On Robust Empirical Likelihood for Nonparametric Regression with Application to Regression Discontinuity Designs

Problema

A Verossimilhança Empírica (EL - Empirical Likelihood) é uma poderosa ferramenta de inferência não paramétrica que oferece intervalos de confiança baseados em verossimilhança com propriedades desejáveis, como o respeito a restrições de parâmetros e a posse de distribuições limites do tipo Wilks (assintoticamente $\chi^2$). No entanto, quando aplicada à regressão não paramétrica e ao Design de Descontinuidade de Regressão (RDD) usando suavizadores polinomiais locais, os métodos padrão de EL enfrentam uma limitação crítica: o viés de suavização (smoothing bias).

Para alcançar uma inferência do tipo Wilks válida (onde a razão de EL converge para uma distribuição $\chi^2$ padrão), as abordagens tradicionais exigem o sub-suavizamento (undersmoothing) — a seleção de uma largura de banda $h$ menor do que a taxa ótima para estimativa de pontos. Isso reduz o viés, mas infla a variância, levando a intervalos de confiança excessivamente largos em amostras finitas.

Alternativamente, abordagens de correção de viés tentam estimar e remover o viés. Contudo, o artigo identifica uma falha fundamental nos métodos existentes de EL com correção de viés: eles falham em contabilizar a variabilidade adicional introduzida pela própria estimativa do viés. Consequentemente, quando a razão entre a largura de banda de estimação ($h$) e a largura de banda piloto usada para a correção de viés ($b$) converge para uma constante positiva ($h/b \to \kappa \in (0, 1]$), o fenômeno de Wilks padrão entra em colapso. A razão de EL converge para uma distribuição $\chi^2$ escalonada em vez de uma $\chi^2$ padrão, levando a subcoberturas severas e taxas de erro do Tipo I infladas se os valores críticos padrão forem utilizados.

Metodologia

Os autores propõem um novo framework denominado Verossimilhança Empírica Robusta (Robust EL) para resolver a tensão entre a correção de viés e a preservação do fenômeno de Wilks sob condições realistas de largura de banda ($h/b \to \kappa \in [0, 1]$).

1. Construção de Pesos Robustos:
Em vez de apenas ajustar a razão de EL ou o estimador de ponto, a inovação central reside na construção de novos pesos robustos que são totalmente adaptativos aos dados. Estes pesos alcançam simultaneamente a correção de viés e incorporam a variabilidade do estimador de viés diretamente nas restrições de momento da formulação de EL.

• Pesos Robustos Baseados em Expansão de Taylor ($W^\star$): Derivados ao reexpressar o estimador de viés (baseado em um ajuste quadrático local) dentro da restrição de momento de EL. Isso trata efetivamente o estimador de viés como uma função das probabilidades de reamostragem ($p_i$), em vez de constantes fixas.
• Pesos Robustos Baseados em Diferenças ($W^\ddagger$): Construídos de forma semelhante usando uma abordagem direta de diferença para a estimação do viés, garantindo que a variabilidade do estimador de diferença seja capturada.

2. Razões de EL Robustas:
Usando esses novos pesos, os autores definem duas funções de razão de EL robusta:

• $l_{TR}(\theta)$: Razão de EL Robusta baseada em expansão de Taylor.
• $l_{DR}(\theta)$: Razão de EL Robusta baseada em diferenças.

3. Extensão para RDD:
O framework é estendido tanto para configurações de RDD Nítido (Sharp) quanto Difuso (Fuzzy).

• Para RDD Nítido, o método constrói pesos robustos para os grupos de tratamento e controle separadamente para estimar o efeito do tratamento $\tau_S$.
• Para RDD Difuso, o método lida com a razão de descontinuidades nos resultados e nas probabilidades de tratamento, construindo pesos robustos para todos os componentes ($Y$ e $T$) para estimar $\tau_F$.

4. Framework Teórico:
O artigo adota o framework assintótico refinado de Calonico et al. (2014), onde $h/b \to \kappa \in [0, 1]$. Sob condições de regularidade padrão, os autores provam que tanto $l_{TR}$ quanto $l_{DR}$ convergem para uma distribuição $\chi^2_1$ padrão, independentemente de $\kappa = 0$ (sub-suavizamento) ou $\kappa > 0$ (regime de correção de viés).

Principais Contribuições

1. Inovação Metodológica: O artigo é pioneiro em um framework de inferência de EL com correção de viés baseado em pesos robustos totalmente adaptativos aos dados. Ao contrário de métodos anteriores que ajustam a razão post-hoc, esta abordagem integra a correção de viés e sua variabilidade associada diretamente no esquema de ponderação da formulação de EL.
2. Validade Teórica: Os autores estabelecem que o fenômeno de Wilks se mantém sob a condição mais geral e praticamente relevante de $h/b \to \kappa \in [0, 1]$. Isso permite a construção de intervalos de confiança válidos usando valores críticos $\chi^2$ padrão sem exigir o sub-suavizamento.
3. Aplicação a RDD: O framework é estendido perfeitamente para RDD Nítido e Difuso, fornecendo os primeiros procedimentos de EL robustos para estas configurações que mantêm propriedades pivotais sem a necessidade de ajustes de escala complexos ou etapas adicionais de estimação de variância.
4. Análise de Segunda Ordem: O artigo explora propriedades assintóticas de segunda ordem, observando que, embora o método atual melhore as taxas de erro de cobertura em comparação com a EL original, modificações adicionais podem ser necessárias para igualar as taxas de erro de cobertura ótimas dos estimadores do tipo Wald com correção de viés.

Resultados

Estudos de Simulação:
Simulações extensas foram realizadas para regressão não paramétrica e configurações de RDD Nítido.

• Cobertura e Tamanho: Os métodos de EL Robusta propostos (TR e DR) alcançam consistentemente probabilidades de cobertura empírica próximas ao nível nominal (95%) e tamanhos empíricos corretos através de uma ampla gama de escolhas de largura de banda ($h$) e razões de largura de banda piloto ($b/h$).
• Comparação:
  • EL Original (Sub-suavizamento): Sofreu de subcobertura severa quando $h$ não era suficientemente pequeno, e produziu intervalos mais largos devido à alta variância.
  • EL com Correção de Viés Convencional (TB/DB): Demonstrou subcobertura significativa e inflação de erros do Tipo I quando $h/b \not\to 0$, confirmando a falha teórica da aproximação de Wilks nesses regimes.
  • EL Robusta vs. Tipo Wald (CCF): O método de EL Robusta proposto apresentou desempenho comparável ou superior ao método Wald robusto com correção de viés (Calonico et al., 2014) em termos de precisão de cobertura, frequentemente produzindo intervalos de confiança mais curtos.
• Eficiência Computacional: Embora os métodos de EL sejam computacionalmente mais intensivos do que os métodos de Wald devido à inversão numérica, os algoritmos propostos (usando métodos de Newton-Lagrange) construíram intervalos de confiança em menos de 0,5 segundos para tamanhos de amostra moderados, tornando-os praticáveis.

Aplicações com Dados Reais:
O artigo aplica os métodos propostos a dois conjuntos de dados reais (detalhes na Seção 6 do artigo completo, resumidos como ilustrativos). Os resultados demonstram a utilidade prática do método, mostrando que ele fornece inferência confiável sem a necessidade de um ajuste delicado de largura de banda ou sub-suavizamento.

Significância e Alegações

O artigo afirma fornecer uma "solução satisfatória" para um desafio de longa data na literatura de EL: como incorporar a correção de viés retendo a calibração do tipo Wilks, livre de distribuição, da Verossimilhança Empírica.

• Robustez à Seleção de Largura de Banda: A principal significância é a eliminação da necessidade de sub-suavizamento. Pesquisadores agora podem usar larguras de banda que equilibram viés e variância de forma ótima para a estimação de pontos (ou ligeiramente maiores) sem sacrificar a validade dos intervalos de confiança.
• Simplicidade e Flexibilidade: O método evita a implementação trabalhosa de fatores de escala ou etapas separadas de estimação de variância exigidas por outras abordagens de EL com correção de viés. Ele preserva o apelo de "baseado em verossimilhança" da EL.
• Rigor Teórico: Ao provar que o fenômeno de Wilks se mantém sob o framework assintótico refinado ($h/b \to \kappa$), o artigo preenche a lacuna entre a otimalidade teórica e a implementação prática na inferência não paramétrica.

Os autores notam modestamente que, embora seu método alcance uma taxa de erro de cobertura de $O(nh^7 + h^2 + (nh)^{-1})$, o que é uma melhoria em relação à EL original, ele ainda não iguala a taxa $O(nh^7 + h^3 + (nh)^{-1})$ dos melhores estimadores do tipo Wald. Eles sugerem que modificações metodológicas adicionais poderiam potencialmente alcançar essa taxa ótima, deixando isso como uma direção para pesquisas futuras.