Resumo Técnico: Avaliação de Programas com Resultados Sensoriados Remotamente

1. Declaração do Problema

A avaliação de programas tradicional frequentemente depende de resultados baseados em questionários, que são dispendiosos, difíceis de escalar e, por vezes, inviáveis de coletar. Pesquisadores utilizam cada vez mais variáveis sensoriadas remotamente (ex: imagens de satélite, atividade de telefonia móvel, luzes noturnas) como proxies de baixo custo e escaláveis para resultados econômicos. No entanto, essas variáveis são medições imperfeitas.

O desafio central abordado é a inferência causal em cenários onde:

1. Amostra Experimental: Contém atribuição de tratamento randomizada ($D$) e variáveis sensoriadas remotamente ($R$), mas o verdadeiro resultado econômico ($Y$) está ausente devido a custos ou limitações logísticas.
2. Amostra Observacional: Vincula o resultado ($Y$) à variável sensoriada remotamente ($R$), mas carece de atribuição de tratamento randomizada (o tratamento pode estar ausente, ser determinístico ou confundido).

Os métodos existentes frequentemente falham nesse cenário. Abordagens comuns de duas etapas (treinar um preditor na amostra observacional e aplicá-lo à amostra experimental) sofrem de viés de atenuação quando a variável sensoriada remotamente é uma medida pós-resultado (ou seja, $Y$ causa $R$, não o contrário). Da mesma forma, os métodos de Inferência Impulsionada por Predição (PPI - Prediction-Powered Inference) frequentemente exigem observações conjuntas de tratamento, resultado e proxy em ambos os braços de tratamento, o que muitas vezes não está disponível, ou dependem de suposições de estabilidade em relação ao mecanismo do resultado que podem não se sustentar entre diferentes populações.

2. Metodologia e Suposições de Identificação

Os autores propõem um framework que identifica não parametricamente o Efeito Médio do Tratamento (ATE) combinando dados experimentais e observacionais sob suposições específicas de estabilidade.

2.1 Estrutura Causal

O framework modela a variável sensoriada remotamente $R$ como pós-resultado: a variação no resultado econômico $Y$ causa variação em $R$.

• Amostra Experimental ($S=e$): Observa $(X, D, R)$. $Y$ está ausente.
• Amostra Observacional ($S=o$): Observa $(X, Y, R)$. $D$ pode estar ausente ou ser confundido.

2.2 Principais Suposições

1. Não-confundimento Experimental: As suposições padrão de randomização mantêm-se na amostra experimental ($D \perp \{Y(0), Y(1)\} | X, S=e$).
2. Estabilidade da Variável Sensoriada Remotamente (A Suposição Central): A distribuição condicional da variável sensoriada remotamente dado o resultado e o tratamento é estável entre as amostras:
   $$f(R | X, D, Y, S=e) = f(R | X, D, Y, S=o)$$
   Isso implica que o mecanismo de sensoriamento (ex: a física de como as imagens de satélite capturam a queima de culturas) é invariante, mesmo que o mecanismo do resultado (como o tratamento afeta $Y$) ou o mecanismo do tratamento difira entre as amostras.
3. Condições de Completude:
   • Casos Observacionais Completos: Se $D$ é observado e varia na amostra observacional, nenhuma outra suposição é necessária.
   • Casos Observacionais Incompletos: Se $D$ está ausente ou é determinístico na amostra observacional, uma suposição adicional de não efeito direto é necessária: $D \perp R | X, Y$. Isso significa que o tratamento afeta a variável sensoriada remotamente apenas através de seu efeito sobre o resultado.

2.3 Estratégia de Identificação

O efeito do tratamento é identificado via uma restrição de momento condicional. Os autores derivam uma fórmula onde a variação do tratamento experimental relaciona-se com a variação do resultado observacional.

Para um resultado discreto $Y \in \{y_1, \dots, y_K\}$, o vetor de efeito de tratamento condicional $\theta(X)$ é identificado por:
$$E[\Delta_e(X) - \Delta_o(X)^\top \theta(X) \mid X, R] = 0$$
Onde:

• $\Delta_e(X)$ resume a variação do tratamento na amostra experimental.
• $\Delta_o(X)$ resume a variação do resultado na amostra observacional.

Isso permite a identificação sem especificar a forma funcional da relação entre $R$ e $Y$. O framework suporta representações arbitrárias $H(X, R)$ da variável sensoriada remotamente, desde que satisfaçam uma condição de posto (relevância).

3. Estimação e Inferência

3.1 Robustez à Especificação Incorreta

Os autores desenvolvem um algoritmo de estimação (Algoritmo 1) utilizando divisão de amostra (sample splitting) e cross-fitting. Uma contribuição teórica fundamental é que a inferência válida de $n^{-1/2}$ é alcançável sem condições de taxa nos modelos de aprendizado de máquina usados para prever resultados, tratamentos ou indicadores de amostra.

• O estimador permanece válido mesmo se os preditores (ex: redes neurais profundas) forem mal especificados ou carecerem de taxas de convergência.
• Essa robustez decorre da ortogonalidade de Neyman da restrição de momento.

3.2 Eficiência e Instrumentos Ótimos

Para melhorar a eficiência, os autores conectam o problema à teoria de instrumentos ótimos (Chamberlain, 1987; Newey, 1993). A representação semiparamétrica eficiente $H^*(R)$ envolve a predição de:

1. O resultado $Y$ (da amostra observacional).
2. O tratamento $D$ (da amostra experimental).
3. O indicador de amostra $S$ (dos dados agrupados).
   O uso dessas predições permite a redução de dimensionalidade de $R$ de alta dimensão enquanto preserva a informação causal.

3.3 Testes Diagnósticos

O framework fornece dois testes diagnósticos:

1. Teste de Instrumento Fraco: Verifica se a variável sensoriada remotamente é suficientemente informativa sobre a variação do resultado (análogo aos instrumentos fracos em IV).
2. Testes de Restrições de Sobredeterminação (J-Test): Se diferentes representações $H(R)$ e $H'(R)$ produzirem estimativas de efeito de tratamento significativamente diferentes, isso sugere uma violação das suposições de estabilidade ou de não efeito direto.

4. Resultados Empíricos e Aplicações

O artigo valida o método através de simulações calibradas e aplicações do mundo real:

4.1 Simulações

• Viés: O método padrão de duas etapas exibe um grande viés de atenuação (subestimando efeitos), enquanto o método proposto é aproximadamente não viesado.
• Cobertura: Os intervalos de confiança para o método proposto alcançam cobertura nominal (aprox. 95%), enquanto o método de duas etapas apresenta subcobertura severa (tão baixa quanto 0-25% em alguns cenários).
• Comparação com PPI: Quando uma amostra de validação está disponível, os métodos PPI podem ser não viesados, mas são menos eficientes que o método proposto. Se a amostra de validação for não aleatória ou as linhas de base diferirem, o PPI torna-se viesado.

4.2 Aplicação 1: Cartões Inteligentes e Pobreza Rural (Índia)

• Contexto: Avaliação do efeito de sistemas de pagamento biométrico na pobreza rural.
• Configuração: Amostra experimental possui tratamento e dados de satélite; amostra de validação (não aleatória) possui resultados e dados de satélite; amostra observacional possui resultados e dados de satete.
• Resultado: O método proposto gera estimativas próximas à diferença de médias "oráculo" (usando dados totais de resultados), apesar de usar dados de resultados para apenas um subconjunto de vilarejos. Demonstra potencial significativo para redução de custos de pesquisa.

4.3 Aplicação 2: Pagamentos por Serviços Ecossistêmicos e Queima de Culturas (Índia)

• Contexto: Avaliação de incentivos para reduzir a queima de culturas usando imagens de satélite.
• Configuração: Nenhum resultado experimental está disponível; apenas uma amostra observacional vincula dados de satélite à verdade de campo.
• Resultado: O método comum de duas etapas subestimou o efeito do tratamento em 47%. O método proposto identificou um efeito significativamente maior (redução de 14,1% na queima vs. 7,5% pelo método de duas etapas), corrigindo o viés de atenuação inerente à substituição pós-resultado.

5. Principais Contribuições e Significância

1. Nova Estratégia de Identificação: O artigo fornece o primeiro framework de identificação não paramétrica para efeitos de tratamento que combina dados experimentais e observacionais quando o proxy é uma variável pós-resultado, baseando-se na estabilidade do mecanismo de sensoriamento em vez do mecanismo do resultado.
2. Correção de Vieses Comuns: Demonstra formalmente que o amplamente utilizado método de predição de "duas etapas" sofre de viés de atenuação em configurações pós-resultado, explicando por que muitos estudos existentes podem estar sub-relatando impactos de intervenções.
3. Inferência Robusta: Estabelece que a inferência válida é possível mesmo com modelos de aprendizado de máquina complexos e potencialmente mal especificados, removendo a necessidade de rigorosas condições de taxa frequentemente exigidas no Aprendizado de Máquina Duplo (Double Machine Learning).
4. Diagnósticos Práticos: Introduz restrições de sobredeterminação testáveis para validar as suposições centrais, permitindo que pesquisadores verifiquem violações de estabilidade usando múltiplas representações dos dados de sensoriamento remoto.
5. Ganhos de Eficiência: Ao alavancar instrumentos ótimos que predizem o tratamento e o indicador de amostra, além dos resultados, o método alcança maior precisão do que as abordagens padrão.

O artigo conclui que, embora as variáveis sensoriadas remotamente sejam imperfeitas, elas podem ser usadas rigorosamente para inferência causal se a estabilidade da tecnologia de sensoriamento for plausível. Este framework permite que pesquisadores reduzam significativamente os custos de pesquisa mantendo a validade estatística, particularmente na economia ambiental e do desenvolvimento.