Identification Design

Titolo: Identification Design

Autore: Maxwell Rosenthal
Data: 20 aprile 2026
Classificazione JEL: D81, D83, C14, C21

---

1. Il Problema e il Contesto

Il paper affronta il problema della strategica divulgazione delle informazioni da parte di ricercatori empirici (agenti economici) verso un decisore pubblico o politico. A differenza dei modelli classici di persuasione bayesiana, dove il ricevente ha un prior esogeno e aggiorna le credenze basandosi su singole realizzazioni di segnali, questo lavoro considera un decisore che:

1. Osserva l'intera distribuzione di popolazione dei segnali generati da una struttura informativa.
2. Non possiede un prior (approccio prior-free).
3. Valuta le azioni in base al payoff nel caso peggiore (worst-case payoff) sull'insieme di distribuzioni degli stati ammissibili che sono coerenti con i segnali osservati.

Il contesto applicativo principale è l'inferenza causale robusta in microeconometria (modelli di effetti del trattamento). Il problema centrale è: un ricercatore può manipolare la struttura informativa (ad esempio, scegliendo quali covariate rivelare) per indurre il decisore a scegliere un'azione specifica (es. un trattamento), anche se tale azione non sarebbe ottimale sotto piena informazione?

2. Metodologia e Modello Teorico

Struttura del Modello

• Ambiente: Definito da stati $\Omega$, azioni $A$, e un insieme di distribuzioni ammissibili degli stati $P \subset \Delta(\Omega)$.
• Struttura Informativa: Il decisore osserva la distribuzione dei messaggi generata da una mappa $E: \Omega \to \Delta(\Sigma)$. L'insieme identificato $P_\mu(\Sigma, E)$ contiene tutte le distribuzioni $\nu \in P$ che sono osservazionalmente equivalenti alla vera distribuzione $\mu$ (cioè $E_\nu = E_\mu$).
• Obiettivo del Decisore: Massimizzare il payoff minimo (minimax) sull'insieme identificato:
  $$\max_{\alpha \in \Delta(A)} \inf_{\nu \in P_\mu(\Sigma, E)} U(\alpha, \nu)$$
• Implementazione: Una struttura informativa implementa un'azione $\alpha$ se $\alpha$ è la soluzione ottima del problema sopra sotto quella struttura.

Concetto di Manipolabilità

Un ambiente è definito manipolabile se, per ogni azione $\alpha$ e per ogni vera distribuzione $\mu$, esiste una struttura informativa che implementa $\alpha$.
Il paper dimostra che un ambiente è manipolabile se e solo se il payoff nel caso peggiore è identico per tutte le azioni possibili sull'insieme di prior ammissibili.

3. Risultati Chiave

A. Caratterizzazione della Manipolabilità (Sezione 4)

• Teorema 1: Un ambiente è manipolabile se e solo se $\inf_{\nu \in P} U(\alpha, \nu) = \inf_{\nu \in P} U(\beta, \nu)$ per ogni coppia di azioni $\alpha, \beta$.
• Se questa condizione è soddisfatta, è possibile manipolare il decisore verso qualsiasi azione, anche utilizzando strutture informative che non sono completamente informative (o addirittura non informative), purché portino il decisore a vedere lo stesso payoff minimo per tutte le opzioni.

B. Applicazione ai Modelli di Effetti del Trattamento (Sezione 5)

Il paper applica il modello ai classici modelli di effetti del trattamento (outcome $Y$, trattamento $T$, covariate $X$, potenziali esiti $Y_0, Y_1$).

• Proposizione 2: Tutti i modelli di effetti del trattamento sono manipolabili.
  • La struttura cubica dei payoff in questi modelli garantisce che il payoff nel caso peggiore per ogni trattamento sia uguale al minimo globale possibile dell'outcome ($\min Y$).
• Proposizione 3 (Manipolabilità Forte): Questi modelli sono "fortemente manipolabili". Esistono strutture informative che:
  1. Sono quasi completamente informative (rivelano almeno $n-1$ statistiche linearmente indipendenti in un modello con $n$ stati).
  2. Sono robuste alle procedure di pareggio (tie-breaking) del decisore.
  3. Limitano la possibilità di rivelazione ex post della manipolazione, identificando puntualmente il payoff sotto l'azione implementata.

C. Strutture Informative Marginali e Identificazione (Sezione 5.2)

Nella pratica, i ricercatori non rivelano distribuzioni arbitrarie, ma distribuzioni marginali congiunte di $(Y, T, Z)$, dove $Z$ è un sottoinsieme di covariate.

• Teorema 2: Un modello di effetti del trattamento è identificato (e quindi non manipolabile tramite scelta delle covariate) se e solo se le covariate rivelate $Z$ sono sufficienti a determinare la probabilità di assegnazione del trattamento $P(T|X)$.
  • In termini pratici: se il meccanismo di assegnazione dipende solo dalle covariate rivelate, la manipolazione è impossibile.
  • Se ci sono covariate omesse ($W$) che influenzano l'assegnazione, il modello non è identificato.
• Teorema 3 e Proposizione 4: Per gli studi osservazionali con covariate omesse (dove l'identificazione esatta non è possibile), il paper fornisce limiti superiori e inferiori stretti (sharp bounds) sui payoff.
  • La manipolazione è possibile selezionando quali covariate rivelare. L'azione implementata dipende dai limiti inferiori calcolati sulle distribuzioni marginali rivelate.
  • Più covariate vengono rivelate, più i limiti si restringono verso i valori veri, riducendo lo spazio per la manipolazione.

D. Ambienti Non Manipolabili (Sezione 6)

Il paper caratterizza gli ambienti in cui la manipolazione non è possibile (non-manipulable environments) sotto condizioni di regolarità (Assunzioni 2 e 3).

• Teorema 4: In tali ambienti, un'azione $\alpha$ è implementabile sotto una vera distribuzione $\mu$ se e solo se esiste un prior ammissibile $\nu$ tale che:
  1. $\alpha$ è ottimale sotto piena informazione quando la distribuzione è $\nu$.
  2. Il payoff di $\alpha$ sotto $\nu$ non è superiore a quello sotto $\mu$ ($U(\alpha, \mu) \ge U(\alpha, \nu)$).
• In questi casi, l'implementazione è possibile tramite strutture informative quasi completamente informative che "mirano" al prior $\nu$.

4. Contributi Principali

1. Nuovo Framework di Design dell'Identificazione: Il paper endogenizza l'insieme identificato (partial identification) trattando la struttura informativa come una variabile di scelta, analogamente a come la persuasione bayesiana endogenizza l'esperimento di Blackwell.
2. Caratterizzazione della Manipolabilità: Fornisce una condizione necessaria e sufficiente per la manipolabilità totale, dimostrando che essa dipende dall'uguaglianza dei payoff minimi tra le azioni.
3. Risultati su Causal Inference: Dimostra che, in assenza di vincoli strutturali sulla divulgazione, tutti i modelli di effetti del trattamento sono teoricamente manipolabili, anche con strutture informative molto ricche.
4. Implicazioni Pratiche per la Trasparenza:
   • Negli esperimenti randomizzati, la divulgazione della distribuzione congiunta di outcome, trattamento e covariate (se sufficienti a fissare il meccanismo di assegnazione) elimina la manipolazione.
   • Negli studi osservazionali, la selezione delle covariate da rivelare rimane uno strumento di manipolazione, ma i limiti di payoff forniti dal paper quantificano il grado di incertezza residua.

5. Significato e Implicazioni

• Per la Scienza e la Regolamentazione: Il lavoro offre una giustificazione teorica rigorosa per le pratiche di registrazione pre-sperimentale (pre-registration) e la divulgazione obbligatoria dei piani di analisi statistica. Mostra che la semplice accuratezza dei dati divulgati non è sufficiente; è cruciale cosa viene scelto di non rivelare (le covariate omesse).
• Per l'Econometria: Sposta il focus dalla stima puntuale alla robustezza dell'identificazione rispetto alla strategia di divulgazione. Suggerisce che in molti contesti osservazionali, l'identificazione esatta è impossibile senza un'adeguata disclosure delle variabili che guidano l'assegnazione del trattamento.
• Teoria della Decisione: Estende la letteratura sulla decisione robusta e l'ambiguità (maxmin) al contesto del design dell'informazione, distinguendosi dai modelli bayesiani tradizionali per l'assenza di prior e la risposta alla distribuzione completa dei segnali.

In sintesi, Rosenthal dimostra che la manipolazione nell'inferenza causale è un rischio intrinseco e sistematico, ma può essere mitigata (o eliminata negli esperimenti) attraverso regole di disclosure che vincolino la scelta delle covariate rivelate, rendendo il meccanismo di assegnazione trasparente e non dipendente da variabili nascoste.