo, riassunti come illustrativi). I risultati dimostrano l'utilità pratica del metodo, mostrando come esso fornisca un'inferenza affidabile senza la necessità di una delicata calibrazione della banda o dell'undersmoothing.

Significatività e Rivendicazioni

Il documento sostiene di fornire una "soluzione soddisfacente" a una sfida di lunga data nella letteratura EL: come incorporare la correzione del bias mantenendo la calibrazione di tipo Wilks, indipendente dalla distribuzione, della Empirical Likelihood.

• Robustezza alla Selezione della Banda: La principale significatività è l'eliminazione della necessità di undersmoothing. I ricercatori possono ora utilizzare bande che bilanciano bias e varianza in modo ottimale per la stima puntuale (o leggermente superiori) senza sacrificare la validità degli intervalli di confidenza.
• Semplicità e Flessibilità: Il metodo evita l'implementazione ingombrante di fattori di scala o passaggi separati di stima della varianza richiesti da altri approcci EL corretti per il bias. Preserva l'attrattiva "basata sulla verosimiglianza" dell'EL.
• Rigore Teorico: Provando che il fenomeno di Wilks si mantiene sotto il raffinato framework asintotico ($h/b \to \kappa$), il documento colma il divario tra l'ottimalità teorica e l'implementazione pratica nell'inferenza non parametrica.

Gli autori notano con modestia che, sebbene il loro metodo raggiunga un tasso di errore di copertura di $O(nh^7 + h^2 + (nh)^{-1})$, che è un miglioramento rispetto all'EL originale, non eguaglia ancora il tasso $O(nh^7 + h^3 + (nh)^{-1})$ degli optimal Wald-type estimators. Suggeriscono che ulteriori modifiche metodologiche potrebbero potenzialmente raggiungere tale tasso ottimale, lasciando questa come una direzione per la ricerca futura.