📊 statistics

Two-stage Least Squares with Clustered Data under the Local Average Treatment Effect Framework

Questo articolo analizza il compromesso tra le stime 2SLS canoniche e quelle con effetti fissi nell'ambito dell'effetto medio locale del trattamento (LATE) su dati clusterizzati, dimostrando che mentre entrambi i metodi sono validi per cluster omogenei, solo l'approccio con effetti fissi identifica una media ponderata dei LATE specifici per cluster in presenza di eterogeneità, proponendo inoltre un test per rilevare tale eterogeneità.

Autori originali: Anqi Zhao, Peng Ding, Fan Li

Pubblicato 2026-04-02

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Anqi Zhao, Peng Ding, Fan Li

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 essere un investigatore che cerca di capire se un nuovo farmaco (il "trattamento") fa davvero guarire le persone (l'"esito"), ma c'è un problema: le persone che scelgono di prendere il farmaco potrebbero essere già più sane di quelle che non lo prendono. Questo rende difficile capire se la guarigione è dovuta al farmaco o alla loro salute iniziale.

Per risolvere questo, gli statistici usano un "strumento magico" chiamato Variabile Strumentale (IV). È come un arbitro che assegna il farmaco in modo casuale, ma non tutti obbediscono. Alcuni prendono il farmaco anche se l'arbitro dice di no, altri non lo prendono anche se l'arbitro dice di sì.

Ora, immagina che i tuoi pazienti non siano sparsi a caso, ma vivano in villaggi (i "cluster"). In ogni villaggio, le persone si conoscono, condividono le stesse abitudini e vivono nello stesso ambiente. Questo crea un problema: se un villaggio intero decide di prendere il farmaco, non possiamo trattare ogni persona come se fosse isolata.

Questo articolo di Zhao, Ding e Li è come una guida per capire quale "metodo di indagine" usare quando abbiamo questi villaggi. Confrontano due approcci principali:

1. Il Metodo "Classico" (2SLS Canonico)

Immagina di guardare tutti i pazienti del mondo come un unico grande gruppo, senza fare caso ai villaggi.

Come funziona: Usi l'arbitro (lo strumento) per stimare l'effetto del farmaco su tutti. Poi, per essere sicuro che i tuoi calcoli siano corretti, aggiungi una "correzione di sicurezza" alla fine (gli errori standard robusti) per dire: "Ehi, so che vivono in villaggi, quindi tengo conto di questo".
Il difetto: Ignori le differenze tra i villaggi mentre fai il calcolo principale. È come se cercassi di capire il gusto del gelato mescolando tutti i gusti in una grande tazza, senza guardare i singoli gusti.

2. Il Metodo "Con i Villaggi" (2SLS con Effetti Fissi o 2SFE)

Immagina di entrare in ogni villaggio e dire: "Ok, questo villaggio ha un suo sapore unico, lo tengo da parte. Ora guardiamo solo le differenze dentro ogni villaggio".

Come funziona: Inserisci un "cartellino" per ogni villaggio nel tuo calcolo. Questo ti permette di confrontare le persone all'interno dello stesso villaggio, ignorando le differenze tra i villaggi stessi.
Il vantaggio: Se i villaggi sono molto diversi tra loro (alcuni sono ricchi, altri poveri; alcuni hanno un clima diverso), questo metodo è spesso più preciso perché non si lascia confondere da queste differenze esterne.

Cosa scoprono gli autori?

Gli autori hanno scoperto che non esiste un metodo "migliore" in assoluto. Dipende dalla situazione, proprio come scegliere tra un ombrello e un cappello: serve l'uno o l'altro a seconda che piova o che ci sia il sole.

Scenario A: I Villaggi sono tutti uguali (Omogenei)
Se tutti i villaggi sono simili (stesso clima, stessa cultura), entrambi i metodi funzionano bene.

Tuttavia, il metodo "Con i Villaggi" (2SFE) è più efficiente (più preciso) solo se:
1. C'è molta variabilità dentro ogni villaggio (l'arbitro assegna il farmaco in modo diverso da persona a persona nello stesso villaggio).
2. Le differenze tra i villaggi sono la parte più importante della storia.
Il trucco: Se hai dati sui villaggi (es. "il villaggio è ricco" o "ha molte scuole"), il metodo Classico può usarli per migliorare la sua precisione. Il metodo "Con i Villaggi", invece, "assorbe" tutti i dati del villaggio nei suoi cartellini, quindi non può usarli per affinare il calcolo.

Scenario B: I Villaggi sono molto diversi (Eterogenei)
Se i villaggi sono radicalmente diversi (uno è una metropoli, l'altro un villaggio di pescatori), le cose cambiano.

Il metodo Classico può dare una risposta sbagliata o fuorviante. Potrebbe dire che il farmaco funziona, quando in realtà sta solo misurando le differenze tra i villaggi.
Il metodo "Con i Villaggi" (2SFE) invece riesce a trovare la vera media degli effetti specifici di ogni villaggio. È l'unico che ti dice la verità quando i gruppi sono molto diversi.

Il Test di Controllo (La "Sondina")

Gli autori hanno creato un test statistico (una specie di "sondina") per capire se i tuoi villaggi sono tutti uguali o molto diversi.

Se il test ti dice che i villaggi sono diversi, devi assolutamente usare il metodo "Con i Villaggi" (2SFE).
Se il test dice che sono simili, puoi usare il metodo Classico, magari aggiungendo i dati dei villaggi per essere ancora più preciso.

In sintesi, con una metafora culinaria

Immagina di voler capire se aggiungere un pizzico di sale (il trattamento) migliora il sapore di una zuppa (l'esito).

Hai 100 pentole (i villaggi).
Metodo Classico: Assaggi tutte le zuppe insieme in una grande ciotola. Se le pentole sono tutte fatte con lo stesso brodo, va bene. Ma se una pentola ha brodo di pesce e l'altra di carne, il tuo assaggio sarà confuso.
Metodo 2SFE: Assaggi ogni pentola separatamente, confrontando la zuppa con sale e quella senza sale nella stessa pentola. Se le pentole sono diverse tra loro, questo è l'unico modo per capire davvero l'effetto del sale.

La lezione finale: Non inserire sempre i "villaggi" (effetti fissi) nelle tue equazioni per abitudine. A volte, se i villaggi sono simili, è meglio non farlo per non perdere informazioni preziose. Ma se i villaggi sono molto diversi, ignorarli è un errore grave. Gli autori ti danno gli strumenti per decidere quale strada prendere.

1. Il Problema

Nell'econometria applicata, i dati sono spesso strutturati in cluster (es. scuole, regioni, famiglie). Quando si stima l'effetto causale di un trattamento endogeno utilizzando una Variabile Strumentale (IV), la pratica standard è l'uso dei Minimi Quadrati a Due Stadi (2SLS) canonici, corredati da errori standard robusti ai cluster per l'inferenza.

Tuttavia, quando sia il trattamento che lo strumento variano all'interno dei cluster, esiste un'alternativa comune: il 2SLS con effetti fissi (2SFE), che include indicatori per ogni cluster nella regressione. Sebbene entrambi i metodi siano ampiamente utilizzati, la loro interpretazione causale all'interno del quadro del Local Average Treatment Effect (LATE) e il loro trade-off di efficienza non sono stati pienamente esplorati. La domanda centrale è: quando è preferibile includere gli effetti fissi dei cluster rispetto alla specifica canonica?

2. Metodologia e Quadro Teorico

Gli autori analizzano il problema utilizzando il quadro potenziale di Imbens e Angrist (1994) per il LATE, distinguendo tra due scenari principali sulla distribuzione dei cluster:

Cluster Omogenei (Assunzione 3): Tutti i unità hanno la stessa distribuzione marginale.
Cluster Eterogenei (Assunzione 4): La distribuzione marginale può variare tra i diversi cluster, ma è identica all'interno dello stesso cluster.

Vengono definiti formalmente due stimatori:

2SLS Canonico: Regressione di $Y$ su $D$ strumentata da $Z$ , senza indicatori di cluster nella regressione (l'influenza dei cluster è gestita solo negli errori standard).
2SFE (2SLS con Effetti Fissi): Regressione di $Y$ su $D$ e sugli indicatori di cluster $C$ , strumentata da $Z$ e $C$ .

L'analisi si basa su teoremi del limite centrale per dati in cluster (Hansen e Lee, 2019) e su un modello lineare IV specifico per confrontare l'efficienza asintotica.

3. Contributi Chiave e Risultati

A. Validità ed Efficienza in Cluster Omogenei

Quando i cluster sono omogenei:

Validità: Sia il 2SLS canonico che il 2SFE sono stimatori consistenti e asintoticamente normali per il LATE. Gli errori standard robusti ai cluster sono validi per entrambi.
Trade-off di Efficienza: Il 2SFE non è sempre più efficiente del 2SLS canonico.
- Il 2SFE è più efficiente solo se:
  1. La variazione degli effetti specifici del cluster ( $\sigma^2_\alpha$ ) domina la variazione idiosincratica ( $\sigma^2_\epsilon$ ).
  2. Lo strumento ha una variazione sufficiente all'interno dei cluster (misurata dal parametro $\kappa_N$ ).
- Se gli effetti del cluster sono trascurabili ( $\sigma^2_\alpha \approx 0$ ), il 2SFE può essere meno efficiente del 2SLS canonico perché "spreca" gradi di libertà stimando effetti fissi non necessari.
Covariate a livello di cluster: Il 2SLS canonico può beneficiare dell'inclusione di covariate a livello di cluster (che migliorano l'efficienza), mentre il 2SFE le assorbe completamente attraverso gli indicatori di cluster, rendendo impossibile la loro inclusione diretta.

B. Interpretazione Causale in Cluster Eterogenei

Quando i cluster sono eterogenei (distribuzioni diverse tra gruppi):

2SFE: Identifica una media pesata dei LATE specifici per cluster ( $\tau_{c,g}$ ), con pesi non negativi che sommano a uno. Questo lo rende uno stimatore con una chiara interpretazione causale aggregata.
2SLS Canonico: In generale, non identifica una media pesata dei LATE. Può convergere a un valore che non è zero nemmeno quando tutti i LATE specifici sono zero (mancanza di indipendenza dal livello), rendendo l'interpretazione causale ambigua o errata.

C. Test di Eterogeneità

Gli autori propongono un test statistico basato sulla differenza tra gli stimatori $\hat{\tau}_{2sls}$ e $\hat{\tau}_{2sfe}$ .

Sotto l'ipotesi di cluster omogenei, la differenza tra i due stimatori converge a zero e la statistica $t$ associata segue una distribuzione normale standard.
Il rifiuto dell'ipotesi nulla fornisce evidenza di eterogeneità tra i cluster, suggerendo l'uso del 2SFE per una corretta interpretazione causale.

4. Simulazioni e Applicazione Empirica

Simulazioni: Le simulazioni confermano che in presenza di cluster omogenei, entrambi i metodi hanno una copertura corretta del 95%. L'efficienza relativa segue le previsioni teoriche: il 2SFE vince quando l'eterogeneità del cluster è alta, mentre il 2SLS (specialmente con aggiustamento per covariate) può essere superiore quando l'eterogeneità è bassa.
Applicazione (Microcredito in Marocco): Utilizzando i dati di Crépon et al. (2015), gli autori applicano il test di eterogeneità. Il test non rifiuta l'ipotesi di omogeneità ( $t = 0.183$ ). Tuttavia, l'analisi mostra che l'inclusione di effetti fissi e covariate nel modello 2SFE porta a intervalli di confidenza più stretti rispetto al 2SLS canonico non aggiustato, dimostrando guadagni di efficienza pratici anche in questo contesto specifico.

5. Significato e Implicazioni

Questo lavoro fornisce una guida rigorosa per la scelta empirica tra 2SLS canonico e 2SFE:

Non è una regola automatica: L'inclusione di effetti fissi non garantisce sempre una maggiore efficienza; dipende dalla struttura della varianza dei dati e dalla variabilità dello strumento all'interno dei cluster.
Interpretazione Causale: In contesti con cluster eterogenei (es. studi su regioni diverse o aziende di dimensioni diverse), il 2SFE è preferibile perché garantisce che lo stimatore sia una media ponderata degli effetti causali locali, evitando bias di interpretazione.
Strumento Diagnostico: Il test proposto offre un metodo pratico per gli empirici per decidere quale specifica utilizzare, basandosi sui dati piuttosto che su assunzioni a priori.

In sintesi, il paper chiarisce che mentre il 2SFE è robusto e causalmente interpretabile in scenari eterogenei, il 2SLS canonico rimane competitivo o superiore in termini di efficienza quando l'eterogeneità è bassa o quando sono disponibili covariate informative a livello di cluster.