Variable instrumental: definición, estimación y aplicaciones en econometría

Definición y concepto

El método de variables instrumentales (VV. II.) es una técnica estadística fundamental empleada en la econometría, la estadística y la epidemiología para estimar relaciones causales. Su aplicación principal surge en contextos donde la realización de experimentos controlados no es factible o cuando, en un ensayo aleatorio, el tratamiento no se administra exitosamente a cada unidad de análisis. Este enfoque permite a los investigadores aislar el efecto causal de una variable explicativa sobre una variable dependiente, superando las limitaciones de los datos observacionales.

El problema de la endogeneidad

La necesidad de utilizar variables instrumentales se debe frecuentemente al problema de la endogeneidad. Esto ocurre cuando una variable explicativa de interés está correlacionada con el término de error del modelo. En tales situaciones, los métodos tradicionales como los mínimos cuadrados ordinarios y el análisis de varianza (ANOVA) producen resultados sesgados. Este sesgo distorsiona la estimación del parámetro causal, llevando a conclusiones erróneas sobre la magnitud o incluso la dirección del efecto de la variable independiente sobre la dependiente.

Definición de un instrumento válido

Una variable instrumental es una tercera variable que se introduce en el modelo para corregir este sesgo. Para ser considerada válida, el instrumento debe cumplir con condiciones específicas. En términos intuitivos, un instrumento válido debe inducir cambios en la variable explicativa endógena, actuando como una fuente de variación casi aleatoria. Simultáneamente, el instrumento no debe tener un efecto independiente directo sobre la variable dependiente, más allá de su influencia a través de la variable explicativa. Esta propiedad se conoce como la restricción de exclusión.

Al cumplir con estas condiciones, la variable instrumental permite al investigador descubrir el efecto causal neto de la variable explicativa en la variable dependiente. El método aprovecha la correlación entre el instrumento y la variable endógena, mientras que la falta de correlación directa con el término de error ayuda a eliminar el sesgo inherente a los mínimos cuadrados ordinarios. Así, las VV. II. ofrecen una vía robusta para la inferencia causal en disciplinas donde la experimentación pura es a menudo insuficiente.

Historia y desarrollo teórico

El desarrollo del método de variables instrumentales tiene sus raíces en la necesidad de cuantificar relaciones causales en contextos donde los experimentos controlados resultan insuficientes o difíciles de implementar. La teoría fue obtenida por primera vez por Philip G. Wright en 1928, quien introdujo el concepto en su obra titulada The Tariff on Animal and Vegetable Oils. Este trabajo pionero sentó las bases para abordar problemas de estimación en economías complejas, donde la variable explicativa de interés suele estar correlacionada con el término de error, lo que provoca sesgos significativos en los resultados de los mínimos cuadrados ordinarios.

Formalización y evolución conceptual

A lo largo de las décadas, la teoría de las variables instrumentales fue refinada y formalizada para adaptarse a diversas disciplinas, incluyendo la estadística, la econometría y la epidemiología. En el año 2000, el investigador Judea Pearl aportó definiciones formales que ayudaron a clarificar los fundamentos lógicos del método. Estas contribuciones permitieron establecer con mayor precisión los criterios para considerar un instrumento válido, es decir, aquel que induce cambios en la variable explicativa sin ejercer un efecto independiente sobre la variable dependiente.

Posteriormente, en 2008, James Heckman profundizó en las discusiones sobre la causalidad, analizando cómo las variables instrumentales pueden ayudar a descubrir el efecto causal de una variable explicativa en una variable dependiente cuando los tratamientos no son administrados exitosamente a cada unidad en un experimento aleatorio. Estas aportaciones han sido fundamentales para entender las limitaciones y el alcance del método en la investigación empírica moderna.

La evolución teórica ha permitido que las variables instrumentales se conviertan en una herramienta esencial para investigadores que buscan estimar relaciones causales precisas. Al requerir que el instrumento esté correlacionado con la variable endógena y que cumpla con la restricción de exclusión al no correlacionarse con el término de error, el método ofrece una vía para mitigar el sesgo y mejorar la validez de las inferencias estadísticas en ausencia de experimentos perfectamente controlados.

¿Qué condiciones debe cumplir un instrumento válido?

La validez de una variable instrumental depende estrictamente del cumplimiento de dos condiciones fundamentales. Estas restricciones son necesarias para aislar la variación exógena de la variable explicativa y, por consiguiente, obtener una estimación causal no sesgada. Si alguna de estas condiciones falla, el estimador pierde sus propiedades asintóticas deseables.

Condición de relevancia

El instrumento debe estar correlacionado con la variable explicativa endógena. Esta correlación asegura que el instrumento tenga un efecto directo sobre la variable independiente que se desea estudiar. En la práctica, esto se evalúa mediante la "primera etapa" del modelo, donde la fuerza de la correlación determina la eficiencia del estimador. Un instrumento débil, es decir, uno con una correlación escasa con la variable endógena, puede generar sesgos significativos, incluso en muestras grandes, acercándose al sesgo de los mínimos cuadrados ordinarios. Por lo tanto, la relevancia no es solo una condición de identificación, sino también de precisión estadística.

Condición de restricción de exclusión

El segundo requisito es que el instrumento no esté correlacionado con el término de error del modelo estructural. Esto implica que el instrumento afecta a la variable dependiente únicamente a través de la variable explicativa endógena, y no mediante otros canales directos ni indirectos. Esta condición es crucial para separar el efecto causal del ruido estadístico. Si el instrumento influye en la variable dependiente por vías alternativas, la estimación captura efectos mixtos, comprometiendo la interpretación causal.

Fuentes de endogeneidad

La necesidad de estas condiciones surge de la endogeneidad de la variable explicativa, que ocurre cuando dicha variable está correlacionada con el término de error. Esta correlación puede deberse a tres causas principales. En primer lugar, las variables omitidas: factores no incluidos en el modelo que afectan tanto a la variable explicativa como a la dependiente. En segundo lugar, la correlación simultánea, donde la variable dependiente y la explicativa se influyen mutuamente. En tercer lugar, los errores de medición en la variable explicativa, que introducen ruido en la relación. El método de variables instrumentales aborda estos problemas al utilizar un factor externo que rompe la correlación con el término de error, permitiendo una estimación más robusta de la relación causal.

Ejemplos prácticos de aplicación

La aplicación del método de variables instrumentales se ilustra de manera efectiva en estudios epidemiológicos y económicos que buscan aislar efectos causales complejos. Un ejemplo clásico y ampliamente citado es el análisis del impacto del tabaquismo sobre la salud general, tal como lo presentaron Leigh y Schembri en 2004. En este contexto, determinar si el tabaco causa una disminución en la salud mediante una correlación simple entre el número de cigarrillos fumados y las métricas de salud puede resultar engañoso debido a la presencia de variables endógenas.

El problema de la endogeneidad en el tabaquismo

La relación observada entre fumar y la salud está sujeta a sesgos porque la variable explicativa (tabaco) está correlacionada con el término de error del modelo. Esto ocurre cuando factores no observados afectan tanto a la decisión de fumar como al resultado de salud. Un factor crítico en este ejemplo es la depresión. Una persona que sufre de depresión puede tender a fumar más como mecanismo de afrontamiento, y simultáneamente, la depresión puede deteriorar su salud física e independiente del tabaco. Si la depresión no se incluye explícitamente en el modelo, su efecto se absorbe en el término de error, creando una correlación espuria que sobreestima o distorsiona el efecto causal del tabaco.

El impuesto al tabaco como instrumento válido

Para resolver este sesgo, Leigh y Schembri utilizan los impuestos sobre el tabaco como una variable instrumental. Este instrumento cumple con las dos condiciones fundamentales requeridas por la teoría estadística. En primer lugar, debe existir una correlación fuerte entre el instrumento y la variable endógena: un aumento en los impuestos eleva el precio del tabaco, lo que induce cambios significativos en la cantidad consumida por los fumadores. En segundo lugar, se aplica la restricción de exclusión, que exige que el instrumento no tenga un efecto independiente directo sobre la variable dependiente (la salud), más allá de su influencia a través del tabaco. Es decir, el impuesto en sí mismo no enferma directamente al individuo, sino que opera exclusivamente al modificar los hábitos de consumo.

Al utilizar este instrumento, el investigador puede aislar la variación en el consumo de tabaco que es "cuasi-aleatoria" o exógena, permitiendo estimar el efecto causal neto del tabaco sobre la salud, libre de la interferencia de factores como la depresión que afectan simultáneamente al hábito y al resultado.

¿Cómo se calcula la estimación de variables instrumentales?

La estimación mediante variables instrumentales (VV. II.) se fundamenta en la necesidad de corregir el sesgo que surge cuando una variable explicativa está correlacionada con el término de error, situación en la cual los mínimos cuadrados ordinarios (MCO) resultan ineficientes o inconsistentes. El proceso busca aislar la variación "limpia" de la variable endógena, aquella inducida exclusivamente por el instrumento, para estimar el efecto causal sobre la variable dependiente.

Comparación entre MCO y el estimador IV

La diferencia fundamental radica en cómo se maneja la correlación entre la variable explicativa y el residuo. Mientras que MCO asume que el término de error es exógeno, el método IV introduce una tercera variable (el instrumento) que cumple con la restricción de exclusión.

Característica	Mínimos Cuadrados Ordinarios (MCO)	Variables Instrumentales (IV)
Supuesto clave	La variable explicativa es exógena (poco correlacionada con el error).	La variable explicativa es endógena (correlacionada con el error).
Problema a resolver	Sesgo por variables omitidas o causalidad inversa.	Sesgo por correlación entre la variable explicativa y el término de error.
Mecanismo	Minimiza la suma de los cuadrados de los residuos verticales.	Utiliza un instrumento válido que induce cambios en la variable explicativa sin afectar directamente la variable dependiente.
Resultado si hay endogeneidad	Estimadores sesgados e inconsistentes.	Estimadores consistentes (si el instrumento es válido).

El método de los momentos y la estimación

El núcleo del cálculo IV es el método de los momentos. Este enfoque aprovecha la propiedad de que el instrumento debe estar correlacionado con la variable endógena pero no con el término de error. Matemáticamente, esto implica que el producto esperado entre el instrumento y el residuo de la ecuación estructural debe ser cero. Al resolver esta condición de momento, se obtiene el estimador IV, que esencialmente divide la covarianza entre el instrumento y la variable dependiente por la covarianza entre el instrumento y la variable explicativa.

Generalización: Múltiples variables y GMM

Cuando existen múltiples variables explicativas endógenas o múltiples instrumentos, el modelo se generaliza. Si el número de instrumentos es igual al número de variables endógenas, el modelo está "justamente identificado". Si hay más instrumentos que variables endógenas (sobredeterminación), se utiliza a menudo el Método Generalizado de Momentos (GMM). El GMM extiende la lógica del método de los momentos, permitiendo ponderar las condiciones de momento para optimizar la eficiencia del estimador, lo cual es particularmente útil en paneles de datos y estudios epidemiológicos complejos donde los experimentos controlados no son factibles.

Interpretación como mínimos cuadrados de dos etapas

La estimación mediante el método de mínimos cuadrados de dos etapas (2SLS) constituye el procedimiento computacional estándar para aplicar las variables instrumentales en modelos lineales. Este enfoque descompone el problema de la correlación entre la variable explicativa endógena y el término de error en dos pasos secuenciales de regresión, permitiendo aislar la variación exógena necesaria para identificar el efecto causal.

Primera etapa: Proyección de la variable endógena

En la primera etapa, se estima una ecuación auxiliar donde la variable explicativa de interés (endógena) se regresa contra todas las variables instrumentales válidas y las variables exógenas incluidas en el modelo. El objetivo es obtener los valores predichos de la variable endógena, los cuales capturan únicamente la porción de variación explicada por los instrumentos. Dado que los instrumentos están correlacionados con la variable endógena pero, bajo la restricción de exclusión, no están correlacionados con el término de error, estos valores predichos heredan la propiedad de exogeneidad. Esta proyección permite sustituir la variable original, contaminada por el sesgo, por una versión limpia estadísticamente.

Segunda etapa: Estimación del efecto causal

En la segunda etapa, se realiza la regresión de la variable dependiente contra los valores predichos obtenidos en la primera etapa, junto con las demás variables exógenas del modelo. Al utilizar estos valores predichos como regresores, se rompe la correlación con el término de error del modelo estructural, lo que permite obtener estimadores consistentes de los coeficientes causales. Este paso esencialmente mide cómo cambia la variable dependiente ante las variaciones inducidas exclusivamente por los instrumentos en la variable explicativa, cumpliendo con la intuición de que el instrumento induce cambios en la variable explicativa sin tener un efecto independiente directo en la variable dependiente.

Ajuste de la matriz de covarianza

Un aspecto crítico en la implementación del método de mínimos cuadrados de dos etapas es el ajuste de la matriz de covarianza de los estimadores. Si se aplican los errores estándar convencionales de los mínimos cuadrados ordinarios directamente sobre la segunda etapa, estos tienden a subestimar la variabilidad real, ya que no tienen en cuenta que los regresores son valores predichos y no fijos. Por lo tanto, es necesario aplicar una corrección específica a la matriz de covarianza para reflejar la incertidumbre acumulada de ambas etapas del proceso de estimación, asegurando la validez de las pruebas de significancia estadística y los intervalos de confianza de los parámetros estimados.

Problemas de identificación y instrumentos débiles

La validez de las estimaciones mediante variables instrumentales depende fundamentalmente de la estructura de identificación del modelo. Este concepto se refiere a la capacidad de distinguir el efecto causal del ruido estadístico basándose en la relación entre el número de instrumentos disponibles y las variables endógenas. La clasificación estándar distingue tres escenarios principales según la cantidad de restricciones impuestas por los instrumentos en comparación con los parámetros a estimar.

Tipos de identificación

La identificación exacta ocurre cuando el número de instrumentos válidos es igual al número de variables explicativas endógenas. En este caso, el sistema de ecuaciones tiene una solución única, lo que permite calcular el estimador de razón directa sin grados de libertad adicionales para probar la calidad del ajuste. La sobreidentificación se presenta cuando existen más instrumentos que variables endógenas. Esta situación es ventajosa porque permite realizar pruebas de bondad de ajuste, como la prueba de Hansen J, para verificar si las restricciones de exclusión son consistentes con los datos. Por el contrario, la subidentificación surge cuando hay menos instrumentos que variables endógenas, lo que implica que el efecto causal no puede ser determinado de manera única sin asumir estructuras funcionales adicionales o imponer restricciones ad hoc.

El problema de los instrumentos débiles

Un desafío crítico en la aplicación práctica de este método es la debilidad de los instrumentos. Según el análisis fundamental de Bound, Jaeger y Baker (1995), un instrumento se considera débil cuando su correlación con la variable explicativa endógena es estadísticamente significativa pero económicamente pequeña. Esta situación es particularmente problemática porque, aunque el estimador de variables instrumentales mantiene la propiedad de consistencia asintótica, su comportamiento en muestras finas puede divergir significativamente del estimador de mínimos cuadrados ordinarios.

Cuando los instrumentos son débiles, el sesgo del estimador puede ser sustancialmente mayor que el sesgo inherente a los mínimos cuadrados ordinarios, especialmente si la correlación entre la variable endógena y el término de error es moderada. Esto ocurre porque la primera etapa de la regresión proyecta la variable endógena sobre el instrumento con un coeficiente pequeño, amplificando el ruido del término de error en la segunda etapa. Además, la distribución de los estadísticos de prueba, como el estadístico t, puede dejar de seguir una distribución normal estándar, lo que lleva a un exceso de rechazos de la hipótesis nula y a intervalos de confianza con una cobertura menor a la nominal. Por lo tanto, la detección de instrumentos débiles es esencial para garantizar la robustez de las inferencias causales en estudios observacionales y experimentos naturales.

Análisis no paramétrico y heterogeneidad del tratamiento

Límites no paramétricos y desigualdades instrumentales

Cuando la forma funcional de las ecuaciones estructurales no se especifica con precisión, el análisis no paramétrico permite establecer límites para los efectos causales. Balke y Pearl (1997) demostraron cómo los límites de identificación dependen de la fuerza de la correlación entre el instrumento y la variable endógena. Posteriormente, Pearl (2000) formuló la desigualdad instrumental, una condición necesaria para la validez del instrumento en ausencia de supuestos funcionales rígidos. Esta desigualdad establece que, si el instrumento afecta a la variable dependiente a través de la variable explicativa, debe observarse una relación específica en las distribuciones conjuntas. Si esta desigualdad se viola, el instrumento puede considerarse válido bajo ciertos supuestos de monotonicidad.

Heterogeneidad del tratamiento y efectos locales

En contextos donde el efecto del tratamiento varía entre las unidades observadas, la interpretación del estimador de variables instrumentales requiere precisión. Imbens y Angrist (1994) introdujeron el concepto de efecto local del tratamiento promedio (LATE). Este estimador captura el efecto causal únicamente para el subgrupo de unidades cuya exposición al tratamiento fue modificada por el instrumento. A diferencia del efecto medio del tratamiento (ATE), el LATE no asume homogeneidad en los efectos, lo que resulta crucial cuando la variable explicativa está correlacionada con el término de error. La validez del LATE depende de la restricción de exclusión, que exige que el instrumento afecte a la variable dependiente exclusivamente a través de la variable explicativa.

Ejemplo de la universidad concesionaria de tierras

El ejemplo clásico de las universidades concesionarias de tierras ilustra la aplicación práctica de estos conceptos. En este caso, la presencia de una universidad en un condado puede considerarse un tratamiento que afecta los ingresos medios de los graduados. Sin embargo, la ubicación de estas universidades no es completamente aleatoria, lo que genera sesgo en los mínimos cuadrados ordinarios. Al utilizar la distancia a la universidad o la edad de la fundación como instrumento, se puede estimar el efecto causal de la educación sobre los ingresos. Este enfoque permite aislar el efecto de la variable explicativa, cumpliendo con los requisitos de correlación con la variable endógena y la independencia respecto al término de error, tal como se estableció en la teoría original de Philip G. Wright en 1928.