📊 statistics

Principal Stratification with Bayesian Additive Regression Trees for Count-Valued Intermediate Variables: Estimating the Effect of Fertility on Women's Employment

Questo articolo introduce un nuovo framework di Bayesian Additive Regression Trees (BART) per la stratificazione principale che affronta le sfide della stima degli effetti causali con variabili intermedie a valori discreti, come la fertilità, modellando in modo flessibile la validità dello strumento dipendente dalle covariate e l'eterogeneità degli effetti, rivelando infine gli sfumati impatti negativi della fertilità sull'occupazione femminile in specifici contesti africani che i metodi tradizionali non riescono a rilevare.

Autori originali: Lucas Godoy Garraza, Leontine Alkema

Pubblicato 2026-08-12

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Lucas Godoy Garraza, 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

Immagina di cercare di capire perché una pianta smette di crescere. È perché la pianta è naturalmente piccola, o perché hai smesso di annaffiarla? Nel mondo della scienza, questo viene chiamato trovare un "effetto causale". Ma la vita è complicata. Spesso, la cosa che pensiamo stia causando un cambiamento (come avere un bambino) è intrecciata con altre cose che non possiamo vedere (come il desiderio di una madre di lavorare o il supporto della sua famiglia). È come cercare di assaggiare il sale in una zuppa mentre qualcun altro sta contemporaneamente aggiungendo pepe e zucchero.

Per risolvere questo problema, gli scienziati usano un trucco astuto chiamato "strumento". Pensa a uno strumento come a un lancio di moneta fortunato che cambia una cosa (come quanti figli ha una donna) senza cambiare direttamente l'altra (come se lei vada al lavoro). Se il lancio della moneta è veramente casuale, qualsiasi differenza nelle abitudini lavorative tra i gruppi "fortunati" e "sfortunati" deve essere dovuta al numero di figli, e non ad altre ragioni nascoste. Tuttavia, trovare un lancio di moneta perfetto nella vita reale è incredibilmente difficile. A volte, la "moneta" non è affatto casuale; dipende dall'età o dal background della persona. Quando ciò accade, i vecchi strumenti matematici che gli scienziati usano di solito si rompono, fornendo risposte sfocate o errate. Questo è il puzzle che questo articolo cerca di risolvere: come misurare il vero costo di avere un figlio sul lavoro di una donna, anche quando la "moneta fortunata" non è perfettamente casuale.

Gli autori di questo articolo, Lucas Godoy Garraza e Leontine Alkema, hanno deciso di costruire un nuovo strumento, super flessibile, per risolvere questo puzzle. Hanno preso un metodo chiamato "Stratificazione dei Principi" (Principal Stratification) — che è come suddividere le persone in gruppi segreti basati su come reagirebbero alla moneta fortunata — e lo hanno combinato con una potente tecnica di machine learning chiamata "Alberi di Regressione Additiva Bayesiana" (o BART). Se gli strumenti matematici standard sono come un righello rigido che può misurare solo linee rette, BART è come un metro da sarta flessibile ed elastico che può curvarsi e adattarsi a qualsiasi forma. Hanno anche perfezionato questo strumento per gestire variabili "a valori discreti" (count-valued). Poiché non si può avere mezza bambina, il numero di figli è un numero intero (1, 2, 3...), non uno scivolo fluido. Il loro nuovo strumento, chiamato PrinceBART, è progettato specificamente per gestire questi conteggi di numeri interi, pur rimanendo abbastanza flessibile da districare le relazioni complicate tra età, istruzione e lavoro.

Per testare se il loro nuovo strumento funziona davvero, gli autori hanno eseguito migliaia di simulazioni al computer. Hanno creato mondi artificiali in cui la "moneta fortunata" (l'infecondità, ovvero l'incapacità di concepire) era complicata e dipendeva da altri fattori. In queste simulazioni, i vecchi strumenti rigidi spesso davano la risposta sbagliata o erano molto instabili. Al contrario, PrinceBART ha trovato costantemente la risposta corretta, anche quando i dati erano disordinati e gli effetti erano diversi per le diverse persone. È stato come dimostrare che, mentre un righello rigido potrebbe spezzarsi nel tentativo di misurare un fiume sinuoso, il loro metro elastico ne seguiva perfettamente le curve.

Quando hanno applicato questo nuovo strumento a dati reali provenienti da Nigeria, Senegal e Kenya, i risultati sono stati affascinanti e hanno mostrato che il "costo" di avere un figlio non è lo stesso per tutti. In Nigeria, lo studio suggerisce che avere un figlio in più riduce la probabilità di occupazione di una donna di circa 6,3 punti percentuali. Tuttavia, in Senegal e Kenya, i dati non hanno mostrato un calo netto dell'occupazione per l'intero paese. Ma ecco la parte più importante: la media nasconde una storia enorme. Gli autori hanno scoperto che la penalità per avere un figlio è fortemente concentrata in gruppi specifici. In tutti e tre i paesi, le donne che soffrono di più sono le più giovani e quelle con meno istruzione. Ad esempio, in Nigeria, una donna sotto i 20 anni senza istruzione affronta un calo massiccio delle possibilità di impiego, mentre una donna più anziana e istruita potrebbe non vedere alcun calo.

L'articolo suggerisce che queste donne più giovani e meno istruite probabilmente godono di meno tutele sul lavoro o di meno supporto familiare per l'assistenza all'infanzia, quindi un figlio in più le costringe a smettere di lavorare. Le donne più anziane o più istruite sembrano invece più capaci di gestire la responsabilità extra senza perdere il lavoro. Gli autori sono cauti nell'affermare che, sebbene il loro nuovo metodo sia molto migliore dei vecchi strumenti nel trovare questi schemi nascosti, i risultati sono comunque basati su dati di sondaggio e dipendono da certe assunzioni. Non hanno provato queste scoperte con una bacchetta magica, ma le loro simulazioni mostrano che il loro metodo è robusto, e la loro applicazione nel mondo reale suggerisce che il "costo" della fertilità non è un numero unico per tutti, ma una storia che cambia a seconda di chi sei e di dove vivi.

Sintesi Tecnica: Stratificazione Principale con Alberi di Regressione Additiva Bayesiana per Variabili Intermedie a Conteggio

Definizione del Problema
Stimare l'effetto causale della fertilità sull'occupazione femminile è complicato dalla determinazione congiunta della fertilità e delle decisioni sul mercato del lavoro, il che porta a un confondimento dovuto a fattori non osservati (es. preferenze, potere negoziale all'interno del nucleo familiare). Sebbene le strategie di variabili strumentali (IV) siano uno standard, esse affrontano limitazioni significative in questo contesto:

Validità Dipendente dalle Covariate: Gli strumenti come l'infecundità (l'incapacità di concepire) sono fortemente associati all'età e ad altre covariate. Di conseguenza, l'assunto di indipendenza dello strumento spesso è valido solo dopo il condizionamento sulle covariate osservate, non marginalmente.
Inflessibilità delle IV Standard: I minimi quadrati a due stadi (2SLS), la tecnica IV dominante, si basano tipicamente su aggiustamenti additivi delle covariate. Questo approccio non riesce a gestire con flessibilità le non linearità e può fallire nell'identificare un estimando specifico per i "compliers" chiaramente interpretabile quando la validità dello strumento è dipendente dalle covariate.
Struttura del Trattamento: La fertilità è una variabile intermedia a valori di conteggio (numero di figli). I metodi IV binari standard (es. la stratificazione principale standard) non si estendono naturalmente a trattamenti ordinati multivalore, e le approssimazioni continue potrebbero non rispettare la natura discreta della parità.
Eterogeneità: Un singolo effetto medio del trattamento può oscurare la sostanziale eterogeneità nel modo in cui i figli aggiuntivi influenzano l'occupazione tra diversi gruppi demografici (età, istruzione, ecc.).

Metodologia
Gli autori estendono il framework PrinceBART (Principal Stratification with Bayesian Additive Regression Trees), originariamente progettato per variabili intermedie binarie, a contesti con variabili intermedie a conteggio.

Quadro Causale: Lo studio utilizza la stratificazione principale per definire gli effetti causali all'interno di strati latenti determinati da come la parità potenziale della donna ( $W(0)$ se feconda, $W(1)$ se infecunda) risponde allo strumento (infecundità). L'estimando target è l'Effetto Medio del Trattamento Condizionale (CATE) tra le donne "colpite" dallo strumento (quelle la cui parità diminuirebbe di un figlio a causa dell'infecundità).
Modello Statistico:
- Modello di Miscela: La verosimiglianza è formulata come un modello di miscela in cui l'appartenenza allo strato latente $G^* = \{W(0), W(1)\}$ è non osservata per ogni individuo.
- BART per Esiti e Strati: Gli Alberi di Regressione Additiva Bayesiana (BART) sono utilizzati per due componenti:
  1. Modello di Esito: Modellazione della probabilità di occupazione ( $Y$ ) come funzione di covariate ( $X$ ), dello strumento ( $Z$ ) e delle parità potenziali.
  2. Modello di Strato: Modellazione della distribuzione congiunta delle parità potenziali. Per gestire la natura di conteggio di $W$ , gli autori introducono una variabile continua latente $W^*(z)$ modellata tramite BART, che viene poi mappata in conteggi discreti tramite un meccanismo di arrotondamento ( $W(z) = \max(0, \lfloor W^*(z) \rfloor)$ ).
- Aggiustamento del Propensity Score: Per mitigare il confondimento indotto dalla regolarizzazione, il propensity score dello strumento $e(X)$ è stimato tramite un modello BART separato ed è incluso come una variabile nel modello principale.
- Assunti di Identificazione: L'approccio si basa su standard assunti IV (non confondimento condizionale, sovrapposizione, monotonicità, restrizione di esclusione) e un ulteriore assunto (indipendenza condizionale delle parità potenziali date le covariate) per identificare la distribuzione congiunta di $\{W(0), W(1)\}$ . La validità esterna (generalizzazione a una popolazione target) è ottenuta tramite un bootstrap bayesiano scalato per ripesare i risultati sulla distribuzione delle covariate della popolazione target.
Sintesi dell'Eterogeneità: Per interpretare i complessi CATE, gli autori applicano un "albero superficiale surrogato" (surrogate shallow tree) alla media a posteriori dei CATE individuali, identificando sottogruppi con effetti omogenei.

Contributi Chiave

Estensione Metodologica: Il documento presenta la prima adattamento della stratificazione principale con BART a variabili intermedie a conteggio non negative multivalore, colmando il divario tra le implementazioni binarie e continue.
Stima IV Flessibile: Il metodo accoglie la validità dello strumento dipendente dalle covariate e gli effetti di trattamento non lineari senza dipendere da forme parametriche restrittive (es. linearità) richieste dai 2SLS.
Implementazione Software: L'approccio è implementato nel pacchetto R PrinceBART.

Risultati delle Simulazioni
Gli autori hanno condotto simulazioni confrontando PrinceBART con stimatori IV convenzionali e flessibili (2SLS additivo/interattivo/binning, DML-PLIV, $\kappa$ -weighting) sotto processi di generazione dei dati caratterizzati da confondimento non lineare, effetti di trattamento eterogenei e debole sovrapposizione.

Performance: PrinceBART ha dimostrato un Errore Quadratico Medio (MSE) sostanzialmente inferiore rispetto a tutti i competitor, particolarmente in scenari con piccoli campioni, conformità dipendente dalle covariate ed effetti eterogenei.
Stabilità: Sebbene i competitor come 2SLS-binned e DML-PLIV abbiano mostrato miglioramenti rispetto al 2SLS additivo in specifici design, mancavano della stabilità di PrinceBART in tutti gli scenari.
Copertura: PrinceBART ha fornito una quantificazione dell'incertezza conservativa e valida, con tassi di copertura costantemente vicini o uguali a 1.00, mentre altri metodi scendevano occasionalmente sotto i livelli nominali in presenza di debole sovrapposzione.

Applicazione Empirica
Il metodo è stato applicato a dati DHS (Demographic and Health Survey) provenienti da Nigeria, Senegal e Kenya per stimare l'effetto di un figlio aggiuntivo sull'occupazione femminile utilizzando l'infecundità come strumento.

Effetti Medi:
- Nigeria: È stato trovato un significativo effetto negativo medio; un figlio aggiuntivo riduce la probabilità di occupazione di circa 6,3 punti percentuali tra le donne colpite.
- Senegal e Kenya: Non è stato rilevato alcun effetto medio chiaro; le stime erano statisticamente indistinguibili da zero.
- Questi risultati sono coerenti con un benchmark 2SLS corretto per le covariate, sebbene le simulazioni suggeriscano che i 2SLS possano non essere robusti in tutti i contesti.
Eterogeneità: È stata trovata una forte evidenza di eterogeneità dell'effetto in tutti e tre i paesi. La penalità sull'occupazione dovuta a un figlio aggiuntivo è concentrata tra le donne più giovani e con meno istruzione.
- In Nigeria, la penalità più netta è stata riscontrata tra le donne non musulmane sotto i 20 anni.
- In Kenya e Senegal, i declini più pronunciati sono stati tra le donne sotto i 18 anni o senza istruzione.
- Le donne più anziane o con maggiore istruzione hanno spesso mostrato nessun impatto negativo o persino lievi effetti positivi.
Generalizzazione: Il ripesaggio sulla popolazione totale (PATE) ha prodotto risultati simili a quelli della popolazione colpita (MATE), suggerendo che le differenze nella distribuzione delle covariate tra il gruppo colpito dallo strumento e la popolazione generale non abbiano alterato materialmente le conclusioni.

Significatività e Asserzioni
Il documento afferma che combinando la stratificazione principale con la regressione bayesiana non parametrica, i ricercatori possono stimare gli effetti causali di trattamenti a conteggio (come la fertilità) gestendo al contempo in modo flessibile la validità dello strumento dipendente dalle covariate e scoprendo una complessa eterogeneità degli effetti.

Gli autori avvertono che, sebbene i 2SLS abbiano fornito risultati coerenti in questa specifica applicazione, l'evidenza delle simulazioni suggerisce che affidarsi a specifiche IV lineari standard possa essere rischioso in contesti con confondimento non lineare ed effetti eterogenei.
Lo studio evidenzia che il "costo" di un figlio aggiuntivo non è uniforme; esso è fortemente concentrato tra i sottogruppi vulnerabili (donne più giovani e meno istruite), una sfumatura che gli approcci aggregati standard potrebbero occultare.
Gli autori riconoscono i limiti, specificamente la dipendenza da dati trasversali e l'assunto di non confondimento condizionale, notando che confonditori non osservati (es. ricchezza del nucleo familiare) potrebbero comunque influenzare i risultati. Suggeriscono che dati longitudinali rafforzerebbero le valutazioni future.

Articoli simili