The purpose of an estimator is what it does: Misspecification, estimands, and over-identification

Título: Misspecification, estimands, and over-identification

Autores: Isaiah Andrews, Jiafeng Chen, Ot´avio Tecchio
Data: Fevereiro de 2026 (versão arXiv)

1. O Problema

O artigo aborda uma lacuna fundamental entre a teoria econométrica ensinada e a prática empírica comum em modelos superidentificados (onde o número de condições de momento excede o número de parâmetros).

• O Dilema da Especificação: A literatura econométrica padrão recomenda testar as restrições de superidentificação (usando o teste $J$ de Hansen) e, se não rejeitadas, utilizar o estimador GMM (Generalized Method of Moments) eficiente. No entanto, os autores argumentam que, na prática econômica, os modelos são quase sempre especificados incorretamente (misspecified).
• A Prática Atual: Uma revisão de artigos publicados no American Economic Review (2020-2024) revela que pesquisadores frequentemente:
  1. Ignoram testes formais de especificação (apenas 3 de 22 artigos superidentificados reportaram estatísticas $J$).
  2. Utilizam estimadores ineficientes sob especificação correta, como matrizes de ponderação "selecionadas à mão" (hand-selected) ou matrizes identidade, em vez da matriz de ponderação ótima.
  3. Realizam apenas testes visuais ("eyeball tests") em vez de testes estatísticos formais.
• A Consequência: Sob especificação incorreta, diferentes escolhas de estimadores (e matrizes de ponderação) não levam apenas a diferentes eficiências para o mesmo parâmetro, mas estimam estimandos (estimands) diferentes. Isso aumenta os "graus de liberdade do pesquisador", permitindo que escolhas arbitrárias de ponderação manipulem os resultados para obter significância estatística desejada.

2. Metodologia e Estrutura Conceitual

Os autores desenvolvem uma estrutura teórica para analisar o comportamento dos estimadores sob especificação incorreta, distinguindo dois conceitos de modelo:

1. Modelo Econométrico ($M$): Define a relação entre o parâmetro de interesse econômico $\theta$ e a distribuição de dados $P$. Inclui suposições teóricas (ex: causalidade, estrutura de preferências).
2. Modelo Estatístico ($\mathcal{P}$): O conjunto de distribuições de dados que podem ser geradas pelo modelo econométrico.

Conceitos Chave:

• Misspecificação Econométrica vs. Estatística:
  • Econométrica: O par verdadeiro $(\theta, P)$ não pertence a $M$. O parâmetro $\theta$ pode ainda ser bem definido (ex: efeito causal médio), mas o modelo não o captura corretamente.
  • Estatística: A distribuição de dados observada $P$ não pertence a $\mathcal{P}$. Sob especificação estatística incorreta, o parâmetro estatístico $\theta^*(P)$ torna-se indefinido no modelo original.
• O Estimando sob Misspecificação: Quando o modelo é especificado incorretamente, o limite em probabilidade de um estimador ($\text{plim } \hat{\theta}$) depende da escolha do estimador (ex: matriz de ponderação $\Omega$). Portanto, escolher um estimador é, implicitamente, escolher qual parâmetro se deseja estimar quando o modelo falha.

3. Contribuições Principais e Resultados

A. Revisão da Literatura e Diagnóstico Empírico

• Os autores sintetizam resultados recentes que caracterizam o que estimadores populares (OLS, WLS, GMM, MLE) estimam sob misspecificação (ex: OLS estima uma média ponderada de efeitos causais, onde os pesos dependem da distribuição dos dados).
• Evidência Empírica: Na amostra de 36 artigos do AER, a maioria dos modelos superidentificados não usa ponderação ótima. A escolha de matrizes de ponderação é frequentemente guiada por intuição de domínio ou conveniência, alterando o estimando sem transparência.

B. Erros Padrão Robustos à Misspecificação

• O artigo reforça a necessidade de usar erros padrão robustos à misspecificação (sandwich estimators) em modelos GMM.
• Sob misspecificação, a fórmula padrão de variância assintótica do GMM é inválida.
• Recomendação: Utilizar o bootstrap não paramétrico (sem recentering das momentos) como uma alternativa robusta e geral para inferência, pois fornece cobertura correta mesmo quando as condições de regularidade para a expansão assintótica falham.

C. Novo Resultado Teórico: A Estatística $J$ e a Manipulação de Pesos

Esta é a contribuição teórica central do artigo. Sob o regime de misspecificação local (onde o grau de erro do modelo é da mesma ordem que a incerteza amostral, $O(1/\sqrt{n})$), os autores provam:

1. Intervalo de Estimativas: O conjunto de estimativas que um pesquisador pode obter variando a matriz de ponderação (mantendo o erro padrão dentro de um limite razoável) forma um intervalo assintótico centrado na estimativa GMM eficiente.
2. O Papel da Estatística $J$: A largura desse intervalo é proporcional à raiz quadrada da estatística $J$ de Hansen ($\sqrt{J}$).
   • Formalmente, a distância de Hausdorff entre o conjunto de estimativas possíveis e o intervalo de confiança eficiente converge para zero, escalado por $\sqrt{J}$.
3. Manipulação de $t$-estatísticas (Weight-Hacking):
   • Um pesquisador mal-intencionado pode escolher uma matriz de ponderação para maximizar a $t$-estatística de qualquer hipótese nula.
   • O valor máximo absoluto da $t$-estatística alcançável é aproximadamente $\sqrt{J}$.
   • Implicação Crítica: Se $\sqrt{J} > 1.96$, um pesquisador pode rejeitar qualquer hipótese nula ao nível de 5%, independentemente dos dados, apenas manipulando a matriz de ponderação.
   • Isso torna a estatística $J$ uma medida direta do "grau de liberdade" do pesquisador para manipular resultados, muito mais do que um simples teste de especificação.

4. Recomendações Práticas

Com base nas evidências e resultados teóricos, os autores recomendam:

1. Distinção Clara: Separar preocupações com especificação econométrica (relação teoria-dados) de especificação estatística (ajuste da distribuição).
2. Transparência no Estimando: Pesquisadores devem explicitar qual estimando seu estimador recupera sob misspecificação. Se usam ponderação não-ótima, devem justificar por que aquele estimando é preferível.
3. Uso de Erros Robustos: Sempre relatar erros padrão robustos à misspecificação (ou usar bootstrap), evitando os erros padrão GMM convencionais em modelos superidentificados.
4. Relato Obrigatório da Estatística $J$: Mesmo que não se realize o teste formal de rejeição, a estatística $J$ deve ser reportada. Ela resume a amplitude de resultados possíveis através de diferentes escolhas de ponderação. Um $\sqrt{J}$ alto indica que os resultados são frágeis e suscetíveis a manipulação ("weight-hacking").

5. Significado e Impacto

O artigo muda o paradigma de como interpretar modelos econométricos superidentificados:

• Do "Modelo Correto" para "O que o Estimador Faz": Em vez de buscar um modelo perfeitamente especificado (o que é raro), a prática deve focar em entender o comportamento assintótico dos estimadores sob misspecificação.
• Limitação da Liberdade do Pesquisador: Ao vincular a estatística $J$ à amplitude de manipulação de resultados, o trabalho fornece uma métrica quantitativa para a robustez de um estudo. Se $\sqrt{J}$ é grande, a conclusão do estudo é instável frente a escolhas de ponderação.
• Mudança de Prática: O artigo desafia a tradição de ignorar testes de especificação em favor de "verificação visual", argumentando que a estatística $J$ contém informações vitais sobre a sensibilidade dos resultados que vão além de um teste binário de rejeição.

Em resumo, o paper argumenta que, dado que a misspecificação é a regra e não a exceção, a escolha do estimador define o parâmetro de interesse. A estatística $J$ deve ser usada não apenas para testar o modelo, mas como um indicador de quão sensíveis e potencialmente manipuláveis são as conclusões empíricas.