Randomization Inference For the Always-Reporter Treatment Effect

Resumo Técnico: Inferência por Randomização para o Efeito do Tratamento em "Sempre-Relatores"

1. O Problema

O artigo aborda o desafio da perda de amostra (attrition) em Ensaios Controlados Randomizados (RCTs). Em muitos experimentos de campo, os resultados de algumas unidades não são observados após a randomização. Se a perda de amostra estiver sistematicamente relacionada aos resultados potenciais, isso introduz viés de seleção, tornando a estimativa do Efeito Médio do Tratamento (ATE) padrão inválida.

O foco do artigo é o subgrupo de "Sempre-Relatores" (Always-Reporters - AR): unidades que reportariam seus resultados independentemente de terem recebido o tratamento ou o controle. O parâmetro de interesse é o Efeito Médio do Tratamento para Sempre-Relatores (AR-ATE).

O problema central é que o status de "sempre-relator" é parcialmente não observável. Sob a suposição de monotonicidade (tratamento não reduz a probabilidade de reporte), sabe-se que:

• Unidades no grupo de controle que reportaram são necessariamente sempre-relatores.
• Unidades no grupo de tratamento que reportaram podem ser sempre-relatores ou "relatores-condicionais" (if-reporters).
• Não é possível identificar individualmente quem são os sempre-relatores no grupo de tratamento.

Métodos existentes para inferência sobre o AR-ATE sob monotonicidade dependem de aproximações assintóticas, que podem não ser válidas em amostras finitas ou sob certas configurações de parâmetros (ex: quando a taxa de perda diferencial é negligenciável).

2. Metodologia Proposta

Os autores propõem uma abordagem de Inferência por Randomização (Randomization Inference) baseada em um teste de p-valor de pior caso (worst-case).

Principais Componentes:

• Hipóteses:

  • Nula Nítida (Sharp Null): $H_0^s: y_i(1) = y_i(0)$ para todo $i \in A$ (nenhum efeito do tratamento para nenhum sempre-relator).
  • Nula Fraca (Weak Null): $H_0^w: \text{ATE}_A = 0$ (o efeito médio é zero, mas efeitos individuais podem existir).

• Abordagem de Pior Caso:
  Como o conjunto exato de sempre-relatores ($A$) é desconhecido, o método considera o conjunto de todas as configurações possíveis de sempre-relatores consistentes com os dados observados (padrões de reporte e atribuição).
  O p-valor final ($p_{worst}$) é definido como o máximo dos p-valores de randomização calculados sobre todas essas configurações consistentes:
  $$p_{worst} = \sup_{A \in \mathcal{A}(D_{obs}, R)} p(A)$$
  Onde $\mathcal{A}(D_{obs}, R)$ é o conjunto de tabelas de reporte compatíveis. Rejeita-se a hipótese nula se $p_{worst} \leq \alpha$.

• Pré-teste (Opcional):
  Para reduzir o espaço de busca computacional, o método inclui um passo de pré-teste que descarta configurações de sempre-relatores que violam significativamente o equilíbrio esperado no número de sempre-relatores entre os grupos de tratamento e controle (já que a atribuição é aleatória, as contagens esperadas devem ser iguais).

• Estatísticas de Teste:
  O artigo propõe e analisa três estatísticas baseadas em Hajek (razão de médias) e Chi-quadrado:

  1. Estatística Studentized-Hajek ($T_n^0$): Foca apenas no equilíbrio dos resultados.
  2. Estatística Chi-quadrado Tipo 1 ($T_n^1$): Combina o equilíbrio dos resultados com o equilíbrio do número de sempre-relatores entre os grupos.
  3. Estatística Chi-quadrado Tipo 2 ($T_n^2$): Similar à anterior, mas utiliza uma função de piso (floor) para lidar com a natureza discreta da contagem de sempre-relatores, garantindo validade assintótica uniforme.

• Implementação Computacional:

  • Resultados Discretos: Enumeração exaustiva explorando a simetria da distribuição de randomização.
  • Resultados Contínuos: Reformulação do problema de otimização do p-valor em subproblemas menores resolvidos via Programação Inteira (Integer Programming - IP). O método decompõe o problema para evitar funções não polinomiais (como o piso), tornando-o tratável.

3. Contribuições Chave

1. Garantias de Amostra Finita: Diferente dos métodos anteriores, a abordagem proposta oferece garantias válidas em amostras finitas para a hipótese nula nítida, sem depender de distribuições assintóticas.
2. Validade Assintótica Uniforme: O método demonstra validade assintótica para a hipótese nula fraca sob condições mais gerais do que a literatura existente. Especificamente, o método permanece válido mesmo em regiões de parâmetros onde a taxa de perda diferencial entre tratamento e controle é negligenciável (um cenário frequentemente excluído por métodos assintóticos tradicionais).
3. Novas Condições de Equilíbrio: O trabalho destaca que, sob a hipótese nula nítida, a randomização implica não apenas o equilíbrio dos resultados, mas também o equilíbrio na contagem de sempre-relatores entre os grupos. A incorporação dessa segunda condição de equilíbrio nas estatísticas de teste (via $T_n^1$ e $T_n^2$) melhora a potência e a robustez.
4. Algoritmos Computacionais Eficientes: Desenvolvimento de algoritmos práticos (baseados em enumeração e programação inteira) para calcular o p-valor de pior caso, que é computacionalmente desafiador devido ao espaço de busca exponencial de configurações de sempre-relatores.

4. Resultados Principais

• Teorema 4.2: Estabelece que o procedimento de teste baseado no p-valor de pior caso é um teste de nível-$\alpha$ válido em amostra finita para a hipótese nula nítida e assintoticamente válido para a hipótese nula fraca.
• Simulações:
  • Em cenários de hipótese nula (efeito zero), a taxa de rejeição foi extremamente baixa (0.002 para $\alpha=0.05$), confirmando a validade do teste (controle do erro Tipo I).
  • Em cenários alternativos (efeito positivo), o teste apresentou alta potência (0.92 de taxa de rejeição).
  • Custo Computacional: O tempo de execução mediano foi de ~35 segundos para casos nulos e ~308 segundos para casos alternativos em amostras de $n=100$. O método é eficiente na maioria dos casos, terminando rapidamente quando um p-valor acima do limiar é encontrado (heurística), embora casos extremos de rejeição possam exigir verificação exaustiva.

5. Significado e Impacto

Este trabalho preenche uma lacuna importante na econometria e na estatística experimental. Ao fornecer um método de inferência que é rigorosamente válido em amostras finitas e robusto a heterogeneidade de efeitos em presença de perda de amostra, ele oferece uma alternativa superior às aproximações assintóticas tradicionais (como as de [18]).

A capacidade de lidar com cenários onde a perda de amostra é baixa ou onde a distribuição de sempre-relatores é desafiadora torna esta metodologia particularmente útil para pesquisadores que realizam ensaios de campo com dados incompletos, garantindo que as conclusões sobre a eficácia do tratamento não sejam artefatos de aproximações estatísticas inadequadas. Além disso, a disponibilização de algoritmos computacionais viáveis torna a aplicação prática deste método acessível.