Potential weights and implicit causal designs in linear regression

Resumo Técnico: Pesos Potenciais e Designs Causais Implícitos em Regressão Linear

1. Enunciado do Problema

Pesquisadores aplicados frequentemente utilizam regressão linear para estimar efeitos causais, justificando a interpretação através da variação quase-experimental do tratamento, enquanto deixam implícitas as suposições relativas ao processo de atribuição do tratamento. Existe uma tensão central: as especificações de regressão frequentemente se assemelham a modelos estruturais de resultados, mas sua validade causal é derivada inteiramente de suposições sobre como o tratamento $W$ é atribuído. Como observado por Freedman (2008), a randomização não justifica inerentemente as suposições por trás do modelo de Mínimos Quadrados Ordinários (MQO).

Embora a literatura (ex: Angrist e Pischke, 2008; Angrist, 1998; Lin, 2013) sugira que estimadores comuns frequentemente possuem interpretações simples e independentes de modelo, esse otimismo é delicado. Especificações específicas podem gerar médias ponderadas de efeitos de tratamento (WATE) interpretáveis sob certos processos de atribuição, mas produzem estimandos ininterpretáveis ou com pesos negativos sob outros. O artigo aborda a falta de um framework geral para determinar:

1. Sob quais suposições de atribuição de tratamento uma determinada regressão admite uma interpretação quase-experimental.
2. Qual contraste causal específico (estimando) a regressão visa sob heterogeneidade.
3. O quão ruins os estimativas se tornam quando essas suposições implícitas são mal especificadas.

2. Metodologia e Framework

O artigo formaliza uma perspectiva baseada em "design", tratando as covariáveis $(x_i)$ e os resultados potenciais $y_i(\cdot)$ como fixos e isolando a aleatoriedade na atribuição do tratamento $W_i$. A inovação central é a decomposição do requisito quase-experimental em duas questões distintas sobre o verdadeiro processo de atribuição $\pi^*$.

O Critério de Quasi-Experimental Mínimo (MQE):
O artigo define um estimando de regressão $\tau$ como minimamente quasi-experimental se ele for um contraste de resultados potenciais individuais (ou seja, uma média ponderada de efeitos de tratamento) independentemente da configuração dos resultados potenciais. Isso impõe "independência de nível": deslocar todos os resultados potenciais de uma unidade por uma constante não deve alterar o estimando.

Pesos Potenciais e Designs Implícitos:
O estimando de regressão populacional $\tau$ pode ser expresso como uma agregação linear de resultados potenciais:
$$\tau = \frac{1}{n} \sum_{i=1}^n \sum_{w \in \mathcal{W}} \pi^*_i(w) \rho_i(w) y_i(w)$$
onde $\rho_i(w) = \Lambda G_n^{-1} z(x_i, w)$ são pesos potenciais, determinados exclusivamente pela especificação da regressão e pela matriz de Gram da população $G_n$.

Para que $\tau$ seja minimamente quasi-experimental, os pesos atribuídos aos resultados potenciais devem somar zero através dos níveis de tratamento para cada unidade. Isso impõe restrições lineares às probabilidades de atribuição reais $\pi^*_i$:
$$\sum_{w \in \mathcal{W}} \pi^*_i(w) \rho_i(w) = 0 \quad \text{e} \quad \sum_{w \in \mathcal{W}} \pi^*_i(w) = 1$$

As soluções para essas equações lineares são denominadas designs implícitos.

• [MQE-1] Existência: Existe uma distribuição de probabilidade válida $\pi$ que satisfaça essas restrições lineares?
• [MQE-2] Correção: O processo de atribuição real $\pi^*$ é igual a um desses designs implícitos?

Interpretação Quasi-Experimental Aproximada:
Quando as condições exatas falham, o artigo estabelece uma equivalência numérica entre o estimador de MQO e um estimador de Ponderação pelo Inverso da Propensão Aumentada (AIPW). A lacuna entre o estimador de MQO e um estimador AIPW (visando um design específico $\tilde{\pi}$) é proporcional à covariância empírica entre os resíduos da regressão e o grau em que $\tilde{\pi}$ viola as restrições do design implícito. Assim, o MQO é aproximadamente quasi-experimental se a má especificação do modelo de tratamento for não correlacionada com a má especificação do modelo de resultado.

3. Contribuições Principais e Resultados Teóricos

Unificação e Resultados Conversores:
O framework unifica resultados díspares na literatura (ex: Angrist, 1998; Goldsmith-Pinkham et al., 2024; Athey e Imbens, 2022) ao mostrar que seus designs e estimandos propostos são precisamente os designs implícitos e estimandos implícitos derivados da especificação da regressão. Crucialmente, o artigo fornece resultados controversos (converse results): uma regressão admite uma interpretação quasi-experimental se, e somente se, o design real corresponde ao design implícito único.

Achados de Especificações Específicas:

• Tratamento Binário com Covariáveis: Para $Y_i = \tau W_i + x_i'\gamma + \epsilon_i$, o design implícito exige que o escore de propensão seja linear nos covariáveis ($\pi_i = x_i'\delta$). O estimando é um WATE com pesos proporcionais a $\pi_i(1-\pi_i)$.
• Regressões com Interação: Para especificações que interagem o tratamento com covariáveis ($Y_i = \tau_0 W_i + \tau_1' W_i x_i + \dots$), a interpretação quasi-experimental exata é altamente frágil. Ela requer tanto o escore de propensão quanto sua interação com as covariáveis para serem lineares nas demais covariáveis. Esta condição geralmente falha, a menos que as covariáveis sejam saturadas, implicando que regressões com interação frequentemente carecem de uma interpretação causal defensável.
• Efeitos Fixos de Duas Vias (TWFE): Regressões TWFE com covariáveis variantes no tempo geralmente falham em admitir um design implícito, a menos que os caminhos de tratamento sejam totalmente randomizados ou que as covariáveis satisfaçam condições de espaço linear restritivas.
• Mínimos Quadrados em Dois Estágios (TSLS): O framework se estende ao TSLS, recuperando condições necessárias para padrões de conformidade (ex: monotonicidade forte para instrumentos binários) como requisitos para que o estimando implícito atribua pesos apropriados.

4. Resultados Empíricos

Censo Assistido por IA:
Uma análise de 1.051 artigos do American Economic Review e American Economic Journal: Applied Economics (2020–2026) revela que a regressão quasi-experimental é pervasiva. No entanto:

• Praticantes raramente utilizam métodos modernos de inferência causal (IPW, matching, DML).
• Estimandos alvo explícitos raramente são nomeados (apenas 9 de 98 artigos sobre inconfundibilidade).
• Uma parte significativa dos estudos utiliza especificações de interação ou TWFE com covariáveis variantes no tempo, que os resultados teóricos sugerem serem vulneráveis a achados negativos quanto à interpretação causal.

Reanálise Diagnóstica de Nove Estudos:
O artigo reanalisa nove estudos recentes usando os diagnósticos propostos:

1. Interpretação Exata: Em todos os nove casos, a interpretação quasi-experimental exata é rejeitada. Os designs implícitos estimados frequentemente resultam em escores de propensão fora de $[0, 1]$, e os testes Ramsey RESET rejeitam decisivamente a linearidade do verdadeiro escore de propensão.
2. Interpretação Aproximada: Apesar da rejeição das condições exatas, a maioria dos estudos parece aproximadamente quasi-experimental. A covariância entre as discrepâncias de design e os resíduos da regressão é tipicamente pequena, o que significa que as estimativas de MQO permanecem próximas das estimativas AIPW para designs alternativos razoáveis.
3. Exceções: Um estudo (Ang, 2023) mostra uma grande discrepância onde estimativas alternativas de escore de propensão alteram o resultado do MQO em mais de dois erros padrão, indicando que a falha do modelo implícito é consequencial naquele contexto específico.
4. Representatividade: Muitas aplicações sofrem de baixa sobreposição (overlap), significando que o estimando implícito agrega sobre uma pequena fração da população. O ajuste (trimming) para sobreposição melhora a representatividade, mas frequentemente deixa as estimativas representativas de uma subpopulação minoritária.

5. Significância e Alegações

O artigo afirma fornecer um framework geral e automatizável para avaliar a validade de alegações causais derivadas de regressão linear. Sua principal significância reside em:

• Formalizar o Modelo Implícito: Demonstra que o uso de uma regressão para inferência causal seleciona implicitamente um modelo específico de atribuição de tratamento (o design implícito) e um peso específico de efeitos heterogêneos (o estimando implícito).
• Desafiar o Otimismo: Sugere que o "otimismo" de Angrist e Pischke (2008) sobre a robustez da regressão não é universalmente justificado. Interpretações quasi-experimentais exatas são frequentemente frágeis, particularmente em modelos de interação e TWFE.
• Utilidade Prática: Embora as interpretações exatas frequentemente falhem, o framework permite que pesquisadores avaliem a validade aproximada e a representatividade de seus estimandos. Os autores argumentam que a análise empírica transparente deve envolver a estimação e o relato explícito dos designs e estimandos implícitos para tornar essas suposições ocultas visíveis.

O artigo conclui que, embora a regressão frequentemente sirva como um estimador razoável na prática devido à baixa correlação entre as má especificações dos modelos, as suposições implícitas que ela impõe são não triviais e devem ser tornadas explícitas em vez de deixadas para uma justificativa informal.