Double Machine Learning for Static Panel Data with Instrumental Variables: New Method and Applications

1. O Problema de Pesquisa

A econometria de dados em painel é fundamental para inferência causal, permitindo controlar heterogeneidade não observada invariante no tempo. No entanto, a estimação causal torna-se desafiadora quando:

• Tratamentos são endógenos: A seleção para o tratamento é correlacionada com o erro estrutural.
• Confounders de alta dimensão e não lineares: As variáveis de controle necessárias para validar instrumentos (IVs) são numerosas e podem ter efeitos não lineares complexos.
• Limitações dos Métodos Tradicionais: O método padrão de Variáveis Instrumentais, o Mínimos Quadrados em Duas Etapas (2SLS), torna-se não confiável nestes cenários. O 2SLS exige que a validação do instrumento condicione-se flexivelmente a um grande conjunto de covariáveis. Se houver muitas variáveis irrelevantes, ocorre singularidade de matriz (rank deficiency); se as relações forem não lineares e não paramétricas, o 2SLS falha em capturar essas dependências, levando a viés de especificação e inferência inválida.

O artigo aborda a tensão entre a necessidade de controlar um rico conjunto de confundidores para justificar a validade do instrumento e as limitações dos métodos convencionais sob restrições de esparsidade e seleção de modelos.

2. Metodologia: Panel IV DML

Os autores propõem um novo estimador chamado Panel IV DML (Double Machine Learning para Painéis com Variáveis Instrumentais), que estende o framework de Chernozhukov et al. (2018) e Clarke e Polselli (2025) para dados em painel estáticos com tratamentos endógenos.

Estrutura do Modelo

O modelo baseia-se em uma regressão de painel parcialmente linear (PLPR) com efeitos fixos:

1. Equação Estrutural: $Y_{it} = (D_{it} - r_0(X_{it}))\theta_0 + l_0(X_{it}) + \alpha_i + U_{it}$
2. Equação de Tratamento (Primeira Etapa): $D_{it} = V_{it}'\pi_0 + r_0(X_{it}) + \zeta_i + R_{it}$
3. Equação do Instrumento: $V_{it} = Z_{it} - m_0(X_{it}) - \gamma_i$

Onde:

• $Y_{it}$ é o resultado, $D_{it}$ o tratamento endógeno, $Z_{it}$ o vetor de instrumentos.
• $X_{it}$ são covariáveis de controle (confundidores).
• $\alpha_i, \zeta_i, \gamma_i$ são efeitos fixos individuais não observados.
• $l_0, r_0, m_0$ são funções de perturbação (nuisance functions) não lineares que podem ser complexas.

Procedimento de Estimação

O método utiliza três etapas principais para lidar com a endogeneidade, efeitos fixos e alta dimensionalidade:

1. Transformação de Primeiras Diferenças (FD): Para remover os efeitos fixos individuais ($\alpha_i, \zeta_i, \gamma_i$), aplica-se a transformação de primeiras diferenças aos dados. Isso elimina a heterogeneidade não observada invariante no tempo, permitindo que os algoritmos de ML aprendam as funções de perturbação transformadas ($\Delta l_0, \Delta r_0, \Delta m_0$).
2. Double Machine Learning (DML) com Cross-Fitting em Blocos:
   • Utiliza-se Machine Learning (ML) para prever as funções de perturbação ($l_0, r_0, m_0$) de forma flexível (usando Lasso, Gradient Boosting ou Redes Neurais).
   • Emprega-se Cross-Fitting em Blocos (block-k-fold): todas as observações temporais de uma mesma unidade individual ($i$) são atribuídas ao mesmo fold de validação. Isso preserva a estrutura de dependência temporal e evita viés de sobreajuste.
   • O estimador é construído usando Funções de Pontuação Ortogonais de Neyman. Isso garante que o estimador do parâmetro estrutural $\theta_0$ seja robusto a erros de primeira ordem na estimação das funções de perturbação (viés de regularização).
3. Inferência Robusta: O método fornece inferência assintoticamente normal para os efeitos do tratamento, ajustada para viés de regularização.

Diagnósticos de Identificação Fraca

Uma contribuição crucial é a integração de testes para instrumentos fracos dentro do framework DML:

• Estatística F da Primeira Etapa Adaptada: Calculada para verificar a relevância do instrumento após o ajuste flexível das covariáveis.
• Teste de Anderson-Rubin (AR) e Intervalos de Confiança: O teste AR avalia a restrição da forma reduzida. Diferente do 2SLS, o teste AR permanece válido mesmo sob identificação fraca (instrumentos fracos), fornecendo intervalos de confiança que podem ser não limitados (indicando falta de identificação) em vez de ilusoriamente precisos.

3. Principais Contribuições

1. Novo Estimador para Painéis: Desenvolvimento de um estimador DML específico para dados em painel estáticos com tratamentos endógenos, lidando com efeitos fixos e dependência serial através de transformações de primeiras diferenças e cross-fitting em blocos.
2. Diagnósticos de Identificação Fraca em DML: Introdução de testes de identificação fraca (F-statistic e AR) adaptados para procedimentos DML em painel. Isso é pioneiro, pois a literatura anterior focava em DML para dados transversais ou não oferecia ferramentas robustas para IVs fracos em contextos de ML.
3. Flexibilidade Não Paramétrica: Capacidade de controlar conjuntos ricos de confundidores com relações não lineares complexas, superando as limitações de especificação linear do 2SLS.
4. Aplicação Empírica Rigorosa: Reanálise de três estudos influentes sobre migração (Tabellini, 2020; Moriconi et al., 2019, 2022) que utilizam instrumentos shift-share, demonstrando como o ajuste flexível altera a força do instrumento e a inferência causal.

4. Resultados Principais

Aplicações Empíricas (Migração)

• Tabellini (2020): O Panel IV DML aumentou o poder preditivo do instrumento (relevância) em relação ao 2SLS devido ao ajuste flexível. Para resultados políticos, confirmou os achados do 2SLS (efeito positivo). Para resultados econômicos, o DML encontrou nenhum efeito, contradizendo o 2SLS que indicava um efeito positivo significativo. Com controles adicionais, ambos os métodos perderam significância, sugerindo que os resultados originais eram sensíveis à especificação.
• Moriconi et al. (2019, 2022): Nestes estudos sobre atitudes políticas e eleitorais na Europa, o ajuste flexível do DML revelou que os instrumentos shift-share eram fracos (F-estatística baixa), ao contrário do que o 2SLS indicava (instrumentos fortes).
  • O teste AR mostrou que, embora possa haver efeitos, a variação disponível é insuficiente para identificar o efeito causal com precisão.
  • O 2SLS produziu inferências enganosas (intervalos de confiança limitados e significativos), enquanto o DML com diagnósticos AR indicou incerteza correta (intervalos não limitados ou incluindo zero).

Simulações de Monte Carlo

• Instrumentos Fortes: O Panel IV DML superou o 2SLS em termos de viés e taxa de convergência, especialmente quando as relações de confusão eram não lineares. O DML recuperou o parâmetro estrutural com alta precisão.
• Instrumentos Fracos: O 2SLS falhou sistematicamente em detectar a fraqueza do instrumento, produzindo inferências inválidas (rejeitando a hipótese nula incorretamente e gerando intervalos de confiança limitados). O Panel IV DML, combinado com o teste AR, forneceu inferência mais confiável, identificando corretamente a fraqueza do instrumento (intervalos de confiança não limitados) e evitando conclusões causais prematuras.

5. Significância e Conclusão

O artigo demonstra que a aplicação de métodos de Machine Learning causal a dados em painel com variáveis instrumentais é viável e superior aos métodos tradicionais em cenários complexos.

• Validade do Instrumento: O ajuste flexível para confundidores de alta dimensão pode fortalecer a validade do instrumento (tornando-o "quase aleatório"), mas também pode expor a fraqueza real do instrumento se a variação explicada for absorvida pelas covariáveis.
• Inferência Robusta: A integração de testes de identificação fraca (especialmente Anderson-Rubin) é essencial. Sem eles, pesquisadores podem tirar conclusões causais erradas quando usam 2SLS em contextos de alta dimensionalidade.
• Recomendação Prática: Os autores defendem que a inferência baseada em AR deve ser reportada junto com estatísticas F convencionais em aplicações de IV em painel, especialmente quando se utilizam métodos de Double Machine Learning, para garantir que a incerteza seja refletida adequadamente sob identificação fraca.

Em suma, o Panel IV DML oferece uma ferramenta poderosa para economistas empíricos, permitindo lidar com não linearidades e alta dimensionalidade enquanto mantém a robustez necessária para inferência causal válida em dados de painel.