Intorno all’anno 2000, l’economia applicata era nel pieno di quella che in seguito sarebbe stata chiamata una “rivoluzione della credibilità”: uno spostamento da affermazioni strutturali fortemente dipendenti dai modelli verso disegni di ricerca che rendessero l’identificazione causale il più trasparente possibile. Sullo sfondo c’erano decenni di dibattito sul fatto che le stime econometriche in economia del lavoro, dell’istruzione e dello sviluppo fossero credibili come enunciati causali. Negli anni Settanta e Ottanta, modelli a equazioni simultanee e ipotesi elaborate sulla forma funzionale spesso si facevano carico dell’identificazione. Eppure gli economisti si confrontavano sempre più con un problema pratico: domande di policy — La scuola aumenta i guadagni? I salari minimi riducono l’occupazione? Gli afflussi di immigrati danneggiano i salari dei nativi? — dipendevano da controfattuali causali difficili da inferire da dati osservazionali. Joshua Angrist, David Card e Guido Imbens divennero figure centrali di un nuovo approccio: trattare la causalità come un problema di identificazione, cercare variazione quasi casuale nel mondo (“esperimenti naturali”) e usare strumenti econometrici — soprattutto le variabili strumentali — per collegare quella variazione a effetti causali credibili.
Le idee fondamentali si cristallizzarono attraverso una serie di articoli influenti negli anni Novanta che plasmarono la cultura di ricerca che gli economisti portarono nel nuovo millennio. Lo studio di Card del 1990 sul Mariel Boatlift, che sfruttava l’arrivo improvviso di immigrati cubani a Miami nel 1980, esemplificava un disegno di confronto basato su un evento. Il lavoro di Card e Alan Krueger sul salario minimo (in particolare l’articolo del 1994 e il libro del 1995) utilizzava differenze nelle politiche statali come quasi-esperimento per mettere in discussione una previsione canonica dei mercati del lavoro competitivi. L’articolo di Angrist e Krueger del 1991 usava il trimestre di nascita — interagendo le leggi sull’obbligo scolastico con le regole sull’età di inizio della scuola — come strumento per l’istruzione. Il lavoro di Angrist sulle lotterie di leva dell’era del Vietnam (inizio anni Novanta) mostrò come una randomizzazione letterale potesse essere incorporata in processi amministrativi. Imbens, spesso in collaborazione con Angrist, fornì le fondamenta concettuali e matematiche di ciò che le variabili strumentali identificano effettivamente quando gli effetti del trattamento variano tra individui. Il loro articolo del 1994 su Econometrica, “Identification and Estimation of Local Average Treatment Effects”, e lavori successivi riformularono l’IV non come una correzione meccanica dell’endogeneità, ma come uno stimatore basato sul disegno, legato a uno specifico estimand causale.
Al cuore della rivoluzione della credibilità c’è il framework dei potenziali esiti. Per ogni unità (i), si definiscono esiti potenziali (Y_i(1)) e (Y_i(0)) corrispondenti agli stati trattato e non trattato. L’effetto causale è (Y_i(1)-Y_i(0)), ma si osserva solo un esito: (Y_i = D_i Y_i(1) + (1-D_i)Y_i(0)), dove (D_i\in{0,1}) è lo stato di trattamento. Il problema centrale di identificazione è che (D_i) è tipicamente correlato con determinanti non osservati di (Y_i), quindi la differenza ingenua tra medie non equivale a un effetto causale. Gli esperimenti naturali mirano a isolare variazione in (D_i) che sia “come se random”, condizionatamente alle ipotesi di disegno, in modo che gruppi trattati e di controllo siano comparabili nel senso controfattuale rilevante.
Le variabili strumentali divennero il metodo di punta. Uno strumento (Z_i) influenza il trattamento (D_i) ma non influenza direttamente l’esito se non attraverso (D_i). Nell’impostazione lineare più semplice, si scrive $$ Y_i = \alpha + \beta D_i + \varepsilon_i, $$ con endogeneità (E[\varepsilon_i \mid D_i]\neq 0). Uno strumento soddisfa (i) rilevanza (Cov(Z_i,D_i)\neq 0) e (ii) esclusione (E[\varepsilon_i \mid Z_i]=0). L’estimand IV di popolazione è $$ \beta_{IV}=\frac{Cov(Z_i,Y_i)}{Cov(Z_i,D_i)}. $$ Ma il principale avanzamento della rivoluzione della credibilità fu chiarire che cosa significhi (\beta_{IV}) quando gli effetti del trattamento sono eterogenei. Sotto l’ulteriore condizione di “monotonicità” — nessun “defier”, ossia lo strumento non spinge alcune persone sistematicamente verso il trattamento mentre spinge altre fuori — Angrist e Imbens mostrarono che l’IV identifica un Local Average Treatment Effect (LATE): l’effetto causale medio per i “compliers”, cioè coloro il cui stato di trattamento è modificato dallo strumento. Nei termini dei potenziali esiti, se (D_i(z)) è il trattamento che sarebbe scelto sotto il valore dello strumento (z), i compliers soddisfano (D_i(1)=1) e (D_i(0)=0). Il LATE è $$ E!\left[Y_i(1)-Y_i(0)\mid D_i(1)>D_i(0)\right]. $$ Questa interpretazione trasformò il modo in cui gli economisti leggevano i risultati IV: non come un universale “rendimento dell’istruzione”, ma come il rendimento per le persone indotte a fare più scuola da una specifica leva di policy (come l’obbligo di frequenza che interagisce con il timing di nascita).
Entro il 2000, queste idee avevano rimodellato l’economia applicata del lavoro e si stavano rapidamente diffondendo all’economia pubblica, dello sviluppo e politica. L’impatto fu metodologico e sociologico. Metodologicamente, gli economisti enfatizzarono strategie di identificazione trasparenti — differenze-in-differenze, regression discontinuity, randomized controlled trials quando fattibili, e IV con narrazioni istituzionali chiare. Sociologicamente, le norme di evidenza cambiarono: riviste e seminari richiesero sempre più spesso una discussione esplicita dei controfattuali, delle minacce all’identificazione, dei controlli di bilanciamento, dei placebo test e della robustezza rispetto a specificazioni alternative. Le relazioni “reduced-form” (E[Y\mid Z]) ed (E[D\mid Z]) furono trattate come oggetti di prima classe, non meri gradini verso parametri strutturali.
La rivoluzione fu accompagnata da critiche. Una critica riguardava la validità esterna: il LATE è locale, e strumenti diversi identificano gruppi diversi di compliers. Un’altra era che l’enfasi sul disegno potesse mettere in ombra la teoria, lasciando gli economisti con stime credibili di effetti ristretti ma con guida limitata per analisi di benessere o risposte di equilibrio generale. Un’ulteriore preoccupazione era che gli “esperimenti naturali” non siano veramente random; le storie istituzionali possono essere incomplete e possono rimanere sottili meccanismi di selezione. Nello specifico dell’IV, strumenti deboli — piccolo (Cov(Z,D)) — possono distorcere le stime e gonfiare l’incertezza; già entro il 2000, gli econometristi stavano sviluppando diagnostiche e metodi di inferenza robusta per affrontare questo problema. Vi furono anche dispute filosofiche su se l’economia dovesse dare priorità a effetti parziali basati sul disegno o a parametri strutturalmente interpretabili capaci di simulare politiche controfattuali.
L’eredità oggi è visibile in tutta l’economia empirica. La rivoluzione della credibilità ha contribuito a standardizzare il linguaggio dell’inferenza causale — identificazione, ipotesi, estimand e disegno di ricerca — avvicinando l’economia all’analisi causale statistica moderna pur mantenendo il focus sulle politiche. Ha anche accelerato sviluppi econometrici nell’inferenza con clustering, eteroschedasticità, many instruments e robustezza in campioni finiti — strumenti pragmatici necessari per un lavoro applicato credibile. Soprattutto, il framework LATE di Angrist–Imbens continua a disciplinare l’interpretazione: i ricercatori sono spinti a chiedersi “l’effetto di chi?” e “su quale margine di cambiamento?” piuttosto che rivendicare un singolo parametro invariato rispetto alle politiche.
In una linea di continuità, questo movimento non nacque dal nulla. Si basò su econometria precedente — la modellizzazione strutturale della Cowles Commission, i dibattiti sull’identificazione degli anni Quaranta–Sessanta e la tradizione IV che risale alla statistica dei primi del XX secolo — reagendo però contro un’eccessiva fiducia nella causalità guidata dalla specificazione. Si collegò anche al Rubin causal model in statistica e ai metodi di valutazione dei programmi sviluppati negli anni Settanta e Ottanta. Dopo il 2000, la rivoluzione alimentò ondate adiacenti: la rapida espansione dei regression discontinuity designs, la scalabilità delle valutazioni randomizzate nell’economia dello sviluppo e, più tardi, l’integrazione del machine learning con l’inferenza causale (metodi “double/debiased” e causal forests). Eppure la firma intellettuale associata ad Angrist, Card e Imbens rimane la stessa: partire da una fonte concreta di variazione quasi casuale, dichiarare le ipotesi in modo esplicito e lasciare che sia il disegno — non l’eleganza del modello — a sostenere l’affermazione causale.