Resumo Técnico: Testes de Randomização em Desenhos de Saturação Randomizados

Formulação do Problema

Desenhos de saturação randomizados são uma ferramenta primária para estimar efeitos de transbordamento (spillover) em populações agrupadas (clustered). Nesses desenhos, os clusters são primeiro atribuídos a diferentes níveis de saturação de tratamento (a proporção de unidades tratadas dentro de um cluster) e, subsequentemente, as unidades são randomizadas dentro dos clusters condicionadas à saturação atribuída. Embora esses desenhos separem efetivamente os efeitos próprios da intensidade de tratamento dos pares, a inferência estatística válida permanece desafiadora.

Dois obstáculos principais dificultam a inferência neste cenário:

1. Tamanhos de Amostra Pequenos: O número de clusters é frequentemente pequeno demais para justificar aproximações de grandes amostras, e os tamanhos dos clusters são frequentemente heterogêneos. Isso exige métodos exatos de amostra finita em vez de aproximações normais assintóticas.
2. Nitidez Parcial (Partial Sharpness): Muitas hipóteses de interesse em relação aos efeitos de transbordamento (ex: ausência de transbordamento, transbordamento limitado ou transbordamento médio) são apenas parcialmente nítidas. Elas restringem os resultados potenciais sob condições de exposição específicas, mas não imputam o cronograma completo dos resultados potenciais faltantes em todo o espaço de atribuição. Consequentemente, testes de randomização ingênuos que reamostram o vetor de atribuição completo falham em gerar distribuições de referência válidas.

A literatura existente concentrou-se amplamente na estimativa de grandes amostras ou em testes de randomização condicionais sob nulidades nítidas (sharp nulls). Há uma lacuna no desenvolvimento de testes de randomização válidos para amostras finitas para nulidades de média fraca, limitadas e parcialmente nítidas em desenhos de múltiplas saturações.

Metodologia

O artigo desenvolve um conjunto de testes de randomização adaptados à estrutura de desenhos de saturação randomizados sob a suposição de interferência parcial homogênea (onde os resultados dependem apenas do status de tratamento próprio e do número de pares tratados no cluster). A metodologia é dividida em três componentes principais baseados na natureza da hipótese nula e no número de níveis de saturação.

1. Testes Condicionais para Dois Níveis de Saturação

Para um par fixo de níveis de saturação $s$ e $s'$, os autores propõem um arcabouço de randomização condicional que condiciona em "unidades focais".

• Seleção de Unidades Focais: De clusters onde a saturação observada é $s$ ou $s'$, um número fixo de unidades não tratadas é amostrado. Essas unidades servem como base para comparação.
• Distribuição de Relabelagem: O teste gera uma distribuição de referência permutando os rótulos de saturação ($s$ e $s'$) entre os clusters selecionados, mantendo as unidades focais e seus resultados observados fixos. Isso reduz o problema a um problema de relabelagem ao nível do cluster.
• Estatísticas Específicas da Nulidade:
  • Nulidade Parcialmente Nítida ($H_{0,PS}$): Assume que $Y_i(0, s) = Y_i(0, s')$ para todas as unidades. Sob esta nulidade, os resultados focais são invariantes à relabelagem, permitindo que qualquer estatística focal (ex: diferença de médias) gere um teste válido em amostra finita.
  • Nulidade Limitada ($H_{\delta,B}$): Assume que $Y_i(0, s) - Y_i(0, s') \leq \delta$. O teste utiliza a fronteira de igualdade ($=\delta$) como uma imputação de "pior caso" (least-favorable). Ao deslocar os resultados observados por $\delta$, o teste constrói uma estatística conservadora que mantém a validade em amostra finita para a nulidade de desigualdade.

2. Testes Assintóticos para Nulidades Médias Fracas

Para hipóteses relativas a efeitos de transbordamento médio (ex: transbordamentos médios por unidade ou por cluster), a nulidade não determina os resultados potenciais faltantes, tornando impossível testes de randomização condicionais exatos de amostra finita.

• Abordagem: Os autores utilizam a mesma distribuição de relabelagem condicional, mas a combinam com uma estatística studentizada (usando estimadores de variância de Neyman).
• Validade: Embora a distribuição condicional não seja uma distribuição nula exata de amostra finita, os autores provam que a estatística de relabelagem studentizada fornece inferência assintoticamente válida sob condições de regularidade (ex: frações de desenho estáveis e momentos limitados). Isso une a perspectiva de teste de randomização de Fisher com a inferência assintótica de grandes amostras de Neyman.

3. Testes Incondicionais para Monotonicidade Global

Para desenhos com múltiplos níveis de saturação ordenados, o artigo aborda a hipótese nula global de que os resultados não tratados são monótonos na satiação do nível.

• Imputação Pareada: Em vez de decompor o problema em contrastes pareados (o que exigiria correções de testes múltiplos), os autores desenvolvem um teste de randomização incondicional baseado em imputação pareada (PIRT).
• Mecanismo: O teste compara a atribuição observada contra todas as outras atribuições viáveis no suporte do desenho. Ele utiliza uma estatística que é "imputável por pares", o que significa que depende apenas de unidades que não foram tratadas tanto na atribuição observada quanto na de referência e cujas exposições estão dentro do conjunto ordenado coberto pela nulidade.
• Validade: Esta construção produz um teste incondicional de amostra finita válido para a nulidade de monotonicidade global, evitando a necessidade de combinar p-valores de contrastes locais.

Principais Resultados

O artigo estabelece os seguintes resultados teóricos:

1. Validade em Amostra Finita (Condicional): Para nulidades parcialmente nítidas e limitadas envolvendo dois níveis de saturação, os testes de randomização condicional propostos (Procedimento 3.1) controlam a taxa de erro do Tipo I exatamente em amostras finitas, condicionado ao conjunto focal selecionado.
2. Validade Assintótica (Nulidades Fracas): Para nulidades médias fracas, o teste de randomização condicional studentizado controla o tamanho assintótico, fornecendo inferência válida mesmo quando a nulidade não é nítida.
3. Validade em Amostra Finita (Monotonicidade Global): O PIRT (Teste de Randomização de Imputação Pareada) para a nulidade de monotonia global (Procedimento 5.1) é provado como válido em amostra finita incondicionalmente. O teste é conservador, mas visa diretamente a forma global da resposta de transbordamento.
4. Desempenho Empírico: Simulações calibradas para o experimento de Transferência de Dinheiro de Zomba demonstram que:
   • O CRT condicional para nulidades limitadas mantém o tamanho próximo aos níveis nominais (tamanho médio ~0,051) e oferece maior poder do que benchmarks baseados em regressão em amostras pequenas.
   • O PIRT de monotonia global é mais conservador do que combinar testes pareados adjacentes via Bonferroni, mas oferece poder superior para detectar grandes violações de monotonicidade, particularmente conforme o número de níveis de saturação aumenta.

Significância e Contribuições

O artigo apresenta três contribuições primárias para a literatura de inferência causal sob interferência:

1. Extensão dos Testes de Randomização Condicionais: Ele estende o arcabouço de randomização condicional (previamente aplicado a desenhos de primeira etapa binários com unidades tratadas únicas) para desenhos de múltiplas saturações com múltiplas unidades tratadas por cluster. Isso aborda os espaços de atribuição mais complexos e os problemas de imputação parcial comuns em aplicações empíricas.
2. Inferência para Nulidades Fracas: Fornece um caminho para a inferência baseada em randomização sobre nulidades de transbordamento médio fraco. Ao combinar relabelagem condicional com studentização, o artigo conecta o teste exato de Fisher com a inferência assintótica de Neyman, permitizando que pesquisadores testem efeitos médios cientificamente significativos mesmo quando a validade exata de amostra finita não é alcançável.
3. Teste de Monotonicidade Global: Vai além das nulidades de igualdade para testar restrições limitadas e monótonas. O desenvolvimento do PIRT para monotonicidade global permite que pesquisadores testem toda a forma da resposta de transbordamento em um único arcabouço, em vez de depender de comparações pareadas locais. Isso é particularmente relevante para aplicações onde a direção dos transbordamentos (ex: crescente ou decrescente) é a questão principal.

Os autores enfatizam que a ideia central é a separação do passo de condicionamento (seleção de unidades imputáveis) do estatístico (adaptado à nulidade específica). Essa abordagem modular permite a inferência válida através de um espectro de hipóteses, desde efeitos individuais nítidos até efeitos médios fracos e monotonicidade global, dentro do contexto desafiador dos desenhos de saturação randomizados.