Estimating Treatment Effects Under Bounded Heterogeneity

1. Il Problema: Il Dilemma tra Specificazione e Precisione

Nel campo dell'inferenza causale, specialmente nei disegni basati sull'indipendenza condizionata (unconfoundedness) e nelle design a adozione scalare (staggered adoption), i ricercatori si trovano spesso di fronte a un compromesso fondamentale:

• Modelli flessibili (Long Regression): Permettono effetti del trattamento eterogenei in funzione delle covariate. Tuttavia, la loro stima può essere imprecisa o addirittura impossibile in presenza di sovrapposizione limitata (limited overlap) o completa mancanza di sovrapposizione (es. quando in alcuni strati di covariate tutti i soggetti sono trattati o nessuno lo è).
• Modelli rigidi (Short Regression): Assumono effetti costanti del trattamento (omogeneità). Sono efficienti e robusti alla mancanza di sovrapposizione, ma soffrono di bias di specificazione se l'eterogeneità del trattamento è presente. La regressione "breve" stima una media ponderata degli effetti, con pesi che possono essere controintuitivi e divergere dall'effetto medio del trattamento (ATE) desiderato.

L'obiettivo del paper è fornire un metodo che offra intervalli di confidenza validi e informativi, gestendo il trade-off tra il bias introdotto dall'assunzione di omogeneità e la varianza (precisione) della stima, senza richiedere una sovrapposizione perfetta.

2. Metodologia: L'Estimatore regulaTE

Gli autori propongono un approccio basato su un limite superiore all'eterogeneità degli effetti del trattamento, misurato attraverso la VCATE (Variance of Conditional Average Treatment Effects).

A. Il Vincolo di Eterogeneità (VCATE)

Invece di assumere effetti costanti ($C=0$) o di lasciarli completamente liberi, il metodo impone un vincolo sulla varianza degli effetti condizionali:
$$\text{VCATE} = E_n[(\tau(x_i) - E_n[\tau(x_i)])^2] \leq C^2$$
Dove $C$ è un parametro di sensibilità scelto dal ricercatore. Questo vincolo permette di quantificare quanto gli effetti possono variare rispetto alla media.

B. L'Estimatore Generalizzato Ridge (regulaTE)

Per ottimizzare il compromesso bias-varianza sotto questo vincolo, gli autori introducono un estimatore di ridge generalizzato.
L'obiettivo è minimizzare la lunghezza dell'intervallo di confidenza (CI) fissando un livello di bias massimo accettabile. L'equazione di stima minimizza:
$$\min_{\beta, \gamma, \delta} \frac{1}{n}\|Y - D\beta - X\gamma - (D \circ \tilde{X}_{-1})\delta\|^2 + \lambda \delta' V_x \delta$$
Dove:

• $\beta$ è l'effetto medio del trattamento (ATE).
• $\delta$ sono i coefficienti di eterogeneità.
• $\lambda$ è il parametro di penalità.
• $V_x$ è la matrice di covarianza delle covariate.

Interpretazione:

• Quando $\lambda \to \infty$, la penalità spinge $\delta \to 0$, e l'estimatore coincide con la regressione breve (short regression).
• Quando $\lambda \to 0$, l'estimatore tende alla regressione lunga (long regression), se definita.
• Per valori intermedi, regulaTE adatta i pesi delle osservazioni: dà più peso agli strati con buona sovrapposizione e riduce il peso (shrinkage) per gli strati con scarsa sovrapposizione o dove l'eterogeneità è difficile da stimare, bilanciando bias e varianza in modo ottimale.

C. Costruzione degli Intervalli di Confidenza

Il paper deriva intervalli di confidenza a lunghezza fissa (FLCI) che sono "consapevoli dell'eterogeneità" (heterogeneity-aware).

1. Correzione del Bias: La lunghezza dell'intervallo include un termine che dipende dal bias peggiore (worst-case bias) consentito dal vincolo $C^2$.
2. Validità: Gli intervalli sono validi anche in assenza di sovrapposizione completa, poiché il vincolo sulla VCATE fornisce informazioni di identificazione parziale per i sottogruppi senza sovrapposizione.
3. Ottimalità: Teorema 1 dimostra che regulaTE si trova sulla frontiera bias-varianza: nessun altro estimatore lineare può ottenere una varianza inferiore per lo stesso livello di bias massimo, rendendo l'intervallo di confidenza il più stretto possibile tra tutti gli stimatori lineari.

3. Contributi Chiave

1. Formalizzazione dell'Intuizione di Angrist e Pischke (2009): Il paper fornisce una giustificazione teorica rigorosa all'idea che, se l'eterogeneità è limitata, la regressione breve (o una sua variante regolarizzata) può essere preferibile a stimatori non parametrici imprecisi.
2. Gestione della Mancanza di Sovrapposizione: A differenza degli stimatori IPW (Inverse Probability Weighting) che collassano quando i punteggi di propensione sono 0 o 1, regulaTE rimane ben definito e fornisce inferenza valida sfruttando il vincolo di eterogeneità.
3. Analisi di Sensibilità Strutturata: Invece di tentare di stimare la VCATE dai dati (che porterebbe a intervalli troppo ampi o invalidi secondo i risultati di impossibilità di Armstrong e Kolesár), il metodo tratta $C$ come un parametro di sensibilità. I ricercatori possono variare $C$ per vedere quanto i risultati empirici sono robusti a diverse ipotesi di eterogeneità.
4. Implementazione Pratica: Viene fornito un pacchetto R (regulaTEr) che facilita l'applicazione del metodo, inclusa la visualizzazione dei "punti di rottura" (breakdown points).

4. Risultati e Simulazioni

• Simulazioni Calibrate (Angrist, 1998): Utilizzando dati reali sui veterani militari, gli autori simulano scenari con mancanza di sovrapposizione.
  • Gli intervalli basati sulla regressione breve non corretta mostrano una copertura inferiore al livello nominale (bias).
  • Gli intervalli corretti per il bias sulla regressione breve diventano eccessivamente ampi.
  • Gli intervalli regulaTE mantengono la copertura corretta (95%) e sono significativamente più stretti rispetto alla versione corretta del bias sulla regressione breve, offrendo un miglior compromesso.
• Applicazioni Empiriche:
  1. Effetti delle Pensioni per le Madri (Aizer et al., 2016): In un contesto con mancanza di sovrapposizione in alcuni contee, l'analisi di sensibilità mostra che l'effetto positivo sulla longevità dei bambini rimane statisticamente significativo fino a un valore di eterogeneità ($C^*$) che è economicamente plausibile e coerente con le analisi di sottogruppo originali.
  2. Adozione Scalare (Dobkin et al., 2018 / Sun & Abraham, 2021): In un design dove tutti i soggetti sono trattati nell'ultimo periodo (nessuna sovrapposizione per i periodi successivi), la regressione lunga non è definita. regulaTE conferma che l'aumento della spesa medica è robusto a un'eterogeneità sostanziale, mentre l'approccio basato sulla correzione del bias della regressione breve suggerirebbe erroneamente una fragilità dei risultati.

5. Significato e Implicazioni

Il lavoro di Kwon e Sun offre un ponte cruciale tra la pratica empirica comune (uso di regressioni brevi per semplicità e robustezza) e la rigorosa teoria dell'inferenza causale.

• Pragmatismo Teorico: Fornisce agli applied researchers uno strumento per giustificare l'uso di modelli semplici senza ignorare il rischio di bias, trasformando l'assunzione di omogeneità da un'ipotesi cieca in un parametro di sensibilità esplicito.
• Superamento dei Limiti di Identificazione: Dimostra che è possibile trarre inferenze valide anche in scenari di "mancanza totale di sovrapposizione", purché si accetti un vincolo ragionevole sulla dispersione degli effetti.
• Efficienza: Dimostra che l'uso di tecniche di regolarizzazione (ridge) ottimizzate per l'inferenza (non solo per la previsione) può produrre intervalli di confidenza molto più informativi rispetto ai metodi tradizionali di correzione del bias.

In sintesi, regulaTE rappresenta un avanzamento metodologico significativo per la stima degli effetti medi del trattamento in contesti reali complessi, dove l'eterogeneità e la mancanza di sovrapposizione sono la norma piuttosto che l'eccezione.