📊 statistics

Sensitivity of weighted least squares estimators to omitted variables

Este artigo introduz uma estrutura de análise de sensibilidade livre de distribuição para estimadores de mínimos quadrados ponderados que quantifica o impacto do confundimento não observado em estimativas de efeito causal usando estatísticas intuitivas de $R^2$ parcial ponderado e fornece limites formais e procedimentos de inferência ajustados aplicáveis a qualquer esquema de ponderação não negativo.

Autores originais: Leonard Wainstein, Chad Hazlett

Publicado 2026-08-19

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Leonard Wainstein, Chad Hazlett

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

No mundo das ciências sociais, os pesquisadores frequentemente tentam responder a uma pergunta simples, mas persistente: um evento específico causa uma mudança específica nas vidas das pessoas? Imagine tentar entender se vivenciar a violência altera o desejo de uma pessoa pela paz. Em um experimento perfeito, cientistas atribuiriam aleatoriamente algumas pessoas ao enfrentamento da violência e outras à permanência em segurança, para então comparar suas atitudes. Essa atribuição aleatória garante que os dois grupos sejam idênticos em todos os outros aspectos, de modo que qualquer diferença em suas visões possa ser atribuída unicamente à violência. No entanto, no mundo real, não podemos forçar as pessoas a tais situações. Podemos apenas observar o que já aconteceu. Isso cria um problema: as pessoas que vivenciaram a violência poderiam ser diferentes daquelas que não vivenciaram antes mesmo do evento começar. Talvez elas vivessem em aldeias mais perigosas, ou talvez seu gênero as tornasse mais propensas a serem alvo. Essas diferenças pré-existentes são chamadas de confundidores. Se os pesquisadores não levarem esses fatores em conta, podem erroneamente pensar que a violência causou uma mudança de atitude, quando, na realidade, a mudança era apenas um reflexo de quem aquelas pessoas eram desde o início.

Para corrigir isso, os cientistas utilizam uma técnica chamada ponderação. Eles observam as pessoas que estudaram e lhes atribuem uma importância numérica, ou pesos, para fazer com que o grupo que vivenciou a violência pareça estatisticamente idêntico ao grupo que não vivenciou, em relação a todos os fatores conhecidos, como idade, gênero e tamanho da aldeia. Uma vez que os grupos estão equilibrados, eles podem comparar seus resultados com muito mais confiança. Mas uma dúvida persistente permanece: e quanto às coisas que não medimos? E se houver um fator oculto, algo sobre o qual os pesquisadores nunca perguntaram, que influenciou tanto quem foi ferido quanto como essas pessoas se sentem em relação à paz? Se tal fator oculto existir, toda a conclusão poderá estar errada. Durante anos, verificar essa influência oculta foi difícil, especialmente ao usar esses métodos complexos de ponderação. Os pesquisadores precisavam de uma maneira de perguntar: "Quão forte um fator oculto teria que ser para mudar completamente nossa conclusão?"

Leonard Wainstein e Chad Hazlett desenvolveram um novo conjunto de ferramentas para responder exatamente a essa pergunta. Eles criaram um método para testar a sensibilidade de estudos ponderados à confusão não observada. A abordagem deles é distinta porque não tenta adivinhar como o fator oculto alteraria os pesos em si. Em vez disso, faz uma pergunta mais simples e direta: se tivéssemos incluído este fator oculto em nosso cálculo final, o quanto nosso resultado mudaria? Eles descobriram que a resposta depende de apenas dois números intuitivos. O primeiro é o quanto o fator oculto explica a diferença entre os grupos em relação a quem foi tratado. O segundo é o quanto o fator oculto explica a diferença no resultado após considerar todo o restante. Esses dois números funcionam como um controle deslizante. Os pesquisadores podem girar o controle para ver quão forte um fator oculto precisaria ser para fazer seu resultado desaparecer ou inverter os sinais.

Os autores testaram suas ferramentas em um estudo do mundo real referente ao conflito de Darfur. Neste estudo, os pesquisadores examinaram se a exposição direta à violência por forças governamentais e milícias alterou as atitudes dos refugiados em relação à paz. A análise original sugeriu que aqueles que sofreram danos diretos eram, na verdade, mais propensos a apoiar a paz. Os pesquisadores já haviam usado a ponderação para equilibrar os grupos com base em fatores conhecidos como gênero e localização da aldeia. Wainstein e Hazlett aplicaram suas novas ferramentas de sensibilidade a esses dados. Eles perguntaram: quão forte um fator não medido precisaria ser para desfazer essa descoberta? Eles usaram o "gênero" como um parâmetro, um fator conhecido que influencia fortemente tanto quem é ferido quanto como as pessoas se sentem sobre a paz. Eles descobriram que, para a conclusão mudar, um fator não medido precisaria ser tão forte quanto o gênero em prever quem é ferido, e tão forte quanto o gênero em prever o resultado. Quando simularam um fator oculto com esse nível de influência, o resultado permaneceu positivo e estatisticamente significativo. A conclusão se manteve.

Essa robustez não se limitou a uma forma específica de calcular os pesos. Os autores testaram seu método através de três abordagens diferentes: uma que usava modelos estatísticos para estimar a probabilidade de ser tratado, outra que combinava indivíduos um a um com base em suas semelhanças, e uma terceira que forçava matematicamente os grupos a terem médias idênticas para certos traços. Em todos os casos, a descoberta de que a exposição à violência aumentou o apoio à paz provou ser resiliente. Mesmo quando imaginaram um fator oculto duas vezes mais forte que o gênero em prever quem sofreu a violência, o resultado ainda apontava na mesma direção, embora a certeza da descoberta tenha se tornado ligeiramente mais fraca. As ferramentas também revelaram que, em alguns cenários de pareamento, o fator oculto precisaria ser bastante poderoso para reverter os resultados, mas em outros, a margem de erro era mais estreita.

O valor deste trabalho reside em sua transparência e flexibilidade. Métodos anteriores para verificar o viés oculto frequentemente exigiam que os pesquisadores fizessem suposições pesadas sobre a forma dos dados ou a natureza do fator oculto. Estas novas ferramentas não exigem tais suposições. Elas funcionam com quaisquer pesos não negativos, venham eles de pareamento, equilíbrio estatístico ou outros métodos. Os pesquisadores também forneceram um pacote de software que permite que outros cientistas apliquem facilmente esses testes aos seus próprios trabalhos. Ao transformar o medo abstrato do "viés oculto" em um cálculo concreto, eles permitem que os pesquisadores digam com clareza: "Nossa conclusão é robusta a qualquer fator oculto que não seja mais forte que X". No estudo de Darfur, isso significou que a ligação entre a violência e o desejo de paz não foi um acaso estatístico, mas uma descoberta que poderia resistir ao escrutínio de uma influência poderosa e invisível. O trabalho não prova que nenhum fator oculto existe, mas fornece uma maneira rigorosa de medir o quanto esses fatores precisariam importar para mudar a história.

Resumo Técnico: Sensibilidade de Estimadores de Mínimos Quadrados Ponderados à Omissão de Variáveis

Problema
Em estudos observacionais, pesquisadores frequentemente utilizam esquemas de ponderação (ex: ponderação por escore de propensão inverso, pareamento, balanceamento de covariáveis) para reduzir a dependência de modelos lineares estimados e equilibrar covariáveis observadas ( $X$ ) entre os grupos de tratamento ( $D$ ) e controle. Após a ponderação, as estimativas de efeitos causais são tipicamente derivadas via regressão linear ponderada de $Y$ sobre $D$ e $X$ . No entanto, uma preocupação primária permanece sendo o potencial de confusão não observada ( $Z$ ) para induzir viés, independentemente da tecnologia de ponderação utilizada. Os métodos existentes de análise de sensibilidade para estimadores ponderados frequentemente exigem que os pesquisadores modelem como a presença de $Z$ alteraria os próprios pesos (ex: como o modelo de escore de propensão mudaria). Essa abordagem é complexa, muitas vezes exigindo suposições distributivas específicas e limitando a aplicabilidade a métodos de ponderação específicos.

Metodologia
Os autores propõem um framework de análise de sensibilidade que desacopla a avaliação da confusão não observada da geração dos pesos. Em vez de perguntar como $Z$ mudaria os pesos, o método pergunta como a inclusão de $Z$ como um regressor no modelo de resultado ponderado alteraria o efeito de tratamento estimado ( $\hat{\tau}_{wls}$ ), mantendo os pesos originais fixos.

O cerne da metodologia baseia-se no framework de Viés de Variável Omitida (OVB) adaptado para mínimos quadrados ponderados. O viés do estimador ponderado é mostrado como uma função de dois parâmetros de sensibilidade intuitivos e limitados:

$\hat{R}^2_w(D \sim Z | X)$ : A proporção da variância ponderada no tratamento explicada por $Z$ dado os covariáveis observados.
$\hat{R}^2_w(Y \sim Z | D, X)$ : A proporção da variância ponderada no resultado explicada por $Z$ dado o tratamento e os covariáveis observados.

Esses parâmetros representam a força da relação entre o confundidor não observado e o tratamento/resultado dentro da distribuição empírica ponderada.

Para facilitar o relato rotineiro e o benchmarking, os autores estendem o "valor de robustez" (RV) e as estatísticas de "cenário extremo" propostos por Cinelli e Hazlett (2020) para o contexto ponderado. Eles introduzem um procedimento de benchmarking inovador que compara a força de um hipotético $Z$ com a de uma covariável observada $X^{(j)}$ . Isso envolve:

Construir "semi-pesos" ( $w^{(-j)}$ ) aplicando o procedimento de ponderação enquanto se omite $X^{(j)}$ .
Definir parâmetros de força relativa ( $\kappa$ ) que quantificam o quanto $Z$ é mais forte que $X^{(j)}$ na predição de $D$ e $Y$ dentro das distribuições ponderadas e semi-ponderadas.
Abordar o desafio de que a ponderação frequentemente torna $D$ e $X$ não correlacionados (tornando o benchmarking padrão inviável) utilizando a distribuição semi-ponderada onde $D$ e $X^{(j)}$ retêm correlação.

Para inferência, o artigo propõe três opções para calcular erros padrão ajustados e intervalos de confiança:

Bootstrap de Pares com Re-estimação de Pesos: Adequado para pesos suaves (ex: escores de propensão) sob um framework de superpopulação.
Bootstrap de Pesos Fixos: Uma abordagem híbrida para delineamentos fixos, reamostrando unidades enquanto mantém os pesos fixos.
Coeficiente Implícito de Forma Fechada: Um estimador de forma fechada semelhante ao OVB não ponderado, requerendo uma suposição de "Encolhimento Uniforme" (Uniform Shrinkage) sobre como os resíduos mudam ao incluir $Z$ .

Principais Contribuições

Aplicabilidade Geral: As ferramentas aplicam-se a qualquer esquema de ponderação não negativo (escores de propensão, pesos de balanceamento, pareamento, estratificação) sem exigir suposições sobre a origem dos pesos ou como eles mudariam se $Z$ fosse observado.
Suposições Livres de Distribuição: A abordagem não impõe suposições distributivas sobre $Z$ ou sobre os dados, nem exige suposições sobre o número de confundidores não observados.
Tratamento de Especificação Incorreta: O framework pode abordar tanto o viés de identificação (confusão não observada) quanto o viés de especificação (formas funcionais especificadas incorretamente) ao tratar $Z$ como um proxy para qualquer variável omitida ou função que corrija o modelo.
Implementação de Software: Os autores fornecem o pacote R sensewls para implementar esses métodos.

Resultados e Aplicação
Os autores demonstram a utilidade de suas ferramentas usando dados de Hazlett (2020a) referentes ao efeito da exposição à violência em Darfur sobre as atitudes em relação à paz. Eles aplicam a análise de sensibilidade a três distintas estratégias de ponderação:

Ponderação por Escore de Propensão Inverso (ATE): Os resultados mostram que a estimativa é robusta à confusão não observada tão forte quanto a covariável observada "gênero".
Pareamento por Escore de Propensão (ATT): Os autores mostram como o procedimento de benchmarking se adapta quando os pesos e semi-pesos diferem significativamente (ex: devido ao pareamento em diferentes subconjuntos de covariáveis). Eles descobrem que a estimativa é sensível a uma confusão duas vezes mais forte que gênero/idade em relação ao tratamento.
Pareamento Exato e Balanceamento de Média (ATT): As ferramentas são aplicadas ao pareamento exato sobre vila e gênero, e ao balanceamento de entropia máxima. Em todos os casos, os autores determinam com sucesso os parâmetros de sensibilidade e determinam a robustez da significância estatística do efeito de tratamento.

Significância e Alegações
O artigo afirma que, ao focar exclusivamente na sensibilidade do passo de regressão ponderada em vez dos pesos em si, os pesquisadores ganham uma ferramenta poderosa e generalizável para avaliar a robustez. Os autores argumentam que sua abordagem oferece uma "contribuição significativa" em termos de interpretabilidade, particularmente através do uso de parâmetros $\hat{R}^2_w$ que são limitados entre 0 e 1, contrastando com medidas baseadas em razão de chances (odds-ratio) não limitadas, como os limites de Rosenbaum.

Os autores são modestos quanto às limitações, observando que:

O procedimento de benchmarking para $\hat{R}^2_w(D \sim Z | X)$ pode ser desafiador quando as distribuições ponderadas e semi-ponderadas diferem drasticamente, exigindo que os investigadores considerem forças relativas maiores para $Z$ .
As opções de inferência ajustada para delineamentos fixos (Opções 2 e 3) possuem trocas (trade-offs) entre conservadorismo e dependência de suposições (ex: encolhimento uniforme dos resíduos).
As ferramentas são atualmente desenhadas para mínimos quadrados ponderados e diferença de médias ponderada, embora mencionem potenciais extensões para estimadores aumentados e métodos de controle sintético como direções futuras.

Em última análise, o artigo posiciona essas ferramentas como um padrão de relato rotineiro que permite aos investigadores delimitar formalmente a força da confusão não observada em relação às covariáveis observadas através de uma ampla variedade de estratégias de inferência causal baseadas em ponderação.

Mais como este