L’assegnazione del Premio Nobel per la Economia 2021 a David Card, Joshua Angrist e Guido Imbens evidenzia uno dei campi di ricerca, l’inferenza causale, su cui l’Ateneo fiorentino è all’avanguardia da anni. Ne parliamo con Fabrizia Mealli, docente di Statistica e direttrice del Florence Center for Data Science.
Quale è il tema delle ricerche per cui è stato assegnato il premio Nobel per l’Economia 2021?
Per capire l’argomento delle ricerche premiate occorre fare una premessa: la ricerca e la quantificazione di relazioni di causa-effetto sono l’oggetto di gran parte delle indagini scientifiche. Questo è particolarmente vero nelle scienze sociali e in particolare in Economia dove comprendere, ad esempio, quale sia l’effetto dell’istruzione sui salari o l’effetto del salario minimo sull’offerta e la domanda di lavoro, può guidare le politiche economiche in modo sostanziale.
Per stimare effetti causali, in ambito medico si usano esperimenti randomizzati controllati (trial clinici) in cui l’assegnazione dei pazienti a un trattamento attivo o al placebo, ad esempio, avviene in maniera casuale. Questo tipo di esperimenti però per motivi etici, di costo, di tempo o altro non sempre possono essere realizzati nell’ambito delle scienze sociali. Non potendo utilizzare esperimenti, dobbiamo quindi usare i dati che ci offre la realtà.
Facciamo un esempio
Supponiamo di voler valutare gli effetti di un inizio anticipato della scuola dell’obbligo sulle performance lavorative degli adulti. Ovviamente non possiamo condurre un esperimento dove un gruppo di bambini inizia coercitivamente la scuola a 5 anni e un gruppo invece inizia a 6 anni. Né possiamo semplicemente confrontare i gruppi che osserviamo di bambini che iniziano la scuola a 5 o 6 anni, essendo gruppi che non si sono formati attraverso randomizzazione, ovvero casualmente: alcuni genitori potrebbero ad esempio aver deciso di mandare i propri figli anticipatamente a scuola perché particolarmente dotati o perchè possono sostenere un tutor privato, e tali caratteristiche potrebbero favorirli nel mondo del lavoro a prescindere dall’aver iniziato la scuola anticipatamente. Dunque come fare?
A questa domanda hanno risposto i premi Nobel?
Praticamente sì. David Card, Joshua Angrist e Guido Imbens sono stati premiati per aver sviluppato e applicato strumenti statistici per rispondere a domande economiche complesse, sfruttando dati non sperimentali, osservazionali, attraverso l’uso di cosiddetti esperimenti naturali. Con le parole dell’economista Peter Fredriksson, «i loro studi hanno migliorato in modo sostanziale la nostra capacità di rispondere a domande cruciali riguardanti la causa delle cose».
In cosa si differenzia il contributo dei tre studiosi?
Il loro lavoro è complementare, nel senso che Card ha dato contribuiti prevalentemente empirici, e Angrist e Imbens soprattutto metodologici. Analizzando dati osservazionali, David Card ha dimostrato ad esempio che un aumento del salario minimo non porta necessariamente ad una riduzione dei posti di lavoro, come invece anticipato dalla teoria economica. Imbens e Angrist hanno individuato strategie di analisi statistica che vanno a ricercare nei dati situazioni che mimano esperimenti randomizzati e quindi permettono di trarre precise conclusioni sull’effetto causale.
Tornando all’esempio fatto…
Nell’esempio sopra – ripreso con alcune semplificazioni da uno dei lavori di Angrist – potremmo sfruttare il fatto che i bambini iniziano la scuola dell’obbligo nell’anno solare in cui compiono 6 anni. Quindi bambini nati il 31 dicembre iniziano la scuola un anno prima di quelli nati il 1 gennaio, anche se per la casualità della data di nascita, non ci sono motivi per pensare che queste due coorti siano diverse alla nascita. Si verifica così una situazione che assomiglia ad un esperimento randomizzato, un esperimento naturale appunto. Ovviamente non è esattamente un esperimento randomizzato e possono esserci delle contaminazioni, ovvero bimbi nati il 31 dicembre che iniziano la scuola l’anno successivo, e bimbi nati il 1 gennaio che anticipano l’inizio della scuola. In due lavori di Imbens e Angrist (su Econometrica, 1994, e sul Journal of the American Statistical Association, 1996) viene appunto riletta una metodologia già nota in econometria, basata sulle variabili strumentali (la data di nascita, nell’esempio sopra), ovvero variabili in grado di spostare o orientare le scelte individuali verso un trattamento o un altro. Capire il ruolo di queste variabili e le assunzioni necessarie per estrarre l’informazione causale dai dati rappresenta un vero e proprio ponte tra la letteratura econometrica e quella statistica. Non a caso con i due studiosi ha collaborato lo statistico Donald Rubin, che con Guido Imbens ha scritto un testo di riferimento per chiunque si occupi di inferenza causale. Le metodologie proposte e sviluppate per lo studio di effetti causali dai tre premi Nobel utilizzano un modello causale basato sui risultati potenziali, detto anche Modello Causale di Rubin, che fornisce la semantica che sta dietro ai loro lavori. Fra l’altro Rubin è stato più volte ospite presso il DISIA.
Che connessione hanno questi studi con le ricerche e la didattica sviluppate nell’Ateneo fiorentino?
Lo studio delle relazioni di causa-effetto è fondamentale per tutte le discipline empiriche, non solo per l’Economia. E in questo senso l’Università di Firenze è stata tra le prime ad attivare (nel 2015) un corso di Statistica interamente dedicato all’inferenza causale in studi sperimentali e osservazionali, e adesso corsi di inferenza causale sono stati attivati per vari corsi di laurea magistrale e di dottorato.
Lei ha lavorato anche insieme ad uno dei premiati?
Ho condotto uno studio (pubblicato su Biostatistics, 2004) con Guido Imbens, a cui ha partecipato anche il collega epidemiologo Annibale Biggeri, che ha riguardato proprio la valutazione di effetti causali di un intervento di salute pubblica: la frequenza di corsi di autopalpazione al seno. Il programma era volto a migliorare la qualità e la frequenza dell’autopalpazione come attività di prevenzione; nell’ esperimento alcune donne, pur avendo accettato di partecipare allo studio, hanno poi rifiutato la frequenza del corso, rendendo i due gruppi di donne frequentanti e non frequentanti non più direttamente comparabili. In tali contesti, cosi’ come in situazioni dove disponiamo di variabili strumentali, è comunque possibile valutare l’effetto del trattamento di interesse sul sotto-gruppo di soggetti che rispettano il protocollo, i cosiddetti complier.
Su queste tematiche quali sono i possibili sviluppi della ricerca Unifi?
Le attività di ricerca in questo ambito si sviluppano sia sul piano metodologico che su quello applicato. In particolare, la ricerca applicata interessa diversi campi: ad esempio, con strumenti d’inferenza causale è possibile determinare in ambito medico quale sia l’efficacia di una determinata terapia anche con dati osservazionali; in ambito di salute ambientale si studiano gli effetti dell’inquinamento sulla salute; nell’ambito degli studi sull’istruzione si valuta se contributi pubblici o strumenti per il diritto allo studio (come le borse di studio) riducano l’abbandono scolastico o universitario; in ambito economico, oltre ai già citati esempi dell’efficacia delle politiche del lavoro e degli effetti dell’istruzione di cui i premi Nobel si sono occupati, di grande interesse sono anche gli effetti di incentivi o sussidi alle imprese sulla produttività e sull’occupazione, e molto altro ancora.
Ma i possibili sviluppi sul piano dei metodi e delle applicazioni sono praticamente illimitati. Basti pensare alle sperimentazioni online delle grandi imprese high-tech o agli studi sulla medicina personalizzata dove il problema è individuare il trattamento più appropriato per un dato paziente. Gli statistici sono pronti e hanno gli strumenti per affrontare queste sfide e prendere ispirazione dai quesiti posti da altre discipline per sviluppare nuove metodologie per l’analisi causale.
