Estimating causal effects in the absence of treatment observability

Abstract

In this paper, I propose a novel method to estimate causal effects when the treatments are not observable. Treatment observability is not affordable in many instances of noncompliance settings, where the treatments actually taken by the subjects may be different from the treatments they were assigned to. The standard procedure is to adhere to the intention-to-treat (ITT) principle and simply settle at estimating causal effects on the level of assigned treatments. In contrast, I propose a statistical algorithm that recovers the actual treatments from the outcome and pretreatment variables by iterative applications of regression and clustering algorithm, and use it to estimate causal effects on the level of actual treatments.En este artículo, propongo un método novedoso para estimar los efectos causales cuando los tratamientos no son observables. La observabilidad del tratamiento no es asequible en muchos casos de entornos de incumplimiento, donde los tratamientos que realmente toman los sujetos pueden ser diferentes de los tratamientos a los que fueron asignados. El procedimiento estándar es adherirse al principio de intención de tratar (ITT) y simplemente conformarse con estimar los efectos causales en el nivel de los tratamientos asignados. Por el contrario, propongo un algoritmo estadístico que recupera los tratamientos reales de las variables de resultado y pretratamiento mediante aplicaciones iterativas de regresión y algoritmo de agrupamiento, y lo utiliza para estimar los efectos causales en el nivel de los tratamientos reales.