Heterogeneous Treatment Effects and Causal Mechanisms

Resumo Técnico: Efeitos de Tratamento Heterogêneos e Mecanismos Causais

1. O Problema

A "revolução da credibilidade" nas ciências sociais permitiu a identificação robusta de efeitos causais de tratamentos. No entanto, compreender quais mecanismos produzem esses efeitos medidos permanece um desafio. A prática dominante para a avaliação quantitativa de mecanismos baseia-se na detecção de Efeitos de Tratamento Heterogêneos (HTEs) em relação a covariáveis pré-tratamento (moderadores).

Os pesquisadores frequentemente interpretam a presença de HTEs como evidência de que um mecanismo específico está ativo e a ausência de HTEs como evidência de que um mecanismo é inerte. O artigo argumenta que a base teórica para essas afirmações está muito atrás da prática empírica. A relação entre HTEs e testes de mecanismos é frequentemente mal compreendida, levando a inferências enganosas sobre como ou por que um tratamento afeta um resultado.

2. Metodologia e Estrutura Teórica

Os autores desenvolvem um novo quadro teórico baseado no modelo de resultados potenciais (Neyman-Rubin) e estendem a estrutura de mediação causal (Imai et al., 2010a).

• Definições Fundamentais:

  • Mecanismo: Um processo subjacente que, quando ativado, influencia a experiência para produzir um efeito causal.
  • Variável Detectora de Mecanismo (MDV - Mechanism Detector Variable): Uma covariável pré-tratamento que prevê uma ativação mais forte de um mecanismo ou um efeito mais forte do mecanismo no resultado.
  • Efeitos de Tratamento Condicionais (CATEs): A média dos efeitos do tratamento em subgrupos definidos por uma covariável.

• A Abordagem Analítica:
  Os autores decompõem o efeito total em efeitos diretos e indiretos (mediados). Eles analisam a relação entre a diferença nos CATEs (HTEs) e a diferença nos efeitos indiretos condicionais (AIEs) atribuídos a um mecanismo específico.

• Suposições de Exclusão:
  O núcleo da identificação teórica repousa em duas suposições de exclusão:

  1. Exclusão I: A covariável moderadora ($X_k$) não modera o efeito direto do tratamento.
  2. Exclusão II: A covariável moderadora ($X_k$) não modera os efeitos indiretos de outros mecanismos.
     Se essas suposições forem violadas, a heterogeneidade observada não pode ser atribuída exclusivamente ao mecanismo de interesse.

3. Principais Contribuições

O artigo oferece três contribuições principais:

1. Quadro Teórico: Estabelece a primeira análise teórica formal da relação entre HTEs e mecanismos, esclarecendo as suposições necessárias para usar HTEs como evidência de ativação de mecanismos.
2. Expansão da Literatura TIEM (Teoria e Implicações de Modelos Empíricos): Conecta explicitamente a mediação causal (comumente usada por empiristas) com modelos teóricos formais e discute como a medição de resultados afeta a inferência sobre mecanismos.
3. Diretrizes Práticas: Fornece orientação concreta para pesquisadores sobre como projetar estudos, interpretar resultados e evitar erros comuns ao usar HTEs para testes de mecanismos.

4. Resultados Principais

Os autores caracterizam quatro casos distintos baseados na existência de HTEs e no tipo de resultado medido (transformado ou não):

• Caso 1: HTEs existem em um resultado não transformado ($Y$) e as suposições de exclusão valem.

  • Inferência: A presença de HTEs fornece evidência de que o mecanismo está ativo para pelo menos uma unidade na amostra.
  • Condição: A covariável deve ser uma MDV válida e não moderar outros mecanismos.

• Caso 2: Não existem HTEs em um resultado não transformado ($Y$).

  • Inferência: A ausência de HTEs não prova que o mecanismo é inerte.
  • Explicações Possíveis:
    1. O mecanismo é inerte (não tem efeito).
    2. O mecanismo é ativo, mas produz o mesmo efeito para todas as unidades (nenhuma covariável modera seu efeito).
    3. A teoria está mal especificada (a covariável escolhida não é uma MDV real).
  • Conclusão: A ausência de heterogeneidade é geralmente não informativa sobre a ativação do mecanismo sem suposições adicionais fortes.

• Caso 3: HTEs existem em um resultado transformado não linearmente ($\tilde{Y} = h(Y)$).

  • Problema: Transformações não lineares (ex: escolha binária, escalas Likert, logaritmos) quebram a separabilidade aditiva entre mecanismos e preditores.
  • Inferência: A heterogeneidade observada pode ser um artefato da transformação de medição e não reflete a ativação do mecanismo. Não se pode inferir nada sobre a ativação do mecanismo a partir de HTEs em resultados transformados sem suposições adicionais.

• Caso 4: Não existem HTEs em um resultado transformado.

  • Inferência: Assim como no Caso 2, a ausência de HTEs não permite descartar a ativação do mecanismo, pois a transformação não linear pode ter mascarado a heterogeneidade ou gerado falsos negativos.

Exemplo Ilustrativo (Corrupção e Voto):
O artigo demonstra, através de um modelo de votação, que mesmo que o único mecanismo seja o "desgosto pela corrupção", a medição do resultado como escolha de voto (binária) em vez de utilidade esperada (contínua) gera HTEs em variáveis como "afiliação partidária". Isso ocorre devido a efeitos de teto e piso (ceiling/floor effects) na transformação de utilidade para voto, levando a um erro de Tipo I: inferir erroneamente que o partido modera o mecanismo, quando na verdade ele apenas afeta a linha de base da utilidade.

5. Significado e Implicações

• Crítica à Prática Atual: A maioria dos artigos quantitativos em ciência política (cerca de 46% das amostras analisadas) usa HTEs para avaliar mecanismos, muitas vezes interpretando a ausência de heterogeneidade como prova de que um mecanismo não está funcionando. O artigo mostra que essa prática é frequentemente enganosa.
• Importância da Medição: A forma como os resultados são medidos (especialmente transformações não lineares) pode invalidar as suposições necessárias para inferir mecanismos. Pesquisadores devem priorizar medidas que preservem a separabilidade aditiva (como utilidade latente) para testes de mecanismos.
• Assimetria da Inferência: Existe uma assimetria fundamental: a presença de HTEs (sob condições ideais) pode confirmar a ativação de um mecanismo, mas a ausência de HTEs não pode descartá-la.
• Soluções Propostas:
  • Definir explicitamente as suposições de exclusão antes da análise.
  • Utilizar múltiplas variáveis detectoras candidatas (MDVs).
  • Priorizar resultados que reflitam a utilidade teórica subjacente em vez de escolhas discretas transformadas.
  • Considerar modelos estruturados (como modelos de utilidade aleatória) para "reconstruir" a utilidade latente a partir de escolhas observadas, permitindo a aplicação correta das suposições de exclusão.

Em suma, o artigo alerta que o uso de HTEs para detecção de mecanismos é muito mais restritivo do que a prática atual sugere e exige rigor teórico explícito sobre a relação entre moderadores, mecanismos e a medição dos resultados.