Resumo Técnico: Ajuste do CATE Uma Vez: Testes de Randomização Assistidos por Modelo sem Divisão de Amostra

1. Declaração do Problema

Experimentos de painel randomizados geram sequências de resultados adequadas para o estudo de efeitos causais dinâmicos. Embora os testes de randomização ofereçam validade em amostras finitas fundamentada no mecanismo de atribuição conhecido, eles frequentemente carecem de poder quando os efeitos do tratamento são heterogêneos. Por outro lado, modelos flexíveis de efeito do tratamento (como modelos de Efeito Médio Condicional no Tratamento, ou CATE) podem capturar heterogeneidade complexa, mas geralmente exigem suposições de modelagem fortes ou divisão de amostra para manter a validade na inferência de randomização.

O desafio central abordado é o trade-off na construção de testes de randomização assistidos por modelo:

1. Validade: O modelo de incômodo (por exemplo, um estimador de CATE) deve ser independente das atribuições de tratamento realizadas ($A[N]$) para garantir que a distribuição de randomização permaneça válida. Ajustar um modelo em $A[N]$ e utilizá-lo na estatística de teste quebra a simetria necessária para valores-p válidos.
2. Poder: Para melhorar o poder, a estatística de teste deve utilizar estimativas precisas da heterogeneidade do efeito do tratamento.
3. Limitações Atuais: As soluções existentes ou reajustam o modelo para cada atribuição simulada (computacionalmente proibitivo) ou utilizam divisão de amostra (sacrificando o poder estatístico ao descartar dados).

Este artigo propõe um método para estimar CATEs sem utilizar as atribuições realizadas, preservando assim a validade sem a perda de eficiência da divisão de amostra.

2. Metodologia

A abordagem proposta, Ajuste do CATE Uma Vez, aproveita a estrutura de covariância dos resultados residualizados em dados de painel para estimar a magnitude dos efeitos do tratamento, deixando apenas o sinal a ser determinado.

2.1. Configuração e Suposições

• Dados: $N$ unidades observadas ao longo de $T$ períodos de tempo com covariáveis $X_i$, resultados $Y_{i,t}$ e um tempo de início do tratamento $A_i$.
• Modelo de Resultado Aditivo: O resultado observado segue $Y_{i,t} = \mu_{0,t}(X_i) + \sum_{l=0}^{t-1} \mathbb{1}\{A_i = t-l\}\tau_l(X_i) + \epsilon_{i,t}$.
• Sem Antecipação: O tratamento iniciando após o tempo $t$ não afeta $Y_{i,t}$.
• Residualização: Os resultados são residualizados subtraindo a média condicional $\mu_t(X_i)$, produzindo resíduos $R_{i,t}$.

2.2. Estimativa de CATE Sem Sinal

A ideia central é que, sob o modelo aditivo, os momentos de segunda ordem (covariâncias) dos resultados residualizados codificam a magnitude dos efeitos do tratamento, independentemente dos sinais das atribuições realizadas.

• Momentos Diagonais (Efeitos Invariantes ao Lag): Se o efeito do tratamento for constante através dos lags ($\tau_l(x) \equiv \tau^*(x)$), as entradas diagonais da matriz de covariância residual $\Sigma_R(x)$ dependem da magnitude do efeito ao quadrado $\tau^{*2}(x)$ e de um fator de design conhecido $v_t(x)$. Ao comparar momentos diagonais ao longo do tempo, a variância de incômodo pode ser diferenciada, identificando $|\tau^*(x)|$.
• Momentos Fora da Diagonal (Efeitos Variáveis por Lag): Se os efeitos variam por lag e os erros residuais são serialmente não correlacionados (Suposição 4), as covariâncias residuais fora da diagonal dependem do vetor CATE $\tau(x)$ através de formas quadráticas: $c(x) = F_x(\tau) = (\tau^\top H_{t,s}(x) \tau)_{(t,s)}$.
  • Isso cria um problema de ajuste de momentos onde as covariâncias fora da diagonal identificam o vetor $\tau(x)$ até um sinal global.
  • Os autores propõem uma relaxação convexa (estimando a matriz de posto um $B = \tau\tau^\top$ via programação semidefinida) e uma abordagem de mínimos quadrados não lineares (NLS) para resolver o estimador sem sinal $\hat{\tau}_\pm(x)$.

2.3. Orientação de Sinal

Como os estimadores baseados em momentos recuperam apenas a magnitude (ou direção até um sinal), um passo final é necessário para determinar o sinal.

• Orientação Livre de Atribuição: O sinal é escolhido para ajustar melhor a trajetória de resultado residualizada observada para cada unidade, minimizando o erro quadrático entre os resíduos observados e o modelo previsto pelo estimador sem sinal.
• Orientação Parcial de Atribuição: Alternativamente, um pequeno subconjunto de atribuições observadas pode ser usado exclusivamente para aprender o sinal, deixando a maioria das unidades para o teste de randomização. Isso é computacionalmente mais barato do que reajustar um modelo completo de CATE.

2.4. Teste de Randomização Assistido por CATE

Uma vez obtido o estimador de CATE com sinal $\hat{\tau}(X_i)$, ele é usado para construir uma estatística de teste (por exemplo, uma pontuação de razão de verossimilhança ou pontuação AIPW) que é mais sensível a efeitos heterogêneos.

• Validade: Como o estimador de CATE é derivado de covariâncias residuais (que dependem de covariáveis e resultados, mas não de $A[N]$ realizado), a condição de independência condicional $\hat{\eta} \perp A[N] \mid X, Y$ vale.
• Procedimento: O teste calcula um valor-p comparando a estatística observada contra a distribuição de estatísticas geradas permutando o vetor de atribuição $A[N]$ enquanto mantém o modelo de incômodo fixo.

3. Contribuições Principais

1. Estimativa de CATE Livre de Atribuição: O artigo estabelece que, em experimentos de painel, a estrutura de covariância dos resultados residualizados permite a identificação das magnitudes de CATE (e vetores até o sinal) sem ajuste em atribuições realizadas.
2. Garantias Teóricas:
   • Identificação: Prova a identificação local e global do vetor de CATE sem sinal até um sinal global sob condições de posto no Jacobiano do mapa de momentos.
   • Consistência: Estabelece a consistência dos estimadores de relaxação convexa e NLS para o CATE sem sinal à medida que $N \to \infty$.
3. Testes Assistidos por Modelo Válidos: Demonstra que o uso desses estimadores livres de atribuição em testes de randomização preserva a validade em amostras finitas (controle do erro Tipo I) enquanto evita a perda de poder associada à divisão de amostra.
4. Descoberta de Subgrupos: Mostra que estimativas de CATE livres de atribuição podem ser usadas post-hoc para descobrir subgrupos heterogêneos e conduzir testes de randomização válidos dentro desses subgrupos.

4. Resultados Experimentais

Os autores avaliam o método por meio de experimentos sintéticos, semissintéticos e de consistência:

• Controle do Erro Tipo I: Em vários tamanhos de amostra e estruturas de lag (invariantes ao lag e variáveis por lag), o teste de randomização assistido por CATE proposto (RT CATE) controla o erro Tipo I no nível nominal (0,1), comparável a testes não ajustados (RT DM) e ajustados por covariáveis (RT cDM).
• Poder: O RT CATE alcança consistentemente maior poder do que:
  • Testes não ajustados (RT DM).
  • Testes ajustados por covariáveis usando apenas médias de resultados (RT cDM).
  • Alternativas de divisão de amostra (RT SS), que sacrificam dados para validade.
  • Esse ganho é particularmente pronunciado quando os efeitos do tratamento são heterogêneos entre unidades ou lags.
• Consistência: O estimador sem sinal converge para a magnitude real do CATE (até o sinal) à medida que o tamanho da amostra aumenta.
• Inicialização Quente: Usar o estimador sem sinal como uma "inicialização quente" permite uma estimativa precisa de CATE com sinal com significativamente menos atribuições reveladas do que aprender o vetor completo de CATE do zero.
• Validação Semissintética: Usando um conjunto de dados de emprego juvenil em nível de condado (baseado em Callaway e Sant'Anna, 2021), o método supera as regressões padrão de Efeitos Fixos Duplos (TWFE) de estudos de eventos tanto no controle de tamanho (evitando rejeição excessiva) quanto no poder.
• Análise de Subgrupos: O método recupera com sucesso subgrupos baseados em limiares e suporta inferência válida dentro desses grupos descobertos.

5. Significado e Alegações

O artigo afirma que Ajuste do CATE Uma Vez resolve a tensão fundamental entre validade e poder em testes de randomização assistidos por modelo para dados de painel. Ao explorar a estrutura de momentos de segunda ordem dos resíduos, o método extrai informações sobre o efeito do tratamento que são "livres de atribuição", permitindo que os pesquisadores utilizem estatísticas de teste flexíveis e de alto poder sem comprometer o quadro de inferência de randomização.

Os autores enfatizam que essa abordagem não se limita aos designs de painel específicos estudados, mas sugere uma classe mais ampla de testes assistidos por modelo onde os resíduos dependem das atribuições apenas através dos efeitos do tratamento. O método é apresentado como uma solução prática que evita o ônus computacional de reajustar modelos para cada permutação e a ineficiência estatística da divisão de amostra.

Limitações notadas pelos autores:

• O estimador fora da diagonal assume erros residuais serialmente não correlacionados; erros correlacionados confundiriam efeitos do tratamento com a estrutura de erro.
• O passo de recuperação de sinal depende da relação sinal-ruído e do timing do tratamento; inícios de tratamento precoces fornecem mais informações para a recuperação de sinal do que inícios tardios.
• A identificação global depende de condições de posto que, embora geralmente satisfeitas em designs padrão, podem falhar em casos degenerados específicos.