Placebo Discontinuity Design

Sintesi Tecnica: Design di Discontinuità del Placebo (Placebo Discontinuity Design)

1. Il Problema
Il classico Design di Discontinuità di Regressione (RDD) si basa sull'assunto di identificazione secondo cui i potenziali esiti attesi sono continui al punto di cutoff. Tale assunto garantisce che le unità appena sopra e appena sotto la soglia siano confrontabili in assenza di trattamento. Tuttavia, questa continuità può essere violata quando la variabile di esecuzione (running variable) è soggetta a manipolazione strategica o ordinamento (sorting) da parte di agenti consapevoli del cutoff (ad esempio, amministratori scolastici che manipolano le iscrizioni per innescare riduzioni del numero di alunni per classe, o medici che manipolano i rapporti sul peso alla nascita per innescare interventi medici).

Quando tale manipolazione si verifica, la distribuzione condizionata dei confonditori non osservati dato la variabile di esecuzione diventa discontinua al cutoff. Di conseguenza, gli stimatori RDD standard diventano distorti perché la discontinuità nell'esito riflette sia l'effetto del trattamento sia la discontinuità nel confondimento non osservato. Sebbene la letteratura esistente utilizzi le variabili placebo (esiti o covariate che non dovrebbero essere influenzati dal trattamento) come strumenti diagnostici per rilevare tali violazioni, i metodi attuali non offrono alcuna via per recuperare l'effetto del trattamento una volta rilevata una violazione.

2. Metodologia e Strategia di Identificazione
Gli autori propongono un nuovo schema di identificazione, denominato "Placebo Discontinuity Design" (PDD), che sfrutta un trattamento placebo ($Z$) e un esito placebo ($W$) per correggere il confondimento non osservato e recuperare l'effetto causale anche quando l'assunto di continuità standard fallisce.

• Modello Strutturale: Il paper modella l'esito $Y$ come funzione del trattamento $A$, della variabile di esecuzione $D$, del confonditore non osservato $U$ e del rumore idiosincratico $\eta_y$. Fondamentalmente, gli autori permettono alla densità di $U$ dato $D$ di essere discontinua al cutoff $d^*$.

• Assunti Chiave:

  • Continuità Condizionata: Sebbene i potenziali esiti possano essere discontinui in $D$ marginalmente, essi sono assunti continui condizionatamente al confonditore non osservato $U$. Ovvero, $E[Y(a, D, U, \eta_y) | D=d, U=u]$ è continuo in $d$ per un $u$ fissato.
  • Variabili Placebo:
    • Trattamento Placebo ($Z$): Una variabile che influenza la variabile di esecuzione $D$ (e quindi il trattamento $A$) ma è indipendente dal confonditore non osservato $U$ e dall'esito $Y$ condizionatamente a $D$ e $U$.
    • Esito Placebo ($W$): Una variabile che funge da proxy per il confonditore non osservato $U$, ma non è direttamente causata dal trattamento $A$, dalla variabile di esecuzione $D$ o dal trattamento placebo $Z$.
  • Ponte di Confondimento (Confounding Bridge): Gli autori assumono l'esistenza di una funzione "ponte di confondimento" $h$ tale che la aspettativa condizionata dell'esito dato $D$ e $U$ possa essere espressa come un integrale di $h$ rispetto alla distribuzione dell'esito placebo $W$ dato $D$ e $U$.
  • Completezza: Una condizione di rango che assicura che la soluzione dell'equazione integrale sia unica, permettendo l'identificazione puntuale.

• Risultato di Identificazione: Sotto tali assunti, l'effetto del trattamento $\tau_0$ è identificato come la differenza tra il limite destro e il limite sinistro aggiustato dell'esito, dove l'aggiustamento è derivato dalla discontinuità dell'esito placebo. Nello specifico, lo stimatore si decompone in un termine RDD standard meno un termine di aggiustamento basato sulla discontinuità dell'esito placebo pesata da un coefficiente di variabile strumentale locale.

3. Stima
Il paper propone uno stimatore di Variabile Strumentale Locale (LIV) per operazionalizzare la strategia di identificazione.

• Approccio: Gli autori approssimano la funzione ponte di confondimento utilizzando una specifica parzialmente lineare. Stimano i parametri utilizzando un framework di regressione lineare locale esteso per includere le variabili strumentali.
• Decomposizione: Lo stimatore risultante $\hat{\tau}_{pdd}$ è numericamente equivalente a:
  $$\hat{\tau}_{pdd} = \hat{\tau}^y_{rdd} - (\hat{\tau}^w_{rdd})^\top \hat{\gamma}_-$$
  dove $\hat{\tau}^y_{rdd}$ è la stima RDD standard per l'esito target, $\hat{\tau}^w_{rdd}$ è la stima RDD per l'esito placebo, e $\hat{\gamma}_-$ è un vettore di pesi derivato da una regressione IV locale dell'esito target residualizzato sull'esito placebo residualizzato (strumentato da $Z$) al di sotto del cutoff.
• Interpretazione: Se l'esito placebo non mostra alcuna discontinuità ($\hat{\tau}^w_{rdd} \approx 0$), il termine di aggiustamento svanisce e lo stimatore si riduce al classico RDD. Se esiste una discontinuità, lo stimatore la utilizza per correggere la distorsione nell'esito target.

4. Risultati Teorici

• Consistenza: Gli autori stabiliscono che lo stimatore LIV è consistente per l'effetto del trattamento sotto l'assunto che il ponte di confondimento sia parzialmente lineare (o ben approssimato da esso).
• Normalità Asintotica e Correzione della Distorsione: Seguendo il framework di Calonico et al. (2014), il paper deriva la distorsione asintotica dello stimatore ingenuo quando si utilizzano bandwidth ottimali per l'Errore Quadratico Medio (MSE). Gli autori propongono una procedura di inferenza robusta con correzione della distorsione. Dimostrano che, dopo la correzione della distorsione, lo stimatore è asintoticamente normale al tasso $n^{-2/5}$, consentendo la costruzione di intervalli di confidenza validi e test di ipotesi.

5. Contributi Chiave e Significato

• Dalla Diagnosi alla Correzione: Il contributo primario è lo spostamento del ruolo delle variabili placebo nell'RDD da meri strumenti diagnostici (per rilevare l'invalidità) a meccanismi di correzione attiva (per recuperare la validità).
• Identificazione Puntuale sotto Manipolazione: A differenza di approcci precedenti che forniscono solo limiti (bounds) sull'effetto del trattamento quando la variabile di esecuzione è manipolata (ad esempio, Gerard et al., 2020), questo paper fornisce condizioni per l'identificazione puntuale dell'effetto del trattamento in presenza di comportamento strategico.
• Recupero Nonparametrico: Il metodo recupera l'effetto del trattamento RDD in modo nonparametrico, evitando la necessità di assunti parametrici forti sulla funzione di produzione o sulla distribuzione degli inosservabili richiesti da altri metodi (ad esempio, Garicano et al., 2016).
• Implementazione Pratica: Lo stimatore proposto si decompone in componenti RDD familiari e un aggiustamento pesato, rendendolo computazionalmente trattabile e interpretabile per i ricercatori empirici. Evita la "maledizione della dimensionalità" spesso associata alla stima nonparametrica che coinvolge molteplici covariate, utilizzando un'approssimazione parzialmente lineare.

6. Rivendicazioni e Limiti
Gli autori rivendicano con modestia di fornire un nuovo risultato di identificazione e una nuova variazione dello stimatore RDD lineare locale. Riconoscono che gli assunti strutturali (specificamente l'esistenza del ponte di confondimento e la condizione di completezza) sono generalmente non testabili, similmente agli assunti standard delle variabili strumentali (IV). Il metodo dipende dalla disponibilità di variabili placebo valide che soddisfino specifiche restrizioni di esclusione e indipendenza. Il paper non pretende di risolvere tutte le forme di invalidità dell'RDD, ma mira specificamente a contesti in cui la manipolazione strategica porta a discontinuità nei confonditori non osservati, un problema comune nelle applicazioni di scienze sociali riguardanti benefici governativi o programmi sociali. Si suggerisce che lavori futuri esplorino l'inferenza consapevole della distorsione (bias-aware inference) e il comportamento dello stimatore con proxy deboli.