Estimating Treatment Effects Under Bounded Heterogeneity

Título: Estimativa de Efeitos de Tratamento sob Heterogeneidade Limitada

Autores: Soonwoo Kwon (Brown University) e Liyang Sun (UCL e CEMFI)
Data: Março de 2026

---

1. O Problema

Na inferência causal empírica, há um dilema fundamental entre especificação de modelo e precisão:

• Regressão "Curta" (Short Regression): A prática comum em muitos estudos (especialmente sob o desenho de inconfundibilidade e designs de adoção escalonada) é estimar um modelo linear simples que assume efeitos de tratamento constantes. Embora eficiente e robusta à falta de sobreposição (overlap) de covariáveis, essa especificação é enviesada se houver heterogeneidade nos efeitos de tratamento. O estimador resultante é uma média ponderada dos efeitos, onde os pesos podem ser contra-intuitivos e não representar o Efeito Médio de Tratamento (ATE) desejado.
• Regressão "Longa" (Long Regression) / Modelos Flexíveis: Especificações que permitem efeitos totalmente flexíveis (interações entre tratamento e covariáveis) são não viesadas, mas frequentemente imprecisas ou inviáveis quando há falta de sobreposição (quando certas combinações de covariáveis não têm unidades tratadas e não tratadas). Nesses casos, a regressão longa pode não estar bem definida ou ter variância extremamente alta.

A Lacuna: Existe uma necessidade de um método que ofereça um compromisso (trade-off) entre o viés da regressão curta e a variância/inviabilidade da regressão longa, permitindo que os pesquisadores avaliem a sensibilidade das suas conclusões à violação da suposição de efeitos constantes.

---

2. Metodologia Proposta: regulaTE

Os autores propõem um novo estimador chamado regulaTE (uma regressão ridge generalizada) e um procedimento de inferência associado.

2.1. Premissa Fundamental: Limitação da Heterogeneidade

O método baseia-se na imposição de um limite superior ($C^2$) na variância dos efeitos médios de tratamento condicionais (VCATE - Variance of Conditional Average Treatment Effects).

• Em vez de assumir efeitos constantes ($C=0$) ou totalmente livres, assume-se que a dispersão dos efeitos heterogêneos é limitada por um parâmetro $C$.
• $C$ atua como um parâmetro de sensibilidade. O pesquisador varia $C$ para ver como os intervalos de confiança (IC) mudam.

2.2. O Estimador regulaTE

O estimador é definido como a solução de um problema de mínimos quadrados com penalização ridge:
$$\min_{\beta, \gamma, \delta} \frac{1}{n} \| Y - D\beta - X\gamma - (D \circ \tilde{X}_{-1})\delta \|^2 + \lambda \delta' V_x \delta$$
Onde:

• $\beta$ é o efeito médio de tratamento (ATE).
• $\delta$ são os coeficientes de heterogeneidade.
• $V_x$ é a matriz de variância das covariáveis.
• $\lambda$ é o parâmetro de penalidade escolhido para otimizar o trade-off viés-variância.

Interpretação:

• Quando $\lambda \to \infty$, o estimador converge para a regressão curta (efeitos constantes).
• Quando $\lambda \to 0$, o estimador converge para a regressão longa (efeitos totalmente flexíveis), desde que esta seja bem definida.
• Para $\lambda$ intermediário, o estimador ajusta os pesos das observações, dando menos peso a células com pouca sobreposição e reduzindo o viés induzido pela heterogeneidade.

2.3. Construção de Intervalos de Confiança (ICs)

O artigo desenvolve Intervalos de Confiança Fixos (FLCI) que são "conscientes da heterogeneidade" (heterogeneity-aware):

1. Correção de Viés: O IC é construído considerando o pior viés possível dado o limite $C$.
2. Validade sob Falta de Sobreposição: Diferente de métodos tradicionais que exigem sobreposição estrita para serem válidos, o regulaTE permanece válido mesmo na ausência completa de sobreposição, pois o limite na heterogeneidade fornece informação de identificação parcial para as células sem sobreposição.
3. Otimização: O parâmetro de penalidade $\lambda$ é escolhido para minimizar o comprimento do IC no cenário de erros Gaussianos e homoscedásticos. O teorema principal (Teorema 1) prova que o regulTE gera o IC mais curto possível entre todos os estimadores lineares sob a restrição de VCATE.

2.4. Análise de Sensibilidade e "Valor de Colapso" (Breakdown Value)

Como $C$ não é estimado, mas sim especificado pelo pesquisador, o método propõe uma análise de sensibilidade:

• O pesquisador aumenta $C$ gradualmente a partir de zero.
• Identifica-se o valor de colapso ($C^*$): o menor valor de $C$ para o qual o efeito de tratamento deixa de ser estatisticamente significativo.
• Se $C^*$ for plausível (baseado em conhecimento de domínio ou subgrupos), o resultado é considerado robusto.

---

3. Contribuições Principais

1. Formalização do Intuito de Angrist e Pischke (2009): O artigo formaliza matematicamente a ideia de que, se a heterogeneidade é limitada, a regressão curta pode ser preferível a estimadores não paramétricos ruidosos, desde que o viés seja corrigido adequadamente.
2. Novo Estimador (regulaTE): Introduz um estimador de ridge generalizado que se adapta automaticamente ao limite de heterogeneidade, oferecendo ICs mais curtos e precisos do que a simples correção de viés da regressão curta.
3. Inferência Robusta à Falta de Sobreposição: Demonstra que é possível realizar inferência válida (com cobertura correta) mesmo quando a identificação pontual do ATE é impossível devido à falta de sobreposição, desde que se imponha um limite na heterogeneidade dos efeitos.
4. Impossibilidade de Adaptação Automática: O artigo prova que não é possível construir um IC que se adapte automaticamente ao verdadeiro VCATE sem impor um limite conservador prévio (baseado em resultados de impossibilidade de Armstrong e Kolesár). Portanto, a abordagem de sensibilidade é necessária.

---

4. Resultados e Evidências Empíricas

Os autores validam o método através de simulações calibradas e aplicações empíricas:

4.1. Simulações (Baseadas em Angrist, 1998)

• Usando dados de alistamento militar, onde há falta de sobreposição em certas células de covariáveis.
• Resultado: O IC do regulaTE mantém a cobertura nominal (95%) e é significativamente mais curto do que o IC da regressão curta com correção de viés ("Short BC CI") em toda a faixa de valores de $C$. A regressão curta sem correção apresenta subcobertura severa.

4.2. Aplicação 1: Inconfundibilidade (Aizer et al., 2016)

• Contexto: Efeito de transferências monetárias (Mothers' Pension) na longevidade infantil.
• Desafio: Falta de sobreposição em 11 condados (todos os candidatos receberam o benefício), tornando a regressão longa inestimável.
• Resultado: O efeito estimado é positivo e significativo. A análise de sensibilidade mostra que o resultado permanece significativo até um limite de heterogeneidade ($C^* \approx 0.75\%$) que é plausível dado o conhecimento de domínio (efeitos entre 0% e 2%). O IC do regulaTE é muito mais preciso que o da regressão curta corrigida.

4.3. Aplicação 2: Adoção Escalonada (Dobkin et al., 2018 / Sun e Abraham, 2021)

• Contexto: Efeito de hospitalização inesperada nos gastos médicos.
• Desafio: Em designs de adoção escalonada, a regressão longa (interações de tempo e coorte) pode ser ruidosa ou não identificada se todos os indivíduos forem tratados no final do período.
• Resultado: O IC do regulaTE permanece significativo até um limite de heterogeneidade de $1.583. Isso é robusto em comparação com a magnitude dos efeitos observados na literatura ($3.000 no primeiro ano). Em contraste, a análise baseada na regressão curta corrigida sugeriria fragilidade nos resultados devido a intervalos excessivamente largos.

---

5. Significância e Conclusão

O artigo oferece uma ferramenta prática e teoricamente fundamentada para pesquisadores que utilizam modelos lineares em inferência causal.

• Praticidade: Permite que pesquisadores utilizem especificações simples (regressão curta) sem ignorar o risco de viés, quantificando exatamente quanto a conclusão depende da suposição de efeitos constantes.
• Robustez: Resolve o problema da falta de sobreposição, permitindo inferência em cenários onde métodos tradicionais falham.
• Interpretabilidade: Ao usar a variância dos efeitos (VCATE) como parâmetro de sensibilidade, o método conecta-se diretamente com métricas comuns em análises de bem-estar e decomposição de variância, facilitando a interpretação pelos economistas aplicados.

Em suma, o regulaTE transforma a escolha entre "viés baixo/variância alta" e "viés alto/variância baixa" em um espectro contínuo e gerenciável, permitindo uma análise de sensibilidade rigorosa e informada. O pacote R regulaTEr foi disponibilizado para facilitar a implementação.