Instrumental Variable Analysis Without Structural Equations

Resumo Técnico: Análise de Variáveis Instrumentais Sem Equações Estruturais

Título Original: Instrumental Variable Analysis Without Structural Equations
Autores: Zikai Shen, Dimitri Meunier, Houssam Zenati, Arthur Gretton, Nathan Kallus e Aurélien Bibaut.

---

1. O Problema: A Fragilidade das Suposições Estruturais

A análise tradicional de Variáveis Instrumentais (IV) baseia-se na premissa de que existe uma equação estrutural exata (ex: $Y = h(X) + \epsilon$), onde $h$ é o efeito causal que se deseja estimar. No entanto, os autores argumentam que essa abordagem enfrenta dois desafios fundamentais:

1. Existência de Soluções: Em modelos não paramétricos, assumir que existe uma função $h$ que satisfaz perfeitamente a condição de exclusão é uma suposição muito forte. Se a relação real for apenas aproximada (devido a erros de especificação ou violações de homogeneidade), os estimadores tradicionais podem degradar-se severamente.
2. Identificabilidade (Instrumentos Fracos): Mesmo que uma solução exista, ela pode não ser única. Se a variação induzida pelo instrumento $Z$ em $X$ for insuficiente, o estimando pode não ser bem definido.

O problema central é que os métodos de inferência atuais são projetados para o cenário onde a solução existe, mas falham quando trabalhamos com modelos onde a solução é apenas uma aproximação de mínimos quadrados.

2. Metodologia: Inferência Baseada em Mínimos Quadrados

Para contornar essas limitações, os autores propõem uma mudança de paradigma: em vez de tentar estimar a solução de uma equação estrutural que pode não existir, eles propõem realizar inferência sobre uma quantidade estatística bem definida que coincide com o efeito causal quando a solução existe, mas permanece válida mesmo quando não existe.

O Estimando Proposto:
Eles definem o estimando $\Psi(P)$ como o produto interno de dois elementos de mínimos quadrados:
$$\Psi(P) = \mathbb{E}_P [g(Z)h(X)]$$
Onde:

• $h \in \mathcal{H}_P$ é o minimizador do problema de mínimos quadrados primário (aproximando a relação entre $X$ e $Y$ via $Z$).
• $g \in \mathcal{G}_P$ é o minimizador do problema dual (relacionado ao representante de Riesz do funcional de interesse).

Inovação Técnica:
A metodologia utiliza a decomposição de espaços de Hilbert para separar os componentes que estão no "range" (alcance) dos operadores lineares daqueles que estão no seu núcleo (kernel). Eles introduzem o conceito de Representantes de Riesz de Norma Fraca ($\alpha_h$ e $\alpha_g$) para lidar com a falta de soluções exatas, permitindo que a inferência seja robusta a violações das condições de exclusão.

3. Principais Contribuições

• Robustez à Não-Existência: O método não exige que as equações $T_P h = r_P$ ou $T^*_P g = a_P$ tenham soluções exatas. Ele funciona sobre os minimizadores de mínimos quadrados, tornando-o aplicável a modelos reais onde as suposições estruturais são apenas aproximações.
• Expansão de Viés Funcional: Os autores derivam uma nova expansão de viés (Teorema 1) que inclui termos adicionais para compensar a falta de soluções exatas. Isso permite que o estimador seja "debiased" (desenviesado) de forma eficaz.
• Aprendizado de Nuisance (Nuisance Learners): O artigo desenvolve uma arquitetura de aprendizado para as funções auxiliares (nuisances), utilizando aprendizado minimax e regularização de Tikhonov para garantir que os erros de estimativa dessas funções não destruam a taxa de convergência do estimador principal.

4. Resultados e Convergência

O principal resultado matemático é o Teorema da Linearidade Assintótica (Teorema 6). Os autores provam que, sob condições de taxa de convergência adequadas para os aprendizes de nuisance:
$$\sqrt{n}(\hat{\Psi} - \Psi(P)) \xrightarrow{d} \mathcal{N}(0, \sigma^2_P)$$

Isso significa que o estimador possui uma distribuição normal assintótica, permitindo a construção de intervalos de confiança válidos. A condição de convergência exige que os erros das funções auxiliares satisfaçam uma condição de "produto de erros" (similar ao Double Machine Learning), garantindo que o viés de segunda ordem desapareça mais rápido que $1/\sqrt{n}$.

5. Significância

Este trabalho é altamente significativo para a econometria e para o aprendizado de máquina causal por dois motivos:

1. Pragmatismo: Ele remove a necessidade de "fé" em modelos estruturais perfeitos, permitindo que cientistas de dados apliquem IV em cenários complexos e mal especificados.
2. Generalização: A abordagem não se limita apenas a Variáveis Instrumentais; ela se estende a problemas de Inferência Causal Proximal e dados com Missing-Not-At-Random (MNAR), fornecendo um framework unificado para inferência robusta em problemas inversos.