Causal Effects in Matching Mechanisms with Strategically Reported Preferences

Este artigo propõe uma abordagem de identificação robusta à declaração estratégica de preferências para derivar limites precisos sobre os efeitos causais da alocação escolar, aplicando-a a dados do mecanismo de aceitação diferida no Chile e revelando heterogeneidade significativa no sucesso de graduação.

O essencial

Imagine que você é um pai tentando colocar seu filho em uma boa escola. Você tem uma lista de desejos: "Primeiro, a Escola A; segundo, a Escola B; terceiro, a Escola C". Mas, e se você soubesse que a Escola A é tão difícil de entrar que, se você a colocar em primeiro lugar, seu filho pode nem ser considerado para a Escola B, que é mais fácil?

Nesse caso, você, como pai estratégico, pode mentir na sua lista de preferências. Você pode colocar a Escola B em primeiro lugar só para garantir a vaga, mesmo que seu filho realmente queira a Escola A.

O Problema dos Pesquisadores
Os economistas e pesquisadores querem saber: "Se um aluno fosse colocado na Escola A em vez da Escola B, ele se formaria com mais sucesso?" Para responder a isso, eles precisam saber a verdadeira vontade do aluno.

O problema é que, na vida real, os alunos (e pais) muitas vezes mentem nas suas listas de preferências para tentar "burlar" o sistema. Quando os pesquisadores olham apenas para a lista que foi enviada (a mentira), eles não conseguem ver a verdade. É como tentar adivinhar o sabor de um bolo olhando apenas para a embalagem, sem saber se o cliente pediu chocolate ou baunilha.

A Solução: O Detetive de Preferências
Este artigo é como um manual para detetives econômicos. Os autores (Bertanha, Luflade e Mourifié) criaram um método de dois passos para descobrir a verdade, mesmo quando as pessoas mentem.

1. Passo 1: O Mapa das Possibilidades (A Caixa de Ferramentas)
   Em vez de tentar adivinhar exatamente qual era a preferência verdadeira de cada aluno, eles criam uma "caixa de possibilidades".

   • Analogia: Imagine que você vê alguém comprando um sapato tamanho 40. Você não sabe se ele gosta de tênis ou de sapatos sociais. Mas você sabe que ele não gosta de botas de montanha (porque ele não comprou). Então, sua "caixa de possibilidades" para o gosto dele é {Tênis, Sapatos Sociais}.
   • No papel, eles usam regras matemáticas e o comportamento observado (como os alunos mudam suas listas perto das notas de corte) para criar essas caixas menores. Quanto mais eles sabem sobre como os alunos pensam, menor fica a caixa.

2. Passo 2: A Régua Mágica (O Corte de Nota)
   Eles usam uma técnica chamada "Regressão de Descontinuidade". Imagine uma linha no chão que separa quem entra na escola de quem não entra.

   • Analogia: Pense em uma fila de ingressos para um show. Quem tem a nota 700 entra. Quem tem 699 fica de fora.
   • Os pesquisadores olham para os alunos que estão muito perto dessa linha (um tem 700, o outro 699). Eles são quase idênticos em tudo (inteligência, esforço), exceto que um entrou e o outro não.
   • O truque é: eles só comparam os alunos que, dentro da sua "caixa de possibilidades" do Passo 1, realmente queriam a mesma coisa. Isso permite isolar o efeito da escola na vida do aluno, limpando o ruído das mentiras.

O Que Eles Descobriram no Chile?
Os autores testaram essa ideia com dados reais do Chile, onde milhares de alunos escolhem faculdade.

• Eles provaram que os alunos mentem: Os alunos sabem muito bem quais são as notas de corte e mudam suas listas estrategicamente para garantir uma vaga, mesmo que não seja a sua primeira escolha.
• A verdade importa: Quando eles corrigiram as mentiras, descobriram que a escolha da faculdade faz uma diferença enorme. Alunos que realmente queriam Medicina, por exemplo, tinham taxas de formatura diferentes dos que foram "empurrados" para Medicina apenas porque era a única opção que sobrou.
• O perigo de ignorar a estratégia: Se os pesquisadores ignorassem as mentiras e olhassem apenas para a lista enviada, eles chegariam a conclusões erradas sobre o que funciona e o que não funciona na educação.

Resumo em uma frase:
Este paper ensina como usar matemática inteligente para "ler entre as linhas" das mentiras que alunos contam sobre suas escolhas de faculdade, permitindo que governos e pesquisadores entendam de verdade o impacto de colocar um aluno em uma escola específica, mesmo em um sistema caótico onde todos tentam trapacear um pouco.

Resumo técnico

Resumo Técnico: Efeitos Causais em Mecanismos de Emparelhamento com Preferências Reportadas Estratégicamente

1. O Problema de Pesquisa

O artigo aborda um desafio central na avaliação de políticas públicas de educação: a identificação de efeitos causais de alocação escolar quando os mecanismos de emparelhamento (matching) incentivam os alunos a reportarem preferências de forma estratégica (não-verdadeira).

• Contexto: Muitos sistemas de admissão universitária utilizam mecanismos centralizados (como o Deferred Acceptance - DA) que, na presença de restrições (ex: limite no número de opções que um aluno pode listar) ou custos de aplicação, deixam de ser strategy-proof (à prova de estratégia). Isso leva os alunos a distorcerem suas preferências verdadeiras para maximizar suas chances de admissão.
• O Dilema Identificativo: A literatura empírica tradicional (ex: Kirkeboen et al., 2016; Abdulkadiroglu et al., 2022) utiliza descontinuidades de pontuação (Regression Discontinuity - RD) controlando pelas preferências reportadas ($P$). No entanto, se os alunos agem estrategicamente, $P \neq Q$ (onde $Q$ são as preferências verdadeiras).
  • Controlar por $P$ pode levar a estimativas de efeitos causais que não correspondem aos efeitos condicionados às preferências verdadeiras, essenciais para análises contrafactuais de bem-estar.
  • Além disso, em casos extremos, o comportamento estratégico pode mudar descontinuamente na vizinhança do corte de admissão, violando os pressupostos de continuidade necessários para a validade interna do RD.

2. Metodologia Proposta

Os autores desenvolvem uma abordagem de identificação parcial robusta que não exige que os alunos reportem a verdade, mas sim que as preferências reportadas sejam consistentes com um comportamento racional sob restrições. A metodologia é dividida em dois passos, denominados "Abordagem de Mapeamento de Controle" (Control Mapping Approach):

Passo 1: Identificação Parcial das Preferências Locais Verdadeiras ($Q_j$)

• Objetivo: Construir um conjunto de preferências locais verdadeiras possíveis ($Q_j$) para cada aluno, compatível com os dados observados ($P$, pontuações $S$) e suposições comportamentais.
• Conceito de Preferência Local ($Q_j$): Define-se o par de opções $(j, k)$ como a preferência local de um aluno em um corte $c_j$ se, ao cruzar o corte, a opção viável melhor do aluno muda de $k$ para $j$.
• Suposições Comportamentais:
  • Ordem Parcial Fraca (WPO - Weak Partial Order): Assume-se que os alunos submetem uma lista que é um subconjunto de suas opções aceitáveis, mantendo a ordem verdadeira entre os itens listados.
  • Ordem Parcial Forte (SPO - Strong Partial Order): Assume-se que, se um aluno lista menos do que o limite máximo de opções ($K$), ele listou todas as suas opções aceitáveis (ou seja, reportou a verdade completa).
  • Escolas Uniformemente Mais Acessíveis (UMAS): Introduz-se uma restrição sobre as expectativas dos alunos. Se a escola $e$ é uniformemente mais acessível que $d$ (quem tem nota para $d$ tem nota para $e$) e o aluno lista $d$ mas não $e$, então o aluno deve preferir verdadeiramente $d$ a $e$.
• Resultado do Passo 1: Gera-se um conjunto aleatório $Q_j$ que contém a preferência local verdadeira com probabilidade 1. Sob suposições mais fortes (como SPO), esse conjunto pode colapsar para um ponto único.

Passo 2: Identificação Parcial dos Efeitos Causais

• Problema: O pesquisador observa a média de resultados em uma subpopulação onde $Q_j$ pode ser $(j, k)$, mas não sabe exatamente quem tem $Q_j = (j, k)$. Isso é análogo a um problema de dados corrompidos (Horowitz e Manski, 1995).
• Técnica: Utiliza-se a teoria de conjuntos aleatórios para derivar limites superiores e inferiores (bounds) para a distribuição de $Q_j$ e, consequentemente, para os efeitos médios de tratamento.
• Fórmula de Limites: Os autores derivam limites fechados para a probabilidade de um aluno ter a preferência verdadeira $(j, k)$ e, a partir disso, constroem limites para o efeito causal médio $E[Y(j) - Y(k) | Q_j = (j, k)]$.
• Vantagem: Se as suposições do Passo 1 forem fortes o suficiente (ex: SPO + UMAS + Assunção de Campos de Estudo), os limites podem colapsar para uma identificação pontual.

3. Contribuições Principais

1. Inovação Metodológica: É o primeiro trabalho a provar a identificação de retornos de alocação escolar em mecanismos de emparelhamento com preferências estrategicamente reportadas, utilizando uma abordagem de RD que controla por preferências verdadeiras parciais.
2. Abordagem de Dois Passos: Diferencia-se da abordagem de função de controle tradicional ao identificar parcialmente a variável de controle (preferências) no primeiro passo, em vez de identificá-la pontualmente.
3. Robustez a Comportamento Descontínuo: A metodologia é robusta mesmo quando o comportamento de submissão de preferências muda descontinuamente na vizinhança do corte, uma falha comum em métodos que controlam apenas por preferências reportadas.
4. Unificação de Literatura: Conecta a literatura sobre identificação de preferências verdadeiras (Agarwal e Somaini, 2018) com a literatura sobre efeitos causais de emparelhamento (Kirkeboen et al., 2016).

4. Resultados Empíricos (Dados do Chile)

Os autores aplicam o método a dados do sistema de admissão universitária do Chile (2004-2010), onde os alunos podem listar no máximo 8 opções de programas universitários.

• Evidência de Comportamento Estratégico:
  • As notas de corte são altamente previsíveis ex-ante.
  • O comportamento de submissão muda descontinuamente perto das notas de corte (ex: alunos com notas logo acima do corte de Medicina tendem a não listar Medicina, enquanto alunos logo abaixo a listam), indicando que os alunos agem com base em expectativas estratégicas.
• Análise de Heterogeneidade (Graduação):
  • Ao estimar os limites para a taxa de graduação condicionada às preferências verdadeiras, os autores encontram heterogeneidade significativa.
  • Alunos com preferências verdadeiras por Medicina (na Universidade do Chile) têm taxas de graduação diferentes daquelas com preferências por Matemática (na PUC), mesmo quando ambos são alocados para o mesmo programa alternativo (Bachillerato). Isso sugere que as preferências estão correlacionadas com esforço ou habilidades não capturadas pelos testes padronizados.
• Efeitos de Tratamento (Medicina na PUC):
  • A atribuição à Medicina na PUC aumenta a probabilidade de graduação na própria Medicina e em universidades de topo.
  • O magnitude do efeito varia dependendo da segunda melhor opção do aluno.
• Comparação com Práticas Atuais:
  • Em uma análise de 302 pares de programas, os autores mostram que as estimativas pontuais obtidas por métodos tradicionais (que assumem verdade ou controlam apenas por $P$) frequentemente caem fora dos limites derivados pelo novo método.
  • Isso indica que assumir que os alunos são honestos (ou que as preferências reportadas são suficientes) leva a viéses significativos, mesmo quando a maioria dos alunos não está "constrangida" pelo limite de 8 opções.

5. Significado e Implicações

• Para Políticas Públicas: Ignorar o comportamento estratégico pode levar a avaliações de políticas contrafactuais incorretas. Por exemplo, prever o impacto de mudar um mecanismo de alocação ou alterar cortes de admissão requer conhecer as preferências verdadeiras, não as reportadas.
• Para a Pesquisa Empírica: O artigo fornece um conjunto de ferramentas (limites de identificação) que permitem aos pesquisadores avaliar a sensibilidade de seus resultados a diferentes graus de comportamento estratégico. Mostra que suposições mais fortes sobre o comportamento (como SPO) podem transformar uma identificação parcial em pontual.
• Validade Interna do RD: Demonstra que, em mercados de emparelhamento complexos, a validade interna de um RD tradicional pode ser comprometida se não for controlado adequadamente pelas preferências verdadeiras, e propõe uma solução para esse problema.

Em suma, o paper oferece uma estrutura rigorosa para extrair causalidade de dados de emparelhamento em ambientes onde a verdade não é uma estratégia dominante, transformando um problema de viés de seleção em um problema de limites identificáveis.