Assessing Sensitivity to IV Exclusion and Exogeneity without First Stage Monotonicity

Este artigo desenvolve novas análises de sensibilidade para as premissas de exclusão e exogeneidade em variáveis instrumentais que acomodam heterogeneidade arbitrária nos efeitos do tratamento e não exigem monotonicidade no primeiro estágio, permitindo a estimação de conjuntos identificados para distribuições marginais e efeitos médios através de programas lineares, conforme ilustrado em uma aplicação sobre efeitos de pares na audiência de filmes.

O essencial

Imagine que você é um detetive tentando descobrir se chover (o instrumento) faz as pessoas assistirem a filmes (o resultado) porque elas ficam entediadas em casa, e não por outros motivos.

Na economia e na estatística, usamos uma ferramenta chamada Variável Instrumental (IV) para tentar provar essa relação de causa e efeito. Mas, para que o detetive seja confiável, ele precisa seguir três regras estritas:

1. Exclusão: A chuva só afeta o filme através do tédio. A chuva não pode fazer o filme ficar melhor ou pior magicamente.
2. Exogeneidade: A chuva deve ser totalmente aleatória, como um dado jogado no ar. Não pode ser que a chuva aconteça só quando o filme é bom.
3. Monotonicidade: Se a chuva faz algumas pessoas ficarem em casa, ela não pode fazer outras saírem de casa. Todo mundo deve reagir da mesma forma.

O problema é que, na vida real, essas regras raramente são perfeitas. Talvez a chuva faça o filme parecer mais "aconchegante" (violando a exclusão). Talvez a chuva aconteça mais em fins de semana de filmes de terror (violando a exogeneidade). E talvez, para alguns, a chuva seja uma desculpa para sair de casa (violando a monotonicidade).

A maioria dos estudos antigos dizia: "Se você não consegue provar que as regras são perfeitas, o estudo não vale nada".

O que este novo artigo faz?
Os autores (Diegert, Masten e Poirier) criaram um novo "kit de ferramentas" para detetives que não precisam de regras perfeitas. Eles dizem: "Ok, vamos admitir que a chuva pode não ser 100% aleatória ou que pode ter um efeito colateral pequeno. Vamos ver o quanto isso estraga nossa conclusão."

A Analogia do "Filtro de Café Imperfeito"

Imagine que você quer saber se o café (tratamento) te deixa alerta (resultado). Você usa o barulho da rua (instrumento) para decidir se vai beber café.

• Cenário Perfeito: O barulho faz você beber café, e o café te deixa alerta. Nada mais interfere.
• Cenário Real: Às vezes, o barulho te deixa alerta por causa do estresse, não do café. Às vezes, o barulho não te faz beber café.

O método tradicional tentaria forçar o barulho a ser perfeito. Se não fosse, o estudo era descartado.

O método deste artigo é como um filtro de café que aceita grãos imperfeitos. Em vez de jogar o café fora, o filtro calcula:

• "Se o barulho tivesse 1% de chance de te deixar alerta sem café, qual seria o efeito real do café?"
• "Se fosse 5%?"
• "Se fosse 50%?"

Eles criam um gráfico de sensibilidade. É como um termômetro de confiança.

• Se o seu resultado (café te deixa alerta) se mantém forte mesmo quando você permite que o barulho tenha muitos defeitos, sua conclusão é robusta (forte).
• Se o resultado desaparece assim que você permite um defeitinho minúsculo, sua conclusão é frágil (sensível).

O "Quebra-Cabeça" Matemático (Sem a parte chata)

O artigo é tecnicamente complexo porque lida com infinitas possibilidades (especialmente quando o resultado é contínuo, como "quantas pessoas foram ao cinema", e não apenas "sim/não").

Os autores transformaram esse problema em um quebra-cabeça de otimização linear.

• Pense em um espaço de possibilidades como uma caixa de sapatos.
• As regras do estudo (exogeneidade e exclusão) definem as paredes dessa caixa.
• Se as regras são perfeitas, a caixa é pequena e o resultado é preciso.
• Se as regras são relaxadas (aceitamos imperfeições), a caixa cresce.
• O método deles calcula o maior e o menor tamanho possível que o resultado pode ter dentro dessa caixa que está crescendo.

Eles mostram que, mesmo com uma caixa gigante e infinita, é possível usar computadores para encontrar os limites exatos desse resultado de forma rápida e eficiente.

O Exemplo Real: Filmes e Clima

Para testar sua ferramenta, eles olharam para um estudo famoso sobre efeitos de pares em filmes.

• A teoria: Se você vê um filme no fim de semana, seus amigos vão querer ver também na semana seguinte (efeito de rede).
• O instrumento: O clima. Chuva faz as pessoas ficarem em casa e verem o filme.
• O problema: Talvez a chuva não seja aleatória. Talvez filmes ruins sejam lançados em dias de chuva, ou talvez as pessoas saiam de casa em dias de sol para ver filmes populares.

O que eles descobriram?

1. Se assumirmos que o clima é perfeito (nenhum defeito), sim, há um efeito positivo: ver o filme no fim de semana aumenta a audiência na semana seguinte.
2. MAS, assim que eles permitiram uma pequena imperfeição na aleatoriedade do clima (apenas 1,5% de desvio), a conclusão de que "o efeito é positivo" começou a desmoronar. O intervalo de confiança passou a incluir o zero (ou seja, poderia não haver efeito nenhum).

A lição: O estudo original parecia forte, mas era como uma casa de cartas. Um sopro de dúvida (uma pequena violação das regras) derrubou a conclusão.

Resumo em Português Simples

Este artigo ensina aos pesquisadores uma nova maneira de ser honesto sobre suas descobertas. Em vez de dizer "Minha ferramenta é perfeita, então meu resultado é verdade", eles agora podem dizer:

"Minha ferramenta tem alguns defeitos. Se o defeito for pequeno, meu resultado ainda é válido. Mas se o defeito for um pouco maior, meu resultado some. Aqui está o gráfico mostrando exatamente onde está o limite da minha confiança."

É como dizer: "Minha conclusão é forte o suficiente para aguentar um pouco de vento, mas não aguenta uma tempestade." Isso torna a ciência muito mais transparente e útil para quem toma decisões baseadas nela.

Resumo técnico

Resumo Técnico: Avaliação de Sensibilidade à Exclusão e Exogeneidade em IV sem Monotonicidade de Primeiro Estágio

1. O Problema

As análises de Variáveis Instrumentais (IV) dependem classicamente de três suposições fundamentais:

1. Exclusão: O instrumento não afeta o resultado diretamente, apenas através do tratamento.
2. Exogeneidade: O instrumento é aleatoriamente atribuído (independente dos resultados potenciais).
3. Monotonicidade de Primeiro Estágio: O efeito do instrumento no tratamento é sempre do mesmo sinal (não há "desviadores" ou defiers).

O artigo identifica que, em muitos contextos empíricos, justificar a monotonicidade é difícil ou impossível (ex.: designs de "juízes IV" ou tratamentos com múltiplos valores). Além disso, as suposições de exclusão e exogeneidade são frequentemente debatidas e violadas na prática. A literatura existente sobre análise de sensibilidade para IV geralmente assume:

• Efeitos de tratamento homogêneos.
• Equações de resultado lineares.
• Restrições de monotonicidade.
• Variáveis estritamente discretas.

O objetivo deste trabalho é desenvolver uma nova abordagem de análise de sensibilidade que relaxe as suposições de exclusão e exogeneidade de forma contínua, sem impor qualquer restrição de monotonicidade e permitindo efeitos de tratamento arbitrariamente heterogêneos, tanto para resultados discretos quanto contínuos.

2. Metodologia

Os autores propõem uma classe unificada de relaxações contínuas para as suposições de exclusão e exogeneidade, permitindo que os pesquisadores avaliem a robustez de seus resultados à medida que as suposições são violadas.

A. Modelo e Relaxações de Sensibilidade
O paper introduz um parâmetro de sensibilidade escalar e livre de unidades ($\theta \in [0, 1]$) que indexa o grau de violação da independência entre o instrumento e os resultados potenciais.

• $\theta = 0$: Corresponde à validade total do instrumento (exclusão e exogeneidade estritas).
• $\theta = 1$: Corresponde a "nenhuma suposição" (sem restrições de independência).
• Valores intermediários representam violações parciais.

A classe unificada engloba três modelos de sensibilidade existentes como casos especiais:

1. Modelo de Sensibilidade Marginal (MSM) de Tan (2006): Limita a razão de chances (odds ratio) entre o instrumento e o resultado.
2. c-dependência (Masten e Poirier, 2018): Limita a diferença máxima entre a probabilidade condicional e a marginal de receber o tratamento/instrumento.
3. Distância de Kolmogorov-Smirnov (KS): Limita a distância máxima entre as funções de distribuição acumulada (CDF) dos resultados condicionados aos valores do instrumento.

B. Identificação e Programação Linear
O núcleo da metodologia baseia-se na caracterização dos conjuntos identificados (bounds) das distribuições marginais dos resultados potenciais.

• Caso Discreto: O conjunto identificado é a interseção de dois conjuntos convexos: o conjunto de probabilidades consistentes com a distribuição observada dos dados e o conjunto consistente com o modelo de sensibilidade (definido por $\theta$).
  • O conjunto identificado é um poliedro convexo fechado.
  • A otimização de funcionais lineares (como ATE, ATT, QTE) sobre este conjunto é formulada como um Problema de Programação Linear (LP) de dimensão finita, que pode ser resolvido eficientemente.
• Caso Contínuo: A distribuição do resultado é descrita por uma função de densidade (objeto de dimensão infinita).
  • O problema torna-se um Programa Linear de Dimensão Infinita.
  • Os autores propõem uma estratégia computacional baseada em sieves (aproximação por polinômios de Bernstein) para converter o problema infinito em um problema de dimensão finita tratável, mantendo as propriedades teóricas de convergência.

C. Propriedades Teóricas

• Continuidade e Monotonicidade: Os limites identificados são contínuos e monotônicos em relação ao parâmetro de sensibilidade $\theta$.
• Fronteiras de Falsificação: O método identifica o "ponto de falsificação" ($\underline{\theta}$), o valor mínimo de relaxação necessário para que o modelo não seja refutado pelos dados. Se $\theta < \underline{\theta}$, o conjunto identificado é vazio, indicando que o modelo de base é falsificado.
• Ausência de Monotonicidade: O método não assume monotonicidade no primeiro estágio, permitindo a existência de "desviadores" (defiers), o que é crucial para aplicações onde a monotonicidade é duvidosa.

3. Contribuições Principais

1. Generalidade da Heterogeneidade: Diferente da literatura anterior, o método permite efeitos de tratamento heterogêneos arbitrários, sem assumir homogeneidade ou linearidade.
2. Eliminação da Monotonicidade: É a primeira abordagem de sensibilidade para IV que dispensa completamente a suposição de monotonicidade de primeiro estágio, tornando-a aplicável a contextos complexos (como IV de juízes).
3. Unificação de Modelos: Cria uma estrutura teórica unificada que abrange MSM, c-dependência e distâncias KS, permitindo comparação direta entre diferentes abordagens de sensibilidade.
4. Tratabilidade Computacional para Resultados Contínuos: Desenvolve um método viável para calcular limites de sensibilidade para resultados contínuos (densidades infinitas) via aproximação de polinômios de Bernstein e programação linear, algo que a literatura previa como computacionalmente intratável.
5. Visualização de Robustez: Permite a construção de gráficos de sensibilidade que mostram como os parâmetros de interesse (ATE, QTE) variam conforme as violações de exclusão/exogeneidade aumentam.

4. Resultados Empíricos

O método foi aplicado ao estudo de efeitos de pares na audiência de filmes (baseado em Gilchrist e Sands, 2016), utilizando o clima (chuva/temperatura) como instrumento para a audiência do fim de semana de estreia.

• Contexto: O clima é um instrumento popular, mas pode violar a exclusão se o clima afetar a qualidade percebida do filme (aprendizado social) ou se estúdios ajustarem estratégias de marketing baseadas no clima.
• Achados sob Exogeneidade Total ($\theta=0$): Sob as suposições padrão, há um efeito positivo significativo dos pares na audiência (o ATE é positivo e afastado de zero).
• Análise de Sensibilidade:
  • A conclusão de um efeito positivo é altamente sensível a pequenas violações da exogeneidade.
  • No modelo de c-dependência, o conjunto identificado para o ATE inclui zero quando o parâmetro de sensibilidade $c$ atinge apenas 0,015 (1,5 pontos percentuais). Isso significa que, se a probabilidade latente de escolher o tratamento puder variar em apenas 1,5% em relação à probabilidade observada, a conclusão de que há um efeito de pares positivo deixa de ser estatisticamente robusta.
  • Para Efeitos de Tratamento Quantílicos (QTE) em resultados contínuos, a sensibilidade é ainda mais pronunciada nas caudas superiores da distribuição, onde os limites se tornam muito amplos e incluem zero mesmo com relaxações mínimas.

5. Significado e Implicações

Este trabalho oferece uma ferramenta crucial para economistas e pesquisadores aplicados que utilizam IV.

• Transparência: Permite que os pesquisadores quantifiquem exatamente quão fortes as violações de exclusão ou exogeneidade precisam ser para invalidar suas conclusões.
• Rigor em Contextos Complexos: Ao remover a necessidade de monotonicidade, o método torna a análise de IV mais robusta para designs de campo modernos onde a monotonicidade é difícil de justificar.
• Mudança de Paradigma: O estudo empírico demonstra que conclusões que parecem robustas sob suposições padrão podem ser frágeis sob relaxações mínimas e realistas. Isso sugere que a prática de relatar apenas os resultados sob IV "perfeito" pode ser enganosa, e que a análise de sensibilidade deve se tornar um padrão na literatura empírica.

Em suma, o paper fornece a base teórica e computacional para realizar testes de robustez rigorosos em modelos IV, sem as restrições limitantes da literatura anterior, permitindo uma avaliação mais realista da causalidade em ciências sociais.