Assessing Sensitivity to IV Exclusion and Exogeneity without First Stage Monotonicity

Each language version is independently generated for its own context, not a direct translation.

Immagina di essere un detective che cerca di capire se un certo indizio (chiamiamolo "Z") sia davvero la causa di un evento (chiamiamolo "Y"), oppure se ci sia un sospetto nascosto (chiamiamolo "X") che sta manipolando tutto.

In economia e nelle scienze sociali, questo è il problema delle variabili strumentali. Spesso usiamo un "strumento" (come il meteo) per capire se una cosa (come la pioggia) causa un'altra (come il numero di persone al cinema). Ma c'è un grosso rischio: e se il meteo non fosse così casuale? O se il meteo influenzasse il cinema anche in modo diretto, senza passare attraverso la pioggia?

Questo articolo, scritto da Diegert, Masten e Poirier, è come un kit di emergenza per detective che vogliono sapere: "Se il mio indizio non è perfetto, quanto cambia la mia conclusione?"

Ecco la spiegazione semplice, divisa per concetti chiave:

1. Il Problema: L'Ipotetica "Regola d'Oro"

Di solito, i detective usano tre regole d'oro per essere sicuri della loro teoria:

Esclusione: L'indizio (Z) influenza il sospetto (X), ma non tocca direttamente il crimine (Y).
Esogeneità: L'indizio è completamente casuale (come un lancio di moneta).
Monotonia: Se l'indizio cambia, il sospetto reagisce sempre nello stesso modo (se piove di più, la gente va sempre meno al cinema, mai di più).

Il problema è che nella vita reale queste regole sono spesso false. Forse il meteo influenza il cinema anche direttamente (es. se fa bel tempo la gente esce comunque, anche se non piove). O forse la gente reagisce in modo strano (se piove tantissimo, la gente va al cinema di più per rifugiarsi).

2. La Soluzione: Il "Termostato della Sospetto"

Gli autori dicono: "Non preoccupiamoci di trovare la verità assoluta subito. Costruiamo invece un termostato."

Immagina di avere una manopola chiamata $\theta$ (theta).

Se giri la manopola su 0, assumi che le regole d'oro siano perfette (il meteo è perfetto, casuale e non tocca il cinema direttamente).
Se giri la manopola su 1, assumi che non ci siano regole (il meteo potrebbe essere tutto e il contrario di tutto).
Se la giri a 0,2 o 0,5, stai dicendo: "Ok, ammetto che il mio indizio non è perfetto al 100%, ma non è nemmeno totalmente corrotto. C'è un piccolo errore, ma non un disastro."

Questo è il cuore del loro metodo: sensibilità. Invece di dire "È vero" o "È falso", dicono: "Se il mio indizio è sbagliato del 5%, la mia conclusione cambia?"

3. Il Metodo: La "Scatola Magica" Matematica

Come fanno a calcolare questo?
Immagina di dover trovare un oggetto in una stanza buia.

Senza regole: L'oggetto potrebbe essere ovunque nella stanza (la scatola è enorme).
Con regole perfette: L'oggetto è in un angolo specifico (la scatola è piccolissima).
Con il termostato: Se ammetti che le regole sono un po' "lasche", la scatola si allarga un po', ma non diventa infinita.

Gli autori hanno creato un modo matematico (chiamato Programmazione Lineare) per calcolare esattamente quanto si allarga questa "scatola" ogni volta che giri la manopola del termostato. È come avere una mappa che ti dice: "Se il tuo indizio è sbagliato del 2%, la tua conclusione potrebbe variare tra questi due numeri".

4. L'Esperimento Reale: Il Cinema e il Meteo

Per dimostrare che funziona, hanno preso uno studio famoso su come gli amici influenzano le scelte di andare al cinema.

L'ipotesi originale: Se piove il sabato (meteo), la gente va meno al cinema. Se va meno, la settimana dopo la gente non ne parla con gli amici, e quindi va meno anche la settimana dopo (effetto "palla di neve" o peer effect).
Il dubbio: E se il meteo influenzasse il cinema anche direttamente? O se le case cinematografiche avessero programmato i film in base al meteo?

Cosa hanno scoperto?

Se assumi che il meteo sia perfetto (manopola a 0), sì, c'è un effetto positivo: la gente va al cinema perché gli amici ci sono andati.
MA, appena hanno girato la manopola anche di pochissimo (ammettendo un errore minuscolo, solo l'1,5% di "corruzione" nell'indizio), la loro certezza è crollata. La "scatola" si è allargata tanto da includere lo zero.
Tradotto: "La nostra conclusione che gli amici influenzano le scelte è molto fragile. Basta un piccolo dubbio sul meteo per farla crollare."

5. Perché è Importante? (La Metafora del Ponte)

Immagina di dover attraversare un ponte sospeso.

I metodi vecchi ti dicono: "Il ponte è solido, passa pure!" (Assumendo che tutto sia perfetto).
Se il ponte ha un piccolo difetto, potresti cadere.
Questo nuovo metodo ti dice: "Il ponte è solido se il vento è sotto i 10 km/h. Se il vento arriva a 12 km/h, il ponte inizia a oscillare pericolosamente. Se arriva a 15 km/h, crolla."

Invece di darti una risposta secca ("Sì/No"), ti dà una mappa della sicurezza. Ti permette di dire: "La mia conclusione è robusta finché l'errore è piccolo, ma diventa insicura se l'errore supera questa soglia."

In Sintesi

Questo articolo non ti dice se la tua teoria è vera o falsa. Ti dice quanto devi essere "pignolo" sulle tue assunzioni per credere alla tua teoria. È uno strumento per essere onesti: "Ecco cosa succede se ammettiamo che il mondo non è perfetto."

È come dire a un giudice: "Signor Giudice, il testimone è affidabile al 100%? Se diciamo che è affidabile al 98%, la sua testimonianza cambia ancora la sentenza?" Se la risposta è "Sì, cambia tutto", allora il caso non è così solido come sembrava.

Each language version is independently generated for its own context, not a direct translation.

1. Il Problema di Ricerca

Le analisi basate su Variabili Strumentali (IV) poggiano tradizionalmente su tre assunzioni fondamentali:

Esclusione: Lo strumento non ha un effetto diretto sull'esito, agendo solo attraverso il trattamento.
Esogeneità: Lo strumento è assegnato in modo casuale (o quasi) rispetto ai potenziali esiti.
Monotonicità del primo stadio: L'effetto dello strumento sul trattamento ha sempre lo stesso segno (es. non ci sono "defiers" che reagiscono in modo opposto).

Il paper affronta una critica comune alla letteratura IV: in molti contesti empirici (ad esempio, disegni basati sulla "lenienza dei giudici" o strumenti meteorologici), l'assunzione di monotonicità è difficile da giustificare o addirittura falsa. Inoltre, le assunzioni di esclusione ed esogeneità sono spesso dibattute e non verificabili direttamente dai dati. La maggior parte delle analisi di sensibilità esistenti richiede monotonicità o assume effetti omogenei del trattamento, limitando la loro applicabilità in scenari con eterogeneità arbitraria.

L'obiettivo del paper è sviluppare un nuovo quadro di analisi di sensibilità che:

Non imponga alcuna condizione di monotonicità.
Permetta eterogeneità arbitraria negli effetti del trattamento.
Valuti la robustezza delle stime rispetto a violazioni parziali delle assunzioni di esclusione ed esogeneità.

2. Metodologia e Quadro Teorico

Gli autori sviluppano un approccio basato sulla identificazione parziale (partial identification) che caratterizza gli insiemi identificati come soluzioni a problemi di programmazione lineare.

A. Modello e Assunzioni di Base

Il modello considera variabili di trattamento ( $X$ ), strumento ( $Z$ ) ed esito ( $Y$ ). Non si assume la monotonicità. Si introduce una classe unificante di relassamenti continui delle assunzioni di esclusione ed esogeneità. Invece di assumere che $Z \perp Y(x)$ (indipendenza completa) o che non vi sia alcuna relazione, si introduce un parametro di sensibilità $\theta \in [0, 1]$ che scala il grado di dipendenza consentito.

B. Classi di Sensibilità

Il paper unifica tre approcci esistenti nella letteratura, adattandoli al contesto IV:

Marginal Sensitivity Model (MSM): Limita il rapporto di probabilità (odds ratio) tra la distribuzione condizionata e quella marginale dello strumento.
c-dipendenza: Impone un limite massimo ( $c$ ) alla differenza tra la probabilità condizionata e quella marginale dello strumento.
Distanza di Kolmogorov-Smirnov (KS): Limita la distanza massima tra le funzioni di distribuzione cumulativa (CDF) degli esiti potenziali condizionati allo strumento.

Questi modelli sono formalizzati come un'unica classe di rilassamenti (Assunzione 3 per esiti discreti, Assunzione 8 per esiti continui) dove:

$\theta = 0$ corrisponde all'indipendenza completa (esclusione ed esogeneità valide).
$\theta = 1$ corrisponde all'assenza di assunzioni (nessuna restrizione sulla dipendenza).
I vincoli sono definiti da un numero finito di disuguaglianze lineari.

C. Identificazione e Programmazione Lineare

Il contributo metodologico centrale è la dimostrazione che, sotto questi rilassamenti:

Per esiti discreti: L'insieme identificato per le probabilità condizionate degli esiti potenziali è un poliedro convesso chiuso. Di conseguenza, gli insiemi identificati per funzionali lineari (come ATE, ATT, effetti quantilici) sono soluzioni a programmi lineari a dimensione finita, risolvibili efficientemente.
Per esiti continui: Il problema diventa un programma lineare a dimensione infinita (poiché si lavora su funzioni di densità). Gli autori dimostrano che l'insieme identificato è una corrispondenza continua e convessa. Per renderlo computazionalmente trattabile, propongono un approccio basato su sieve (approssimazione con polinomi di Bernstein), convertendo il problema infinito in uno finito risolvibile numericamente.

D. Frontiere di Falsificazione

Il metodo permette di calcolare il "falsification point" ( $\bar{\theta}$ ): il valore minimo di $\theta$ per cui l'insieme identificato diventa non vuoto. Se i dati osservati sono incompatibili con l'assunzione di indipendenza completa ( $\theta=0$ ), il modello viene falsificato. Il paper fornisce un modo per quantificare quanto le assunzioni devono essere rilassate per rendere il modello coerente con i dati.

3. Risultati Teorici Principali

Proprietà degli Insiemi Identificati: Gli insiemi identificati per parametri come l'Effetto Medio del Trattamento (ATE) e l'Effetto Quantilico (QTE) sono intervalli chiusi. Questi intervalli sono funzioni continue e monotone rispetto al parametro di sensibilità $\theta$ .
Trattabilità Computazionale: Anche nel caso di esiti continui, l'uso di approssimazioni a sieve permette di calcolare limiti inferiori e superiori con metodi standard di ottimizzazione lineare.
Generalità: Il metodo si applica a variabili di trattamento, strumento ed esito sia discrete che continue, e ammette molteplici strumenti.

4. Applicazione Empirica: Effetti dei Pari nella Visione di Film

Per illustrare il metodo, gli autori rivedono lo studio di Gilchrist e Sands (2016) sugli effetti dei pari nella visione di film, utilizzando il meteo come strumento per la visione nel weekend di apertura.

Contesto: Il meteo è spesso usato come strumento, ma recenti critiche suggeriscono che potrebbe violare l'esclusione (es. attraverso l'apprendimento sociale sulla qualità del film o comportamenti dinamici dei consumatori/studio).
Risultati:
- Sotto l'assunzione di base (esclusione ed esogeneità valide, $\theta=0$ ), si stima un effetto positivo significativo dei pari sulla visione (ATE positivo).
- Analisi di Sensibilità: Tuttavia, l'effetto è altamente sensibile a piccole violazioni dell'esogeneità.
- Utilizzando il modello di c-dipendenza, si trova che un rilassamento molto piccolo (c = 0.015, ovvero una deviazione di 1.5 punti percentuali nella propensione latente) è sufficiente per far sì che l'intervallo identificato per l'ATE includa lo zero.
- Questo suggerisce che la conclusione di un effetto positivo dei pari non è robusta a violazioni minime delle assunzioni standard.

5. Significato e Contributi

Il paper offre un contributo significativo alla econometria causale e all'analisi di sensibilità:

Superamento della Monotonicità: Fornisce strumenti rigorosi per l'analisi IV in scenari dove la monotonicità non può essere assunta, un problema frequente in disegni empirici complessi.
Unificazione Teorica: Introduce un quadro unificante che ingloba diversi modelli di sensibilità esistenti, permettendo confronti diretti e una calibrazione più flessibile.
Trasparenza Empirica: Offre ai ricercatori un metodo pratico per generare "grafici di sensibilità" che mostrano come le conclusioni cambiano al variare del grado di validità dello strumento. Questo permette di valutare la robustezza delle conclusioni in modo trasparente, evitando di basarsi su assunzioni "tutto o nulla".
Flessibilità Computazionale: Dimostra che problemi di identificazione parziale complessi (specialmente con esiti continui) possono essere risolti in modo efficiente, rendendo l'analisi di sensibilità accessibile alla pratica empirica standard.

In sintesi, il paper sposta il paradigma dall'accettazione acritica delle assunzioni IV verso una valutazione quantitativa e continua della loro validità, fornendo limiti robusti che riflettono l'incertezza intrinseca nelle assunzioni di esclusione ed esogeneità.