📊 statistics

Principal Stratification with Bayesian Additive Regression Trees for Count-Valued Intermediate Variables: Estimating the Effect of Fertility on Women's Employment

Este artigo introduz uma nova estrutura de Árvores de Regressão Aditivas Bayesianas (BART) para estratificação principal que aborda os desafios de estimar efeitos causais com variáveis intermediárias de valores contados, como a fertilidade, ao modelar de forma flexível a validade do instrumento dependente de covariáveis e a heterogeneidade do efeito, revelando, em última análise, impactos negativos sutis da fertilidade no emprego das mulheres em contextos africanos específicos que métodos tradicionais não conseguem detectar.

Autores originais: Lucas Godoy Garraza, Leontine Alkema

Publicado 2026-08-12

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Lucas Godoy Garraza, Leontine Alkema

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 tentar descobrir por que uma planta para de crescer. É porque a planta é naturalmente pequena ou porque você parou de regá-la? No mundo da ciência, isso é chamado de encontrar um "efeito causal". Mas a vida é bagunçada. Frequentemente, aquilo que pensamos estar causando uma mudança (como ter um bebê) está emaranhado com outras coisas que não podemos ver (como o desejo de uma mãe de trabalhar ou o apoio de sua família). É como tentar sentir o gosto do sal em uma sopa enquanto outra pessoa adiciona simultaneamente pimenta e açúcar.

Para resolver isso, os cientistas usam um truque inteligente chamado "instrumento". Pense em um instrumento como um lançamento de moeda de sorte que altera uma coisa (como o número de filhos que uma mulher tem) sem alterar diretamente a outra (como se ela vai trabalhar). Se o lançamento da moeda for verdadeiramente aleatório, qualquer diferença nos hábitos de trabalho entre os grupos "sortudos" e "azarados" deve ser devido ao número de filhos, e não por outras razões ocultas. No entanto, encontrar um lançamento de moeda perfeito na vida real é incrivelmente difícil. Às vezes, a "moeda" não é nada aleatória; ela depende da idade ou do histórico da pessoa. Quando isso acontece, as antigas ferramentas matemáticas que os cientistas costumam usar falham, entregando respostas borradas ou erradas. Este é o enigma que este artigo tenta resolver: como medir o verdadeiro custo de ter um filho no trabalho de uma mulher, mesmo quando a "moeda da sorte" não é perfeitamente aleatória.

Os autores deste artigo, Lucas Godoy Garraza e Leontine Alkema, decidiram construir uma nova ferramenta superflexível para resolver este enigma. Eles pegaram um método chamado "Estratificação Principal" — que é como separar pessoas em grupos secretos baseados em como elas reagiriam ao lançamento da moeda — e o combinaram com uma poderosa técnica de aprendizado de máquina chamada "Árvores de Regressão Aditiva Bayesiana" (ou BART). Se as ferramentas matemáticas padrão são como uma régua rígida que só consegue medir linhas retas, o BART é como uma fita métrica flexível e elástica que pode torcer e contornar qualquer forma. Eles também ajustaram essa ferramenta para lidar com variáveis de "valores de contagem". Como você não pode ter meio bebê, o número de filhos é um número inteiro (1, 2, 3...), não um deslizamento suave. Sua nova ferramenta, chamada PrinceBART, foi projetada especificamente para lidar com essas contagens de números inteiros, mantendo-se flexível o suficiente para desenredar as relações complexas entre idade, educação e trabalho.

Para testar se sua nova ferramenta realmente funciona, os autores realizaram milhares de simulações computacionais. Eles criaram mundos falsos onde a "moeda da sorte" (a infecundidade, ou a incapacidade de conceber) era complicada e dependia de outros fatores. Nessas simulações, as ferramentas antigas e rígidas frequentemente obtinham a resposta errada ou eram muito instáveis. Em contraste, o PrinceBART encontrou consistentemente a resposta correta, mesmo quando os dados eram bagunçados e os efeitos eram diferentes para diferentes pessoas. Foi como mostrar que, enquanto uma régua rígida poderia quebrar ao tentar medir um rio sinuoso, sua fita mética elástica seguia as curvas perfeitamente.

Quando aplicaram essa nova ferramenta a dados reais da Nigéria, Senegal e Quênia, os resultados foram fascinantes e mostraram que o "custo" de ter um filho não é o mesmo para todos. Na Nigéria, o estudo sugere que ter um filho a mais reduz a chance de uma mulher estar empregada em cerca de 6,3 pontos percentuais. No entanto, no Senegal e no Quênia, os dados não mostraram uma queda clara na média de emprego para todo o país. Mas aqui está a parte mais importante: a média esconde uma grande história. Os autores descobriram que a penalidade por ter um filho está fortemente concentrada entre grupos específicos. Em todos os três países, as mulheres que mais sofrem são as mais jovens e aquelas com menos educação. Por exemplo, na Nigéria, uma mulher com menos de 20 anos e sem instrução enfrenta uma queda massiva nas chances de emprego, enquanto uma mulher mais velha e instruída pode não sofrer queda alguma.

O artigo sugere que essas mulheres mais jovens e com menos instrução provavelmente possuem menos proteções no trabalho ou menos apoio familiar para ajudar no cuidado com as crianças, de modo que um filho extra as força a parar de trabalhar. Mulheres mais velhas ou mais instruídas parecem ser mais capazes de lidar com a responsabilidade extra sem perder seus empregos. Os autores são cuidadosos ao dizer que, embora seu novo método seja muito melhor em encontrar esses padrões ocultos do que as ferramentas antigas, os resultados ainda são baseados em dados de pesquisa e dependem de certas suposições. Eles não provaram essas descobertas com uma varinha mágica, mas suas simulações mostram que seu método é robusto, e sua aplicação no mundo real sugere que o "custo" da fertilidade não é um número único para todos, mas uma história que muda dependendo de quem você é e onde você vive.

Resumo Técnico: Estratificação Principal com Árvores de Regressão Aditiva Bayesiana para Variáveis Intermediárias de Valores de Contagem

Definição do Problema
Estimar o efeito causal da fertilidade sobre o emprego das mulheres é complicado pela determinação conjunta da fertilidade e das decisões no mercado de trabalho, levando ao confundimento por fatores não observados (ex: preferências, poder de barganha doméstica). Embora estratégias de variáveis instrumentais (VI) sejam o padrão, elas enfrentam limitações significativas neste contexto:

Validade Dependente de Covariáveis: Instrumentos como a infecundidade (a incapacidade de conceber) estão fortemente associados à idade e outras covariáveis. Consequentemente, a suposição de independência do instrumento geralmente só se mantém após o condicionamento em covariáveis observadas, não marginalmente.
Inflexibilidade de VIs Padrão: Mínimos Quadrados em Dois Estágios (2SLS), a implementação dominante de VI, baseia-se tipicamente em ajustes de covariáveis aditivos. Essa abordagem falha em acomodar flexivelmente não linearidades e pode falhar em identificar um estimando de complacente claramente interpretável quando a validade do instrumento é dependente de covariáveis.
Estrutura do Tratamento: A fertilidade é uma variável intermediária de valores de contagem (número de filhos). Métodos de VI binários padrão (estratificação principal padrão) não se estendem naturalmente para tratamentos ordenados multivalorados, e aproximações contínuas podem não respeitar a natureza discreta da paridade.
Heterogeneidade: Um único efeito médio de tratamento pode ocultar uma heterogeneidade substancial na forma como filhos adicionais afetam o emprego através de diferentes grupos demográficos (idade, educação, etc.).

Metodologia
Os autores estendem o framework PrinceBART (Estratificação Principal com Árvores de Regressão Aditiva Bayesiana), originalmente projetado para variáveis intermediárias binárias, para configurações com variáveis intermediárias de valores de contagem.

Estrutura Causal: O estudo utiliza a estratificação principal para definir efeitos causais dentro de estratos latentes determinados por como a paridade potencial de uma mulher ( $W(0)$ se fecunda, $W(1)$ se infecunda) responde ao instrumento (infecundidade). O estimando alvo é o Efeito Médio de Tratamento Condicional (CATE) entre mulheres "afetadas" pelo instrumento (aquelas cuja paridade diminuiria em um filho devido à infecundidade).
Modelo Estatístico:
- Modelo de Mistura: A verossimilhança é formulada como um modelo de mistura onde a participação no estrato latente $G^* = \{W(0), W(1)\}$ é não observada para qualquer indivíduo.
- BART para Resultados e Estratos: Árvores de Regressão Aditiva Bayesiana (BART) são usadas para dois componentes:
  1. Modelo de Resultado: Modelagem da probabilidade de emprego ( $Y$ ) como uma função de covariáveis ( $X$ ), o instrumento ( $Z$ ) e paridades potenciais.
  2. Modelo de Estrato: Modelagem da distribuição conjunta das paridades potenciais. Para lidar com a natureza de contagem de $W$ , os autores introduzem uma variável contínua latente $W^*(z)$ modelada via BART, que é então mapeada para contagens discretas via um mecanismo de arredondamento ( $W(z) = \max(0, \lfloor W^*(z) \rfloor)$ ).
- Ajuste de Score de Propensão: Para mitigar o confundimento induzido pela regularização, o score de propensão do instrumento $e(X)$ é estimado via um modelo BART separado e incluído como uma covariável nos modelos principais.
- Suposições de Identificação: A abordagem depende das suposições padrão de VI (não-confundimento condicional, sobreposição, monotonicidade, restrição de exclusão) e uma suposição adicional (independência condicional das paridades potenciais dadas as covariáveis) para identificar a distribuição conjunta de $\{W(0), W(1)\}$ . A validade externa (generalização para uma população alvo) é alcançada via um bootstrap Bayesiano escalonado para reponderar os resultados para a distribuição de covariáveis da população alvo.
Sumarização da Heterogeneidade: Para interpretar CATEs complexos, os autores ajustam uma "árvore rasa substituta" (surrogate shallow tree) à média posterior dos CATEs individuais, identificando subgrupos com efeitos homogêneos.

Principais Contribuições

Extensão Metodológica: O artigo apresenta a primeira adaptação de estratificação principal com BART para variáveis intermediárias de contagem de inteiros não negativos multivalorados, preenchendo a lacuna entre implementações binárias e contínuas.
Estimativa de VI Flexível: O método acomoda validade de instrumento dependente de covariáveis e efeitos de tratamento não lineares sem depender de formas paramétricas restritivas (ex: linearidade) exigidas pelo 2SLS.
Implementação de Software: A abordagem é implementada no pacote R PrinceBART.

Resultos de Simulação
Os autores conduziram simulações comparando o PrinceBART contra estimadores de VI convencionais e flexíveis (2SLS aditivo/interativo/agrupado por bins, DML-PLIV, ponderação $\kappa$ ), sob processos geradores de dados apresentando confundimento não linear, efeitos de tratamento heterogêneos e sobreposição fraca.

Desempenho: O PrinceBART demonstrou um Erro Quadrático Médio (MSE) substancialmente menor do que todos os concorrentes, particularmente em configurações com pequenas amostras, conformidade dependente de covariáveis e efeitos heterogêneos.
Estabilidade: Embora concorrentes como 2SLS-binned e DML-PLIV tenham mostrado melhorias sobre o 2SLS aditivo em designs específicos, eles careceram da estabilidade do PrinceBART em todos os cenários.
Cobertura: O PrinceBART forneceu uma quantificação de incerteza conservadora e válida, com taxas de cobertura consistentemente em ou próximo de 1.00, enquanto outros métodos ocasionalmente caíram abaixo dos níveis nominais sob sobreposição fraca.

Aplicação Empírica
O método foi aplicado a dados do Demographic and Health Survey (DHS) da Nigéria, Senegal e Quênia para estimar o efeito de um filho adicional no emprego das mulheres usando a infecundidade como instrumento.

Efeitos Médios:
- Nigéria: Foi encontrado um efeito negativo médio significativo; um filho adicional reduz a probabilidade de emprego em aproximadamente 6,3 pontos percentuais entre as mulheres afetadas.
- Senegal e Quênia: Nenhum efeito médio claro foi detectado; as estimativas foram estatisticamente indistinguíveis de zero.
- Esses achados foram consistentes com um benchmark de 2SLS ajustado por covariáveis, embora as simulações sugiram que o 2SLS pode não ser robusto em todos os contextos.
Heterogeneidade: Evidência forte de heterogeneidade de efeito foi encontrada em todos os três países. A penalidade de emprego de um filho adicional está concentrada entre mulheres mais jovens e com menor nível de escolaridade.
- Na Nigéria, a penalidade mais acentuada foi entre mulheres não muçulmanas com menos de 20 anos.
- No Quênia e Senegal, os declínios mais pronunciados foram entre mulheres com menos de 18 anos ou sem instrução.
- Mulheres mais velhas ou com maior escolaridade frequentemente não mostraram impacto negativo ou até mesmo leves efeitos positivos.
Generalização: O reponderamento para a população total (PATE) gerou resultados semelhantes aos da população afetada (MATE), sugerindo que as diferenças na distribuição de covariáveis entre o grupo afetado pelo instrumento e a população geral não alteraram materialmente as conclusões.

Significância e Alegações
O artigo alega que, ao combinar estratificação principal com regressão não paramétrica Bayesiana, pesquisadores podem estimar os efeitos causais de tratamentos de valores de contagem enquanto lidam de forma flexível com a validade de instrumentos dependentes de covariáveis e descobrem heterogeneidade de efeito complexa.

Os autores alertam que, embora o 2SLS tenha fornecido resultados consistentes nesta aplicação específica, a evidência de simulação sugere que confiar em especificações de VI lineares padrão pode ser arriscado em configurações com confundimento não linear e efeitos heterogêneos.
O estudo destaca que o "custo" de um filho adicional não é uniforme; ele está fortemente concentrado entre subgrupos vulneráveis (mulheres mais jovens e com menos instrução), uma nuance que abordagens agregadas padrão ocultariam.
Os autores reconhecem limitações, especificamente a dependência de dados transversais e a suposição de não-confundimento condicional, observando que confundidores não observados (ex: riqueza doméstica) ainda poderiam enviesar os resultados. Eles sugerem que dados longitudinais fortaleceriam avaliações futuras.

Mais como este