Equilibrando Necesidades y Evidencia en la Asignación de Recursos

Muchos programas sociales buscan ayudar a quienes más lo necesitan repartiendo recursos limitados de manera efectiva. Para lograrlo, los servicios públicos a menudo usan algoritmos para evaluar riesgos, lo que les ayuda a decidir quién debería recibir ayuda. Sin embargo, centrarse en las personas con más necesidades puede chocar con la evaluación del impacto general de un programa, ya que las mejores evaluaciones suelen involucrar asignaciones aleatorias. Este artículo presenta una nueva forma de diseñar reglas de Asignación que equilibra estos dos objetivos: ayudar a quienes más lo necesitan y aprender sobre los Efectos del Tratamiento.

#El desafío de la asignación de recursos

Los responsables de políticas a menudo tienen la tarea de decidir cómo asignar recursos cuando los beneficios de cada opción no son claros. Imagina a un tomador de decisiones con un presupuesto limitado que quiere obtener el mayor beneficio general posible. Si supieran exactamente cuánto ganaría cada persona con una intervención específica, podrían asignar recursos a los programas más efectivos. Sin embargo, en la realidad, a menudo hay incertidumbre sobre estos beneficios.

La mayoría de las situaciones caen en algún punto intermedio. Los tomadores de decisiones pueden tener algunas ideas sobre quién se beneficiaría más de un servicio, pero a menudo carecen de evidencia concreta. Esta incertidumbre hace que sea difícil identificar las intervenciones más efectivas. Como resultado, los recursos a menudo se dirigen a personas que se cree que tienen mayores necesidades, basándose en características observables. Como consecuencia, las evaluaciones de riesgo se están utilizando cada vez más para medir la necesidad en los programas sociales.

#Evaluación de Riesgos y efectos del tratamiento

Mientras que la predicción de riesgos puede identificar a individuos vulnerables, hay un dilema. Obtener información precisa sobre los efectos del tratamiento a menudo requiere asignaciones aleatorias, lo que puede negar ayuda a personas identificadas como las que más la necesitan. Sin evidencia creíble sobre el efecto promedio del tratamiento, los recursos pueden ser mal asignados.

Este documento aborda cómo los responsables de políticas pueden manejar el compromiso entre proporcionar asistencia inmediata a quienes la necesitan y adquirir conocimientos que pueden mejorar los servicios en el futuro. Los métodos actuales suelen resumirse en dos extremos: focalización basada en necesidades, que brinda ayuda solo a los más necesitados, y ensayos controlados aleatorios (RCT), que se enfocan en generar evidencia a costa de potencialmente negar ayuda a individuos de alto riesgo.

#Un nuevo marco para equilibrar objetivos

Para mitigar los desafíos que enfrentan los tomadores de decisiones, proponemos un marco de diseño experimental que describe una gama de estrategias entre los dos extremos. Al hacerlo, los responsables de políticas pueden elegir una estrategia que se ajuste a sus prioridades.

El núcleo del método implica crear un conjunto de reglas de asignación que vinculan las características observables de los individuos a sus probabilidades de recibir una intervención. Estas reglas provienen de una serie de problemas de optimización centrados en encontrar el equilibrio adecuado entre estimar los efectos del tratamiento y abordar las necesidades individuales.

Los resultados de nuestro marco sugieren que los sistemas algorítmicos en los servicios públicos pueden ser más efectivos cuando consideran activamente la evaluación del programa junto con la focalización.

#El concepto de políticas de asignación óptimas

La esencia del enfoque propuesto es permitir que los tomadores de decisiones determinen cómo asignar un tratamiento o intervención mientras equilibran múltiples objetivos. El responsable de políticas selecciona una función que guía la probabilidad de asignar tratamiento a cada individuo según sus características. Luego, a cada individuo se le asigna aleatoriamente el tratamiento de acuerdo con esta probabilidad, después de lo cual se observan sus resultados. A partir de los resultados, se puede estimar el efecto promedio del tratamiento.

El objetivo es minimizar el error en la estimación del efecto promedio del tratamiento mientras se asegura que las personas con mayores necesidades reciban tratamiento. Esto se hace aplicando enfoques estadísticos que proporcionan garantías para muestras finitas.

#Implementación del marco

La implementación del marco propuesto requiere solo datos no etiquetados para entender la distribución de covariables, que se pueden utilizar para formular un problema de optimización dual. A medida que nuevos individuos buscan tratamiento, el sistema calcula su probabilidad de asignación al resolver un problema de optimización que sopesar la necesidad de Utilidad contra la varianza en los efectos del tratamiento estimados.

La metodología permite cálculos separados para cada individuo, lo que la hace adecuada para entornos de la vida real donde las personas pueden llegar en diferentes momentos, como en los servicios sociales.

#Garantías de rendimiento

Para asegurar que las políticas propuestas cumplan con las restricciones y sean casi óptimas, esbozamos el número de muestras necesarias para obtener resultados confiables. Al asegurar que ciertas condiciones se mantengan verdaderas dentro de los datos, podemos derivar garantías para asegurar que las políticas serán efectivas.

Este enfoque proporciona un mecanismo sencillo que se puede adaptar a lo largo del tiempo, dada la naturaleza evolutiva de los entornos de servicios sociales.

#Estimandos alternativos

Los responsables de políticas pueden optar por centrarse en estimar efectos distintos al efecto promedio del tratamiento. Por ejemplo, podrían querer estimar el efecto promedio del tratamiento para individuos considerados en riesgo particular. El marco propuesto se puede adaptar fácilmente para satisfacer tales necesidades diferentes, permitiendo flexibilidad en cómo se estiman los efectos del tratamiento.

#Aplicación empírica

Para ilustrar el marco propuesto, lo aplicamos a dos conjuntos de datos de servicios humanos en una región específica. El primer conjunto de datos consta de individuos que anteriormente eran elegibles para asistencia de vivienda pública, mientras que el segundo se relaciona con individuos liberados de la cárcel.

Para cada conjunto de datos, evaluamos las políticas utilizando diferentes métricas, enfocándonos principalmente en cuán efectivamente apuntan a individuos en necesidad y cuán precisamente estiman los efectos del tratamiento.

Usando modelos predictivos, evaluamos el riesgo de resultados adversos entre los individuos para determinar cómo se puede asignar el tratamiento de manera eficiente dentro de los límites de presupuestos variados.

#Compensaciones entre utilidad y tamaño de muestra

La utilidad de la focalización se compara con los tamaños de muestra necesarios para estimar efectos del tratamiento de manera precisa. A través de simulaciones, se ha demostrado que las políticas optimizadas pueden lograr una utilidad significativa mientras requieren un tamaño de muestra razonable, a menudo necesitando solo entre 1.5 y 3 veces las muestras requeridas para un ensayo controlado aleatorio tradicional.

A su vez, las políticas diseñadas para estimar subconjuntos específicos pueden generar diferentes compensaciones en utilidad y potencia para estimar efectos promedios, demostrando la flexibilidad del enfoque.

#La importancia de la equidad

Como parte del proceso de optimización, los responsables de políticas también pueden imponer restricciones de equidad para asegurar un tratamiento justo entre diferentes grupos. Este aspecto es crucial en entornos sociales, donde pueden existir disparidades. Al acomodar la equidad en la asignación, los tomadores de decisiones pueden lograr un mejor equilibrio entre utilidad y la necesidad de servir a los grupos de manera equitativa.

#Conclusión

En resumen, desarrollar intervenciones efectivas en dominios sociales críticos a menudo significa enfrentar duras compensaciones entre la calidad del servicio inmediato y la acumulación de conocimientos para mejorar esos servicios. El marco que proponemos ayuda a navegar las complejidades de equilibrar la necesidad de proporcionar asistencia oportuna con la necesidad de obtener información confiable sobre los resultados del tratamiento.

En el futuro, a medida que el uso de modelos predictivos en los servicios públicos continúe creciendo, será aún más esencial lograr este equilibrio. Asignar recursos basándose únicamente en la precisión predictiva puede pasar por alto otras consideraciones importantes, como las oportunidades de aprendizaje para futuras mejoras del programa.

La metodología propuesta subraya que optimizar el diseño de los sistemas de asignación de recursos requiere conciencia de estos objetivos en competencia para proporcionar un impacto significativo en la entrega de servicios públicos.