Nonparametric Identification and Estimation of Causal Effects on Latent Outcomes

Each language version is independently generated for its own context, not a direct translation.

Imagine que você é um detetive tentando descobrir se uma nova medicina (o tratamento) realmente cura uma doença invisível (o resultado latente).

O problema é que você não consegue ver a doença diretamente. Você só pode ver os sintomas: uma tosse, uma febre, uma dor de cabeça. Cada sintoma é uma "medida" imperfeita da doença.

Agora, imagine que você tem dois outros detetives trabalhando em casos parecidos.

O Detetive A mede a doença usando uma tosse e uma febre.
O Detetive B mede a mesma doença usando uma dor de cabeça e um teste de sangue.

Se o Detetive A diz que a medicina funciona muito bem, e o Detetive B diz que ela não funciona nada, quem está certo? O problema é que eles estão falando "línguas" diferentes. A "febre" não é a mesma coisa que o "teste de sangue", mesmo que ambos tentem medir a mesma doença.

Este é o grande problema que o artigo de Jiawei Fu e Donald Green tenta resolver.

O Problema: "Medidas que Falam Línguas Diferentes"

Os autores explicam que existem dois tipos de confusão quando lidamos com coisas invisíveis (como confiança política, inteligência ou saúde mental):

A Confusão entre Estudos (O Problema da Tradução):
Se o Detetive A usa uma régua de madeira e o Detetive B usa uma régua de metal, mesmo medindo a mesma mesa, os números vão ser diferentes. Na ciência, quando um estudo usa perguntas de "sim/não" e outro usa uma escala de 1 a 10, eles podem chegar a conclusões opostas sobre o mesmo efeito, não porque a realidade mudou, mas porque as "réguas" (medidas) são diferentes.
A Confusão dentro do Mesmo Estudo (O Problema do Tradutor):
Mesmo dentro de um único estudo, se você usa três perguntas diferentes para medir "inteligência", elas podem não se comportar da mesma forma. Uma pergunta pode ser fácil para todos (mede pouco), outra pode ser muito difícil (mede pouco), e outra pode ser perfeita. Se você apenas somar tudo, você pode estar distorcendo a realidade.

A Solução: A "Ponte Mágica" (Bridge Function)

Os autores propõem uma solução inteligente chamada NSI (Índice Escalonado Não Paramétrico). Vamos usar uma analogia de tradução:

Imagine que você quer comparar o preço de casas em Nova York (medidas em Dólares) com casas em Paris (medidas em Euros). Você não pode simplesmente somar os números. Você precisa de uma taxa de câmbio para traduzir um para o outro.

No mundo da ciência, os autores criam uma "Taxa de Câmbio" matemática (chamada de Função de Ponte ou Bridge Function).

Escolha uma "Moeda Base": Eles dizem: "Ok, vamos escolher uma pergunta específica (digamos, a pergunta 1) como nossa referência padrão. Vamos chamá-la de Medida Âncora."
Construa a Ponte: Para cada outra pergunta (Medida 2, Medida 3, etc.), eles usam matemática avançada para criar uma "ponte". Essa ponte diz: "Se a Medida 2 diz X, o que isso significaria se fosse a Medida 1?"
- Exemplo: Se a Medida 2 é um teste de matemática difícil e a Medida 1 é um teste fácil, a "ponte" ajusta a nota do teste difícil para que ela seja comparável à nota do teste fácil, como se ambos estivessem falando a mesma língua.
O Resultado: Agora, todas as medidas foram "traduzidas" para a língua da Medida Âncora. Você pode somá-las e compará-las com segurança, sabendo que está medindo a mesma coisa invisível.

Por que isso é genial?

Não precisa de "Adivinhação": Métodos antigos tentavam adivinhar como as perguntas se relacionavam (assumindo que a relação era sempre uma linha reta). Os autores dizem: "Não assumimos nada. Deixamos os dados nos contarem como é a relação, seja ela curva, reta ou estranha."
Usa o Próprio Experimento: Eles usam o fato de que o tratamento foi aleatório (como um sorteio) como uma "lupa" para descobrir como traduzir as medidas. É como usar o próprio experimento para calibrar as réguas.
Funciona mesmo com dados "ruins": Mesmo que a tradução não seja perfeita (o que chamam de "identificação fraca"), o método consegue ainda encontrar a resposta correta sobre se o tratamento funcionou ou não.

A Lição para a Vida Real

O artigo nos ensina uma lição importante para qualquer pesquisa: O jeito que você mede as coisas faz parte da resposta.

Se você quer comparar resultados de diferentes pesquisas no futuro, você precisa garantir que pelo menos uma pergunta ou medida seja exatamente a mesma em todos os estudos. Essa será a sua "âncora" ou "ponte" para conectar os mundos diferentes.

Resumo em uma frase:
Os autores criaram um método matemático que atua como um "tradutor universal", permitindo que cientistas comparem e combinem diferentes testes e perguntas para medir coisas invisíveis (como sentimentos ou habilidades) sem se perderem em confusões causadas por réguas de medição diferentes.

Each language version is independently generated for its own context, not a direct translation.

1. O Problema: Inferência Causal com Resultados Latentes

Em muitas aplicações nas ciências sociais (ideologia, capacidade estatal, confiança política, saúde mental, capital humano), o resultado de interesse é latente (não observado diretamente) e deve ser inferido a partir de múltiplos indicadores imperfeitos (itens de pesquisa, testes, dados administrativos).

O artigo identifica que a inferência causal com resultados latentes enfrenta dois desafios de não comparabilidade que as abordagens existentes não resolvem adequadamente:

Desafio de Não Comparabilidade entre Estudos (Study Noncomparability): Quando dois estudos medem o mesmo constructo latente usando conjuntos diferentes de indicadores, os métodos padrão de redução de dimensionalidade (como PCA ou médias simples) geram estimadores que visam quantidades empíricas diferentes. Mesmo que o efeito causal latente verdadeiro seja idêntico, as estimativas podem diferir apenas devido às diferenças nos instrumentos de medição, prejudicando a acumulação de conhecimento.
Desafio de Não Comparabilidade dentro do Estudo (Measurement Noncomparability): Dentro de um único estudo, diferentes indicadores podem ter relações distintas (lineares, não lineares, sensíveis a diferentes regiões da distribuição) com o mesmo resultado latente. Métodos atuais ou impõem especificações paramétricas fortes (como modelos IRT ou SEM lineares), que são frágeis a erros de especificação, ou são agnósticos à estrutura latente (como PCA), perdendo eficiência ao ignorar a estrutura comum.

O cerne do problema é que resultados latentes não possuem uma métrica intrínseca; seu significado empírico depende inteiramente de como são medidos.

2. Metodologia: O Índice Escalonado Não Paramétrico (NSI)

Os autores propõem um framework geral baseado em design, centrado na ideia de funções de ponte de medição (measurement bridge functions) e uma medição de referência (benchmark).

A. Estrutura Conceitual

Variável Latente ( $\eta_i$ ): O resultado causal de interesse.
Medições ( $Y_{ij}$ ): Indicadores observados que são funções ruidosas de $\eta_i$ .
Medição de Referência ( $Y_1$ ): Assume-se que existe pelo menos uma medição comum entre estudos (ou dentro do estudo) que serve como âncora.
Função de Ponte ( $\phi_j$ ): Para cada medição adicional $Y_j$ , define-se uma função não paramétrica $\phi_j$ tal que:
$E[\phi_j(Y_j) | \eta] = E[Y_1 | \eta]$
Isso transforma todas as medições para que carreguem a mesma informação sobre o latente em expectativa.

B. Identificação

O problema de encontrar $\phi_j$ é formulado como um problema de Variáveis Instrumentais Não Paramétricas (NPIV).

Condição de Completude: A identificação exige que as medições capturem a variabilidade total do latente (condição de completude).
Instrumentos Válidos: Diferentemente de abordagens que exigem instrumentos externos, o design experimental permite usar a atribuição do tratamento ( $Z_i$ ), covariáveis pré-tratamento ( $X_i$ ) e outras medições como instrumentos válidos para identificar a função de ponte.
Equação de Momento: A função de ponte é identificada resolvendo a restrição de momento condicional: $E[Y_1 - \phi_j(Y_j) | W] = 0$ , onde $W$ são os instrumentos.

C. Estimação sob Identificação Fraca

A estimação de funções não paramétricas via NPIV é um problema inverso mal-posto (ill-posed), onde a função de ponte pode ser fracamente identificada. No entanto, o parâmetro de interesse (o Efeito Médio Latente de Tratamento - ALTE) é um funcional linear da função de ponte.

Os autores utilizam o framework de Bennett et al. (2025) para estimação de funcionais lineares de funções de incômodo fracamente identificadas.
Método: Utiliza-se Cross-fitting (divisão da amostra em folds) e estimadores Minimax Penalizados para estimar a função de ponte e a função de incômodo de debiasing (viés).
Inferência: O ALTE é estimado usando GMM (Método dos Momentos Generalizados) sobre as condições de momento ortogonais de Neyman, permitindo inferência assintoticamente normal na taxa $\sqrt{n}$ , mesmo com identificação fraca na primeira etapa.

3. Contribuições Principais

Framework Não Paramétrico: Generaliza abordagens anteriores (como o WSI de Fu & Green, 2025) removendo a necessidade de assumir linearidade nas relações entre medições e o constructo latente.
Solução para Não Comparabilidade: Demonstra que, ao alinhar medições a uma referência comum via funções de ponte, é possível garantir que os estimadores de efeitos causais sejam comparáveis tanto dentro quanto entre estudos.
Uso de Design Experimental para Identificação: Mostra que a própria randomização e as covariáveis podem servir como instrumentos para identificar a estrutura de medição, eliminando a necessidade de instrumentos externos.
Robustez: O método é robusto a erros de especificação do modelo de medição (não assume linearidade ou IRT), evitando os vieses gerados por métodos ad-hoc como PCA ou ICW quando as relações são não lineares.

4. Resultados

Simulações

Os autores simulam dois estudos com o mesmo efeito causal latente verdadeiro, mas com sistemas de medição diferentes (um com transformações não lineares dos indicadores).

PCA e ICW: Geraram grandes lacunas entre os estudos (diferenças de 0,25 a 0,36 no efeito estimado) e taxas de rejeição da hipótese nula de igualdade de 27% a 100%, indicando que os métodos falham em garantir comparabilidade.
WSI (Linear): Melhorou a situação, mas ainda apresentou viés devido à suposição de linearidade.
NSI (Não Paramétrico): Recuperou o efeito causal verdadeiro com a menor lacuna entre estudos (0,004) e a menor taxa de rejeição (0,6%), demonstrando superioridade em cenários com relações não lineares.

Aplicação Empírica

O método foi aplicado ao experimento de campo de Kalla & Broockman (2020) sobre atitudes em relação a imigrantes indocumentados.

Cenário: Dois tratamentos (canvassagem completa vs. resumida) e múltiplas medidas de resultado (atitudes e políticas).
Resultados: As estimativas não paramétricas (usando bases de séries, florestas aleatórias e RKHS) foram consistentes com o modelo linear (WSI), mas com maior robustez teórica.
Conclusão: A intervenção completa produziu um efeito positivo e estatisticamente significativo no resultado latente, enquanto a intervenção resumida não. A aplicação validou que o NSI pode ser usado em cenários reais onde a relação funcional é incerta.

5. Significado e Implicações

O artigo redefine a inferência causal em experimentos com resultados latentes, argumentando que o desenho da medição é parte integrante do desenho causal.

Para Pesquisadores: A medição não é apenas um ruído a ser corrigido, mas define o próprio estimando causal. Para comparar resultados entre estudos, é crucial incluir pelo menos uma medição de referência comum (âncora).
Para a Prática: O framework oferece um guia prático para desenhar medições que preservem informações suficientes para a identificação e sugere que, quando múltiplos indicadores estão disponíveis, deve-se evitar a redução de dimensionalidade cega (como PCA) em favor de métodos que alinhem as medições a uma escala comum.
Avance Teórico: O trabalho conecta a literatura de inferência causal proximal (bridge functions) com a inferência causal experimental, resolvendo o problema de "o que estamos medindo realmente" em estudos com constructos abstratos.

Em suma, o NSI fornece uma estratégia geral para tornar os efeitos causais sobre resultados latentes interpretáveis, comparáveis e robustos, independentemente da complexidade funcional entre os indicadores observados e o constructo subjacente.