Resumo Técnico: Inferência de População Finita para Desenhos Fatoriais e Experimentos de Painel com Conformidade Imperfeita

1. Enunciado do Problema

Os métodos padrão de Variáveis Instrumentais (IV), especificamente o arcab框架 de Efeito Médio Local do Tratamento (LATE) estabelecido por Imbens & Angrist (1994), são bem adequados para cenários transversais com um único tratamento binário e um único instrumento binário. No entanto, muitas aplicações empíricas desviam-se desse cenário canônico. Dois exemplos proeminentes são os desenhos fatoriais (onde múltiplos tratamentos são atribuídos simultaneamente) e os experimentos de painel (onde tratamentos e resultados são observados ao longo do tempo). Em ambos os cenários, a conformidade imperfeita é comum: unidades designadas para o tratamento nem sempre o aceitam, e unidades designadas para o controle nem sempre permanecem não tratadas.

Nesses cenários complexos, os estimandos de IV padrão (como os mínimos quadrados em dois estágios, 2SLS) carecem de uma interpretação causal direta. Métodos padrão podem falhar ao não considerar as sequências específicas de tratamentos ou a natureza dinâmica da adesão ao tratamento, potencialmente levando a conclusões enganosas sobre efeitos causais. Além disso, a literatura existente sobre inferência baseada em desenho em contextos de IV tem focado amplamente em cenários de tratamento único, deixando uma lacuna na inferência de população finita para processos de múltiplos fatores e dinâmicos com conformidade imperfeita.

2. Metodologia e Arcabouço

O artigo desenvolve um arcabouço de inferência baseada em desenho e população finita. Esta abordagem trata os resultados potenciais e os tratamentos potenciais como quantidades fixas para uma população finita de $N$ unidades, com a incerteza surgindo unicamente da randomização das atribuições.

2.1 Suposições Principais

A estratégia de identificação baseia-se em um conjunto de suposições padrão adaptadas para cenários de múltiplos fatores e dinâmicos:

• Ausência de Spillovers (SUTVA): Os resultados potenciais e tratamentos de uma unidade dependem apenas das suas próprias atribuições e tratamentos, descartando interferência entre unidades.
• Restrições de Exclusão:
  • Exclusão de Resultado: As atribuições afetam os resultados apenas através do seu efeito na adesão ao tratamento.
  • Exclusão de Tratamento: Em desenhos fatoriais, a adesão ao tratamento para o fator $k$ depende apenas da atribuição para o fator $k$. Em experimentos de painel, a adesão ao tratamento no tempo $t$ depende apenas da atribuição no tempo $t$.
• Monotonicidade: Unidades designadas para o tratamento têm probabilidade pelo menos tão alta de aceitar o tratamento quanto aquelas designadas para o controle. Isso permite a classificação das unidades em Sempre-aderentes (Always-takers), Nunca-aderentes (Never-takers) e Aderentes (Compliers).
• Randomização Individualística/Sequencial: As atribuições são independentes dos resultados e tratamentos potenciais, e independentes entre as unidades (ou sequencialmente randomizadas em contextos de painel).
• Suporte Comum: Os escores de propensão para todas as sequências de atribuição possíveis estão afastados de zero e um.

2.2 Estratégia de Identificação

O artigo define efeitos causais para sequências de tratamentos (vetores de fatores ou caminhos ao longo do tempo).

• Parâmetros Alvo: O foco é o efeito causal médio para a subpopulação de aderentes para uma sequência específica de atribuições. Isso inclui efeitos conjuntos de múltiplos fatores (em desenhos fatoris) e efeitos dinâmicos de defasagem-$p$ (em experimentos de painel).
• A Abordagem de Múltiplas Diferenças: O insight central de identificação é que efeitos causais para uma sequência de tratamentos podem ser identificados explorando as variações na correspondente sequência de atribuições usando um formato de múltiplas diferenças.
  • Para um único fator, isso reduz-se a um estimador de Wald padrão.
  • Para dois fatores (ou dois períodos de tempo), assume a forma de uma diferença-em-diferenças.
  • Para três fatores (ou períodos), assume a forma de uma tripla-diferença, e assim por diante.
• Estimadores de Horvitz-Thompson: O autor utiliza estimandos de Horvitz-Thompson, ponderados pelo inverso das probabilidades de atribuição (escores de propensão), para identificar funções de resposta locais. O efeito causal é então derivado como a diferença entre estas funções de resposta identificadas.

2.3 Estimação e Inferência

• Estimadores Não Paramétricos: O artigo propõe estimadores não paramétricos para os efeitos causais identificados. Estes estimadores são construídos inserindo analogias amostrais das quantidades de Horvitz-Thompson.
• Propriedades Assintóticas: O artigo deriva as distribuições assintóticas de população finita destes estimadores à medida que o tamanho da população $N$ aumenta. Os estimadores mostram-se consistentes sobre a distribuição de randomização e assintoticamente normais.
• Inferência: Para lidar com a inobservabilidade dos resultados potenciais individuais (o que impede o cálculo exato da variância), o artigo propõe intervalos de confiança conservadores baseados no limite superior da variância da forma reduzida, seguindo a abordagem de Bloom (1984). Estes intervalos são válidos sob as suposições declaradas, embora possam ser conservadores na presença de heterogeneidade nos efeitos causais.

3. Principais Contribuições

1. Identificação Inovadora para Cenários de Múltiplos Fatores/Dinâmicos: O artigo fornece uma abordagem de identificação não paramétrica para efeitos causais em desenhos fatoriais e experimentos de painel com conformidade imperfeita. Define uma classe rica de efeitos causais (conjuntos e dinâmicos) que capturam a eficácia relativa de sequências de tratamento alternativas.
2. Inferência de População Finita Baseada em Desenho: Ao contrário de trabalhos anteriores que frequentemente dependem de suposições de superpopulação, este artigo desenvolve uma perspectiva puramente baseada em desenho. Deriva distribuições assintóticas de população finita para estimadores de IV em cenários com múltiplos tratamentos e instrumentos.
3. Extensão da Literatura de IV Dinâmica: O artigo estende os resultados de Bojinov et al. (2021) para experimentos de painel com conformidade imperfeita. Demonstra que os estimandos de IV padrão (como o 2SLS específico por período) geralmente não possuem uma interpretação causal direta em presença de efeitos causais dinâmicos, mesmo quando as restrições de exclusão se mantêm.
4. Novos Estimadores: Introduz estimadores específicos do tipo Horvitz-Thompson (estágio único para fatores únicos, múltiplas diferenças para sequências) e fornece procedimentos de inferência válidos (intervalos de confiança conservadores) para estes estimadores.

4. Resultados

4.1 Simulações de Monte Carlo

O artigo realiza extensas simulações de Monte Carlo para avaliar as propriedades de amostra finita dos estimadores propostos.

• Desenhos Fatoriais: Em simulações com $N=1.000$ e $K=2$ fatores, os estimadores propostos exibem viés negligenciável e intervalos de confiança com taxas de cobertura próximas ao nível nominal de 95%.
• Experimentos de Painel: Em simulações com $N=1.000$ e $T=2$ períodos, os estimadores de Horvitz-Thompson propostos permanecem consistentes e não enviesados. Em contraste, os estimadores 2SLS padrão por período e os estimadores 2SLS multivariados exibem viés severo e cobertura pobre (muito abaixo de 95%) quando efeitos dinâmicos estão presentes. As simulações destacam que, à medida que o número de períodos de tempo aumenta, os métodos 2SLS padrão performam cada vez pior devido à heterogeneidade variante no tempo.

4.2 Aplicação Empírica: Experimento GOTV

O artigo aplica o estimador de desenho fatorial a um famoso experimento de mobilização de eleitores por Nickerson (2007), que estudou os efeitos de chamadas telefônicas de voluntários e profissionais na participação eleitoral de jovens.

• Achados: A análise confirma que tanto as chamadas de voluntários quanto as profissionais têm efeitos causais positivos na participação.
• Efeitos de Interação: Os resultados sugerem retornos decrescentes aos esforços de GOTV. O efeito de receber ambos os tipos de chamadas não é significativamente maior do que receber apenas uma, e o termo de interação implica um efeito negativo ao combinar os tratamentos.
• Inferência: As estimativas são estatisticamente significativas sob o proposto framework de inferência conservadora. O artigo nota que, embora estudos anteriores (Nickerson 2007, Blackwell 2017) tenham encontrado estimativas de ponto semelhantes, a interpretação da incerteza difere: este trabalho trata a população como fixa e as atribuições como estocásticas, fornecendo intervalos de confiança de população finita válidos.

5. Significância e Alegações

O artigo alega fazer uma contribuição significativa para a literatura de inferência causal ao preencher a lacuna entre os métodos de IV padrão e desenhos experimentais complexos envolvendo múltiplos tratamentos e dinâmicas temporais.

• Abordagem de Conclusões Enganosas: Ele aborda o risco de conclusões enganosas de métodos de IV padrão em contextos fatoriais e de painel com conformidade imperfeita.
• Rigor Teórico: Ao fornecer um arcabouço de população finita, oferece uma base rigorosa para a inferência que não depende de suposições de superpopulação, o que é particularmente relevante para experimentos randomizados onde a população é fixa.
• Utilidade Prática: Os estimadores e procedimentos de inferência propostos mostram-se eficazes em simulações e fornecem uma ferramenta robusta para reanalisar dados experimentais existentes, conforme demonstrado na aplicação GOTV.

O artigo conclui que, sob as suposições de IV padrão e restrições de exclusão de tratamento, os efeitos causais associados a sequências de tratamentos podem ser identificados e estimados usando uma abordagem de múltiplas diferenças de dois estágios, oferecendo uma alternativa confiável para métodos padrão em cenários experimentais complexos.