Professional Documents
Culture Documents
DESCRIPCIN
RE78
TREAT
EDAD
EDUC
BLACK
HISP
MARR
ganancias en 1975
RE74
ganancias en 1974
3.0e-05
2.0e-05
1.0e-05
Density
4.0e-05
5.0e-05
histogram RE78
50000
100000
RE78
150000
10
Density
20
30
histogram TREAT
.2
.4
.6
.8
TREAT
variable name
TREAT
RE78
AGE
AGESQ
EDUC
EDUCSQ
MARR
BLACK
HISP
RE74
RE75SQ
U74BLACK
storage
type
float
float
float
float
float
float
float
float
float
float
float
float
display
format
value
label
variable label
%9.0g
%9.0g
%9.0g
%9.0g
%9.0g
%9.0g
%9.0g
%9.0g
%9.0g
%9.0g
%9.0g
%9.0g
Obs
Mean
Std. Dev.
Min
Max
TREAT
RE78
AGE
AGESQ
EDUC
2675
2675
2675
2675
2675
.0691589
20502.38
34.22579
1281.61
11.99439
.2537716
15632.52
10.49984
766.8415
3.053556
0
0
17
289
0
1
121174
55
3025
17
EDUCSQ
MARR
BLACK
HISP
RE74
2675
2675
2675
2675
2675
153.1862
.8194393
.2915888
.0343925
18230
70.62231
.3847257
.4545789
.1822693
13722.25
0
0
0
0
0
289
1
1
1
137149
RE75SQ
U74BLACK
2675
2675
5.11e+08
.0549533
8.91e+08
.2279316
0
0
2.45e+10
1
-> TREAT = 0
Variable
Obs
Mean
Std. Dev.
Min
Max
RE78
AGE
AGESQ
EDUC
EDUCSQ
2490
2490
2490
2490
2490
21553.92
34.8506
1323.53
12.11687
156.3161
15555.35
10.44076
769.796
3.082435
71.43048
0
18
324
0
0
121174
55
3025
17
289
MARR
BLACK
HISP
RE74
RE75SQ
2490
2490
2490
2490
2490
.8662651
.2506024
.0325301
19428.75
5.48e+08
.3404357
.433447
.1774389
13406.88
9.12e+08
0
0
0
0
0
1
1
1
137149
2.45e+10
U74BLACK
2490
.0144578
.1193923
-> TREAT = 1
Variable
Obs
Mean
Std. Dev.
Min
Max
RE78
AGE
AGESQ
EDUC
EDUCSQ
185
185
185
185
185
6349.145
25.81622
717.3946
10.34595
111.0595
7867.405
7.155019
431.2517
2.01065
39.30388
0
17
289
4
16
60307.9
48
2304
16
256
MARR
BLACK
HISP
RE74
RE75SQ
185
185
185
185
185
.1891892
.8432432
.0594595
2095.574
1.27e+07
.3927217
.3645579
.2371244
4886.623
5.60e+07
0
0
0
0
0
1
1
1
35040.1
6.32e+08
U74BLACK
185
.6
.4912274
(rediff)
TRATAMIENTO
0
1
NMERO DE
OBSERVACIONES
2490
185
PORCENTAJE DE
FRECUENCIA
93%
7%
SS
df
MS
Model
Residual
3.9811e+10
6.1365e+11
1
2673
3.9811e+10
229573201
Total
6.5346e+11
2674
244375675
RE78
Coef.
TREAT
_cons
-15204.78
21553.92
Std. Err.
1154.614
303.6414
t
-13.17
70.98
Number of obs
F( 1, 2673)
Prob > F
R-squared
Adj R-squared
Root MSE
=
=
=
=
=
=
2675
173.41
0.0000
0.0609
0.0606
15152
P>|t|
0.000
0.000
-17468.8
20958.53
-12940.75
22149.32
Source
SS
df
MS
Model
Residual
3.5496e+11
2.9851e+11
11
2663
3.2269e+10
112093617
Total
6.5346e+11
2674
244375675
RE78
Coef.
TREAT
AGE
AGESQ
EDUC
EDUCSQ
MARR
BLACK
HISP
RE74
RE75SQ
U74BLACK
_cons
-1742.745
233.7363
-4.531737
-375.4803
44.41395
1624.787
-1087.801
1101.271
.5633764
3.65e-06
1163.395
2880.478
Std. Err.
1151.41
165.0521
2.241993
363.5069
15.54644
622.1396
528.8095
1152.101
.0241606
3.41e-07
1241.172
3570.156
t
-1.51
1.42
-2.02
-1.03
2.86
2.61
-2.06
0.96
23.32
10.71
0.94
0.81
Number of obs
F( 11, 2663)
Prob > F
R-squared
Adj R-squared
Root MSE
P>|t|
0.130
0.157
0.043
0.302
0.004
0.009
0.040
0.339
0.000
0.000
0.349
0.420
=
=
=
=
=
=
2675
287.87
0.0000
0.5432
0.5413
10587
515.0039
557.3796
-.1355133
337.3041
74.89826
2844.712
-50.88201
3360.373
.6107519
4.31e-06
3597.153
9881.037
SS
df
MS
Model
Residual
1.3388e+11
5.1958e+11
4
2670
3.3470e+10
194600040
Total
6.5346e+11
2674
244375675
RE78
Coef.
TREAT
AGE
EDUC
MARR
_cons
-6901.379
176.6396
1900.046
4937.016
-11901.44
Std. Err.
1213.245
27.60029
91.77385
800.0326
1703.792
t
-5.69
6.40
20.70
6.17
-6.99
Number of obs
F( 4, 2670)
Prob > F
R-squared
Adj R-squared
Root MSE
P>|t|
0.000
0.000
0.000
0.000
0.000
=
=
=
=
=
=
2675
171.99
0.0000
0.2049
0.2037
13950
-4522.384
230.7597
2080.001
6505.762
-8560.557
Freq.
Percent
Cum.
0
1
2,490
185
93.08
6.92
93.08
100.00
Total
2,675
100.00
0:
1:
2:
3:
4:
5:
log
log
log
log
log
log
likelihood
likelihood
likelihood
likelihood
likelihood
likelihood
=
=
=
=
=
=
-672.64954
-445.24322
-417.65611
-414.43392
-414.37065
-414.37062
Probit regression
Number of obs
LR chi2(3)
Prob > chi2
Pseudo R2
TREAT
Coef.
AGE
EDUC
MARR
_cons
-.0479858
-.1686459
-1.469566
2.729172
Std. Err.
.0060942
.0192597
.0995124
.3230556
z
-7.87
-8.76
-14.77
8.45
P>|z|
0.000
0.000
0.000
0.000
=
=
=
=
2675
516.56
0.0000
0.3840
-.0360415
-.1308977
-1.274526
3.362349
Edad
Educacin
Casado (married)
Coeficientes Probit
-0.05
-0.17
-1.47
Interpretacin:
Las personas que son mayores, ms educadas, o casadas tienen menos probabilidades
de recibir capacitacin.
Estamos salvando las puntuaciones de propensin (probabilidades predichas) desde
el modelo probit y el uso de ellos para encontrar resultados para las observaciones
tratadas.
La propiedad de equilibrio (caractersticas similares entre las observaciones tratados
y de control) es satisfecho.
n. treat.
n. contr.
ATT
Std. Err.
185
431
-6715.251
1208.485
-5.557
n. treat.
n. contr.
ATT
Std. Err.
185
2147
-1.33e+04
1629.979
-8.130
n. treat.
n. contr.
ATT
Std. Err.
185
2147
-7009.315
441.523
-15.875
Los resultados son consistentes con los hallazgos anteriores. La capacitacin a los
trabajadores disminuye el ingreso en (-7009.315) con un (t=-15.875).
Emparejamiento por Puntaje de Propensin utilizando Matching Estratificado
El comando atts calcula el efecto tratamiento promedio usando el
emparejamiento de estratificacin. El efecto de tratamiento promedio estimado de la
capacitacin sobre los tratados en el programa sobre el ingreso, se usa el siguiente
comando:
atts $ylist $treatment $xlist, pscore(myscore) blockid(myblock) comsup boot
reps($breps) dots
ATT estimation with the Stratification method
Bootstrapped standard errors
n. treat.
n. contr.
ATT
Std. Err.
184
2148
-6497.605
400.987
-16.204
Mtodo de estimacin
T-test
Regresin con dummy
ATET vecino ms prximo
ATET radio matching
ATET kernel matching
ATET matching estratificado
-15,204
-6,901
-6,715
-13,252
-7,009
-6,497
Diferencia en diferencias
usando datos de dos
periodos (REDIFF)
2,327
2,276
2,989
2,215
2,803
2,776
Interpretacin:
Despus de comparar los individuos tratados y de control, los efectos del programa
de formacin redujeron las ganancias por alrededor de $ 6.000 a $ 13.000 en un
periodo. En otras palabras, las personas que recibieron capacitacin ganan menos que
los que no recibieron.
El uso datos de dos periodos (la variable de resultado es la diferencia del antes y
despus de los perodos), los resultados muestran que las personas que recibieron la
capacitacin aumenta sus ingresos por $ 2.000 a $ 3.000.
Referencias bibliogrficas
Baum C.F., Schaffer M.E. y Stillman, S. (2003): Instrumental Variables and
GMM: Estimation and Testing, Stata Journal.
Becker, S. y Andrea Ichino, (2002). "Estimation of average treatment effects
based on propensity scores", Stata Journal.
NDICE
Emparejamiento por Puntaje de Propensin ........................................................................... 1
Descripcin de la muestra de datos de la National Supported Work ................................. 1
Mtodo de diferencias (Datos de un periodo-RE78) ............................................................ 3
Modelo para el tratamiento (t-test)........................................................................................ 6
LA TCNICA DEL PROPENSITY SCORE MATCHING (EMPAREJAMIENTO POR
PUNTAJE DE PROPENSIN) .............................................................................................. 8
Modelo Emparejamiento por puntaje de propensin (Modelo probit) .......................... 8
Emparejamiento por Puntaje de Propensin utilizando Matching del Vecino Ms
Prximo ................................................................................................................................ 9
Emparejamiento por Puntaje de Propensin utilizando Radio Matching ............... 10
Emparejamiento por Puntaje de Propensin utilizando Kernel Matching ............. 10
Emparejamiento por Puntaje de Propensin utilizando Matching Estratificado ... 11
Mtodo de diferencias en diferencias (Datos de dos periodos-REDIFF).......................... 11
Referencias bibliogrficas......................................................................................................... 12