Bounding Treatment Effects by Pooling Limited Information across Observations

Resumo Técnico: Limitando Efeitos de Tratamento Agregando Informações Limitadas entre Observações

Declaração do Problema
O artigo aborda o desafio de estimar os Efeitos Médios de Tratamento (ATE) e os Efeitos Médios de Tratamento nos Tratados (ATT) sob a suposição de não confusão quando a condição de sobreposição é violada ou quando as variáveis de condicionamento assumem um grande número de valores distintos em relação ao tamanho da amostra. Em tais cenários de "sobreposição limitada" ou de alta dimensão, o padrão de ponderação por escore de propensão inverso (IPS) falha porque o escore de propensão não pode ser estimado consistentemente, levando a variância infinita ou comportamento assintótico não uniforme. Por outro lado, confiar exclusivamente nos limites de Manski (que não exigem sobreposição) produz intervalos extremamente amplos que frequentemente carecem de informatividade. Os autores observam que métodos existentes, como o recorte (trimming) ou a ponderação por sobreposição, alteram o parâmetro de interesse, enquanto métodos de extrapolação dependem de modelos potencialmente mal especificados.

Metodologia
Os autores propõem um novo framework para construir limites que ocupam um espaço intermediário entre a "não agregação" dos limites de Manski e a "agregação ilimitada" necessária para a identificação pontual via ponderação por IPS.

1. Agregação Limitada: A inovação central consiste em construir limites como médias amostrais de funções de resultados observados, onde a contribuição de cada resultado depende apenas do status de tratamento de um número limitado de observações que compartilham valores de covariáveis similares.
2. Ordem dos Limites:
   • Limites de Primeira Ordem ($Q=1$): Correspondem aos limites padrão de Manski, utilizando apenas o resultado individual e o status de tratamento, não exigindo sobreposição.
   • Limites de Segunda Ordem e Superiores ($Q \ge 2$): Utilizam informações de pares ou pequenos grupos de observações com valores de covariáveis idênticos (ou agrupados). Ao aproveitar a suposição de não confusão dentro desses pequenos grupos, os autores derivam limites mais estreitos.
3. Escore de Propensão de Referência: Os limites são parametrizados por um "escore de propensão de referência" $p^*(x)$. Os limites permanecem válidos independentemente do valor de $p^*(x)$. No entanto, se $p^*(x)$ estiver próximo do verdadeiro escore de propensão $p(x)$, os limites tornam-se afiados (ótimos em termos de largura esperada). Isso permite que os pesquisadores incorporem conhecimento prévio ou estimativas simples (por exemplo, a proporção global de tratamento) sem arriscar a invalidade caso a suposição esteja incorreta.
4. Generalização para Ordens Superiores: O artigo generaliza esses limites para uma ordem arbitrária $q$. Os limites são construídos como polinômios no escore de propensão desconhecido $p(x)$. Para torná-los viáveis, termos envolvendo $[p(x)]^r$ são substituídos por produtos de indicadores de tratamento de $r$ observações distintas dentro do mesmo cluster de covariáveis.
5. Tratamento de Covariáveis Contínuas: Como o framework teórico assume covariáveis discretas para permitir valores repetidos, os autores propõem um procedimento prático de agrupamento (agrupamento hierárquico aglomerativo) para agrupar covariáveis contínuas em faixas (bins). Isso cria um conjunto finito de valores de covariáveis "efetivos", permitindo a aplicação dos limites.
6. Inferência: Os autores desenvolvem intervalos de confiança assintoticamente válidos. Eles tratam os clusters distintos de covariáveis como o tamanho efetivo da amostra ($m$). Eles abordam a questão de intervalos de confiança potencialmente vazios (onde o limite inferior excede o limite superior em amostras finitas) construindo uma união de intervalos baseada em Stoye (2020), garantindo que o intervalo final nunca seja vazio, mantendo a cobertura assintótica.

Principais Contribuições

• Limites Novos: O artigo fornece o primeiro método sistemático para derivar limites válidos sobre ATE e ATT que são robustos à sobreposição limitada e a covariáveis de alta dimensão, sem exigir a condição de sobreposição ou a estimação consistente do escore de propensão.
• Robustez à Especificação Incorreta: Diferentemente dos estimadores IPS, esses limites permanecem válidos mesmo se o escore de propensão de referência estiver mal especificado. Eles oferecem uma "rede de segurança" que se estreita à medida que o escore de referência se aproxima da verdade, mas não colapsa se não o fizer.
• Validade em Amostra Finita: A metodologia é projetada para cenários onde o número de valores distintos de covariáveis é grande em relação ao tamanho da amostra, um regime onde a estimação não paramétrica padrão falha.
• Procedimentos de Inferência: O artigo estabelece a normalidade assintótica dos limites amostrais e fornece um procedimento concreto para a construção de intervalos de confiança válidos e não vazios.

Resultados

• Experimentos de Monte Carlo: Simulações demonstram que, quando a condição de sobreposição se mantém e o escore de referência está correto, os limites propostos são estreitos e comparáveis a estimadores oráculo. Quando a sobreposição é violada ou o escore de propensão está mal especificado, os limites propostos (particularmente com $Q=2, 3$) permanecem informativos e refletem corretamente a identificação parcial, enquanto os estimadores IPS padrão e o pareamento por vizinho mais próximo exibem viés ou dispersão significativos. Os limites superam os limites de Manski ao estreitar a largura do intervalo, mantendo a validade.
• Aplicações Empíricas:
  • Cateterismo Cardíaco Direito (RHC): Aplicado aos dados de Connors et al. (1996), o método produz um intervalo de confiança de 95% para o ATT de $[-0.117, -0.006]$, excluindo zero e sugerindo um efeito negativo (aumento da mortalidade). Essa conclusão mantém-se sem depender da condição de sobreposição ou de um modelo logit corretamente especificado.
  • Programa de Emprego Temporário: Aplicado à subamostra Dehejia-Wahba e ao grupo de controle do PSID. Para a amostra Dehejia-Wahba (onde a randomização é preservada), os limites são estreitos e consistentes com diferenças simples de médias. Para o grupo de controle do PSID (onde a sobreposição é limitada), os limites alargam-se significativamente para refletir a incerteza, contrastando com os limites de Manski, que são ainda mais amplos.

Significado e Alegações
Os autores afirmam que seu método oferece um compromisso robusto entre o conservadorismo extremo dos limites de Manski e a fragilidade dos métodos de identificação pontual sob sobreposição limitada. Ao permitir a "agregação limitada" de informações, a abordagem aproveita a suposição de não confusão para estreitar limites sem exigir os fortes requisitos de dados (grandes tamanhos de amostra local) necessários para a estimação do escore de propensão. O artigo enfatiza que o método é particularmente valioso em cenários de alta dimensão onde a estimação confiável do escore de propensão é inviável. Os autores são modestos quanto à discretização de covariáveis contínuas, reconhecendo-a como uma solução prática que introduz erro de aproximação, cuja análise formal é deixada para trabalhos futuros. Eles também observam que, embora seus limites sejam ótimos dentro da classe de limites de "agregação limitada" considerados, não afirmam ser os limites globalmente ótimos possíveis sob todas as suposições concebíveis.