Complier General Causal Effect in Randomized Controlled Trials with One-Sided Noncompliance

Titolo: Effetto Causale Generale per i Compliers in Sperimentazioni Controllate Randomizzate (RCT) con Non-Compliance Unilaterale

Autori: Yin Tang, Yanyuan Ma, Jiwei Zhao.

---

1. Il Problema e il Contesto

Le Sperimentazioni Controllate Randomizzate (RCT) sono considerate lo standard aureo per valutare gli effetti causali di un trattamento. Tuttavia, nella pratica, la randomizzazione può essere compromessa da fenomeni di non-compliance (mancata adesione al protocollo).
Il documento si concentra specificamente sul caso di non-compliance unilaterale, una situazione comune in cui:

• I soggetti assegnati al gruppo di controllo ($Z=0$) non possono accedere al trattamento ($T=0$).
• I soggetti assegnati al gruppo di trattamento ($Z=1$) possono scegliere di non assumere il trattamento ($T=0$).

In questo scenario, l'analisi Intention-to-Treat (ITT) stima l'effetto dell'assegnazione, non dell'effettivo ricevimento del trattamento. La sfida principale risiede nel fatto che l'effetto causale per l'intera popolazione non è identificabile dai dati osservati a causa della natura latente dello stato di compliance ($W$). Sebbene l'effetto causale medio per i compliers (CACE o LATE) e l'effetto causale quantile (CQCE) siano stati studiati, la letteratura esistente manca di un quadro unificato per stimare effetti causali più generali.

2. Metodologia e Struttura Teorica

A. Identificabilità Basata sulla Verosimiglianza

Gli autori conducono un'analisi sistematica dell'identificabilità basata sulla funzione di verosimiglianza non parametrica.

• Costruiscono la funzione di verosimiglianza per un'osservazione generica $(X, Z, T, Y)$ considerando la struttura dei dati in cui lo stato di compliance $W$ è osservato solo se $Z=1$.
• Dimostrano che la verosimiglianza è identificabile, il che implica che qualsiasi funzionale dei componenti della verosimiglianza è stimabile.
• Da questa analisi, derivano naturalmente l'Effetto Causale Generale per i Compliers (CGCE) come parametro di interesse primario. Il CGCE è definito come $\tau = \tau_1 - \tau_0$, dove $\tau_k$ risolve un'equazione di momento condizionata ai compliers ($W=1$).
  • Il CGCE è un estimand generale: scegliendo funzioni specifiche, include come casi particolari il CACE (effetto medio) e il CQCE (effetto quantile).

B. Stimatori Proposti

Gli autori sviluppano due stimatori per il CGCE:

1. Stimatore Semplice ($\hat{\tau}_s$):

   • Non richiede procedure non parametriche o metodi di Machine Learning (ML).
   • Si basa sulla risoluzione di equazioni di stima empiriche che utilizzano pesi inversi basati sulla probabilità di assegnazione nota $p(X)$.
   • È coerente ($\sqrt{n}$-coerente) ma non efficiente.

2. Stimatore Efficiente ($\hat{\tau}$):

   • Mira a raggiungere il limite di efficienza semiparametrica.
   • Derivazione della Funzione di Influenza Efficiente (EIF): A differenza di approcci precedenti basati su funzioni strumentali ottimali, gli autori derivano l'EIF proiettando la funzione di influenza dello stimatore semplice sullo spazio tangente del modello semiparametrico. Questo porta a una decomposizione trasparente in componenti di disturbo (nuisance) interpretabili.
   • Implementazione con Machine Learning: L'estimatore richiede la stima di funzioni di disturbo non parametriche ($\mu_1, \mu_2, \mu_3, q$). Gli autori utilizzano tecniche di split-sample (divisione del campione) per evitare il bias di sovrapposizione (overfitting).

3. Contributi Chiave e Risultati Teorici

Condizione "Rate-Free" (Senza Vincoli di Velocità)

Il contributo teorico più significativo è la dimostrazione che l'efficienza semiparametrica può essere raggiunta con una condizione di convergenza molto debole per gli stimatori delle funzioni di disturbo:

• È sufficiente che gli stimatori delle funzioni di disturbo convergano in norma $L_2$.
• Non è richiesto alcun tasso di convergenza specifico (es. $n^{-1/4}$ o condizioni di regolarità su kernel o sieves).
• Questa proprietà "rate-free" permette l'uso di moderni metodi di Machine Learning (come Reti Neurali Profonde, Random Forest, ecc.) che potrebbero non avere proprietà teoriche di convergenza ben caratterizzate oltre alla consistenza, garantendo comunque l'efficienza asintotica dell'estimatore finale.

Confronto con la Letteratura Esistente

• L'approccio differisce da lavori precedenti (es. Hong & Nekipelov, 2010) che si basano su assunzioni di variabili strumentali locali.
• La decomposizione dell'EIF proposta è direttamente legata alla struttura dei dati osservabili (Tabella 1 del paper), offrendo maggiore trasparenza.

4. Risultati Empirici

Studi di Simulazione

Sono stati condotti studi di simulazione con dimensioni di covariate $d = 1, 4, 9$ e due scenari di generazione dei dati (lineare e non lineare).

• Prestazioni: Tutti gli stimatori mostrano un bias trascurabile (coerenza).
• Efficienza: Lo stimatore semplice presenta una variabilità significativamente maggiore rispetto agli stimatori efficienti.
• Confronto Kernel vs. ML: Per dimensioni basse ($d=1, 4$), sia i metodi a kernel che le Reti Neurali (DNN) funzionano bene. Per dimensioni più alte ($d=9$), il metodo basato su DNN supera quello a kernel, avvicinandosi alle prestazioni dello stimatore "oracle" (che conosce le vere funzioni di disturbo).
• Copertura: Gli intervalli di confidenza al 95% costruiti con lo stimatore efficiente combinato con DNN mostrano una copertura empirica vicina al livello nominale.

Applicazione su Dati Reali

Gli autori applicano il metodo a un dataset di microcredito in Marocco (studio di Crépon et al., 2015).

• Obiettivo: Valutare l'effetto causale del microcredito sull'output delle attività di auto-impiego.
• Risultati:
  • Lo stimatore efficiente con DNN produce un intervallo di confidenza che include lo zero, suggerendo che non vi è evidenza significativa di un effetto causale diverso da zero.
  • Questo risultato contrasta con alcune analisi precedenti parametriche, sottolineando l'importanza di non imporre assunzioni parametriche rigide.
  • Lo stimatore semplice è leggermente conservativo ma conferma la direzione dei risultati.

5. Significato e Conclusioni

Il lavoro fornisce un quadro unificato e robusto per l'inferenza causale in presenza di non-compliance unilaterale.

1. Generalità: Introduce il CGCE, estendendo la capacità di stimare non solo medie ma anche quantili e altre funzioni causali.
2. Flessibilità Computazionale: La condizione "rate-free" rimuove le barriere all'uso di algoritmi di Machine Learning complessi nella stima semiparametrica, rendendo il metodo applicabile in contesti ad alta dimensionalità dove i metodi tradizionali (kernel) falliscono.
3. Rigor Teorico: Fornisce la prima trattazione sistematica dell'identificabilità basata sulla verosimiglianza in questo contesto, chiarendo esattamente quali parametri sono identificabili e quali no.

In sintesi, il paper offre strumenti statistici avanzati che combinano la rigore della teoria semiparametrica con la potenza flessibile del Machine Learning, risolvendo problemi pratici di efficienza e bias in studi clinici e sociali con non-compliance.