Causal Identification under Interference: The Role of Treatment Assignment Independence

Este artigo demonstra que, sob certas restrições de independência na atribuição de tratamentos, fórmulas de identificação convencionais (como IV e RD) continuam a identificar efeitos diretos médios mesmo na presença de interferência, propondo ainda uma análise de sensibilidade para avaliar a robustez dessas inferências.

O essencial

O Efeito Dominó: Por que o que os outros fazem afeta o seu resultado?

Imagine que você está participando de um estudo sobre um novo fertilizante para plantas. No mundo ideal da ciência tradicional (o que os pesquisadores chamam de ITR ou "Resposta Individual ao Tratamento"), os cientistas assumem que o que acontece com a sua planta depende apenas do fertilizante que você aplicou. Se você usar o fertilizante, ela cresce; se não usar, ela não. É como se cada planta vivesse em uma bolha isolada.

O problema: Na vida real, as plantas estão no mesmo jardim. Se o seu vizinho usar um fertilizante super potente, o cheiro ou o escoamento da água podem afetar a sua planta. Isso é o que o artigo chama de Interferência. Na economia, é igual: se o governo dá um auxílio financeiro para um grupo de pessoas, isso pode mudar os preços no mercado local, o que acaba afetando até quem não recebeu o dinheiro.

O Grande Dilema: O que estamos medindo de verdade?

O artigo de Owusu e Márquez faz uma pergunta fundamental: "Quando os cientistas usam fórmulas matemáticas padrão para medir o efeito de uma política, mas esquecem que as pessoas interagem entre si, o que eles estão realmente calculando?"

Eles descobriram que, se houver essa "interferência" (o efeito dominó), as fórmulas comuns podem estar nos dando um número "sujo". Em vez de medir o efeito direto do tratamento em você, elas podem estar misturando o efeito em você com o efeito que o comportamento dos seus vizinhos causou.

A Analogia da Festa e o "Efeito Convite"

Para entender a condição principal que os autores propõem (chamada de Independência de Atribuição Condicional), imagine uma festa:

1. O Cenário com Interferência: Você vai a uma festa e se diverte muito. Mas a sua diversão não depende só da música (o tratamento); depende também de quem você convidou (os outros convidados). Se os seus amigos forem animados, você se diverte mais.
2. O Erro de Cálculo: Se um pesquisador tentar medir o efeito da "música" na sua diversão, mas não perceber que as pessoas que gostam de música boa também tendem a convidar amigos animados, ele vai achar que a música é "mágica", quando na verdade parte da diversão veio do grupo de amigos.
3. A Solução dos Autores: Os autores dizem que, para a conta fechar, o fato de você ser convidado para a festa não pode depender de quem mais foi convidado. Se o convite para você for independente do convite para o seu vizinho, então, mesmo que o grupo de amigos influencie a diversão, o pesquisador consegue isolar o efeito real da música.

O que o artigo traz de novo? (A "Lanterna de Sensibilidade")

Os autores não apenas apontam o problema, eles trazem uma ferramenta. Eles admitem que, na maioria das vezes, não sabemos como as pessoas interagem (não sabemos quem é vizinho de quem ou quem é amigo de quem).

Então, eles criaram uma "Análise de Sensibilidade". Imagine que você é um detetive. Você tem uma evidência de que um remédio funciona. Mas você se pergunta: "O quão forte teria que ser a fofoca ou a influência entre os pacientes para que essa minha evidência fosse falsa?"

A ferramenta deles permite que o pesquisador diga: "Olha, meu resultado é muito forte. Mesmo que as pessoas influenciem umas às outras de forma intensa, o efeito do tratamento ainda parece real". Ou então: "Cuidado! Se houver apenas um pouquinho de influência entre os participantes, meu resultado pode ser apenas um erro causado pelo efeito vizinho".

Resumo da Ópera

• O Problema: As fórmulas de economia costumam ignorar que as pessoas interagem (Interferência).
• O Risco: Isso pode fazer com que o efeito de uma política pareça maior ou menor do que realmente é.
• A Condição de Ouro: Para a conta ser confiável, o modo como as pessoas recebem o tratamento não pode depender do tratamento dos outros.
• A Ferramenta: Eles criaram um "termômetro" para os pesquisadores testarem o quão seguros eles podem estar de seus resultados, mesmo quando não conhecem todas as conexões sociais do grupo estudado.

Resumo técnico

Resumo Técnico: Causal Identification under Interference

Título Original: Causal Identification under Interference: The Role of Treatment Assignment Independence
Autores: Julius Owusu e Monika Avila Márquez (2026)

1. O Problema (The Problem)

A maioria das estratégias de identificação causal em economia (como Variáveis Instrumentais, Diferenças-em-Diferenças, Regressão Descontinuidade e Seleção sobre Observáveis) baseia-se na suposição de Resposta ao Tratamento Individualística (ITR). Sob a ITR, assume-se que o resultado de uma unidade depende apenas do seu próprio status de tratamento, ignorando interferências (spillovers).

No entanto, em muitos contextos econômicos (mercados de trabalho, redes sociais, políticas públicas), o tratamento de uma unidade afeta o resultado de outras. Quando a interferência ocorre, as fórmulas de identificação padrão perdem sua interpretação causal direta (como o Efeito Médio do Tratamento - ATE), pois os resultados observados tornam-se uma mistura de efeitos diretos e efeitos de interferência, dependendo de como os tratamentos dos outros são distribuídos. O problema central é: o que essas fórmulas realmente estimam quando a interferência está presente, mas não é modelada?

2. Metodologia (Methodology)

Os autores utilizam um framework de resultados potenciais em populações finitas com interferência arbitrária. Diferente de literaturas anteriores que exigem mapeamentos de exposição específicos (ex: vizinhança ou redes), este trabalho assume que o resultado de uma unidade $i$ pode depender de qualquer combinação de tratamentos das outras unidades $D_{-i}$.

A metodologia divide-se em três pilares:

1. Análise Teórica de Identificação: Eles reavaliam as fórmulas de identificação para quatro designs principais (Seleção sobre Observáveis, IV, RDD e DiD) sob a presença de interferência.
2. Introdução da Condição CAI: Propõem a Independência Condicional de Atribuição (Conditional Assignment Independence - CAI) como a restrição necessária para recuperar a interpretabilidade causal.
3. Análise de Sensibilidade: Desenvolvem um novo procedimento de sensibilidade (baseado em Rosenbaum, 2002) para quantificar o quão robustas são as conclusões estatísticas a violações da CAI.

3. Principais Contribuições (Key Contributions)

A. A Condição CAI (Assumption 3)

A contribuição teórica mais importante é a identificação da CAI: $D_{-i} \perp \perp D_i \mid W_i$.
Esta condição estabelece que, uma vez controladas as covariáveis $W_i$, o tratamento de uma unidade não deve fornecer informações sobre o tratamento das outras. Os autores provam que, se a CAI for violada, as fórmulas padrão sofrem um viés que depende da estrutura de interferência e da dependência na atribuição.

B. Reinterpretação dos Objetos Causais

O artigo demonstra que, quando a CAI é respeitada, as fórmulas de identificação não "quebram", mas sim mudam de alvo: elas passam a identificar o Efeito Direto Médio (Average Direct Effect - ADE), em vez do ATE. Isso permite que pesquisadores continuem usando estimadores comuns (como IPW ou 2SLS), desde que interpretem os resultados como efeitos diretos.

C. Framework de Sensibilidade para CAI

Como a CAI não é testável diretamente a partir de dados transversais, os autores criam um modelo de sensibilidade baseado na variância do número de tratados dentro de estratos de propensão. Eles introduzem o parâmetro $\xi$, que mede o desvio da variância em relação ao modelo de Bernoulli (onde a CAI é satisfeita).

4. Resultados (Results)

Resultados Teóricos por Design:

• Seleção sobre Observáveis: Se a CAI falha, o estimador combina o ADE com um termo de viés que reflete a discrepância na distribuição dos tratamentos de terceiros entre tratados e não tratados. Se a CAI é mantida, identifica o ADE.
• Variáveis Instrumentais (IV): O estimador de Wald identifica o Efeito Direto Médio Local (LADE) se os instrumentos forem independentes entre as unidades. Se houver dependência nos instrumentos, surge um viés derivado da mudança na distribuição dos instrumentos de terceiros.
• Regressão Descontinuidade (RDD): A identificação do ADE depende da independência das variáveis de corrida ($W$) entre as unidades.
• Diferenças-em-Diferenças (DiD): O estimador identifica o Efeito Direto Médio sobre os Tratados (ADTT) se a CAI for respeitada e as tendências paralelas condicionais forem mantidas para qualquer vetor de tratamento de terceiros.

Resultados de Simulação e Aplicação:

• Simulação: Confirmam que, sem a CAI, o estimador de Probabilidade Inversa (IPW) apresenta viés crescente à medida que a dependência na atribuição aumenta.
• Aplicação (Dados LaLonde): Aplicam a análise de sensibilidade ao famoso dataset de treinamento profissional. Eles mostram que a robustez das conclusões depende da distribuição dos resultados (ex: distribuições com caudas pesadas são muito mais sensíveis a violações da CAI).

5. Significância (Significance)

Este trabalho tem implicações profundas para a prática econométrica:

1. Validação de Práticas Comuns: Justifica por que muitos pesquisadores podem continuar usando estimadores padrão em presença de spillovers, desde que a atribuição de tratamento seja "quase independente" (ex: programas com regras administrativas rígidas).
2. Mudança de Interpretação: Alerta que, em presença de interferência, o que estamos medindo é o efeito direto, e não o efeito total (que incluiria os spillovers).
3. Nova Ferramenta de Diagnóstico: Fornece aos pesquisadores uma forma rigorosa (via pacote caisensitivity em R) de reportar o quão confiável é sua inferência causal frente à possibilidade de dependência entre as unidades do estudo.