Quantifying Omitted Variable Bias in Nonlinear Instrumental Variable Estimators

Resumo Técnico: Quantificação do Viés de Variável Omitida em Estimadores Não Lineares de Variáveis Instrumentais

1. Problema e Motivação

Os estimadores de Variáveis Instrumentais (VI) são ferramentas fundamentais na econometria causal para lidar com endogeneidade. No entanto, sua validade depende da suposição de que todas as variáveis relevantes foram incluídas no modelo. Quando variáveis omitidas (não observáveis) estão presentes, ocorre o Viés de Variável Omitida (OVB - Omitted Variable Bias), comprometendo a identificação dos parâmetros causais.

A literatura existente sobre análise de sensibilidade para OVB concentra-se predominantemente em modelos lineares. Este artigo aborda uma lacuna crítica ao desenvolver um framework para quantificar o OVB em uma classe ampla de estimadores de VI não lineares, incluindo:

• O Efeito Médio Local do Tratamento (LATE).
• O Efeito Médio Local do Tratamento para os Tratados (LATT).
• O Modelo de VI Parcialmente Linear (PLIVM).

O objetivo central é caracterizar a magnitude do viés causado pela omissão de variáveis, estabelecer limites de identificação parcial e construir intervalos de confiança ajustados para o viés.

2. Metodologia

O autor propõe uma estrutura unificada baseada na decomposição de viés e na inferência estatística robusta.

2.1. Estrutura Geral e Decomposição de Viés
O artigo modela estimadores de VI como uma razão de dois momentos: $\theta = \lambda / \gamma$.

• Versão Longa (Completa): Inclui covariáveis observáveis ($X$) e não observáveis ($A$).
• Versão Curta (Omitida): Inclui apenas $X$.

O viés é definido como $|\theta - \theta_s|$. O autor deriva decomposições de viés para os componentes $\lambda$ (efeito reduzido) e $\gamma$ (primeira etapa), expressando o viés quadrático em termos de:

1. Parâmetros de Sensibilidade ($C_\alpha, C_Y, C_D$): Medem o ganho na precisão preditiva (redução no erro quadrático médio - MSE) quando a variável omitida $A$ é incluída, em relação às variáveis observáveis. Eles são análogos a $R^2$ parciais não paramétricos.
2. Coeficientes de Correlação ($\rho_Y, \rho_D$): Medem a correlação entre o erro de previsão e o peso da variável instrumental.

2.2. Limites de Identificação Parcial
Utilizando os resultados de Chernozhukov et al. (2024a) e a abordagem de Anderson-Rubin, o artigo estabelece limites inferiores e superiores para $\lambda$ e $\gamma$ ($\lambda_\pm, \gamma_\pm$).

• Teorema 1: Deriva os limites de identificação para o parâmetro estrutural $\theta_0$ combinando os limites de $\lambda$ e $\gamma$. O conjunto de identificação pode ser um intervalo contínuo ou um conjunto disjunto, dependendo dos sinais dos limites de $\gamma$.
• O autor recomenda verificar se os limites de $\gamma$ têm o mesmo sinal; caso contrário, a identificação pode falhar ou tornar-se indeterminada.

2.3. Estimativa e Inferência com Double Machine Learning (DML)
Para lidar com covariáveis de alta dimensão e formas funcionais complexas, o método emprega Double Machine Learning (DML):

• Ortogonalidade de Neyman: Utiliza funções de influência (IFs) que são robustas a erros de estimação dos parâmetros de incômodo (nuisance parameters).
• Cross-Fitting (K-fold): Divide a amostra para evitar overfitting e garantir a normalidade assintótica dos estimadores.
• Método da Mediana: Repete o processo de cross-fitting múltiplas vezes e utiliza a mediana das estimativas para aumentar a estabilidade e reduzir a variabilidade devida à divisão da amostra.

2.4. Intervalos de Confiança Ajustados (OVB-Adjusted C.I.)
O artigo desenvolve procedimentos de inferência para construir intervalos de confiança que incorporam a incerteza do viés:

• Teorema 3 e 4: Estabelecem a cobertura assintótica dos limites parciais.
• Método de Encolhimento (Shrinkage) de Stoye (2009): Para garantir que o intervalo de confiança seja uniformemente válido (mesmo quando o parâmetro está próximo da fronteira do conjunto de identificação), o autor adapta o método de Stoye. Isso evita que o intervalo seja excessivamente estreito quando o viés é pequeno, ajustando os valores críticos ($z^*_l, z^*_u$) com base no tamanho estimado da região de identificação.

2.5. Análise de Benchmarking
Para calibrar os parâmetros de sensibilidade ($C_\alpha, C_Y, C_D$), o autor propõe uma análise de benchmarking. A ideia é comparar a força da variável omitida $A$ com a de uma variável observável excluída $X_j$. Se $A$ for tão importante quanto $X_j$ para prever o resultado, os parâmetros de sensibilidade são calibrados com base na melhoria preditiva observada ao adicionar $X_j$ ao modelo.

3. Aplicação Empírica: JTPA (Job Training Partnership Act)

O método é aplicado aos dados do experimento JTPA nos EUA, analisando o impacto de programas de treinamento profissional em ganhos de renda.

• Dados: Trabalhadores adultos (homens e mulheres) entre 1987-1989.
• Variável Instrumental (Z): Oferta do serviço de treinamento (aleatória).
• Tratamento (D): Inscrição no programa (endógeno, pois há seleção).
• Resultado (Y): Ganho total em 30 meses.

Resultados Principais:

1. Robustez da Primeira Etapa ($\gamma$): As estimativas da probabilidade de compliance (participação condicional à oferta) são robustas a variáveis omitidas para ambos os gêneros. Os limites de sensibilidade mostram que seriam necessárias variáveis omitidas extremamente fortes para invalidar a primeira etapa.
2. Sensibilidade do ITT e LATE:
   • Mulheres: Os efeitos do tratamento (LATE e LATT) e o efeito intenção-de-tratar (ITT) permanecem estatisticamente significativos e robustos mesmo após ajustar para o viés de variável omitida e a incerteza dos limites.
   • Homens: Os efeitos tornam-se frágeis. Ao considerar o viés potencial, a significância estatística desaparece ou o intervalo de confiança ajustado inclui zero, sugerindo que os resultados para homens são sensíveis a variáveis não observadas.
3. Comparação LATE vs. LATT: Os resultados qualitativos são similares para LATE e LATT, reforçando a conclusão de que a robustez varia significativamente entre os subgrupos demográficos.

4. Contribuições Chave

1. Generalização para Não Linearidade: Estende a análise de sensibilidade de OVB de modelos lineares para estimadores de VI não lineares (LATE, LATT, PLIVM), que são onipresentes na literatura de microeconometria.
2. Framework Unificado de Inferência: Desenvolve uma teoria assintótica completa para a construção de intervalos de confiança ajustados ao viés, utilizando DML e o método de Stoye para garantir validade uniforme.
3. Ferramentas Práticas de Calibração: Oferece um método de benchmarking baseado em dados para calibrar parâmetros de sensibilidade, tornando a análise de sensibilidade menos arbitrária e mais fundamentada na estrutura dos dados observáveis.
4. Insights Empíricos: Demonstra que a robustez de conclusões causais pode variar drasticamente dentro de uma mesma amostra (ex: gênero), alertando para a necessidade de testes de sensibilidade rigorosos em estimadores não lineares.

5. Significado e Conclusão

Este trabalho fornece uma ferramenta essencial para pesquisadores que utilizam VI em contextos complexos e não lineares. Ao quantificar explicitamente o viés de variável omitida e fornecer intervalos de confiança que incorporam essa incerteza, o método permite uma avaliação mais honesta e rigorosa das conclusões causais. A aplicação ao JTPA ilustra que, embora a primeira etapa (compliance) seja frequentemente robusta, os efeitos de tratamento estimados podem ser altamente sensíveis a variáveis não observadas, dependendo do subgrupo analisado. Isso reforça a importância de ir além da estimativa pontual e realizar análises de sensibilidade estruturadas em pesquisas aplicadas.