Double Machine Learning for Static Panel Data with Instrumental Variables: New Method and Applications

1. Il Problema di Ricerca

L'analisi empirica in economia utilizza frequentemente dati di panel per gestire l'eterogeneità non osservata (effetti fissi). Tuttavia, l'inferenza causale diventa problematica quando:

• Le variabili di trattamento sono endogene.
• Le variabili di confondimento sono ad alta dimensionalità e potenzialmente non lineari.
• La validità degli strumenti (IV) dipende da un ricco set di controlli che non possono essere gestiti dai metodi tradizionali come la Regressione a Minimi Quadrati in Due Stadi (2SLS).

Il 2SLS standard fallisce in questi contesti perché:

1. Non può gestire spazi di covariate ad alta dimensionalità senza problemi di singolarità della matrice.
2. Non cattura relazioni non lineari a meno che non siano specificate parametricamente (rischio di misspecification).
3. Quando gli strumenti sono deboli (specialmente dopo un aggiustamento flessibile per i confondenti), l'inferenza basata sul 2SLS diventa inaffidabile e i test standard (F-statistic) possono essere fuorvianti.

2. Metodologia: Panel IV DML

Gli autori propongono un nuovo stimatore chiamato Panel IV DML (Double Machine Learning per dati di panel con variabili strumentali). Questo metodo estende il framework di Chernozhukov et al. (2018) e Clarke e Polselli (2025) per adattarsi alla struttura dei dati di panel.

A. Modello Econometrico

Il modello di base è una regressione lineare parzialmente (PLPR) con effetti fissi e variabili strumentali:

• Equazione strutturale: $Y_{it} = [D_{it} - r_0(X_{it})]\theta_0 + l_0(X_{it}) + \alpha_i + U_{it}$
• Equazione del trattamento (First-stage): $D_{it} = V_{it}'\pi_0 + r_0(X_{it}) + \zeta_i + R_{it}$
• Equazione dello strumento: $V_{it} = Z_{it} - m_0(X_{it}) - \gamma_i$

Dove $Y$ è l'esito, $D$ il trattamento endogeno, $Z$ lo strumento, $X$ le covariate di controllo, e $\alpha_i, \zeta_i, \gamma_i$ sono effetti fissi individuali non osservati. Le funzioni $l_0, r_0, m_0$ sono funzioni di disturbo (nuisance functions) non lineari stimate tramite Machine Learning (ML).

B. Trasformazione First-Difference (FD)

Per eliminare gli effetti fissi individuali ($\alpha_i, \zeta_i, \gamma_i$), gli autori applicano una trasformazione First-Difference (FD) ai dati. Questo permette di rimuovere la componente lineare dell'eterogeneità non osservata e di stimare le funzioni di disturbo trasformate ($\Delta l_0, \Delta r_0, \Delta m_0$) utilizzando algoritmi di ML su dati differenziati.

C. Punteggio Ortogonale di Neyman

Il cuore del metodo è la costruzione di una funzione di punteggio ortogonale di Neyman. Questo score:

1. È lineare nei parametri strutturali ($\theta_0, \pi_0$).
2. È insensibile a piccoli errori nella previsione delle funzioni di disturbo (proprietà di Neyman orthogonality), mitigando il bias introdotto dalla regolarizzazione degli algoritmi ML.
3. Utilizza una strategia di cross-fitting a blocchi (block-k-fold), dove l'intera serie temporale di un'unità viene assegnata allo stesso fold, per preservare la dipendenza seriale e garantire inferenza valida.

D. Diagnosi di Identificazione Debole

Un contributo cruciale è l'integrazione di test per strumenti deboli nel framework DML:

• F-statistic della prima fase: Adattato per il contesto DML per valutare la rilevanza dello strumento dopo l'aggiustamento flessibile.
• Test di Anderson-Rubin (AR): Utilizzato per costruire intervalli di confidenza validi anche in presenza di identificazione debole. A differenza del 2SLS, il test AR non richiede che lo strumento sia forte per essere valido.

3. Contributi Chiave

1. Estensione del DML ai Panel: Sviluppo di uno stimatore coerente per modelli di panel statici con trattamenti endogeni, gestendo l'eterogeneità non osservata e la dipendenza seriale.
2. Gestione della Non Linearità e Alta Dimensionalità: Capacità di controllare per un vasto numero di confondenti con relazioni non lineari, migliorando la validità dell'esclusione dello strumento (assumendo che lo strumento sia "quasi casuale" condizionatamente ai controlli).
3. Diagnostica per Strumenti Deboli: Introduzione di procedure di inferenza (F-statistic e AR) specifiche per il Panel IV DML, permettendo di rilevare quando l'aggiustamento flessibile rende gli strumenti deboli.
4. Validazione Empirica e Simulata: Dimostrazione che il metodo migliora l'accuratezza sotto identificazione forte e fornisce inferenza più robusta sotto identificazione debole rispetto al 2SLS.

4. Risultati delle Applicazioni Empiriche

Gli autori ri-analizzano tre studi influenti sull'economia delle migrazioni che utilizzano strumenti shift-share:

• Tabellini (2020) - Effetti politici ed economici negli USA:

  • Il Panel IV DML aumenta il potere predittivo dello strumento (F-statistic più alto) rispetto al 2SLS, confermando l'effetto politico (immigrazione $\to$ legislatori più conservatori).
  • Tuttavia, per l'outcome economico, il DML non trova effetti significativi (a differenza del 2SLS), suggerendo che i risultati originali potrebbero essere sensibili alla specificazione dei controlli.
  • L'inclusione di molti controlli aggiuntivi rende gli strumenti deboli in entrambi i metodi, annullando gli effetti significativi.

• Moriconi et al. (2019, 2022) - Attitudini politiche in Europa:

  • In queste applicazioni, l'aggiustamento flessibile tramite DML rivela che gli strumenti shift-share sono deboli (F-statistic molto bassi), a differenza di quanto suggerito dal 2SLS standard.
  • I test AR indicano che, sebbene possano esistere effetti causali, l'identificazione è insufficiente per stimarli con precisione.
  • Il 2SLS standard produceva intervalli di confidenza limitati e significativi, ma il DML rivela che questi risultati sono inaffidabili a causa della debolezza dello strumento.

5. Risultati delle Simulazioni Monte Carlo

Le simulazioni confermano i risultati empirici:

• Strumenti Forti: Il Panel IV DML supera il 2SLS in termini di bias e RMSE, specialmente quando le relazioni sono non lineari.
• Strumenti Deboli: Il 2SLS fallisce sistematicamente nel rilevare la debolezza dello strumento (F-statistic alti, intervalli di confidenza ingannevoli). Al contrario, il Panel IV DML rileva correttamente l'identificazione debole (F-statistic bassi, intervalli di confidenza AR non limitati o che includono zero), fornendo un'inferenza più cauta e onesta.

6. Significato e Implicazioni

Il lavoro dimostra che l'uso del Machine Learning nei dati di panel con IV non è solo una questione di flessibilità, ma di validità dell'inferenza.

• L'aggiustamento flessibile per i confondenti è essenziale per giustificare l'esogeneità degli strumenti, ma può indebolirne la rilevanza.
• Il Panel IV DML fornisce un toolkit per bilanciare queste esigenze, offrendo strumenti diagnostici (come il test AR) per evitare conclusioni errate quando gli strumenti sono deboli.
• Gli autori raccomandano l'uso sistematico dei test di Anderson-Rubin e delle diagnosi di identificazione debole nelle applicazioni empiriche che utilizzano IV su dati di panel.