Estimation and exclusion restrictions in clustered linear models

Este artigo propõe um estimador de variáveis instrumentais corretamente centrado para modelos de regressão linear com dados agrupados e controles de alta dimensão, permitindo inferência robusta em cenários com restrições de exclusão complexas e dependência intra-agrupamento, como ilustrado em um estudo sobre intervenções fiscais no Quênia.

O essencial

Imagine que você é um pesquisador tentando descobrir se um novo remédio (ou uma política pública) realmente funciona. Você reúne dados de muitas pessoas, mas percebe que elas não são ilhas isoladas; elas vivem em comunidades, frequentam as mesmas escolas ou estão conectadas por redes sociais.

O problema é que, nessas comunidades, as coisas acontecem de forma "grudada". Se o vizinho fica doente, você pode ficar também (não por causa do remédio, mas por causa da gripe). Se um vilarejo recebe dinheiro, o vilarejo vizinho pode se beneficiar sem ter recebido nada. Isso é chamado de interferência ou dependência em cluster.

Aqui está o que os autores deste artigo (Mikusheva, Sølvsten e Jing) descobriram, explicado de forma simples:

1. O Problema: A "Máquina de Fazer Café" Quebrada

Imagine que você quer medir o efeito de um remédio. Você usa uma máquina de estatística comum (chamada OLS, ou Mínimos Quadrados Ordinários) que funciona como uma máquina de fazer café: você coloca os grãos (dados) e a água, e ela te dá o café (o resultado).

• Em um mundo perfeito: Cada grão é independente. A máquina funciona perfeitamente.
• No mundo real (com clusters): Os grãos estão grudados uns nos outros. Se um grão está molhado, o vizinho também está. Quando você usa a máquina comum com dados "grudados", ela começa a fazer um café amargo e azedo. O resultado fica viciado (tende a errar sistematicamente).

Esse viés acontece porque a máquina tenta ignorar o fato de que o "passado" de um grupo pode influenciar o "futuro" dele, ou que o vizinho influencia o seu resultado.

2. A Solução: O "Filtro Inteligente" (Instrumento Interno)

Os autores criaram uma nova máquina, um Filtro Inteligente. Em vez de tentar analisar todos os dados de uma vez, essa máquina faz algo muito astuto:

• A Regra de Ouro: Para analisar o resultado de uma pessoa (ou vila), a máquina ignora os dados de pessoas que estão "grudadas" de forma suspeita.
• A Analogia do Jogo de Tabuleiro: Imagine que você está tentando adivinhar a estratégia de um jogador. Se você olhar para o tabuleiro inteiro, fica confuso porque os jogadores estão se ajudando. O método novo diz: "Vamos olhar para o jogador A, mas vamos calcular sua estratégia usando apenas os dados dos jogadores que não estão sentados na mesma mesa que ele".

Isso é chamado de "Instrumento Interno". A máquina usa os próprios dados, mas de uma forma "deixada de lado" (leave-out), garantindo que ela não seja enganada pela interferência entre vizinhos.

3. O Desafio: "Muitas Variáveis" e "Pouca Confiança"

Às vezes, os dados têm muitas variáveis de controle (como idade, renda, escolaridade, clima, etc.). Isso é como tentar cozinhar um prato com 50 temperos diferentes.

• Se você não tiver certeza de que o tempero "sal" não está estragado (exogeneidade fraca), você não pode usar todo o sal.
• O método novo permite que você diga: "Eu confio que o sal não estragou neste grupo, mas não confio naquele grupo". A máquina ajusta o filtro automaticamente para usar apenas o sal confiável.

4. A Medida de Incerteza: O "Medidor de Vibração"

Quando você usa esse filtro inteligente, a estatística tradicional (que mede o quão preciso é o resultado) falha, porque ela assume que tudo é independente.

• Os autores criaram um novo Medidor de Vibração (um estimador de variância).
• Eles usaram uma técnica chamada Jackknife (como se fosse um canivete suíço estatístico): eles removem um "pedaço" dos dados de cada vez (um cluster por vez) e veem como o resultado muda. Se o resultado oscila muito quando você remove um pedaço, o Medidor diz: "Cuidado! Nossa estimativa é instável".

5. O Exemplo Real: O Dinheiro no Quênia

Para provar que funciona, eles aplicaram isso em um estudo real no Quênia, onde dinheiro foi distribuído em vilas rurais.

• O Cenário: O dinheiro em uma vila afetava o preço das coisas na vila vizinha (interferência espacial).
• O Resultado:
  • Se você assumisse que a interferência parava a 2 km, o resultado era preciso e o intervalo de confiança era estreito (uma linha fina no gráfico).
  • Se você fosse mais cauteloso e assumisse que a interferência ia até 3 km, a máquina "deixava de lado" mais dados para evitar erros. O resultado ainda era o mesmo, mas o intervalo de confiança ficou muito mais largo (uma linha grossa).
  • A lição: Quanto mais rigoroso você for sobre o que pode ou não influenciar o vizinho, menos dados você usa, e menos precisa é a sua estimativa. O método novo mostra isso claramente, sem esconder a incerteza.

Resumo em uma frase

Este artigo ensina como fazer estatísticas em grupos de pessoas conectadas (como vizinhos ou colegas de trabalho) sem ser enganado pelas influências mútuas, criando um método que sabe exatamente quando parar de usar dados para não cometer erros, e nos avisa com clareza quando estamos "apostando" demais na precisão dos nossos resultados.

É como ter um GPS que, em vez de te dar uma rota direta mas cheia de buracos (o método antigo), te dá uma rota um pouco mais longa, mas que evita os buracos e te avisa exatamente onde a estrada está ruim.

Resumo técnico

Resumo Técnico: Estimação e Restrições de Exclusão em Modelos Lineares Agrupados

1. O Problema

O artigo aborda os desafios metodológicos na estimação de parâmetros estruturais em modelos de regressão linear que envolvem:

• Dados Agrupados (Clustered Data): Estruturas como painéis, redes, dados espaciais ou grupos onde as observações dentro de um mesmo grupo (cluster) são dependentes, enquanto os grupos são independentes entre si.
• Controles de Alta Dimensão: A necessidade de incluir muitos controles (efeitos fixos, tendências temporais ou de grupo) para lidar com heterogeneidade não observada.
• Restrições de Exclusão Intrincadas: A violação da exogeneidade estrita (onde o erro é não correlacionado com todos os regressores do cluster). Em muitos contextos empíricos (ex.: interferência espacial, redes sociais, feedback dinâmico), assume-se apenas que o erro é não correlacionado com um subconjunto dos regressores dentro do cluster.

O Dilema Central:

• Se assumir apenas exogeneidade contemporânea ($E[x_\ell e_\ell]=0$) em dados agrupados com efeitos fixos, o estimador de Mínimos Quadrados Ordinários (MQO/OLS) torna-se inconsistente devido a um viés assintótico (semelhante ao viés de Nickell).
• Se assumir exogeneidade estrita ($E[e_\ell | x] = 0$), o modelo pode ser irrealista em contextos de interferência ou feedback.
• A literatura existente muitas vezes falha em lidar com a combinação de controles de alta dimensão, dependência intra-cluster complexa e a necessidade de inferência robusta quando a identificação é fraca.

2. Metodologia Proposta

Os autores propõem uma nova classe de estimadores de Instrumento Interno (Internal Instrument IV) que são corretamente centrados (correctly centered).

A. O Estimador Proposto ($\hat{\beta}_{A^*}$)
O estimador é definido como a solução de um problema de otimização que busca a matriz de instrumentação $A$ mais próxima da identidade (ou da matriz de projeção residual $M$) sob restrições específicas:

1. Propriedade de "Partialling-out" (POP): A matriz $A$ deve anular a variação dos controles ($AW=0$).
2. Correto Centramento (CC): A matriz $A$ deve ter zeros nas posições onde a restrição de exclusão não se aplica (ou seja, onde $E[x_{\tilde{\ell}}e_\ell] \neq 0$).

A solução ótima, denotada por $A^*$, é a projeção ortogonal da matriz de projeção residual $M$ no subespaço definido pelas restrições de exclusão.

• Interpretação "Leave-out": O estimador pode ser interpretado como uma regressão IV onde, para cada observação $\ell$, os controles são "parcializados" (removidos) usando apenas as observações que são exógenas em relação a $x_\ell$. Isso cria uma projeção específica para cada observação, evitando a correlação entre o instrumento e o erro.

B. Modelagem
O artigo considera duas perspectivas que levam aos mesmos resultados:

1. Modelagem de Resultado (Outcome-based): Assume uma equação estrutural $y = x\beta + W\delta + e$ com restrições de momento $E[x_{\tilde{\ell}}e_\ell]=0$ definidas por uma matriz indicadora $E$.
2. Modelagem Baseada em Design (Design-based): Assume uma equação de tratamento $x = W\delta_x + v$ e restrições de exogeneidade sobre o erro de tratamento $v$.

C. Inferência e Variância

• Teorema do Limite Central (CLT) para Formas Quadráticas: Os autores derivam um novo CLT para formas quadráticas de dados agrupados. Diferente de casos especiais (como apenas efeitos fixos de cluster), o numerador do erro de estimação ($x'Ae$) é uma forma quadrática não trivial que envolve dependência entre clusters devido aos controles de alta dimensão.
• Estimador de Variância Robusto: Propõem um estimador de variância baseado em Jackknife (removendo clusters um a um). Eles demonstram que, embora o Jackknife possa ser conservador (superestimar a variância) em casos gerais, ele é válido e robusto à identificação fraca.
• Teste de Anderson-Rubin (AR): Para lidar com a identificação fraca (quando o instrumento captura pouca variação devido a muitos controles ou restrições de exclusão fracas), os autores recomendam o uso do teste AR, que fornece intervalos de confiança válidos mesmo quando o denominador do estimador é altamente variável.

3. Principais Contribuições

1. Caracterização de Estimadores Corretamente Centrados: Demonstram que a consistência em dados agrupados com dependência intra-cluster requer estimadores que sejam "corretamente centrados", separando a normalização da centralização. Mostram que o OLS falha nisso, enquanto o estimador IV proposto (just-identified) satisfaz a condição.
2. Generalização de Métodos de Painel Dinâmico: Estendem a lógica dos instrumentos internos (como Arellano-Bond) para um contexto muito mais geral, incluindo dados espaciais, redes e painéis desbalanceados com múltiplos efeitos fixos.
3. Inferência Robusta a Dependência Complexa: Desenvolvem um novo CLT e um estimador de variância que lidam com a dependência cruzada entre clusters induzida por controles de alta dimensão (ex.: efeitos fixos de dois viés), onde os erros padrão cluster-robustos tradicionais falham.
4. Procedimentos de Inferência Robusta à Identificação Fraca: Integram o teste de Anderson-Rubin ao framework, garantindo que os intervalos de confiança tenham cobertura correta mesmo quando a força do instrumento é baixa.

4. Resultados e Evidências Empíricas

Simulações:

• Mostram que o OLS sofre de viés assintótico significativo (viés do tipo Nickell) na presença de interferência de rede ou dependência temporal, mesmo com randomização.
• O estimador proposto ($\hat{\beta}_{A^*}$) elimina esse viés.
• A precisão do estimador depende criticamente da especificação das restrições de exclusão: restrições mais fracas (assumindo exogeneidade em distâncias maiores) reduzem o tamanho efetivo da amostra (traço de $A^*$), aumentando o erro padrão.

Aplicação Empírica (Intervenção Fiscal no Quênia):

• Utilizam dados de um experimento de transferência de renda em 653 vilas rurais no Quênia (Egger et al., 2022).
• Desafio: Interferência espacial (spillovers) onde o tratamento em uma vila afeta o consumo em vilas vizinhas.
• Análise: Os autores variam o raio de distância ($R$) para definir quais observações são consideradas exógenas.
  • Para $R$ pequeno (ex.: 1 km), assumem que spillovers ocorrem apenas em distâncias muito curtas. O estimador é preciso.
  • Para $R$ grande (ex.: 3 km), assumem que spillovers ocorrem em distâncias maiores, exigindo excluir mais observações da projeção. Isso reduz o tamanho efetivo da amostra e amplia os intervalos de confiança.
• Conclusão: Os resultados mostram que as estimativas pontuais são estáveis, mas a precisão é altamente sensível às suposições de exogeneidade. O uso de intervalos de confiança baseados no teste AR e no Jackknife revela a incerteza real associada à escolha das restrições de exclusão.

5. Significância e Impacto

Este trabalho é fundamental para a econometria aplicada moderna porque:

• Resolve o problema da inconsistência do OLS em cenários comuns de dados agrupados com efeitos fixos e dependência não estrita.
• Fornece uma ferramenta computacionalmente viável para lidar com "muitos controles" e dependência complexa, algo que métodos anteriores (como GMM com muitos instrumentos) sofriam de viés de "muitos instrumentos".
• Oferece um guia prático para pesquisadores: a escolha das restrições de exclusão não é apenas uma questão teórica, mas afeta diretamente a eficiência e a validade da inferência. O artigo demonstra que relaxar suposições de exogeneidade para cobrir mais cenários de interferência tem um custo em termos de precisão estatística.
• Unifica a inferência em contextos de painel, redes e espaciais sob um único framework teórico robusto.

Em suma, o artigo propõe um método que é corretamente centrado (consistente), computacionalmente tratável e robusto tanto à dependência complexa quanto à identificação fraca, preenchendo uma lacuna crítica na literatura de econometria de dados agrupados.