Dynamic covariate balancing: estimating treatment effects over time with potential local projections

Resumo Técnico: Balanceamento Dinâmico de Covariáveis (DCB)

1. O Problema

O artigo aborda o desafio de estimar e realizar inferência sobre efeitos de tratamento em dados de painel onde os tratamentos mudam dinamicamente ao longo do tempo. O cenário considera:

• Seleção Dinâmica: As unidades (indivíduos, países, etc.) podem escolher o tratamento em cada período $t$ com base em covariáveis de alta dimensão, resultados passados e tratamentos anteriores.
• Dependência Histórica: Os resultados potenciais e as covariáveis podem depender de toda a trajetória histórica de tratamentos.
• Limitações dos Métodos Existentes:
  • Modelos Estruturais: Modelar explicitamente como o tratamento afeta covariáveis intermediárias e resultados em alta dimensão leva a erros de estimação massivos e risco de má especificação.
  • Ponderação por Probabilidade Inversa (IPW/AIPW): Métodos clássicos exigem a estimação correta da pontuação de propensão (probabilidade de receber o tratamento). Em contextos dinâmicos, a pontuação de propensão define a probabilidade conjunta de toda a história de tratamentos. Isso frequentemente resulta em probabilidades próximas de zero (violação de sobreposição), levando a pesos instáveis, variância infinita e viés em amostras finitas.
  • Diferenças-em-Diferenças (DiD): Assumem tendências paralelas, que são violadas quando há seleção dinâmica baseada em resultados passados.

2. Metodologia Proposta: Balanceamento Dinâmico de Covariáveis (DCB)

Os autores propõem o método Dynamic Covariate Balancing (DCB), que combina projeções locais potenciais com um esquema de balanceamento sequencial.

A. Estrutura do Modelo (Projeções Locais Potenciais):

• Inspirado em Local Projections (Jordà, 2005), mas aplicado a resultados potenciais em vez de resultados observados.
• Assume-se que a expectativa condicional dos resultados potenciais é uma função linear (aproximada) das características passadas (covariáveis e históricos de tratamento).
• Vantagem: Isso evita a necessidade de modelar a distribuição condicional de cada covariável em resposta ao tratamento (o que seria catastrófico em alta dimensão) e não impõe restrições funcionais sobre o mecanismo de seleção de tratamento (pontuação de propensão).

B. Algoritmo de Estimação:
O método opera em duas etapas principais, recursivamente ao longo do tempo $T$:

1. Estimação de Coeficientes (Projeção Recursiva):

   • Estima-se os coeficientes de regressão ($\beta$) para cada período, projetando os resultados esperados nas covariáveis e históricos passados.
   • Utiliza-se Lasso (ou regressão penalizada) para lidar com a alta dimensão das covariáveis ($p \gg n$).
   • O processo é recursivo: estima-se o efeito no período final e projeta-se esse resultado para trás até o período inicial.

2. Cálculo de Pesos de Balanceamento:

   • Em vez de usar a pontuação de propensão (que é desconhecida e difícil de estimar), o DCB resolve um problema de otimização quadrática sequencial para encontrar pesos ($\gamma$) que minimizam a variância (norma $L_2$) enquanto garantem o balanceamento das covariáveis.
   • Condição Dinâmica: No período $t$, os pesos devem balancear o histórico de covariáveis $H_{i,t}$ entre os tratados e os controles, reponderados pelos pesos estimados no período $t-1$.
   • Isso cria uma cadeia de balanceamento onde o desequilíbrio em um período não se propaga para os seguintes.

C. Formulação Matemática Chave:
O estimador do efeito médio do tratamento (ATE) é construído como uma soma de ajustes de regressão ponderados:
$$\hat{\mu}_T = \sum_{i=1}^n \left( \hat{\gamma}_{i,T} Y_{i,T} - \sum_{t=2}^T (\hat{\gamma}_{i,t} - \hat{\gamma}_{i,t-1}) H_{i,t}\hat{\beta}_t - (\hat{\gamma}_{i,1} - 1/n) X_{i,1}\hat{\beta}_1 \right)$$
O viés de alta dimensão é controlado garantindo que a diferença entre a média amostral das covariáveis e a média ponderada seja pequena (convergência rápida).

3. Contribuições Principais

1. Novas Condições de Balanceamento Dinâmico: Deriva as primeiras equações de balanceamento válidas para tratamentos dinâmicos em alta dimensão. Diferente de métodos estáticos, o balanceamento deve ocorrer sequencialmente sobre os históricos ponderados.
2. Robustez à Má Especificação da Pontuação de Propensão: O método não requer a estimação consistente da pontuação de propensão. Isso é crucial em dinâmicas complexas onde a probabilidade conjunta de um histórico de tratamento pode ser extremamente baixa.
3. Garantias Teóricas em Alta Dimensão:
   • Estabelece uma taxa de convergência paramétrica ($O_p(n^{-1/2})$) mesmo quando o número de covariáveis $p$ cresce com $n$.
   • Prova a existência de uma solução viável para os pesos de balanceamento, mesmo sem conhecer a pontuação de propensão verdadeira.
   • Fornece inferência assintótica válida (distribuição normal) para o ATE.
4. Estabilidade em Amortecimento de Sobreposição: Demonstra que os pesos DCB têm variância menor e são mais estáveis do que os pesos IPW/AIPW, especialmente em horizontes temporais longos onde a sobreposição tende a ser fraca.

4. Resultados Empíricos e Simulações

• Simulações Numéricas:

  • O DCB superou consistentemente competidores como IPW, AIPW (com Lasso), Double Lasso dinâmico, e modelos de Diferenças-em-Diferenças (DiD).
  • Em cenários de sobreposição pobre (comum em tratamentos dinâmicos), os métodos baseados em IPW falharam devido à alta variância, enquanto o DCB manteve baixo erro quadrático médio (MSE).
  • O método foi robusto mesmo sob má especificação do modelo de resultados (não linearidade).

• Aplicação Empírica (Crescimento Econômico e Democracia):

  • Utilizando dados de Acemoglu et al. (2019) sobre o efeito da democracia no crescimento do PIB.
  • Resultado: O DCB estimou um efeito positivo e significativo da democracia no crescimento de longo prazo (após 3 anos).
  • Comparação: As estimativas do DCB foram aproximadamente duas vezes maiores do que as obtidas pela regressão linear padrão de Acemoglu et al. e por projeções locais simples.
  • Diagnóstico: O DCB reduziu significativamente o desequilíbrio (imbalance) nas covariáveis de saída defasadas em comparação com os pesos IPW, que mostraram alta instabilidade e dispersão extrema.

5. Significância e Impacto

Este trabalho preenche uma lacuna crítica na literatura de inferência causal:

• Viabilidade Prática: Oferece uma ferramenta viável para analisar políticas públicas e intervenções econômicas onde as decisões são tomadas sequencialmente e baseadas em informações complexas e de alta dimensão.
• Superação de Limitações do DiD: Permite a análise de efeitos dinâmicos sem a suposição irrealista de tendências paralelas, que frequentemente falha quando unidades reagem a resultados passados.
• Eficiência Estatística: Ao evitar a estimação da pontuação de propensão em alta dimensão (que é o "gargalo" dos métodos AIPW), o DCB oferece estimadores mais precisos e com menor variância, tornando-se a escolha preferencial para estudos observacionais com dados de painel dinâmicos e complexos.

Em suma, o DCB representa um avanço metodológico ao unificar a flexibilidade das projeções locais com a robustez do balanceamento de covariáveis, permitindo inferência causal rigorosa em cenários dinâmicos de alta dimensão onde métodos tradicionais falham.