Average Marginal Effects in One-Step Partially Linear Instrumental Regressions

Este artigo propõe um novo procedimento baseado em Espaços de Hilbert com Núcleo Reprodutor para estimar e realizar inferência sobre efeitos marginais médios em regressões instrumentais parcialmente lineares, utilizando um único parâmetro de regularização e um método de bootstrap bayesiano para inferência, demonstrando bom desempenho em simulações e aplicações empíricas.

O essencial

Imagine que você é um detetive tentando descobrir a verdade sobre como uma certa "poção mágica" (uma variável de tratamento, como um novo medicamento ou uma política pública) afeta a saúde de uma população (o resultado).

O problema é que as pessoas não tomam essa poção aleatoriamente. Quem toma pode ser mais saudável por natureza, ou mais rico, ou ter acesso a melhores médicos. Isso cria um "ruído" nos dados que esconde o efeito real da poção. Na estatística, chamamos isso de endogeneidade.

Para resolver isso, os economistas usam "instrumentos": variáveis que empurram as pessoas a tomar a poção, mas que não afetam a saúde diretamente (como a distância até o hospital que vende a poção). Isso é a Regressão com Variáveis Instrumentais.

Agora, a maioria dos métodos antigos assume que a relação entre a poção e a saúde é uma linha reta. Se você toma mais, fica mais saudável na mesma proporção. Mas a vida real é curvilínea! Talvez a primeira dose ajude muito, a segunda um pouco, e a terceira faça mal. Se você forçar uma linha reta em uma curva, você erra a conta.

É aqui que entra o artigo de Lucas Girard e Elia Lapenta.

O Grande Problema: A "Caixa Preta" de 3 Passos

Antes, para descobrir o efeito médio dessa poção (chamado de Efeito Marginal Médio), os pesquisadores tinham que fazer um "sanduíche" de três etapas:

1. Estimar como o instrumento empurra a poção.
2. Estimar como a poção afeta a saúde.
3. Juntar tudo para calcular o efeito final.

Cada etapa precisava de um "ajuste fino" (um parâmetro de regularização), como ajustar o foco de três câmeras diferentes. Se você errar o foco em uma, a foto final fica borrada. Além disso, era difícil de calcular e difícil de explicar para um político ou um gerente.

A Solução: O "Canivete Suíço" de Um Passo

Os autores propõem um novo método que faz tudo em uma única etapa. Eles usam uma ferramenta matemática chamada Espaços de Hilbert com Kernel Reprodutor (RKHS).

A Analogia do "Mestre do Desenho":
Imagine que você precisa desenhar uma curva complexa (a relação entre a poção e a saúde).

• Métodos antigos: Usam várias régua e esquadros separados para tentar montar a curva. É trabalhoso e cada peça precisa ser ajustada individualmente.
• O Método RKHS (deste artigo): É como ter um "Mestre do Desenho" que usa uma única régua mágica e flexível. Você só precisa dizer a ele: "Desenhe a curva, mas não faça ela ficar muito tremida". Esse "não ficar tremido" é o único parâmetro de ajuste que o método precisa.

Isso torna o método muito mais simples de usar (um único botão de ajuste) e muito mais rápido.

A Incerteza: O "Cristal de Bola" vs. O "Simulador"

O maior desafio não é apenas encontrar a resposta, mas saber se ela é confiável. A matemática tradicional para calcular a margem de erro desse novo método é tão complexa que parece uma equação de física quântica: difícil de resolver e propensa a erros.

Os autores usam uma técnica chamada Bootstrap Bayesiano.

• A Analogia: Em vez de tentar calcular a margem de erro com uma fórmula impossível, eles criam um "universo paralelo" no computador. Eles pegam os dados originais, misturam-nos um pouco (como se fossem cartas de um baralho), recalculam o resultado milhares de vezes e olham para a distribuição dos resultados.
• É como se você tivesse um cristal de bola que, em vez de prever o futuro, simula milhares de futuros possíveis para ver onde a resposta mais provável está. Isso é fácil de programar e muito preciso, mesmo com poucos dados.

Por que isso importa? (Os Casos Reais)

Os autores testaram isso em três situações reais:

1. Tamanho da Turma: Será que turmas menores melhoram as notas? O método deles mostrou que, quando você não força a relação a ser uma linha reta, a resposta pode ser "não temos certeza" (o efeito não é significativo), enquanto métodos antigos diziam "sim, é ótimo". Isso evita políticas públicas baseadas em suposições erradas.
2. Comércio e Riqueza: Quanto o comércio internacional aumenta a renda? O método encontrou um efeito positivo, mas um pouco menor do que o estimado por métodos lineares.
3. Publicidade em Jornais: Como a quantidade de anúncios afeta a venda de jornais? O método mostrou que existe um ponto ótimo: muitos anúncios podem afastar os leitores, algo que uma linha reta não conseguiria capturar.

Resumo em uma frase

Os autores criaram uma ferramenta estatística que é mais simples (um único ajuste), mais inteligente (não assume que o mundo é linear) e mais confiável (usa simulações para medir o erro), permitindo que economistas e cientistas descubram a verdade sobre políticas públicas sem se perderem em cálculos complicados ou suposições erradas.

É como trocar um mapa de papel antigo e cheio de dobras por um GPS moderno que recalcula a rota em tempo real, levando você ao destino certo mesmo com o trânsito (os dados ruins) mais complicado.

Resumo técnico

Resumo Técnico: Efeitos Marginais Médios em Regressões Instrumentais Parcialmente Lineares de Um Passo

1. O Problema

O artigo aborda a estimação e inferência estatística sobre os Efeitos Marginais Médios (AME) em modelos de variáveis instrumentais (IV) parcialmente lineares. O modelo considerado é:
$$Y = h_0(Z) + X^T\beta_0 + \varepsilon, \quad \text{com } E\{\varepsilon|W, X\} = 0$$
Onde:

• $Y$ é o resultado.
• $Z$ é o tratamento endogêneo contínuo.
• $X$ é um vetor de covariadas exógenas.
• $W$ é uma variável instrumental contínua.
• $h_0(\cdot)$ é uma função de tratamento não paramétrica desconhecida.
• $\beta_0$ é um vetor de coeficientes lineares.

O objetivo é estimar o AME, definido como $\theta_0 := E\{h'_0(Z)\}$.
Desafios existentes:

• Métodos tradicionais (como Mínimos Quadrados em Duas Etapas - 2SLS) assumem linearidade em $h_0$, o que pode levar a viés de especificação se a relação for não linear.
• Métodos semiparamétricos existentes para IV geralmente utilizam abordagens de múltiplos passos (ex: estimar $E[\cdot|W,X]$ primeiro, depois $h_0$). Isso exige a seleção de múltiplos parâmetros de regularização (um para cada etapa), o que é computacionalmente complexo e difícil de calibrar na prática. Além disso, erros de estimação em cada etapa acumulam-se, afetando o desempenho em amostras finitas.
• A inferência sobre funções não paramétricas é mais difícil do que sobre parâmetros escalares, e a forma analítica da variância assintótica do AME é frequentemente complexa ou intratável.

2. Metodologia Proposta

Os autores propõem um procedimento inovador baseado em Espaços de Hilbert com Kernel Reprodutor (RKHS) que realiza a estimação e inferência em um único passo.

• Formulação via Momentos Condicionais: Em vez de estimar a expectativa condicional diretamente, o método utiliza uma reformulação da condição de momento baseada na função característica (inspirada em Bierens, 2016). A função objetivo minimizada é uma versão empírica da distância entre a restrição de momento e zero, ponderada por uma medida $\mu$.
• Regularização RKHS: O problema de otimização é regularizado adicionando uma penalidade de norma no espaço RKHS ($\lambda \|h\|_H^2$).
  • O estimador $(\hat{\beta}, \hat{h})$ é obtido minimizando:
    $$M_n(\beta, h) + \lambda \|h\|_H^2$$
  • Devido às propriedades do RKHS, a solução para a função não paramétrica $\hat{h}$ tem uma forma fechada (representação de repouso), expressa como uma combinação linear de kernels avaliados nos dados observados: $\hat{h}(\cdot) = \sum \hat{\alpha}_i K(\cdot, Z_i)$.
• Estimação do AME: O AME é estimado calculando a média empírica da derivada da função estimada: $\hat{\theta} = \frac{1}{n} \sum \hat{h}'(Z_i)$. A derivada é obtida diretamente derivando o kernel.
• Inferência via Bootstrap Bayesiano: Como a variância assintótica de $\hat{\theta}$ possui uma forma analítica complexa, os autores propõem um teste de Bootstrap Bayesiano.
  • Reamostragem ponderada dos dados usando pesos $\xi_i$ (exponenciais) para construir versões bootstrap do estimador.
  • O teste é implementado invertendo o teste de Wald bootstrap para construir intervalos de confiança.

3. Principais Contribuições

1. Procedimento de Um Passo (One-Step): Diferente da literatura existente que usa regressões em múltiplos passos, este método estima diretamente o funcional de interesse (AME) em uma única otimização.
2. Único Parâmetro de Regularização: O método requer apenas a seleção de um único parâmetro de regularização ($\lambda$), simplificando drasticamente a implementação prática e a calibração em comparação com métodos de dois passos que exigem múltiplos parâmetros.
3. Fundamentação em RKHS: A utilização de RKHS permite lidar com a complexidade computacional de forma tratável, fornecendo expressões fechadas para o estimador e garantindo boas propriedades de aproximação universal.
4. Inferência Válida em Amostras Finitas: Desenvolvimento de um procedimento de bootstrap validado teoricamente, que contorna a dificuldade de calcular a variância assintótica analítica.
5. Desenvolvimento de Software: Os autores disponibilizam um pacote em R (rkhsiv) para facilitar a adoção por pesquisadores.

4. Resultados Teóricos e Empíricos

Resultados Teóricos:

• Consistência e Normalidade Assintótica: Sob condições de regularidade padrão (incluindo condições de completude para identificação e condições de fonte para suavidade), o estimador $\hat{\theta}$ é consistente e assintoticamente normal.
• Validade do Bootstrap: O artigo prova que o teste de Bootstrap Bayesiano controla corretamente o tamanho (Type I error) e é consistente (poder tende a 1) sob a hipótese alternativa.

Resultados de Simulação:

• Desempenho em Amostras Pequenas: Simulações mostram que o método de "um passo" controla bem o erro Tipo I (tamanhos próximos aos nominais de 5% e 10%) e possui poder superior ou comparável ao método de "dois passos" (baseado em séries de splines) em amostras pequenas ($n=100$) e moderadas ($n=400$).
• Robustez: O método performa bem em diferentes níveis de endogeneidade e formas funcionais (quadráticas e não polinomiais).

Aplicações Empíricas:
O método foi aplicado em três estudos de caso reais, demonstrando sua utilidade prática:

1. Efeitos do Tamanho da Turma (Angrist & Lavy, 1999): Com $n=2.024$, o método encontrou efeitos estatisticamente não significativos do tamanho da turma no desempenho, contrastando com resultados significativos de modelos lineares (2SLS) anteriores. Isso sugere que a relação pode não ser linear.
2. Comércio e Renda (Frankel & Romer, 1999): Com $n=150$, o método detectou um efeito positivo e significativo do comércio na renda per capita, mesmo em amostra pequena, embora a magnitude fosse menor que a estimada pelo modelo linear original.
3. Publicidade e Demanda de Jornais (Sokullu, 2016): Com $n=117$, o método estimou o efeito marginal médio da rede de publicidade sobre a demanda dos leitores, fornecendo um procedimento de inferência formal para um modelo semiparamétrico complexo de mercados de dois lados.

5. Significância

Este trabalho é significativo porque preenche uma lacuna importante na econometria semiparamétrica: a dificuldade de realizar inferência formal (testes de hipóteses e intervalos de confiança) para efeitos marginais em modelos IV não lineares.

• Praticidade: Ao reduzir a complexidade para um único parâmetro de regularização e fornecer um algoritmo computacionalmente eficiente, o método torna viável a aplicação de modelos IV flexíveis em contextos empíricos reais, onde a linearidade é frequentemente uma suposição frágil.
• Confiança em Pequenas Amostras: A validação do bootstrap e o bom desempenho em simulações com $n < 200$ tornam a ferramenta valiosa para áreas como economia industrial e desenvolvimento, onde dados de alta qualidade são frequentemente escassos.
• Interpretação: Ao focar no AME (um parâmetro escalar) em vez de toda a função não paramétrica, o método fornece resultados que são mais fáceis de interpretar para formuladores de políticas, mantendo a flexibilidade de não impor formas funcionais rígidas.

Em suma, o artigo oferece uma solução robusta, teoricamente fundamentada e computacionalmente simples para um problema clássico de identificação causal em econometria.