Representativeness and Efficiency in Overidentified IV

Este artigo propõe o estimador "Representative Targeting" (RT) para resolver o compromisso entre eficiência e interpretação causal em modelos de variáveis instrumentais superidentificadas, garantindo pesos não negativos e atingindo o limite de eficiência semiparamétrica ao evitar a atribuição de pesos negativos frequentemente observada no GMM eficiente.

O essencial

Imagine que você é um chef tentando descobrir o segredo para fazer o melhor bolo do mundo. Você tem vários ajudantes (os "instrumentos"), cada um com uma receita ligeiramente diferente. O objetivo é descobrir o sabor exato do bolo (o "efeito do tratamento").

Este artigo, escrito por Chun Pang Chow e Hiroyuki Kasahara, é como um manual de sobrevivência para chefs que estão confusos porque seus ajudantes estão dando resultados diferentes.

Aqui está a explicação simples, passo a passo:

1. O Problema: Quando "Mais Preciso" Significa "Pior Sabor"

No mundo da estatística tradicional, se você tem vários ajudantes, você geralmente usa um método chamado GMM (Método Geral de Momentos) para combinar as receitas deles. A ideia é: "Vamos pegar a média ponderada de todos para ter o resultado mais preciso possível".

O problema que os autores descobrem é que, quando os ingredientes (os efeitos do tratamento) variam muito de pessoa para pessoa, esse método de "precisão máxima" começa a fazer coisas estranhas:

• Ele ignora os ajudantes mais "barulhentos": Se um ajudante tem uma receita que varia muito (alta variância), o método GMM diz: "Ah, esse cara é muito instável, vamos dar menos peso na opinião dele".
• Ele cria "sabores negativos": Pior ainda, para tentar ser super eficiente, o método às vezes atribui pesos negativos. Imagine que, para calcular a média do sabor do bolo, o método diz: "Vamos somar 50% da receita do João, 50% da de Maria, e subtrair 20% da receita do Pedro".
  • Por que isso é ruim? Porque subtrair uma receita não faz sentido no mundo real. Você não pode "desfazer" o efeito de um ingrediente. Isso torna o resultado final impossível de explicar: "Qual grupo de pessoas esse bolo representa?" A resposta fica confusa.

2. A Ilusão da Eficiência

Os autores mostram que tentar ser "super eficiente" (usar o GMM padrão) é uma armadilha.

• A Metáfora do Espelho Distorcido: Imagine que você quer ver seu reflexo no espelho (o efeito real). O método GMM tenta ajustar o espelho para que a imagem fique nítida (baixa variância), mas, ao fazer isso, ele distorce a imagem. O reflexo fica claro, mas não é mais você; é uma versão sua que o espelho decidiu que é "mais eficiente" mostrar.
• O Dilema Impossível: Eles provam matematicamente que você não pode ter tudo ao mesmo tempo: não é possível ter um método que seja ao mesmo tempo super eficiente (preciso) e respeite as escolhas do pesquisador (dar peso igual ou específico para cada ajudante). Se você força o método a ser eficiente, ele muda o que você está medindo.

3. A Solução: O Método "RT" (Representative Targeting)

Para resolver isso, os autores criam um novo método chamado Representative Targeting (RT) ou "Alvo Representativo".

• Como funciona? Em vez de tentar forçar todos os ajudantes a se encaixarem em uma única equação complexa (o que causa os pesos negativos), o método RT faz algo mais simples e honesto:

  1. Ele pergunta a cada ajudante individualmente: "Qual é a sua receita?"
  2. Ele pega essas respostas individuais.
  3. Ele as mistura usando pesos que você escolhe (pesos positivos, claro!).
  4. Ele calcula a média.

• A Analogia do Conselho de Sabores:

  • O Método Antigo (GMM/2SLS): É como um juiz que ouve todos os testemunhos, mas decide ignorar ou até contradizer alguns depoimentos para chegar a uma conclusão "matematicamente perfeita", mesmo que isso signifique dizer "o réu é inocente porque a testemunha A disse que ele era culpado, mas a testemunha B disse que era inocente, então vamos subtrair a culpa da A".
  • O Método Novo (RT): É como um conselho de jurados onde cada um dá seu voto. O presidente do conselho (o pesquisador) diz: "Vamos dar 1 voto para cada um" ou "Vamos dar mais peso para os especialistas". O resultado é uma média justa, onde ninguém é "subtraído" da conta.

4. Por que isso importa? (Os Exemplos Reais)

Os autores testaram isso em duas situações reais:

1. Tamanho da Turma Escolar (Tennessee STAR):

   • Eles queriam saber se turmas menores melhoram a nota de matemática.
   • O método antigo (GMM) disse: "Turmas menores ajudam, mas o efeito é de apenas 6,5 pontos".
   • O método novo (RT) disse: "Turmas menores ajudam, e o efeito é de 8,8 pontos".
   • O que aconteceu? O método antigo penalizou as escolas onde os alunos tinham notas muito variáveis (alta heterogeneidade), ignorando que nessas escolas o efeito era grande. O método novo ouviu a todos e deu uma resposta mais representativa.

2. Examinadores de Patentes:

   • Eles queriam saber se aprovar uma patente aumenta as citações futuras.
   • O método antigo (GMM) disse: "Aprovar patentes aumenta as citações em 5,5 vezes".
   • O método novo (RT) disse: "Aprovar patentes aumenta as citações em 11,7 vezes".
   • O que aconteceu? O método antigo deu um peso negativo para os examinadores mais "permissivos" (que aprovam mais), achando que eles eram "ruins" para a estatística. Isso distorceu totalmente a resposta. O método novo mostrou que, se você quiser saber o efeito de uma política real (aprovar mais patentes), precisa ouvir os examinadores permissivos, não ignorá-los.

Resumo em uma frase

Este artigo diz: "Não deixe a busca por uma precisão matemática perfeita distorcer a realidade. Se você quer saber o efeito de uma política em um grupo específico, use um método que respeite a opinião de cada grupo individualmente, em vez de forçá-los a se encaixar em uma fórmula que pode subtrair partes da verdade."

É como dizer: para fazer um bom bolo, não tente subtrair ingredientes para ficar "matematicamente perfeito". Misture os ingredientes com carinho, na proporção que você deseja, e o resultado será um bolo que realmente sabe como deveria.

Resumo técnico

Resumo Técnico: Representatividade e Eficiência em IV Superidentificados

1. O Problema

Em modelos de Variáveis Instrumentais (IV) com tratamento heterogêneo e múltiplos instrumentos (superidentificados), o estimador de Mínimos Quadrados em Duas Etapas (2SLS) e o Método Geral de Momentos (GMM) enfrentam um dilema fundamental: a escolha da matriz de ponderação determina o parâmetro estimado (estimando), e não apenas a precisão da estimativa.

O artigo identifica três problemas críticos na literatura atual:

1. Pesos Negativos: Sob heterogeneidade de efeitos de tratamento, o 2SLS e o GMM Eficiente (EGMM) podem atribuir pesos negativos a estimadores Wald específicos ou a tipos de conformidade (compliers), tornando a interpretação causal do estimando impossível (o estimando deixa de ser uma média ponderada de efeitos de tratamento).
2. Penalidade de Heterogeneidade: O EGMM, ao buscar eficiência, penaliza instrumentos cujos grupos de conformidade apresentam alta dispersão nos efeitos de tratamento. Isso distorce o estimando, deslocando-o para subpopulações com efeitos mais homogêneos, muitas vezes ignorando os efeitos de maior magnitude ou interesse econômico.
3. Impossibilidade de Eficiência e Ponderação Específica: O artigo prova um resultado de impossibilidade: dentro da classe GMM, não é possível, simultaneamente, atingir o limite de eficiência semiparamétrica e entregar pesos especificados pelo pesquisador (a menos que todos os estimandos Wald sejam idênticos). O GMM força um resíduo comum a múltiplos estimandos distintos, gerando uma ineficiência estrutural.

2. Metodologia e Estrutura Teórica

O artigo desenvolve uma nova estrutura baseada em Tipos de Conformidade (generalização de Angrist et al., 1996 para $L$ instrumentos) e introduz o conceito de Representative Targeting (RT).

• Decomposição de Wald: O autor demonstra que qualquer estimador GMM é uma média ponderada dos estimandos Wald de cada instrumento. Sob dependência entre instrumentos, esses pesos podem ser negativos.
• Dependência de Regressão Positiva (PRD): O artigo estabelece que a condição de Positive Regression Dependence (PRD) nos instrumentos (introduzida por Lehmann, 1966) garante que os pesos dentro de cada estimando Wald sejam não-negativos. Isso cobre designs experimentais independentes e designs de "leniência" cumulativa (compartilhando um fator comum).
• A Penalidade de Heterogeneidade: O EGMM inverte a matriz de momentos de segunda ordem ($\Omega$). Quando um instrumento tem alta variância residual (devido à heterogeneidade do efeito de tratamento), o EGMM reduz automaticamente seu peso. Isso cria uma "penalidade" que distorce o estimando, focando em regiões de baixa heterogeneidade, independentemente da relevância econômica.
• O Estimador RT (Representative Targeting):
  • Definição: O RT calcula cada razão Wald específica para cada instrumento separadamente e depois faz uma média ponderada desses Walds usando pesos escolhidos pelo pesquisador ($\omega$).
  • Diferença Crucial: Ao contrário do GMM, o RT não ajusta um resíduo comum a todos os instrumentos. Ele utiliza resíduos específicos de cada instrumento.
  • Propriedades: Sob PRD, o RT garante pesos não-negativos nos tipos de conformidade. Mais importante, o RT atinge o limite de eficiência semiparamétrica para o estimando alvo específico, algo que o GMM não consegue fazer quando os estimandos Wald diferem.

3. Principais Contribuições Teóricas

1. Caracterização da Penalidade de Heterogeneidade: O papel da matriz de ponderação do EGMM em downweighting (reduzir peso) de instrumentos com alta dispersão de efeitos de tratamento é formalizado, explicando por que o EGMM pode produzir estimativas menores que o 2SLS em cenários de alta heterogeneidade.
2. Teorema de Impossibilidade: Prova-se que, na presença de efeitos heterogêneos, nenhum matriz de ponderação GMM pode simultaneamente:
   • Atender a uma meta de pesos desejada pelo pesquisador.
   • Attingir o limite inferior de variância (eficiência).
   • O GMM está condenado a uma variância superior ao limite de eficiência se for forçado a atingir um estimando específico.
3. Representative Targeting (RT): Propõe-se o RT como a solução construtiva. Ele abandona a estrutura de resíduo comum do GMM, permitindo que o pesquisador escolha o estimando (ex: média igual, média ponderada pela participação, ou efeito de tratamento relevante para política) sem sacrificar a eficiência semiparamétrica para aquele alvo específico.
4. Conexão com MTE (Marginal Treatment Effect): O artigo conecta o RT ao framework de MTE de Heckman e Vytlacil. Mostra-se que o RT pode aproximar o Policy-Relevant Treatment Effect (PRTE) com erro quadrático médio mínimo ($L_2$), fornecendo um estimador pontual para políticas que alteram a distribuição do instrumento.

4. Resultados Empíricos

Os autores aplicam a metodologia em dois estudos de caso distintos para ilustrar as consequências práticas:

A. Experimento de Tamanho de Turma (Tennessee STAR):

• Contexto: 78 escolas com randomização independente.
• Achado: O teste J rejeita fortemente a igualdade dos efeitos de tratamento entre escolas ($p < 0.001$).
• Comparação: O 2SLS estima um ganho de 8.84 pontos no teste de matemática. O EGMM estima apenas 6.55.
• Mecanismo: O EGMM penaliza as escolas com maiores efeitos de tratamento porque essas escolas também apresentam maior variância residual (heterogeneidade). O RT (com pesos iguais ou ponderados) recupera estimativas mais próximas do 2SLS, mas com variância otimizada e interpretação causal clara.

B. Design de Leniência de Examinadores de Patentes:

• Contexto: Aprovação de patentes baseada na "leniência" do examinador (instrumentos cumulativos).
• Achado: O EGMM concentra 86% do peso no limiar mais baixo e atribui pesos negativos aos limiares mais altos (G $\ge$ 5 e G $\ge$ 6).
• Consequência: O estimando do EGMM (5.51 citações) fica abaixo de todos os estimandos Wald individuais, tornando-se causalmente ininterpretável.
• Solução RT: O RT com alvo de PRTE (Policy-Relevant Treatment Effect) gera uma estimativa de 11.75 citações, que é uma aproximação viável e eficiente do efeito de uma política de relaxamento uniforme da fiscalização. O RT evita pesos negativos e fornece uma estimativa economicamente relevante.

5. Significância e Implicações

• Reinterpretação do GMM: O artigo desafia a visão de que o GMM é apenas uma ferramenta de otimização de variância. Ele mostra que, sob heterogeneidade, o GMM é um mecanismo de seleção de subpopulações que pode ser arbitrário e economicamente indesejável.
• Escolha Consciente do Estimando: O RT empodera o pesquisador a escolher explicitamente qual subpopulação ou efeito médio está sendo estimado (ex: efeito médio igual, efeito para uma política específica), garantindo que essa escolha seja feita de forma eficiente e causalmente válida.
• Validade Causal: Ao garantir pesos não-negativos sob PRD e evitar a penalidade de heterogeneidade, o RT restaura a interpretabilidade causal que o 2SLS e o EGMM frequentemente perdem em cenários superidentificados complexos.
• Aplicabilidade em Políticas Públicas: A capacidade de direcionar o estimador para o PRTE (Efeito de Tratamento Relevante para Políticas) com um custo de variância conhecido torna o RT uma ferramenta superior para avaliação de políticas públicas baseadas em IV.

Em suma, o artigo demonstra que o estimador é o estimando em modelos IV superidentificados com efeitos heterogêneos, e propõe o Representative Targeting como a solução metodológica para reconciliar eficiência estatística, interpretabilidade causal e relevância de política.