Resumo Técnico: Modelos de Média Estruturalmente Aninhados sob Suposições de Tendências Paralelas

1. Definição do Problema

O artigo aborda uma lacuna na metodologia de inferência causal para estimar efeitos de tratamento variantes no tempo sobre resultados contínuos repetidos. Dois frameworks dominantes existem, mas operam isoladamente:

1. Diferença em Diferenças Variante no Tempo (DiD): Amplamente utilizado em economia e ciências sociais, particularmente em configurações de "adoção escalonada". Os métodos padrão de DiD geralmente dependem da suposição de "tendências paralelas", mas são frequentemente limitados à estimativa de efeitos marginais de iniciação de tratamento (ex: Efeito Médio do Tratamento sobre os Tratados, ATT) e têm dificuldade com heterogeneidade de efeito variante no tempo, tratamentos contínuos sem uma linha de base comum ou intervenções sustentadas onde os valores do tratamento mudam repetidamente.
2. Modelos de Média Estruturalmente Aninhados (SNMMs): Um framework flexível desenvolvido por Robins e colegas para modelar heterogeneidade de efeito variante no tempo e regimes de tratamento dinâmicos complexos. Historicamente, os SNMMs foram identificados apenas sob a forte suposição de "ausência de confusão não observada" (exponencialidade sequencial), o que é frequentemente difícil de justificar em contextos observacionais.

O problema central é que os SNMMs oferecem um conjunto mais rico de estimandos causais (ex: efeitos de intervenções sustentadas, efeitos diretos controlados, regimes dinâmicos), mas carecem de identificação sob as suposições de "tendências paralelas" mais plausíveis utilizadas para justificar os métodos de DiD. Por outro lado, os métodos de DiD carecem da flexibilidade para responder a questões substantivas complexas modeladas por SNMMs.

2. Metodologia

Framework Central

Os autores conectam essas duas abordagens demonstrando que os SNMMs podem ser não parametricamente identificados sob uma suposição de Tendências Paralelas Condicionais Variantes no Tempo.

• Notação: O artigo considera uma coorte observada do tempo $0$ ao tempo $K$. Em cada tempo $m$, os dados incluem covariáveis $Z_m$, tratamento $A_m$ e resultado $Y_m$. $\bar{L}_m$ representa um resumo do histórico de covariáveis e resultados até o tempo $m$.
• Estimandos Causais: O artigo foca em funções de "blip" (pico) $\gamma^*_{mk}(\bar{l}_m, \bar{a}_m)$, que representam o efeito médio condicional no tempo $k$ de receber o tratamento $a_m$ no tempo $m$ e, em seguida, seguir um regime específico $g$, comparado a seguir $g$ no tempo $m$ e dali em diante.
  • Casos especiais incluem efeitos de iniciação (onde $g$ é o regime "não tratado" $\bar{0}$), efeitos de intervenção sustentada (onde $g$ é o regime "manter tratamento anterior") e efeitos diretos controlados (usando tratamentos multidimensionais).
• Suposição de Identificação: Os autores propõem uma suposição de Tendências Paralelas Condicionais Variantes no Tempo. Para um regime alvo $g$, a suposição afirma que, condicionado ao histórico observado $\bar{L}_m$ e ao histórico de tratamento até $m-1$, a tendência esperada do resultado contrafactual de $m$ em diante não depende de se o tratamento realmente recebido em $m$ ($A_m$) teria sido atribuído sob $g$.
  • Formalmente: $E[Y_k(\bar{a}_{m-1}, g_m) - Y_{k-1}(\bar{a}_{m-1}, g_m) | \bar{A}_m = \bar{a}_m, \bar{L}_m] = E[Y_k(\bar{a}_{m-1}, g_m) - Y_{k-1}(\bar{a}_{m-1}, g_m) | \bar{A}_m = (\bar{a}_{m-1}, g_m(\bar{L}_m, \bar{a}_{m-1})), \bar{L}_m]$.
  • Crucialmente, esta suposição condiciona no histórico de tratamento observado até $m-1$ e no histórico de covariáveis, evitando o condicionamento sobre o tratamento futuro (ex: grupos "nunca tratados") que frequentemente torna as suposições padrão de DiD implausíveis na presença de confundidores variantes no tempo.

Estratégia de Estimativa

O artigo fornece estimadores multiplamente robustos para os parâmetros de SNMMs paramétricos:

• G-Estimation: Os autores constroem equações de estimativa baseadas na propriedade de que, sob a suposição de tendências paralelas, uma função de resultado específica "reduzida pelo blip" $H_{mk}(\gamma)$ comporta-se como o resultado contrafactual em que sua tendência condicional é independente de $A_m$.
• Estimadores Duplamente Robustos (DR): O artigo propõe estimadores cross-fit DR-ML. Estes estimadores permanecem consistentes se tanto o modelo para o mecanismo de atribuição de tratamento (escore de propensão) quanto o modelo para a tendência do resultado (função de ruído) forem corretamente especificados. Isso permite o uso de algoritmos flexíveis de aprendizado de máquina para estimar os parâmetros de ruído.
• Regimes Ótimos: Sob a suposição mais forte de que as tendências paralelas se mantêm para todos os regimes e que confundidores não observados não modificam os efeitos (modificação de efeito), os autores mostram como identificar e estimar regimes de tratamento dinâmicos ótimos (A-learning) usando SNMMs.

Análise de Sensibilidade

Reconhecendo que tendências paralelas é uma suposição não testável, os autores adaptam métodos de análise de sensibilidade para SNMMs. Eles introduzem uma função de viés $c^g_{mk}$ para quantificar desvios da suposição de tendências paralelas. Ao especificar um intervalo de funções de viés plausíveis, os analistas podem produzir um intervalo de estimativas de efeito plausíveis, permitindo uma análise de sensibilidade da heterogeneidade de efeito e das quantidades derivadas.

3. Principais Contribuições

1. Identificação de SNMMs sob Tendências Paralelas: A principal contribuição teórica é provar que os SNMMs, anteriormente conhecidos apenas sob ausência de confusão não observada, são identificados sob uma suposição modificada de tendências paralelas. Isso une a literatura de DiD e a de SNMM.
2. Estimandos Expandidos: Os resultados permitem que os praticantes estimem um conjunto mais amplo de questões causais sob tendências paralelas, incluindo:
   • Heterogeneidade de efeito variante no tempo (ex: como os efeitos da expansão do Medicaid variam pela taxa de desemprego).
   • Efeitos duradouros de um único "blip" de tratamento (ex: o impacto de uma única inundação na adesão ao seguro).
   • Efeitos de intervenções sustentadas onde os valores do tratamento mudam repetidamente.
   • Efeitos de tratamentos de valor contínuo sem uma linha de base compartilhada (ex: mudanças de temperatura em rendimentos agrícolas).
   • Efeitos diretos controlados (ex: efeitos da expansão do Medicaid excluindo mudanças no salário mínimo).
   • Regimes de tratamento dinâmicos ótimos.
3. Avanços Metodológicos: O artigo fornece estimadores multiplamente robustos práticos (incluindo cross-fit DR-ML) e um framework para análise de sensibilidade que acomoda covariáveis variantes no tempo e heterogeneidade de efeito.
4. Crítica às Suposições de DiD Existentes: Os autores argumentam que sua proposta de suposição de tendências paralelas é mais plausível do que as suposições padrão de "nunca tratado" ou "ainda não tratado" na presença de confundidores variantes no tempo. As suposições padrão frequentemente condicionam em valores futuros de tratamento, o que pode induzir viés se as covariáveis forem confundidores variantes no tempo.

4. Resultados e Aplicações

O artigo valida a metodologia através de três aplicações com dados reais:

• Expansão do Medicaid (Adoção Escalonada): Estimando o efeito da expansão do Medicaid nas taxas de falta de seguro a nível de condado. O SNMM permitiu que os autores modelassem como o efeito varia com o desemprego e a população do condado, descobrindo que a expansão foi mais impactante em condados com maior desemprego e menor população.
• Inundações e Seguros (Efeitos de Blip): Analisando o impacto duradouro de uma única inundação na adesão ao seguro contra inundações. O modelo estimou um aumento inicial na adesão seguido por um declínio acentuado, sendo que o aumento foi maior para inundações mais recentes.
• Temperatura e Rendimento de Culturas (Tratamento Sustentado/Contínuo): Reanalisando a relação entre "dias de graus crescentes" (GDD) e lucros agrícolas. Diferente do DiD padrão, que tem dificuldade com tratamentos contínuos sem uma linha de base compartilhada e mudanças repetidas, o SNMM estimou os efeitos de mudanças sustentadas no GDD, encontrando que os efeitos foram maiores quando o aumento foi sustentado por mais tempo e em condados com níveis pré-aumento de GDD mais altos.

5. Significância e Alegações

O artigo alega que utilizar SNMMs sob suposições de tendências paralelas é uma estratégia frutífera que expande o escopo da inferência causal em estudos observacionais.

• Para Praticantes de DiD: Oferece uma maneira de abordar questões substantivas (heterogeneidade, efeitos sustentados, tratamentos contínuos) que estão atualmente fora do alcance dos métodos de DiD padrão, utilizando suposições de identificação semelhantes.
• Para Praticantes de SNMM: Permite que analistas estimem efeitos causais sob condições de identificação alternativas (tendências paralelas vs. ausência de confusão não observada), facilitando a triangulação de evidências.
• Contribuição Teórica: O artigo situa-se dentro da literatura de aprendizado por reforço ao mostrar como regimes dinâmicos ótimos podem ser identificados sob tendências paralelas (com a suposição adicional de ausência de modificação de efeito por confundidores não observados).

Os autores são modestos em relação às suposições necessárias para a identificação de regimes ótimos (notando a força da suposição de "ausência de modificação de efeito") e reconhecem que a suposição de tendências paralelas permanece não testável, necessitando da proposta análise de sensibilidade. O artigo conclui que, embora as condições para tendências paralelas na presença de confundidores variantes no tempo sejam rigorosas, o framework proposto fornece uma ferramenta rigorosa e flexível para inferência causal em cenários complexos e variantes no tempo.