A Design-Based Approach to Testing and Inference in (Quasi-)Experiments with Spillovers

Sintesi Tecnica: Un approccio basato sul design per il testing e l'inferenza in (quasi-)esperimenti con spillover

1. Il Problema
Le politiche economiche spesso generano effetti di spillover che si estendono oltre i target diretti, propagandosi attraverso reti spaziali, di mercato e sociali. Per rendere questi effetti trattabili, i ricercatori applicati tipicamente riassumono complessi vettori di assegnazione del trattamento utilizzando "mappature di esposizione" a bassa dimensionalità (ad esempio, la quota di vicini trattati entro un determinato raggio). Tuttavia, rimangono due sfide critiche:

1. Incertezza di Specificazione: La teoria economica raramente detta la precisa forma funzionale (ad esempio, kernel a anello o a gravità) o i parametri (ad esempio, il raggio specifico o il tasso di decadimento) di queste mappature. I ricercatori spesso le selezionano sulla base dell'intuizione istituzionale o di diagnostiche informali, trattandole come fisse piuttosto che come stimate.
2. Limitazioni dell'Inferenza: Gli errori standard e gli intervalli di confidenza nella letteratura esistente tipicamente condizionano a una specifica scelta, ignorando l'incertezza introdotta dalla selezione della mappa di esposizione stessa. Inoltre, non esiste un metodo formale basato sul design per testare se una proposta mappatura sia coerente con i dati osservati sotto il meccanismo di assegnazione noto.

2. Metodologia
Il documento propone un framework basato sul design per testare e stimare le mappature di esposizione, facendo affidamento sulla randomizzazione (o quasi-randomizzazione) dell'assegnazione del trattamento come unica fonte di casualità. I potenziali esiti sono trattati come fissi per il campione sperimentale.

• Sufficienza di Esposizione e Ortogonalità: L'intuizione teorica centrale è che una mappatura di esposizione correttamente specificata $g(W; X_i, \theta_0)$ implica una proprietà di sufficienza dell'esposizione: condizionatamente all'esposizione $g(W; X_i, \theta_0)$, i dettagli rimanenti del vettore di assegnazione $W$ non portano informazioni aggiuntive sull'esito $Y_i$. Ciò implica un insieme di condizioni di ortogonalità (restrizioni di momenti). Nello specifico, per qualsiasi trasformazione dell'esito $\phi$ e funzione di design $\psi$, il "residuo lato design" $R_{i,\theta}\psi(W) = \psi(W) - E[\psi(W) | g(W; X_i, \theta)]$ è ortogonale a $\phi(Y_i)$ al valore vero di $\theta_0$.
• Residualizzazione Lato Design: Gli autori costruiscono questi momenti "recentralizzando" le funzioni di design. La speranza condizionata $E[\psi(W) | g(W; X_i, \theta)]$ è calcolata utilizzando la distribuzione di assegnazione nota $D_n$ (tramite simulazione o enumerazione), senza richiedere assunzioni sul modello di esito.
• Stima e Testing:
  • Stima: Il parametro di sintonia $\theta$ è stimato tramite il Metodo dei Momenti Generalizzato (GMM) minimizzando una forma quadratica dei momenti campionari.
  • Test di Specificazione: Quando il sistema è sovraidentificato (più momenti che parametri), un test $J$ basato sul design valuta se la proposta mappatura di esposizione è coerente con il design di assegnazione. Il rifiuto indica che la variazione residua dell'assegnazione rimane predittiva degli esiti, suggerendo che la mappa è errata nella specificazione.
• Teoria per Grandi Campioni: Il documento stabilisce la coerenza e la normalità asintotica per lo stimatore GMM in presenza di complessa dipendenza spaziale e di rete, utilizzando il framework della dipendenza di set di affinità (Chandrasekhar et al., 2023). Questo framework accoglie sia kernel fluidi (es. gravità) sia specifiche non fluide (es. raggi ad anello). Gli autori derivano un limite di efficienza per la classe di momenti residualizzati a livello di unità e dimostrano che uno stimatore sieve GMM con un dizionario crescente raggiunge tale limite.
• Inferenza a Due Stadi: Il framework propaga l'incertezza della mappa di esposizione stimata $\hat{\theta}$ nei successivi stimatori di policy (ad esempio, effetti medi del trattamento o moltiplicatori), utilizzando un approccio di stimatore Z impilato (stacked Z-estimator), garantendo che gli errori standard riflettano sia la variazione sperimentale che l'incertezza di specificazione.

3. Contributi Chiave

• Formalizzazione della Selezione della Mappa di Esposizione: Il documento fornisce la prima metodologia basata sul design per testare ed estimare i parametri delle mappature di esposizione, andando oltre le analisi di sensibilità informali.
• Ortogonalità Lato Design: Introduce una nuova strategia di "residualizzazione lato design" che genera condizioni di momento valide per testare la sufficienza dell'esposizione senza richiedere un modello strutturale di esito.
• Inferenza Robusta sotto Dipendenza: Stabilisce la coerenza uniforme e la normalità asintotica per gli stimatori GMM in presenza di complessa dipendenza spaziale e di rete, coprendo mappe di esposizione sia fluide che non fluide.
• Caratterizzazione dell'Efficienza: Il documento caratterizza il limite di efficienza all'interno della classe di momenti a livello di unità e dimosta che gli stimatori sieve fattibili possono raggiungerlo.

4. Risultati Empirici
Il framework è applicato a due programmi di lotta alla povertà su larga scala:

• Muralidharan et al. (2023) (India NREGS): Lo studio esamina gli spillover da una riforma dei lavori pubblici utilizzando una misura di esposizione ad anello con un raggio fisso di 20 km.

  • Risultato: I test di sovraidentificazione basati sul design non rifiutano la specificazione ad anello. Il raggio selezionato dai dati (circa 23,7 km per il reddito totale) è vicino alla scelta originale di 20 km.
  • Implicazione: La scelta istituzionale originale è supportata dai dati; il risultato principale secondo cui i guadagni di reddito derivano prevalentemente da redditi non legati al programma (effetti di equilibrio generale) rimane robusto anche quando il raggio viene stimato.

• Egger et al. (2022) (Kenya GiveDirectly): Lo studio analizza gli spillover dei trasferimenti di contanti utilizzando un raggio di 2 km.

  • Risultato: I test basati sul design rifiutano il supporto originale di 2 km per tutti i core outcomes. I supporti minimi non rifiutati sono tipicamente di 4–6 km.
  • Implicazione: Sostituire l'anello di 2 km con l'indice selezionato dal design altera significativamente le conclusioni di policy. Il moltiplicatore del trasferimento fiscale locale stimato scende dal 2,5 originale a 1,57, allineandosi strettamente alla previsione del modello strutturale di Walker et al. (2024) (1,54). Ciò suggerisce che il raggio originale di 2 km era troppo locale per catturare gli spillover ambientali a livello di mercato.

5. Significatività e Rivendicazioni
Il documento sostiene di offrire un'alternativa rigorosa al trattamento delle mappature di esposizione come scelte fisse del ricercatore. Trattando la mappatura come un oggetto di inferenza basata sul design, il framework può:

1. Validare mappe motivate economicamente quando sono coerenti con la randomizzazione.
2. Rilevare e guidare le revisioni quando la specificazione scelta è incoerente con i dati (come visto nell'applicazione in Kenya).
3. Propagare l'incertezza dalla specificazione dell'esposizione nei successivi stimatori di policy, evitando la sottostima degli errori standard che si verifica quando $\theta$ è trattato come noto.

Gli autori sottolineano che il loro approccio non pretende di identificare la "vera" struttura di interferenza contro tutte le possibili alternative (notando i risultati di impossibilità di Gao et al., 2026), ma fornisce piuttosto una restrizione testabile all'interno delle classi parametriche comunemente usate nel lavoro applicato. Il framework consente ai ricercatori di utilizzare il noto design di randomizzazione per disciplinare la scelta delle mappe di esposizione, garantendo che le inferenze di policy siano robuste rispetto alla specifica forma funzionale o ai parametri scelti.