Riassunto Tecnico: Problemi Post-Trattamento e l'Estimando TRACE

1. Il Problema: Bias da Condizionamento Post-Trattamento

In molti studi sperimentali, i ricercatori sono interessati a capire l'effetto di un trattamento su sottogruppi specifici definiti da una risposta al trattamento stesso (es. chi ha effettivamente implementato un intervento, chi ha superato un attention check, o chi ha mostrato un meccanismo biologico/sociale specifico).

Il problema fondamentale è che condizionare direttamente sui valori osservati di una variabile post-trattamento ($M$) introduce bias sistematici. Se $M$ è influenzata dal trattamento ($D$) e, allo stesso tempo, è correlata all'esito ($Y$) attraverso confonditori non osservati ($U$), allora $M$ agisce come un collider. Condizionare su un collider crea una correlazione spuria tra il trattamento e i confonditori, rendendo le stime dell'effetto causale distorte, anche in presenza di una randomizzazione perfetta.

2. Metodologia: Il TRACE

Gli autori propongono un nuovo estimando chiamato Treatment Reactive Average Causal Effect (TRACE).

Definizione Formale

Il TRACE è definito come l'effetto totale del trattamento nel gruppo che, se trattato, realizzerebbe un determinato valore della variabile post-trattamento $M$ (assumiamo $M=1$ per semplicità):
$$\text{TRACE} \equiv E[Y_i(1) - Y_i(0) \mid M_i(1) = 1]$$

Questo si distingue da altri approcci:

• LATE (IV): Il LATE si concentra sui "compliers" ($M(0)=0, M(1)=1$), mentre il TRACE include sia i compliers che gli always-takers ($M(0)=1, M(1)=1$). Inoltre, il LATE richiede la exclusion restriction (il trattamento non deve avere effetti diretti su $Y$ se non tramite $M$), mentre il TRACE mira proprio a catturare l'effetto totale, inclusi gli effetti diretti.
• SACE (Survivor Average Causal Effect): Si concentra solo sugli always-takers.
• Analisi di Mediazione: Cerca di scomporre l'effetto in diretto e indiretto, spesso richiedendo assunzioni forti sull'assenza di confonditori tra mediatore ed esito.

Strategia di Identificazione (Partial Identification)

Poiché non possiamo osservare $M(1)$ per il gruppo di controllo ($D=0$), il TRACE non è identificabile puntualmente senza assunzioni. Gli autori propongono un approccio di identificazione parziale:

1. Trimming Bounds (Limiti senza assunzioni): Utilizzando solo la randomizzazione, è possibile stabilire un intervallo di valori plausibili per il TRACE. Questi limiti sono "sharp" (stretti) e derivano dalla distribuzione degli esiti nel gruppo di controllo.
2. Leveraging $\text{TRACE}(0)$: Il cuore della proposta è utilizzare assunzioni ragionevoli sull'effetto del trattamento per il gruppo che non reagisce al trattamento ($\text{TRACE}(0) \equiv E[Y_i(1) - Y_i(0) \mid M_i(1) = 0]$).
   • Se un ricercatore può argomentare che l'effetto per chi non reagisce è nullo ($\text{TRACE}(0) = 0$), il TRACE può essere identificato puntualmente.
   • In alternativa, si possono postulare intervalli per $\text{TRACE}(0)$ (es. "l'effetto è molto piccolo" o "ha il segno opposto") per restringere l'intervallo del TRACE.

3. Contributi Chiave

• Nuovo Estimando: Introduzione del TRACE come framework per studiare gli effetti in sottogruppi "reattivi".
• Flessibilità delle Assunzioni: A differenza dei modelli di mediazione classici, il TRACE non richiede l'assenza di confonditori tra $M$ e $Y$. Permette ai ricercatori di essere trasparenti: invece di dichiarare un unico valore, mostrano come diverse ipotesi su $\text{TRACE}(0)$ influenzino la stima del TRACE.
• Integrazione di Limiti e Assunzioni: Il metodo combina i limiti matematici rigorosi (trimming bounds) con il ragionamento teorico sul gruppo non reattivo, garantendo che le conclusioni siano sempre consistenti con i dati osservati.

4. Risultati e Applicazioni Empiriche

Il paper illustra il metodo attraverso tre casi:

1. Violenza Poliziesca (Type 3 - Mediatore Necessario): Analizzando la violenza durante i fermi stradali, gli autori dimostrano che se il fermo ($M$) è una condizione necessaria per la violenza ($Y$), e se si assume che non ci sia effetto per chi non viene fermato ($\text{TRACE}(0)=0$), è possibile identificare puntualmente l'effetto della percezione della razza sulla violenza.
2. Polizia di Comunità in Liberia (Type 1 - Implementazione): In un trial dove l'effetto medio era nullo a causa di una scarsa implementazione, il TRACE permette di dimostrare che l'intervento aveva un effetto significativo sulla riduzione della violenza nelle comunità dove era stato effettivamente implementato. Inoltre, aiuta a interpretare i risultati nulli su altri indicatori (es. criminalità generale), confermando che non erano dovuti alla scarsa implementazione.
3. Diritti Transgender (Type 2 - Meccanismo di Interesse): Analizzando l'effetto del canvassing porta a porta, il TRACE permette di stimare l'effetto dell'intervento su chi ha mostrato un cambiamento di atteggiamento (maggiore calore verso le persone transgender), fornendo una stima più informativa rispetto all'effetto medio (ITT).

5. Significato e Implicazioni

Il lavoro ha un'importanza fondamentale per la scienza politica e la sociologia sperimentale. Spesso, gli esperimenti sul campo falliscono nel rilevare effetti significativi a causa di problemi di implementazione o bassa compliance. Il framework TRACE fornisce agli scienziati gli strumenti statistici per "de-diluire" l'effetto del trattamento, permettendo di distinguere tra un intervento intrinsecamente inefficace e un intervento che funziona ma che è stato applicato in modo incompleto o errato.