Sintesi Tecnica: Relazioni di Bracketing degli Effetti del Trattamento Mediati da Medie Pesate

1. Definizione del Probleamento

Nell'inferenza causale osservazionale, i ricercatori stimano spesso diversi effetti medi del trattamento (ATE) a seconda della popolazione target. Gli estimandi comuni includono l'Effetto Medio del Trattamento sui Trattati (ATT), l'Effetto Medio del Trattamento sui Controlli (ATC) e l'Effetto Medio del Trattamento sotto il Peso dell'Overlap (ATO). Sebbene l'ATE standard sia noto essere una combinazione convessa di ATT e ATC, la relazione tra l'estimando pesato per l'overlap (ATO) e questi estimandi tradizionali non è stata generalmente caratterizzata.

L'ATO è definito pesando le unità proporzionalmente alla varianza condizionale del trattamento dati i covariati, $e(X)\{1-e(X)\}$, dove $e(X)$ è il propensity score. Questo schema di pesatura è apprezzato per la sua robustezza rispetto ai propensity score estremi e per la sua connessione con gli stimatori basati sulla regressione. Tuttavia, in assenza di un ordinamento teorico, non è chiaro se l'ATO si collochi tra l'ATT e l'ATC o se possa eccederli. Questo articolo mira a stabilire una relazione di "bracketing" (incapsulamento) tra questi estimandi sotto specifiche condizioni di monotonicità.

2. Metodologia e Quadro Teorico

2.1 Impostazione Osservazionale

Gli autori operano all'interno del quadro standard dei potenziali risultati (potential outcomes) sotto l'assunto di non confondimento. Definiscono l'Effetto Medio Condizionale del Trattamento (CATE) come $\tau(X) = E\{Y(1) - Y(0) | X\}$. L'oggetto teorico chiave è la funzione P-CATE, $g(e) = E\{\tau(X) | e(X) = e\}$, che rappresenta la media condizionale del CATE dato un valore specifico del propensity score.

L'assunto fondamentale che guida i risultati è l'Assunto 1, il quale postula che $g(e)$ sia o non decrescente o non crescente. Questo assunto implica che le unità con un propensity score più elevato (o più basso) di ricevere il trattamento tendano ad avere sistematicamente effetti del trattamento mediamente più grandi (o più piccoli). Questa è una condizione più debole rispetto al richiedere che la relazione puntuale tra $\tau(X)$ e $e(X)$ sia monotona.

2.2 Impostazione delle Variabili Strumentali (IV)

Il quadro viene esteso all'impostazione del Local Average Treatment Effect (LATE) con una variabile strumentale binaria $Z$ e un trattamento binario $D$. L'analisi si concentra sulla sottopopolazione dei "compliers" (obbedienti). Gli autori definiscono analoghi locali di ATT, ATC e ATO ($\tau^c_{ATT}, \tau^c_{ATC}, \tau^c_{ATO}$) e introduiscono una funzione locale P-CATE, $g_c(e)$, definita sullo strato dei compliers. L'Assunto 4 impone la stessa condizione di monotonicità su $g_c(e)$.

2.3 Generalizzazione ai Pesi Beta

L'articolo generalizza queste scoperte a una famiglia di pesi beta definiti come $\beta_{u,v}(x) = e(x)^{u-1}\{1-e(x)\}^{v-1}$ per $u, v \geq 1$. Questa famiglia comprende ATE ($u=1, v=1$), ATT ($u=2, v=1$), ATC ($u=1, v=2$) e ATO ($u=2, v=2$) come casi speciali.

2.4 Interpretazioni di Regressione

Gli autori collegano questi estimandi pesati alle coefficienti di regressione:

• OLS: Sotto la linearità del propensity score, il coefficiente del trattamento in una regressione OLS della popolazione di $Y$ su $Z$ e $X$ è uguale a $\tau_{ATO}$.
• TSLS: Nell'impostazione IV, sotto la linearità del propensity score della IV, lo stimatore Two-Stage Least Squares (TSLS) della popolazione è uguale al LATE pesato per l'overlap ($\tau^c_{ATO}$).

3. Risultati Chiave

3.1 Teoremi di Bracketing

• Teorema 1 (Osservazionale): Sotto l'assunto di monotonicità su $g(e)$, $\tau_{ATO}$ è limitato tra $\tau_{ATT}$ e $\tau_{ATC}$. Nello specifico, se $g(e)$ è non decrescente, $\tau_{ATC} \leq \tau_{ATO} \leq \tau_{ATT}$; se non crescente, la disuguaglianza si inverte.
• Teorema 2 (IV): Analogamente, sotto l'assunto di monotonicità su $g_c(e)$, il LATE pesato per l'overlap ($\tau^c_{ATO}$) è incapsulato tra l'ATT locale e l'ATC locale.
• Proposizione 1: Sotto una specifica lineare del CATE condizionale, $\tau_{ATO}$ è mostrato esplicitamente come una combinazione convessa di $\tau_{ATT}$ e $\tau_{ATC}$, con un peso di miscelazione $\lambda$ determinato dalla distribuzione del propensity score.

3.2 Ordinamento dei Pesi Beta

• Teorema 4: Per la famiglia generale dei pesi beta, l'estimando $\tau_{u,v}$ è monotono nei suoi parametri $u$ e $v$. Se $g(e)$ è non decrescente, $\tau_{u,v}$ aumenta con $u$ e diminuisce con $v$. Ciò stabilisce un reticolo di ordinamento tra tutti gli estimandi pesati per beta.
• Proposizione 3: Gli estimandi beta adiacenti soddisfano una relazione di combinazione convessa sotto l'assunto della specifica lineare.

3.3 Pesatura Generale

• Teorema 6: Gli autori forniscono una condizione sufficiente per confrontare qualsiasi coppia di estimandi pesati basata su una proprietà di "one-crossing" (un singolo incrocio) della differenza nelle loro funzioni di pesatura rispetto alla monotonicità della media condizionale dell'effetto.

4. Illustrazioni Empiriche

L'articolo valida il bracketing teorico attraverso due set di analisi empiriche:

1. Studi Osservazionali: Sono stati analizzati otto dataset (inclusi Right Heart Catheterization, legalizzazione dell'aborto e idoneità al 401(k)). Gli autori hanno costruito "CP-plot" (grafici di propensione condizionale) del CATE stimato ($\hat{\tau}(X)$) contro il propensity score stimato ($\hat{e}(X)$).

   • Risultati: In tutti gli otto casi, la relazione tra $\hat{\tau}(X)$ e $\hat{e}(X)$ era approssimativamente monotona nella regione di dati ben supportati (la regione centrale di overlap).
   • Risultato: L'ATO stimato cadeva costantemente tra l'ATT e l'ATC stimati, con la direzione dell'ordinamento che corrispondeva alla tendenza visiva (crescente o decrescente) nei CP-plot.

2. Studio IV: Il dataset 401(k) di Abadie (2003) è stato rivisitato.

   • Metodo: Un liscio (smoother) pesato per i compliers del rapporto di Wald condizionale è stato tracciato contro il propensity score della IV.
   • Risultato: La relazione era debolmente crescente, e il LATE pesato per l'overlap cadeva tra l'ATC locale e l'ATT locale, in linea con le previsioni teoriche.

5. Significato e Raccomandazioni

L'articolo sostiene di colmare una lacuna nella letteratura caratterizzando la relazione tra l'estimando pesato per l'overlap e gli estimandi tradizionali. La significatività risiede in:

1. Unificazione Teorica: Dimostra che l'ATO non è un estimando isolato ma è strutturalmente limitato dall'ATT e dall'ATC sotto una plausibile condizione di monotonicità.
2. Diagnostica Pratica (CP-plot): Gli autori raccomandano di tracciare il CATE stimato contro i propensity score stimati come strumento diagnostico. Se il grafico mostra monotonicità nella regione ben supportata, i ricercatori possono essere certi che l'ATO (e il LATE pesato per l'overlap) si collochi tra l'ATT e l'ATC.
3. Robustezza: I risultati reggono anche quando l'assunto di monotonicità è violato nelle code della distribuzione del propensity score, a patto che il peso dell'overlap riduca il peso di tali regioni (cosa che fa naturalmente).
4. Strategia di Reporting: L'articolo suggerisce che i ricercatori dovrebbero riportare ATT, ATO e ATC (o i loro analoghi IV locali) insieme al CP-plot. Ciò consente ai lettori di valutare la sensibilità delle conclusioni causali alla popolazione target e di verificare se la relazione di bracketing si verifica empiricamente.

Gli autori sottolineano che questi grafici sono diagnostiche descrittive piuttosto che test statistici formali di monotonicità, e che le conclusioni di bracketing dovrebbero essere interpretate con cautela se la relazione è visibilmente non monotona nella regione centrale dei dati.