Mínimos Quadrados Regularizados por Kernel: Reduzindo o Viés de Especificação Incorreta com uma Abordagem de Aprendizado de Máquina Flexível e Interpretabel

Propomos o uso de Mínimos Quadrados Regularizados por Kernel (KRLS) para problemas de modelagem e inferência em ciências sociais. O KRLS se baseia em métodos de aprendizado de máquina projetados para resolver problemas de regressão e classificação sem depender de suposições de linearidade ou aditividade. O método constrói um espaço de hipóteses flexível que utiliza kernels como funções de base radial e encontra a superfície que melhor se ajusta a este espaço minimizando um problema de mínimos quadrados penalizado pela complexidade. Argumentamos que o método é bem adequado para a investigação em ciências sociais porque evita suposições paramétricas fortes, permitindo, ao mesmo tempo, interpretações de maneiras análogas a modelos lineares generalizados, além de permitir interpretações mais complexas para examinar não linearidades, interações e efeitos heterogêneos. Também estendemos o método em várias direções para torná-lo mais eficaz para a investigação social, (1) derivando estimadores para os efeitos marginais pontuais e suas variâncias, (2) estabelecendo imparcialidade, consistência e normalidade assintótica do estimador KRLS sob condições bastante gerais, (3) propondo uma regra automatizada simples para escolher a largura do kernel, e (4) fornecendo software acompanhante. Ilustramos o uso do método por meio de simulações e exemplos empíricos.