Riepilogo Tecnico: Fit CATE Once: Test di Randomizzazione Assistiti dal Modello Senza Divisione del Campione

1. Enunciato del Problema

Gli esperimenti su pannelli randomizzati generano sequenze di esiti adatte allo studio degli effetti causali dinamici. Sebbene i test di randomizzazione offrano validità in campioni finiti fondata sul meccanismo di assegnazione noto, spesso mancano di potenza quando gli effetti del trattamento sono eterogenei. Al contrario, modelli flessibili degli effetti del trattamento (come i modelli dell'Effetto Medio Condizionale sul Trattamento, o CATE) possono catturare eterogeneità complesse, ma tipicamente richiedono forti assunzioni di modellazione o la divisione del campione per mantenere la validità nell'inferenza di randomizzazione.

La sfida centrale affrontata è il compromesso nella costruzione di test di randomizzazione assistiti dal modello:

1. Validità: Il modello di disturbo (ad esempio, un estimatore CATE) deve essere indipendente dalle assegnazioni di trattamento realizzate ($A[N]$) per garantire che la distribuzione di randomizzazione rimanga valida. Adattare un modello su $A[N]$ e utilizzarlo nella statistica di test rompe la simmetria richiesta per p-value validi.
2. Potenza: Per migliorare la potenza, la statistica di test dovrebbe utilizzare stime accurate dell'eterogeneità degli effetti del trattamento.
3. Limiti Attuali: Le soluzioni esistenti o riadattano il modello per ogni assegnazione simulata (computazionalmente proibitivo) o utilizzano la divisione del campione (sacrificando la potenza statistica scartando dati).

Questo articolo propone un metodo per stimare i CATE senza utilizzare le assegnazioni realizzate, preservando così la validità senza la perdita di efficienza della divisione del campione.

2. Metodologia

L'approccio proposto, Fit CATE Once, sfrutta la struttura di covarianza degli esiti residuati nei dati di pannello per stimare l'entità degli effetti del trattamento, lasciando solo il segno da determinare.

2.1. Impostazione e Assunzioni

• Dati: $N$ unità osservate per $T$ periodi di tempo con covariate $X_i$, esiti $Y_{i,t}$ e un tempo di inizio del trattamento $A_i$.
• Modello Additivo degli Esiti: L'esito osservato segue $Y_{i,t} = \mu_{0,t}(X_i) + \sum_{l=0}^{t-1} \mathbb{1}\{A_i = t-l\}\tau_l(X_i) + \epsilon_{i,t}$.
• Nessuna Anticipazione: Il trattamento che inizia dopo il tempo $t$ non influisce su $Y_{i,t}$.
• Residuzione: Gli esiti sono residuati sottraendo la media condizionata $\mu_t(X_i)$, producendo residui $R_{i,t}$.

2.2. Stima del CATE Senza Segno

L'idea chiave è che, sotto il modello additivo, i momenti del secondo ordine (covarianze) degli esiti residuati codificano l'entità degli effetti del trattamento, indipendentemente dai segni delle assegnazioni realizzate.

• Momenti Diagonali (Effetti Invarianti al Lag): Se l'effetto del trattamento è costante attraverso i lag ($\tau_l(x) \equiv \tau^*(x)$), gli elementi diagonali della matrice di covarianza residua $\Sigma_R(x)$ dipendono dall'entità dell'effetto al quadrato $\tau^{*2}(x)$ e da un fattore di design noto $v_t(x)$. Confrontando i momenti diagonali nel tempo, la varianza di disturbo può essere differenziata, identificando $|\tau^*(x)|$.
• Momenti Fuori Diagonale (Effetti Variabili per Lag): Se gli effetti variano per lag e gli errori residui non sono serialmente correlati (Assunzione 4), le covarianze residue fuori diagonale dipendono dal vettore CATE $\tau(x)$ attraverso forme quadratiche: $c(x) = F_x(\tau) = (\tau^\top H_{t,s}(x) \tau)_{(t,s)}$.
  • Questo crea un problema di adattamento dei momenti in cui le covarianze fuori diagonale identificano il vettore $\tau(x)$ a meno di un segno globale.
  • Gli autori propongono un rilassamento convesso (stimando la matrice di rango uno $B = \tau\tau^\top$ tramite programmazione semidefinita) e un approccio di minimi quadrati non lineari (NLS) per risolvere l'estimatore senza segno $\hat{\tau}_\pm(x)$.

2.3. Orientazione del Segno

Poiché gli stimatori basati sui momenti recuperano solo l'entità (o la direzione a meno di un segno), è richiesto un passaggio finale per determinare il segno.

• Orientazione Senza Assegnazione: Il segno è scelto per adattarsi meglio alla traiettoria dell'esito residuato osservato per ogni unità, minimizzando l'errore quadratico tra i residui osservati e il modello previsto dall'estimatore senza segno.
• Orientazione con Assegnazione Parziale: In alternativa, un piccolo sottoinsieme di assegnazioni osservate può essere utilizzato esclusivamente per apprendere il segno, lasciando la maggior parte delle unità per il test di randomizzazione. Questo è computazionalmente più economico rispetto al riadattamento di un modello CATE completo.

2.4. Test di Randomizzazione Assistito dal CATE

Una volta ottenuto l'estimatore CATE con segno $\hat{\tau}(X_i)$, questo viene utilizzato per costruire una statistica di test (ad esempio, un punteggio del rapporto di verosimiglianza o un punteggio AIPW) più sensibile agli effetti eterogenei.

• Validità: Poiché l'estimatore CATE è derivato dalle covarianze residue (che dipendono dalle covariate e dagli esiti ma non dalle $A[N]$ realizzate), vale la condizione di indipendenza condizionata $\hat{\eta} \perp A[N] \mid X, Y$.
• Procedura: Il test calcola un p-value confrontando la statistica osservata con la distribuzione delle statistiche generate permutando il vettore di assegnazione $A[N]$ mantenendo fisso il modello di disturbo.

3. Contributi Chiave

1. Stima del CATE Senza Assegnazione: L'articolo stabilisce che negli esperimenti su pannelli, la struttura di covarianza degli esiti residuati permette l'identificazione delle entità CATE (e dei vettori a meno di segno) senza adattare su assegnazioni realizzate.
2. Garanzie Teoriche:
   • Identificazione: Dimostra l'identificazione locale e globale del vettore CATE senza segno a meno di un segno globale sotto condizioni di rango sulla Jacobiana della mappa dei momenti.
   • Consistenza: Stabilisce la consistenza degli stimatori di rilassamento convesso e NLS per il CATE senza segno quando $N \to \infty$.
3. Test Assistiti dal Modello Validi: Dimostra che l'uso di questi stimatori senza assegnazione nei test di randomizzazione preserva la validità in campioni finiti (controllo dell'errore di Tipo I) evitando la perdita di potenza associata alla divisione del campione.
4. Scoperta di Sottogruppi: Mostra che le stime CATE senza assegnazione possono essere utilizzate a posterioro per scoprire sottogruppi eterogenei e condurre test di randomizzazione validi all'interno di tali sottogruppi.

4. Risultati Sperimentali

Gli autori valutano il metodo attraverso esperimenti sintetici, semi-sintetici e di consistenza:

• Controllo dell'Errore di Tipo I: Attraverso varie dimensioni campionarie e strutture di lag (invarianti e variabili per lag), il test di randomizzazione assistito dal CATE proposto (RT CATE) controlla l'errore di Tipo I al livello nominale (0.1), paragonabile ai test non aggiustati (RT DM) e ai test aggiustati per covariate (RT cDM).
• Potenza: RT CATE ottiene costantemente una potenza superiore rispetto a:
  • Test non aggiustati (RT DM).
  • Test aggiustati per covariate che utilizzano solo le medie degli esiti (RT cDM).
  • Alternative con divisione del campione (RT SS), che sacrificano dati per la validità.
  • Questo guadagno è particolarmente pronunciato quando gli effetti del trattamento sono eterogenei tra le unità o i lag.
• Consistenza: L'estimatore senza segno converge all'entità reale del CATE (a meno di segno) all'aumentare della dimensione campionaria.
• Avvio Caldo: Utilizzare l'estimatore senza segno come "avvio caldo" permette una stima accurata del CATE con segno con significativamente meno assegnazioni rivelate rispetto all'apprendimento dell'intero vettore CATE da zero.
• Validazione Semi-Sintetica: Utilizzando un dataset sull'occupazione giovanile a livello di contea (basato su Callaway e Sant'Anna, 2021), il metodo supera le regressioni standard a Effetti Fissi Bidirezionali (TWFE) degli studi sugli eventi sia nel controllo della dimensione (evitando il rifiuto eccessivo) sia nella potenza.
• Analisi dei Sottogruppi: Il metodo recupera con successo sottogruppi basati su soglie e supporta inferenze valide all'interno di quei gruppi scoperti.

5. Significato e Affermazioni

L'articolo afferma che Fit CATE Once risolve la tensione fondamentale tra validità e potenza nei test di randomizzazione assistiti dal modello per dati di pannello. Sfruttando la struttura dei momenti del secondo ordine dei residui, il metodo estrae informazioni sugli effetti del trattamento che sono "senza assegnazione", permettendo ai ricercatori di utilizzare statistiche di test flessibili e ad alta potenza senza compromettere il quadro di inferenza di randomizzazione.

Gli autori sottolineano che questo approccio non è limitato ai specifici disegni di pannello studiati, ma suggerisce una classe più ampia di test assistiti dal modello in cui i residui dipendono dalle assegnazioni solo attraverso gli effetti del trattamento. Il metodo è presentato come una soluzione pratica che evita l'onere computazionale del riadattamento dei modelli per ogni permutazione e l'inefficienza statistica della divisione del campione.

Limitazioni notate dagli autori:

• Lo stimatore fuori diagonale assume errori residui non serialmente correlati; errori correlati confonderebbero gli effetti del trattamento con la struttura dell'errore.
• Il passaggio di recupero del segno dipende dal rapporto segnale-rumore e dalla tempistica del trattamento; inizi di trattamento precoci forniscono più informazioni per il recupero del segno rispetto a inizi tardivi.
• L'identificazione globale dipende da condizioni di rango che, sebbene generalmente soddisfatte nei disegni standard, potrebbero fallire in casi degenerati specifici.