Distributional Discontinuity Design

Resumo Técnico: Distributional Discontinuity Design

1. O Problema

Os métodos tradicionais de Descontinuidade de Regressão (RDD) e Descontinuidade de Kink (RKD) focam quase exclusivamente na estimativa de efeitos causais na média da variável de resultado. Embora eficazes para detectar deslocamentos no centro da distribuição, essas abordagens falham em capturar mudanças na forma completa da distribuição de resultados (como variância, assimetria, curtose ou mudanças na cauda).

• Limitação das médias: Uma intervenção pode não alterar a média, mas causar efeitos heterogêneos significativos (ex: aumentar a variabilidade, beneficiar a cauda superior enquanto prejudica a inferior).
• Limitações dos efeitos em quantis: Embora existam métodos para efeitos em quantis (ex: Frandsen et al., 2012), eles são difíceis de implementar, interpretar e resumir, pois exigem a análise de múltiplos pontos da distribuição. Além disso, a interpretação individual frequentemente requer fortes suposições de invariância de rank.
• Necessidade: Há uma lacuna para uma medida única, interpretável e escalável que capture a magnitude total da mudança na distribuição de resultados devido ao tratamento.

2. Metodologia

Os autores propõem o Projeto de Descontinuidade Distribucional, um framework que utiliza a Teoria do Transporte Ótimo para estimar efeitos causais baseados na distância entre distribuições condicionais.

• Estimanda Principal: A distância de Wasserstein de ordem 2 ($W_2$) entre as distribuições condicionais de resultados contrafactuais ($Y(1)$ e $Y(0)$) nos limites da descontinuidade (ou kink).
  $$\Psi = W_2(P_{1|x_0}, P_{0|x_0})$$
  Onde $P_{a|x_0}$ é a distribuição de $Y(a)$ dado $X=x_0$.
• Interpretação Geométrica: $\Psi$ representa o custo mínimo de "transportar" a massa de probabilidade da distribuição de controle para a distribuição de tratamento. Em termos unidimensionais, é a raiz quadrada da integral do quadrado da diferença entre as funções quantílicas:
  $$\Psi = \left( \int_0^1 (Q_1(u) - Q_0(u))^2 du \right)^{1/2}$$

Extensões do Framework:

1. RDD Fuzzy: Estende o método para cenários onde a atribuição do tratamento não é perfeita (fuzzy), identificando o efeito apenas para os "compliers" (compliance locais) usando uma razão de Wald distribucional.
2. Kink Designs (Descontinuidade de Kink): Define o efeito causal como a derivada de Wasserstein no ponto de kink da política. Isso mede a taxa instantânea de fluxo de massa de probabilidade através da mudança na inclinação da política, generalizando o efeito marginal local tradicional.
3. Kink Fuzzy: Estende a identificação para kinks fuzzy, derivando novos resultados de identificação baseados em trabalhos recentes (Wang & Zhang, 2025).

3. Contribuições Chave e Propriedades Teóricas

O artigo estabelece várias propriedades teóricas fundamentais que tornam a distância de Wasserstein uma ferramenta robusta para inferência causal:

• Limite Superior do Efeito Médio:
  O efeito de Wasserstein ($\Psi$) é sempre maior ou igual ao módulo do efeito médio local ($\tau$):
  $$|\tau| \leq \Psi$$
  A igualdade ocorre se e somente se o efeito do tratamento for puramente aditivo (deslocamento constante em todos os quantis). A diferença entre $\Psi$ e $|\tau|$ quantifica a heterogeneidade do tratamento.

• Decomposição em L-Momentos:
  O quadrado da distância de Wasserstein pode ser decomposto ortogonalmente em diferenças quadráticas de L-momentos (Hosking, 1990):
  $$\Psi^2 = \sum_{k=1}^{\infty} (2k-1) (\lambda_k^{(1)} - \lambda_k^{(0)})^2$$
  Isso permite definir um "$R^2$ Distribucional", onde se pode quantificar quanto da mudança na distribuição é explicada por:

  • $k=1$: Localização (Média).
  • $k=2$: Escala (Dispersão/Variância).
  • $k=3$: Assimetria (Skewness).
  • $k \geq 4$: Formas de ordem superior.

• Dominação Estocástica e Direção:
  Os autores definem um índice de Dominação de Wasserstein ($\rho \in [-1, 1]$) que mede o grau em que uma distribuição domina a outra, distinguindo entre efeitos positivos e negativos que poderiam se cancelar na média.

• Inferência e Estimação:

  • Propõem um estimador de plug-in baseado em regressão quantílica local com correção de viés (adaptado de Chiang et al., 2019).
  • Derivam a distribuição assintótica do estimador.
  • Reconhecem que a distribuição limite muda dependendo se o efeito nulo é verdadeiro (comportamento não regular em $\Psi \to 0$).
  • Propõem dois métodos para intervalos de confiança: um baseado em bandas de confiança uniformes para quantis e um método conservador baseado em desigualdades de Chebyshev para parâmetros quadráticos.

4. Resultados Empíricos e Simulações

• Simulações:

  • Compararam dois métodos de construção de intervalos de confiança. O método conservador (baseado em variância) mostrou-se mais estável e com larguras menores para amostras pequenas em comparação com o bootstrap de bandas uniformes.
  • Demonstraram que o método detecta corretamente heterogeneidade em cenários onde a média é zero, mas a variância ou a forma da distribuição mudam.

• Reanálise de Dados Reais:

  1. Vantagem do Incumbente (RDD): Reanalisaram o estudo clássico de Lee (2008) sobre eleições nos EUA.
     • Resultado: O efeito médio foi de ~7.1 pontos percentuais. O efeito de Wasserstein foi de ~7.5.
     • Interpretação: A proximidade entre os valores e a alta contribuição do primeiro L-momento (média) indicam que o efeito é predominantemente aditivo, com pouca heterogeneidade complexa.
  2. Subsídios Intergovernamentais (RKD): Reanalisaram Lundqvist et al. (2014) sobre subsídios suecos e emprego público.
     • Resultado: O efeito médio (inclinação) foi estatisticamente nulo. O efeito de Wasserstein também foi nulo no total.
     • Interpretação: No entanto, a decomposição revelou que a pequena distância existente era impulsionada quase inteiramente por momentos de ordem superior (escala e caudas), sugerindo que o tratamento pode ter afetado a variabilidade ou extremos da distribuição, mesmo sem mudar a média.

5. Significado e Conclusão

O artigo oferece uma mudança de paradigma na análise de descontinuidades:

1. Complementaridade: Não substitui os métodos de média, mas complementa-os, fornecendo uma visão holística do impacto do tratamento.
2. Diagnóstico de Heterogeneidade: Oferece uma métrica direta e interpretável para testar se um tratamento é puramente aditivo ou se gera complexidade na distribuição (mudança de variância, assimetria, etc.).
3. Generalização: O framework é aplicável tanto a descontinuidades agudas (RDD) quanto a mudanças de inclinação (RKD), e estende-se a cenários fuzzy.
4. Futuro: Os autores sugerem que a aplicação desses princípios pode ser estendida para outros designs quasi-experimentais (como Diferenças-em-Diferenças) e para resultados multivariados, embora a estimação em dimensões superiores seja um desafio aberto.

Em suma, o trabalho fornece as ferramentas teóricas e práticas para que pesquisadores não se limitem a perguntar "o tratamento mudou a média?", mas sim "como o tratamento alterou a distribuição completa dos resultados?".