📈 economics

Randomization Inference in Two-Sided Market Experiments

Este artigo desenvolve um quadro de inferência por randomização para experimentos em mercados de dois lados, propondo um estimador de variância de dois vias que garante a validade assintótica e métodos para aumentar o poder estatístico na detecção de efeitos de transbordamento.

Autores originais: Jizhou Liu, Azeem M. Shaikh, Panos Toulis

Publicado 2026-03-30

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Jizhou Liu, Azeem M. Shaikh, Panos Toulis

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você é o dono de um grande mercado online, como um "Mercado Livre" ou "Amazon", onde há Compradores e Vendedores.

Você quer testar uma nova política: "Se o comprador tiver frete grátis E o vendedor também tiver desconto, a venda acontece mais rápido?".

O problema é que esse mercado é um sistema de duas faces. Se você mudar algo para os compradores, isso afeta os vendedores, e vice-versa. Eles estão todos conectados. Se você testar isso de forma tradicional (como se fosse um teste de remédio em pacientes isolados), você vai se confundir, porque a "interferência" é enorme: o que acontece com o vendedor A depende do que o comprador B fez, e não apenas do tratamento que o vendedor A recebeu.

Os autores deste artigo (Liu, Shaikh e Toulis) criaram um novo método de "detetive estatístico" para resolver esse quebra-cabeça. Vamos explicar como eles fazem isso usando analogias simples:

1. O Problema: O Efeito Dominó

Em um mercado de duas faces, as coisas são complicadas.

O Cenário: Imagine que você tem 100 compradores e 100 vendedores.
A Tentação: Você tenta dar um desconto para metade dos compradores e metade dos vendedores.
O Caos: Se um comprador com desconto tenta comprar de um vendedor sem desconto, o que acontece? A transação é diferente? O preço muda?
A Falha dos Métodos Antigos: Os métodos antigos assumem que cada pessoa é uma ilha. Eles não conseguem separar o que é efeito do "frete grátis" do que é efeito do "vendedor estar feliz".

2. A Solução: O "Jogo de Permutação" (Randomização)

Os autores propõem usar a lógica do Fisherian Randomization Test (Teste de Randomização de Fisher). Pense nisso como um jogo de cartas.

Em vez de tentar calcular fórmulas complexas de probabilidade que podem falhar, eles dizem: "Vamos simular milhares de mundos alternativos onde mudamos quem recebeu o tratamento, mas mantemos as regras do jogo."

Eles usam duas estratégias principais, dependendo do que você quer saber:

A. Testando o "Efeito Colateral" (Spillover)

A Pergunta: "O fato de o comprador ter recebido o tratamento mudou a vida do vendedor, mesmo que o vendedor não tenha recebido nada?"
A Analogia do "Muro de Contenção": Para testar isso, os autores dizem: "Vamos congelar todos os vendedores. Vamos deixar eles todos 'sem tratamento' (como se estivessem trancados em uma sala). Agora, vamos embaralhar aleatoriamente os compradores dentro dessa sala."
Por que funciona? Como os vendedores estão todos iguais (sem tratamento), qualquer diferença que você ver nos resultados só pode ser culpa dos compradores. É como se você estivesse testando se o vento (comprador) move a areia (vendedor), mantendo a areia parada.

B. Testando o "Efeito Total"

A Pergunta: "O que acontece quando ambos (comprador e vendedor) recebem o tratamento, comparado a quando nenhum recebe?"
A Analogia dos "Blocos de Lego": Aqui, eles dividem o mercado em pequenos blocos quadrados (como um tabuleiro de xadrez). Dentro de cada quadrado, eles garantem que todos os compradores e vendedores sejam iguais (ou todos tratados, ou nenhum).
O Truque: Eles embaralham esses blocos inteiros. É como se você tivesse 10 caixas de brinquedos. Em vez de mexer nos brinquedos dentro da caixa, você troca as caixas inteiras de lugar. Isso permite ver o efeito combinado sem perder a precisão.

3. O Desafio do "Mundo Real" (Hipóteses Fracas)

Até aqui, tudo bem se o efeito for zero ou não-zero de forma clara. Mas e se o efeito for pequeno e variável? (O que chamam de "hipótese fraca").

O Problema do "Cálculo Errado": Os estatísticos usam uma ferramenta chamada "studentização" (basicamente, ajustar o cálculo para o tamanho da amostra e a variabilidade). O método tradicional (Neyman) funciona bem em testes simples, mas falha nesse mercado de duas faces quando você quer saber o efeito global (de todo o mercado).
Por que falha? Imagine que você está medindo a altura de uma turma. Se você só medir os meninos, a média pode estar certa para os meninos, mas errada para a turma toda se as meninas forem muito diferentes. No mercado de duas faces, a variação dos vendedores cria um "ruído" extra que o método tradicional ignora.
A Solução Criativa (Estimador de Duas Vias): Os autores inventaram um novo "termômetro" (estimador de variância). Em vez de medir apenas a variação dos compradores, eles medem simultaneamente a variação dos compradores E a variação dos vendedores.
- Analogia: É como se, para medir a temperatura de uma sopa, você não olhasse apenas para a panela, mas também para o fogão e para a tampa. Eles criaram uma fórmula que "absorve" o ruído extra que vem da segunda face do mercado, garantindo que o teste não dê falsos positivos (não diga que há efeito quando não há).

4. A Prova de Fogo (Simulações e Dados Reais)

Eles não ficaram só na teoria.

Simulações: Rodaram milhares de computadores simulando mercados virtuais. O resultado? O método deles funcionou perfeitamente, mantendo a precisão onde os métodos antigos erravam.
Caso Real: Eles aplicaram isso em um estudo real sobre microcrédito no Nepal.
- O Cenário: Eles queriam saber se dar uma conta de poupança para uma família ajudava a criar laços financeiros com outras famílias (quem empresta para quem).
- A Aplicação: Eles trataram as famílias que sofreram choques (como morte de gado) como "compradores" (precisam de ajuda) e as outras como "vendedores" (podem emprestar).
- O Resultado: O teste mostrou que, naquele contexto específico, oferecer a conta de poupança não mudou significativamente quem emprestava dinheiro para quem. O método deles foi capaz de dizer isso com confiança, enquanto métodos tradicionais poderiam ter dado resultados confusos.

Resumo em uma Frase

Este paper ensina como fazer testes científicos em mercados onde compradores e vendedores se influenciam mutuamente, criando um novo "regras do jogo" (randomização condicional) e um novo "termômetro" (estimador de duas vias) para garantir que as conclusões sobre políticas públicas sejam verdadeiras e não apenas ilusões estatísticas.

É como aprender a medir o vento em um furacão sem se perder no caos: você precisa congelar partes do furacão e medir a interação de forma inteligente.

Resumo Técnico: Inferência por Randomização em Experimentos de Mercado Bilateral

1. O Problema

Experimentos randomizados são amplamente utilizados para avaliar políticas em plataformas de mercado bilaterais (como mercados de compra e venda, streaming, etc.). No entanto, a estrutura tradicional de experimentos falha nesses ambientes devido ao interferência de mercado (ou market interference).

Desafio Central: Em um mercado bilateral, o tratamento aplicado a um grupo (ex: compradores) pode afetar os resultados de unidades não tratadas (ex: vendedores) e vice-versa. A intervenção em uma transação específica depende frequentemente do estado de tratamento de ambas as partes (comprador e vendedor).
Limitação dos Métodos Atuais:
- Os testes de randomização clássicos (Fisherianos) exigem hipóteses nulas "agudas" (sharp nulls), onde todos os potenciais resultados são conhecidos sob a hipótese nula. Em mercados bilaterais, as hipóteses de interesse (efeitos de transbordamento) não são agudas, pois não permitem imputar todos os resultados potenciais.
- Os métodos de inferência baseados em Neyman (assintóticos) frequentemente utilizam studentização (padronização de estatísticas de teste com estimativas de variância) para validar hipóteses nulas "fracas" (weak nulls). O artigo demonstra que a studentização padrão de estilo Neyman pode falhar em controlar o tamanho do teste (taxa de erro Tipo I) em designs bilaterais devido à variância adicional introduzida pela randomização independente em ambos os lados do mercado.

2. Metodologia Proposta

Os autores desenvolvem um framework de Inferência por Randomização (Randomization Inference) adaptado especificamente para designs de randomização múltipla em mercados bilaterais.

A. Estrutura do Design
O modelo considera $I$ compradores e $J$ vendedores. O tratamento é atribuído independentemente a compradores ( $w^B$ ) e vendedores ( $w^S$ ). Uma transação $(i, j)$ é considerada "tratada" apenas se ambos $w^B_i = 1$ e $w^S_j = 1$ . O resultado observado $Y_{i,j}$ depende do estado de tratamento do par e das frações tratadas de cada lado (interferência local).

B. Testes para Hipóteses Nulas Agudas (Sharp Nulls)
Para testar a ausência de efeitos de transbordamento (spillovers) e efeitos totais, os autores propõem Testes de Randomização Condicional:

Hipóteses de Transbordamento (Spillover): Testam se o tratamento de compradores afeta pares com vendedores não tratados (e vice-versa).
- Método: Condiciona-se no conjunto de unidades de controle de um lado (ex: vendedores não tratados) e randomiza-se o outro lado (compradores). Sob simetria de design, isso se reduz a um teste de permutação computacionalmente eficiente.
Hipótese de Efeito Total: Testa a diferença entre pares totalmente tratados e totalmente não tratados.
- Método: Utiliza um Evento de Condicionamento em Blocos ( $k$ -Block). O espaço de amostragem é particionado em blocos diagonais onde unidades dentro do bloco compartilham o mesmo status de tratamento. A randomização ocorre permutando os tratamentos entre esses blocos.
- Compromisso (Trade-off): Existe um trade-off entre o tamanho da amostra (blocos maiores) e o suporte da distribuição de randomização (número de permutações possíveis, maior com blocos menores). Os autores fornecem heurísticas para selecionar o tamanho do bloco $k$ que maximiza o poder estatístico.

C. Testes para Hipótesias Nulas Fracas (Weak Nulls)
Para testar efeitos médios populacionais (hipóteses nulas fracas), os autores investigam a validade assintótica de testes studentizados:

Falha da Studentização Padrão: Mostram que a variância de Neyman padrão (baseada apenas na variação de um lado) é insuficiente para hipóteses nulas globais (média populacional). A randomização no lado "não focal" (ex: vendedores) introduz uma variância de amostragem adicional que não é capturada pelo estimador padrão, levando à rejeição excessiva (over-rejection).
Solução Proposta: Variância Bidirecional (Two-Way Variance Estimator):
- Propõem um estimador de variância modificado que soma a variância de Neyman padrão (lado comprador) a um termo adicional que estima a variabilidade induzida pela randomização do outro lado (vendedores).
- Este estimador assemelha-se a uma versão baseada em design de um erro-robusto de cluster bidirecional.
- Resultado Teórico: A estatística studentizada com essa variância bidirecional restaura a validade assintótica para hipóteses nulas globais, absorvendo a variância extra da randomização dupla.

3. Principais Contribuições

Framework de Teste Condicional para Mercados Bilaterais: Adaptação rigorosa dos testes de Fisher para hipóteses não agudas em ambientes de interferência complexa, garantindo validade em amostras finitas.
Identificação de Falhas na Studentização Padrão: Evidência teórica e empírica de que métodos comuns de inferência assintótica (Neyman-style) falham em designs bilaterais para hipóteses globais devido à dependência cruzada.
Novo Estimador de Variância: Desenvolvimento de um estimador de variância "two-way" que corrige o viés de tamanho, permitindo testes válidos para efeitos médios populacionais.
Otimização de Poder: Análise detalhada do trade-off entre o tamanho do bloco e o poder do teste em designs condicionais, oferecendo diretrizes práticas para implementação.
Validação Empírica: Demonstração através de simulações extensas e uma aplicação em dados reais de um experimento de microcrédito e poupança no Nepal.

4. Resultados

Simulações (Hipóteses Agudas): Os testes de randomização condicional (FRT) mantêm o nível nominal de significância (5%) sob hipóteses nulas agudas, enquanto métodos Neymanianos conservadores tendem a ser excessivamente conservadores. O poder dos testes FRT é superior ao dos métodos Neymanianos para efeitos de transbordamento.
Simulações (Hipóteses Fracas):
- Sob hipóteses nulas específicas por vendedor (seller-specific), a studentização padrão funciona.
- Sob hipóteses nulas globais (population average), a studentização padrão falha (rejeição excessiva).
- A studentização bidirecional proposta controla corretamente o tamanho do teste (rejeição próxima a 5%) em todos os cenários, validando a teoria.
Aplicação Empírica (Comola e Prina, 2021):
- Aplicado a um experimento de contas de poupança em vilarejos do Nepal, onde a rede de empréstimos informais foi analisada.
- Os autores reestruturaram os dados como um experimento bilateral (famílias com choques = compradores; sem choques = vendedores).
- Conclusão: Não houve evidência estatística de que o acesso a contas de poupança alterou significativamente as conexões de rede financeira ou a troca de empréstimos, corroborando a ideia de que o acesso isolado não é suficiente para mudar comportamentos financeiros sem outros fatores contextuais.

5. Significado e Impacto

Este trabalho é fundamental para a economia experimental e a ciência de dados em plataformas digitais.

Para Pesquisadores: Oferece um guia rigoroso para analisar experimentos em mercados onde a interferência é inevitável, evitando conclusões falsas derivadas de métodos de inferência inadequados.
Para Praticantes de Indústria: Fornece ferramentas para empresas (como Uber, Airbnb, Amazon) realizarem testes A/B em mercados bilaterais com validade estatística garantida, especialmente ao avaliar efeitos de rede e spillovers.
Avanço Teórico: Resolve a questão da validade assintótica em designs de randomização múltipla, estendendo a teoria de inferência causal para além do SUTVA (Stable Unit Treatment Value Assumption) tradicional.

Em suma, o artigo estabelece um novo padrão para a inferência causal em ambientes de mercado complexo, combinando a exatidão de testes de randomização finita com a robustez assintótica necessária para grandes conjuntos de dados.