Learning Treatment Effects during Resource Allocation via Priority-Queue Randomization

Riepilogo Tecnico: Apprendimento degli Effetti del Trattamento durante l'Assegnazione delle Risorse tramite Randomizzazione della Coda di Priorità

Enunciato del Problema
I programmi di servizi pubblici (ad esempio, alloggio, sussidi per l'infanzia, trapianti di organi) gestiscono frequentemente risorse scarse attraverso code di priorità a livelli anziché attraverso assegnazioni una tantum. I richiedenti arrivano nel tempo e le risorse vengono allocate in base ai livelli di priorità (ad esempio, punteggi di rischio) e all'ordine di arrivo (first-in-first-out all'interno dei livelli). Sebbene la valutazione randomizzata rigorosa sia lo standard aureo per la stima degli effetti causali del trattamento, la randomizzazione diretta (ad esempio, sorteggi) è spesso amministrativamente o eticamente non fattibile in questi contesti, poiché eludere i richiedenti ad alta priorità viola il mandato fondamentale del programma di servire coloro che hanno il bisogno maggiore. Ciò crea una tensione tra le regole operative di priorità e la necessità di inferenza causale credibile.

Metodologia
Gli autori propongono un quadro di progettazione sperimentale che risolve questa tensione randomizzando l'assegnazione alla coda anziché l'allocazione del trattamento direttamente.

• Meccanismo di Progettazione: I richiedenti con covariate osservate $X$ vengono randomizzati in una delle $K$ code di priorità secondo una politica $\theta(X)$, che specifica la probabilità di assegnazione a ciascuna coda. Una volta assegnati, il trattamento è determinato in modo deterministico dalle regole operative esistenti: le risorse vengono allocate tra le code in ordine di priorità e, all'interno delle code, in ordine di arrivo.
• Strategie di Identificazione:
  • Arrivi Esogeni: Se i tempi di arrivo $A$ sono indipendenti dai potenziali esiti condizionatamente alle covariate ($A \perp\!\!\!\perp (Y^0, Y^1) | X$), l'assegnazione del trattamento è randomizzata condizionatamente. Gli stimandi standard, come l'Effetto Medio del Trattamento (ATE), sono identificati confrontando unità trattate e non trattate condizionatamente a $X$.
  • Arrivi Endogeni: Se i tempi di arrivo sono correlati con i potenziali esiti (ad esempio, coloro che sono in maggiore crisi si presentano prima), i confronti standard sono confusi. In questo regime, l'assegnazione casuale alla coda agisce come una Variabile Strumentale (IV). Gli autori definiscono uno strumento $r_n(X, Q)$ basato sulla differenza tra la probabilità attesa di trattamento di un individuo pre-randomizzazione e la sua probabilità realizzata. Ciò identifica un Effetto Medio del Trattamento Locale (LATE) per una popolazione latente di "compliers" indotta dal processo di coda. Essi analizzano ulteriormente un modello IV parzialmente lineare per stimare un parametro di effetto del trattamento omogeneo.
• Quadro di Ottimizzazione: Il documento formula un problema di ottimizzazione per selezionare la politica di assegnazione alla coda $\theta$. L'obiettivo è massimizzare l'efficienza statistica (minimizzare la varianza asintotica dello stimatore dell'effetto del trattamento) soggetta a un vincolo di utilità che assicura che gli individui ad alto bisogno rimangano probabili di essere prioritizzati.
  • Gli autori derivano che, sotto ipotesi specifiche (proporzioni di coda fisse, budget stabile, arrivi indipendenti), il punteggio di propensione al trattamento asintotico è una funzione affine di $\theta$.
  • Dimostrano che, nonostante la dipendenza nelle assegnazioni del trattamento indotta dal processo di coda, la varianza asintotica degli stimatori standard (ad esempio, ATE Doppio Robusto, stimatori IV) corrisponde ai limiti di efficienza standard i.i.d. Ciò consente di utilizzare questi limiti come obiettivi gestibili per l'ottimizzazione.
  • Il problema è formulato come un'ottimizzazione robusta su funzioni di disturbo (ad esempio, varianze degli esiti) per gestire l'incertezza, risultando in problemi di ottimizzazione convessi (o concavi) risolvibili tramite metodi standard.

Contributi Chiave

1. Caratterizzazione dell'Identificazione Causale: Il documento caratterizza rigorosamente quali effetti causali sono identificabili sotto l'allocazione a coda di priorità. Stabilisce che gli arrivi esogeni consentono l'identificazione standard dell'ATE, mentre gli arrivi endogeni richiedono un approccio IV in cui l'assegnazione alla coda strumentalizza il trattamento, identificando specifici LATE.
2. Progettazione Sperimentale Ottimizzata: Gli autori sviluppano un metodo per ottimizzare le probabilità di assegnazione alla coda per bilanciare l'efficienza statistica contro la prioritizzazione dei richiedenti ad alto bisogno. Dimostrano che i limiti di efficienza standard i.i.d. rimangono obiettivi di progettazione validi anche quando le assegnazioni del trattamento sono dipendenti a causa del meccanismo di coda.
3. Garanzie Teoriche: Il documento fornisce prove per la normalità asintotica degli stimatori e mostra che la dipendenza indotta dal sistema di coda non inflaziona il termine di varianza di ordine principale, giustificando l'uso dei limiti di efficienza standard per l'ottimizzazione della progettazione.

Risultati
Utilizzando dati da un programma di assegnazione di alloggi pubblici in una grande contea degli Stati Uniti (2.317 individui), gli autori valutano i loro disegni proposti rispetto a baseline euristici (un euristico "Switch" e un euristico "Greedy Softmax") e a una baseline di Sperimentazione Controllata Randomizzata (RCT).

• Efficienza vs Utilità: I disegni ottimizzati raggiungono una frontiera di Pareto favorevole, offrendo maggiore efficienza statistica (varianza inferiore) e maggiore utilità (migliore prioritizzazione degli individui ad alto rischio) rispetto ai metodi euristici attraverso varie configurazioni di coda.
• Robustezza: In condizioni di arrivi endogeni, il disegno basato su IV rimane non distorto, mentre il disegno esogeno (che ignora l'endogeneità degli arrivi) mostra una distorsione sostanziale, in particolare quando le code ad alta priorità hanno basse probabilità di trattamento.
• Configurazione della Coda: Si dimostra che l'efficienza del disegno endogeno è sensibile alla varianza delle probabilità di trattamento tra le code; una varianza più alta nelle probabilità di trattamento tra le code migliora l'efficienza dello stimatore IV.

Significato e Affermazioni
Il documento afferma che incorporare la randomizzazione negli schemi di allocazione a coda di priorità fornisce ai decisori politici un meccanismo vitale per apprendere l'efficacia dei programmi senza sacrificare il targeting delle risorse verso coloro che ne hanno più bisogno. Trattando l'assegnazione alla coda come la leva di randomizzazione, il quadro accoglie i vincoli operativi dei contesti dinamici (arrivi online, budget fissi) consentendo al contempo un'inferenza causale credibile. Gli autori affermano che il loro approccio espande la frontiera di Pareto tra potenza statistica e utilità di prioritizzazione, potenzialmente permettendo una valutazione e un miglioramento più diffusi dei servizi pubblici critici. Il lavoro estende la ricerca precedente sul bilanciamento tra prioritizzazione e apprendimento (Wilder e Welle, 2025) a contesti di allocazione dinamica basata su priorità e contribuisce alla letteratura sulla progettazione di mercati e sulla progettazione sperimentale sotto vincoli di capacità.