Heterogeneous Responses to Continuous Treatments: A Cluster-Based Causal Framework

Probleemstelling

In veel empirische beleidsanalyses zijn behandelingen (interventies) niet binair, maar continu verdeeld (bijvoorbeeld de hoogte van subsidies of investeringen). Bestaande methoden voor causale inferentie met continue behandelingen, zoals de Average Dose-Response Function (ADRF), proberen één enkel populatiegemiddelde effect te schatten.

Dit benadering heeft twee fundamentele beperkingen in observationele studies:

1. Heterogeniteit: Het effect van een behandeling kan systematisch verschillen tussen subgroepen, zelfs bij dezelfde intensiteit. Bestaande methoden verdoezelen deze verschillen door te middelen.
2. Beperkte Common Support: De assumptie van "positiviteit" (dat elke eenheid elke behandelingsintensiteit kan ontvangen) is vaak onrealistisch. In de praktijk hebben eenheden met bepaalde kenmerken vaak alleen behandeling in een specifiek bereik. Het schatten van een globaal ADRF leidt dan tot extrapolatie en vertekende resultaten.

De auteurs betogen dat het schatten van één populatie-ADRF in deze contexten leidt tot beleidsrelevante fouten, omdat het de onderliggende complexe verbanden tussen behandelingsintensiteit en uitkomst maskeert.

Methodologie: De Clustered Dose-Response Function (Cl-DRF)

Om deze lacune op te vullen, introduceren de auteurs de Cl-DRF (Clustered Dose-Response Function). Dit is een nieuwe schatter die de causale relatie tussen behandelingsintensiteit en uitkomst modelleert binnen distincte subgroepen (clusters), in plaats van voor de totale populatie.

Kerncomponenten van de methode:

• Causaal Kader: In plaats van één ADRF $\mu(t)$, worden $C$ cluster-specifieke DRFs ($\mu_c(t)$) geschat. De doelstelling is het vinden van de subpopulatie-specifieke causale respons.
• Verzwakte Assumpties: De methode vereist dat de assumpties van zwakke onverwardheid (weak unconfoundedness) en positiviteit alleen gelden binnen de geïdentificeerde clusters, niet voor de hele populatie. Dit maakt de methode robuuster in situaties met beperkte overlap.
• Algoritme: De schatter gebruikt een iteratief procedure dat lijkt op k-means clustering gecombineerd met regressie:
  1. Behandelingsmodel: Een parametrisch model (bijv. Gaussisch) schat de Generalized Propensity Score (GPS) per cluster. De GPS is de conditionele dichtheid van de behandeling gegeven covariaten en clusterlidmaatschap.
  2. Uitkomstmodel: Een regressiemodel schat de uitkomst als functie van de behandeling en de GPS binnen elke cluster.
  3. Iteratie: Het algoritme wisselt af tussen het updaten van de cluster-toewijzing (welke eenheid hoort bij welke cluster) en het opnieuw schatten van de GPS en de DRF-parameter per cluster, totdat convergentie wordt bereikt.
• Selectie van het aantal clusters: Het optimale aantal clusters ($C$) wordt bepaald via een BIC-achtig criterium (gebaseerd op een gestraalde empirische risicofunctie) en een "elbow"-regel om overfitting te voorkomen.

De methode kan zowel theoriegedreven (vooraf gedefinieerde groepen) als datagedreven (de clusters worden ontdekt uit de data) worden toegepast.

Belangrijkste Bijdragen

1. Nieuwe Schatter: Introductie van de Cl-DRF als een oplossing voor heterogeniteit en beperkte common support bij continue behandelingen.
2. Theoretische Innovatie: Het tonen dat het schatten van een populatie-ADRF onder heterogeniteit en beperkte overlap inconsistent kan zijn, en dat cluster-specifieke DRFs een beter beleidsinstrument zijn.
3. Methodologische Integratie: Het combineren van de GPS-methode van Hirano & Imbens (2004) met cluster-wise regressie technieken, waardoor zowel de clusterstructuur als de causale effecten simultaan worden geschat.
4. Validatie: Uitgebreide simulaties tonen aan dat de methode het ware aantal clusters en de onderliggende DRFs nauwkeurig kan herstellen, zelfs wanneer de positiviteitsassumptie op populatieniveau wordt geschonden.

Empirische Resultaten: EU Cohesiebeleid

De auteurs passen de Cl-DRF toe op de impact van EU Cohesiefondsen op economische groei in NUTS-2 regio's (1994-2015).

• Traditionele Aanpak (zonder clustering): Zowel de parametrische GPS-methode als de gewenste niet-parametrische methode tonen een licht positief effect dat afvlakt bij hogere subsidies en zelfs negatief wordt voor de meest gesubsidieerde regio's. Dit suggereert een afnemend meerder rendement.
• Cl-DRF Aanpak (met clustering): De methode identificeert drie distincte clusters met totaal verschillende reacties:
  • Cluster 1 (Rijke regio's, o.a. Ierland, Zuid-Duitsland, Zuid-Engeland): Toont een sterk positief, lineair effect. Er is geen bewijs voor een afnemend meerder rendement; meer fondsen leiden hier tot meer groei.
  • Cluster 2 (Gemiddelde regio's, o.a. Spanje, Noord-Duitsland, Nederland): Toont een effect dat lijkt op het traditionele gemiddelde (positief maar afvlakkend).
  • Cluster 3 (Arme regio's, o.a. Italië, Griekenland, Frankrijk): Toont een licht negatief effect. Hier leidt extra financiering niet tot groei, mogelijk door beperkte absorptiecapaciteit of de impact van de Grote Recessie.

Conclusie van de empirische analyse: Het negeren van heterogeniteit leidt tot het verkeerde beleidsoordeel dat fondsen overal moeten worden gekapt na een bepaald punt. De Cl-DRF toont aan dat rijke regio's juist baat hebben bij meer middelen, terwijl armoede-regio's eerst hun absorptiecapaciteit moeten verbeteren voordat extra fondsen effectief zijn.

Significantie en Conclusie

Dit paper is significant omdat het een brug slaat tussen de literatuur over continue behandelingen en die over heterogene behandelingseffecten.

• Beleidsrelevantie: Het biedt beleidsmakers een instrument om fondsen te alloceren op basis van de werkelijke, cluster-specifieke meerwaarde, in plaats van op basis van een verouderd populatiegemiddelde.
• Robuustheid: Door de assumpties te beperken tot binnen-clusters, wordt de methode toepasbaar in realistische observationele settings waar global overlap ontbreekt.
• Toekomstperspectief: De methode opent de weg voor meer gedetailleerde beleidsanalyses waarbij "one-size-fits-all" benaderingen worden vervangen door gerichte, subpopulatie-specifieke interventiestrategieën.

Kortom, de Cl-DRF biedt een krachtig nieuw kader om de complexe, niet-lineaire en heterogene effecten van continue beleidsinterventies nauwkeurig te kwantificeren.