Treatment Choice with Nonlinear Regret

Resumo Técnico: Escolha de Tratamento com Arrependimento Não Linear

Definição do Problema
O artigo aborda o problema da escolha estatística de tratamento, especificamente como utilizar dados experimentais para informar decisões de política ótimas em relação ao bem-estar social. Baseando-se no arcabouço da teoria da decisão estatística estabelecido por Wald (1950) e na literatura de escolha de tratamento iniciada por Manski (2004), os autores criticam o foco predominante na minimização da média do arrependimento de bem-estar (arrependimento esperado). Eles argumentam que esse critério linear leva a "regras de elemento único" (singleton rules) — regras de decisão que ou tratam toda a população ou não tratam ninguém. Os autores demonstram que tais regras exibem uma sensibilidade indesejável à incerteza de amostragem; pequenas flutuações nos dados podem causar mudanças abruptas de tratar todos para tratar ninguém, potencialmente incorrendo em grandes perdas de bem-estar devido a erros de amostragem aleatória, particularmente em amostras finitas. Além disso, o paradigma do arrependimento médio falha em capturar a aversão dos tomadores de decisão a grandes perdas de bem-estar em estados adversos do mundo.

Metodologia
Para abordar essas limitações, os autores propõem um novo arcabouço de decisão teórica que minimiza a média de uma transformação não linear do arrependimento, denotada por $g(\text{Arrependimento})$. Este critério, denominado "risco de arrependimento não linear", incorpora momentos de ordem superior da distribuição do arrependimento (como a variância) no processo de otimização.

• Função de Risco: O desempenho de uma regra de tratamento $\hat{\delta}$ é avaliado via $R_g(\hat{\delta}, P) = E_{P^n}[g(\text{Reg}(\hat{\delta}))]$.
• Foco Específico: O artigo foca primordialmente no arrependimento do quadrado da média, onde $g(r) = r^2$. Esta transformação específica penaliza regras que resultam em alta variância do arrependimento (e, equivalentemente, alta variância do bem-estar), acomodando assim a "aversão ao arrependimento".
• Critérios de Otimalidade: Os autores derivam regras ótimas sob dois critérios:
  1. Otimalidade Bayesiana: Minimizar o risco de arrependimento não linear esperado em relação a uma distribuição a priori sobre potenciais distribuições de resultados.
  2. Otimalidade Minimax: Minimizar o pior caso de risco de arrependimento não linear sobre o conjunto de distribuições possíveis.
• Arcabouço Teórico: A análise utiliza modelos Gaussianos de amostra finita e estende-se a configurações de grandes amostras via o arcabouço de experimento limite (Le Cam, 1986), seguindo Hirano e Porter (2009, 2020).

Principais Contribuições e Resultados

1. Incompletude e Inadmissibilidade de Regras de Elemento Único:
   O artigo estabelece que, para uma ampla classe de transformações não lineares (incluindo o arrependimento do quadrado da média), a classe de regras de elemento único não é essencialmente completa. Diferente do caso de arrependimento linear, onde regras de limiar de elemento único são frequentemente admissíveis e essencialmente completas, os autores provam que, para riscos de arrependimento não linear, as regras de elemento único são geralmente inadmissíveis. Especificamente, para qualquer regra de elemento único, existe uma regra "fracionária" (atribuindo tratamento a uma proporção da população) que a domina em termos de risco de arrependimento não linear. Isso fornece uma justificativa de decisão teórica para a atribuição de tratamento fracionário sem depender de ambiguidade de modelo, comportamento estratégico ou funções de bem-estar não lineares.

2. Regras Ótimas de Forma Fechada:
   Os autores derivam soluções explícitas de forma fechada para as regras ótimas Bayesiana e minimax sob o arrependimento do quadrado da média:

• Regra Minimax: Em um experimento Gaussiano com variância conhecida, a regra minimax ótima assume uma forma logística simples:
  $$\hat{\delta}^*(\bar{Y}) = \frac{\exp(2 \cdot \tau^* \cdot \bar{Y})}{\exp(2 \cdot \tau^* \cdot \bar{Y}) + 1}$$
  onde $\tau^* \approx 1,23$ é uma constante derivada da distribuição a priori menos favorável, e $\bar{Y}$ é a média amostral (ou estatística t). Esta regra coincide com a regra de correspondência de probabilidade posterior sob uma distribuição a priori menos favorável suportada em dois pontos simétricos.
• Regra Bayesiana: A regra Bayesiana ótima é uma versão "inclinada" (tilted) da regra de correspondência de probabilidade posterior. Ela ajusta a probabilidade de tratamento com base na magnitude do efeito do tratamento, atribuindo probabilidades mais próximas de 0 ou 1 em comparação com a correspondência posterior padrão, a menos que a distribuição a priori seja suportada em dois pontos simétricos, caso em que ela se reduz à regra de correspondência padrão.

3. Interpretação como Estatística de Resumo:
   Os autores propõem que a atribuição de tratamento fracionária $\hat{\delta}^*$ pode ser interpretada como uma estatística de resumo que quantifica a força da evidência a favor do tratamento versus o controle. Diferente da regra de Sucesso Empírico (ES), que força uma decisão binária, a regra proposta oferece uma medida contínua de confiança. O artigo observa que essa medida é distinta e frequentemente mais informativa do que o P-valor padrão, pois é derivada de um critério de otimalidade (arrependimento minimax do quadrado da média) em vez de apenas testes de hipóteses.

4. Aplicações e Eficiência:

• Regressão Normal: O arcabouço é aplicado a um modelo de regressão normal com tratamento binário, fornecendo uma regra assintoticamente minimax ótima e viável baseada na estatística t.
• Cálculos de Tamanho de Amostra: O artigo demonstra que implementar regras de elemento único (como ES ou regras de teste de hipótese padrão) para alcançar um nível específico de arrependimento do quadrado da média requer tamanhos de amostra significativamente maiores comparados à regra fracionária minimax proposta. Por exemplo, para garantir o mesmo pior caso de arrependimento do quadrado da média, a regra ES requer quase 40% mais observações, e a regra de teste de hipótese requer aproximadamente 11 vezes mais observações do que a regra minimax proposta.

Significância e Alegações
O artigo afirma que mudar o critério de decisão do risco de arrependimento linear para o não linear altera fundamentalmente a natureza das regras de tratamento ótimas. Ao penalizar a variância do bem-estar, a abordagem produz regras fracionárias que são mais robustas à incerteza de amostragem e melhor alinhadas com tomadores de decisão que são avessos a grandes perdas de bem-estar.

• Justificativa Teórica: Os resultados oferecem uma nova justificativa para regras fracionárias em configurações padrão (modelos de identificação pontual, bem-estar linear) sem necessidade de ambiguidade ou considerações estratégicas.
• Tractabilidade Prática: As regras derivadas são computacionalmente simples, exigindo apenas estimadores padrão (como OLS) e uma transformação logística, tornando-as acessíveis para praticantes.
• Fundamentação Microeconômica: A abordagem é fundamentada na teoria da decisão axiomática, especificamente ligando-se ao conceito de "aversão ao arrependimento" conforme formalizado por Hayashi (2008), fornecendo uma base microeconômica para considerar a distribuição do arrependimento em vez de apenas sua média.

Os autores enfatizam que sua abordagem não substitui os arcabouços existentes, mas os estende para acomodar a aversão ao risco em relação à volatilidade do bem-estar, oferecendo uma ferramenta mais sutil para a formulação de políticas baseadas em evidências.