Professional Documents
Culture Documents
PARA LA
EVALUACIN DE IMPACTO
Raquel Bernal Ximena Pea
Contenido
Salir
GUA PRCTICA
PARA LA
EVALUACIN DE IMPACTO
Contenido Raquel Bernal Ximena Pea
INSTRUCCIONES
Presentaciones Do files
Captulo Captulo
Inicio Salir
Contenido
Captulo2
Definicindeparmetrosdeimpacto
deltratamiento
Salir
Contenido
Objetivoyproblema
Objetivo:
Medir el impacto del tratamiento (p. ej., un programa)
sobre una(s) variable(s) de resultado en un conjunto de
individuos.
Problema:
Para obtener el efecto del tratamiento, necesitaramos
evaluar la diferencia entre la variable de resultado de los
participantes con programa y la variable de resultado de los
participantes en ausencia del programa, denominado
contrafactual.
Guaprcticaparalaevaluacindeimpacto/Captulo2:Definicindeparmetrosdeimpactodeltratamiento/2
Salir
Contenido
Notacin
1 individuoi recibetratamiento
Di
0delocontrario
Ejemplo1:Canasta
Guaprcticaparalaevaluacindeimpacto/Captulo2:Definicindeparmetrosdeimpactodeltratamiento/4
Salir
Contenido
Ejemplo1:Canasta
Indicador de participacin definido como:
sielnioelegibleparticipaenelprogramadenutricin
Di
sielnioelegiblenoparticipaenelprogramadenutricin
Variables de resultado:
Yi Tallasegnlaedad
Guaprcticaparalaevaluacindeimpacto/Captulo2:Definicindeparmetrosdeimpactodeltratamiento/5
Salir
Contenido
Efectodeltratamiento
Elefectodeltratamientooprogramasobreelindividuoi
estaradadopor:
Guaprcticaparalaevaluacindeimpacto/Captulo2:Definicindeparmetrosdeimpactodeltratamiento/6
Salir
Contenido
Elresultadoefectivamenteobservadosepuedeescribir:
Guaprcticaparalaevaluacindeimpacto/Captulo2:Definicindeparmetrosdeimpactodeltratamiento/7
Salir
Contenido
Qu sepuedeestimar?:
ATE
ATE:efectopromediodelprograma
Seinterpretacomoelcambioenlavariableresultado
cuandounindividuopasaaleatoriamentedeser
participanteasernoparticipante.
Relevanteparticularmenteparalaevaluacinde
programasuniversales.
Guaprcticaparalaevaluacindeimpacto/Captulo2:Definicindeparmetrosdeimpactodeltratamiento/8
Salir
Contenido
Qu sepuedeestimar?:
ATT
ATT:efectopromediodelprogramasobrelostratados
Defina:
[ (1)| = 1] comoelpromediodelavariablede
resultadodeindividuostratadosdadoqueparticiparon
enelprograma.
[ (0)| = 1] comoelpromediodelavariablede
resultadodeindividuostratadossinohubieran
participadoeneltratamiento.Esdecir,cmoleshabra
idoenelescenariohipottico dequeelprogramano
hubieraexistido.
ResultadoCONTRAFACTUAL/noseobserva
Guaprcticaparalaevaluacindeimpacto/Captulo2:Definicindeparmetrosdeimpactodeltratamiento/9
Salir
Contenido
Qu sepuedeestimar?:
ATT
ATT:efectopromediodelprogramasobrelostratados
CONTRAFACTUAL
Mideelimpactodelprogramasobrelostratados(el
subconjuntodeindividuosquefueronefectivamente
tratados).
Parmetrodemayorintersenlaevaluacindeimpacto,
porquelamayoradelosprogramassonfocalizadosyno
universales.
Guaprcticaparalaevaluacindeimpacto/Captulo2:Definicindeparmetrosdeimpactodeltratamiento/10
Salir
Contenido
Qu sepuedeestimar?:
ATU
ATU:efectopromediodelprogramasobrelosnotratados
Defina:
como el promedio de la variable de
ResultadoCONTRAFACTUAL/noseobserva
Guaprcticaparalaevaluacindeimpacto/Captulo2:Definicindeparmetrosdeimpactodeltratamiento/11
Salir
Contenido
Qu sepuedeestimar?:
ATU
ATU:efectopromediodeltratamientosobrelosnotratados
CONTRAFACTUAL
Parmetrorelevanteparadeterminarsielprogramase
debeextenderaotrossubconjuntosdepoblacinfuera
delqueenlaactualidadeselegible.
Guaprcticaparalaevaluacindeimpacto/Captulo2:Definicindeparmetrosdeimpactodeltratamiento/12
Salir
Contenido
Aproximacinal
contrafactual
Para calcular ATT y ATU, se debe encontrar una
aproximacin para el contrafactual.
ParaATT:
Noobservado ? Observado
Guaprcticaparalaevaluacindeimpacto/Captulo2:Definicindeparmetrosdeimpactodeltratamiento/13
Salir
Contenido
Condicinparala
aproximacin
Pararecuperar serequiereque:
Guaprcticaparalaevaluacindeimpacto/Captulo2:Definicindeparmetrosdeimpactodeltratamiento/14
Salir
Contenido
ATTaproximado
Asumiendoquesecumple:
sepuedeexpresarcomo:
Anlogomuestral deesemomentopoblacionales:
Donde es el promedio muestral de la variable de
resultado dado su estatus de participacin.
Guaprcticaparalaevaluacindeimpacto/Captulo2:Definicindeparmetrosdeimpactodeltratamiento/15
Salir
Contenido
Independencia condicional
Elestimadorsepuedeobtenerdelasiguiente
regresin:
0 1
Silacondicin:
secumple,estoimplicaque:
Quienesparticipanenel
programanoson
sistemticamentedistintos
Independenciacondicional. deaquellosqueno
participanenelprograma.
Guaprcticaparalaevaluacindeimpacto/Captulo2:Definicindeparmetrosdeimpactodeltratamiento/16
Salir
Contenido
Propiedades delestimador
Bajoindependenciacondicionalelestimadordemnimos
cuadradosordinarios(MCO)es:
1. Consistente:
1 1
2.Insesgado:
1 1
Guaprcticaparalaevaluacindeimpacto/Captulo2:Definicindeparmetrosdeimpactodeltratamiento/17
Salir
Contenido
Ques ?
Efecto del programa.
1 Diferencia de medias de la variable de resultado entre el
grupo de tratamiento y el grupo de control.
0 1 0 1
Porlotanto,elestimadordeestaradadopor:
Guaprcticaparalaevaluacindeimpacto/Captulo2:Definicindeparmetrosdeimpactodeltratamiento/18
Salir
Contenido
Ejemplo1:Canasta
Correspondealpromediodela
tallasegnlaedadentrelos
participantes,enpresenciadel
programa.
Correspondealpromediodela
tallasegnlaedadentrelos
participantes,enausenciadel
programa.Elcontrafactual.
Correspondealpromediodela
tallasegnlaedadenelgrupode
noparticipantes.Promedioenel
grupodecontrol.
Guaprcticaparalaevaluacindeimpacto/Captulo2:Definicindeparmetrosdeimpactodeltratamiento/19
Salir
Contenido
Ejemplo1:Canasta
Sisecumpleque:
Captulo3
Sesgodeseleccin
Salir
Contenido
Notacin
individuoi recibetratamiento
delocontrario
( )= Variablederesultadoparacadaindividuo
dadosuestado
eslavariablederesultadodelindividuoi siestratado
eslavariablederesultadodelindividuoi sinoestratado
Efectoindividualdelprograma:
Guaprcticaparalaevaluacindeimpacto/Captulo3:SesgodeSeleccin/22
Salir
Contenido
Notacin
Mediadelavariablederesultadoenel
grupodeparticipantes.
Mediaquehubieranobtenidolos
participantessielprogramanohubiera
existido.
Mediadelavariablederesultadoentre
losnoparticipantesenelprograma,si
hubieranpodidoparticipar.
Mediadelavariablederesultadode
quienesnoparticiparonenelprograma.
Guaprcticaparalaevaluacindeimpacto/Captulo3:SesgodeSeleccin/23
Salir
Contenido
Retodelaevaluacin
Elobjetodelaevaluacindeimpactoesestimar:
= ( | = 1) = [ (1)| = 1] [ (0)| = 1]
Noobservado
Paracalcularlopodemossuponerque:
[ (0)| = 1] [ (0)| = 0] = 0
Elprincipalretoesdeterminarbajoqucondicioneseste
supuestoseravlido.
Elsupuestoseviolacuandohayautoseleccin.
Guaprcticaparalaevaluacindeimpacto/Captulo3:SesgodeSeleccin/24
Salir
Contenido
Sesgodeseleccin
Cuandolosindividuosseautoseleccionanenelprograma:
Existencaractersticasobservadasynoobservadas que
causanqueunosindividuosdecidanparticiparyotros
decidannohacerlo.Porlotanto,losdosgrupospodran
sersistemticamentediferentes.
(Caractersticasnoobservadassonaquellasquenose
midenonoquedaronregistradasenlabasededatos)
Elgrupodetratamientoyeldecontrolson
generalmentedistintos,aunenausenciadelprograma.
Guaprcticaparalaevaluacindeimpacto/Captulo3:SesgodeSeleccin/25
Salir
Contenido
Ejemplo1:Canasta
SupongaqueenelprogramaCanasta losindividuosdeben
decidirsiparticiparono(p.ej.,elprogramanoes
obligatorio).
Participar tiene un costo:
Tiempo
P.ej.,formularios,controlesmdicos,etc.
Trmites
Loquepuedegenerarqueexistandiferenciasentreelperfil
delasmadresdelosnioselegibles,queaplicanylasqueno
aplicanparaparticipar.
Puedeincidirenel
P.ej.:madresmso estadonutricionaldelos
menosproactivas. nios.
Guaprcticaparalaevaluacindeimpacto/Captulo3:SesgodeSeleccin/26
Salir
Contenido
Consecuenciadelsesgode
seleccin
Alviolarseelsupuesto:
= 0 + 1 +
enlaregresinimplica:
Guaprcticaparalaevaluacindeimpacto/Captulo3:SesgodeSeleccin/27
Salir
Contenido
Consecuencias enlas
propiedadesdelestimador
Cuando se viola el supuesto de independencia condicional, el
estimador 1 de mnimos cuadrados ordinarios (MCO) deja de
ser insesgado.
Guaprcticaparalaevaluacindeimpacto/Captulo3:SesgodeSeleccin/28
Salir
Contenido
Cmoeliminarelsesgo?
Variablesobservadas
0 1 2
Caractersticasobservadasdelindividuoi.
Guaprcticaparalaevaluacindeimpacto/Captulo3:SesgodeSeleccin/29
Salir
Contenido
Ejemplo1:Canasta
Silosindividuosmspobressonaquellosquedeciden
participarenelprograma,mientrasquelosmsricos
decidennohacerlo,
entonceslavariabledecontrolincluidaenlaregresin:
eselingresodelasfamilias
1
Deestamaneraseeliminaelsesgodeseleccinyesun
estimadorinsesgadoyconsistentedelprograma.
Guaprcticaparalaevaluacindeimpacto/Captulo3:SesgodeSeleccin/30
Salir
Contenido
Variablesnoobservadas
Silasvariablesquedeterminanlaparticipacinenel
programanoseobservanonoestnregistradasenlabase
1 1
SuponiendoqueWi eslavariableomitida,esdecir:
0 1 2
Variablenoobservada
AlnopoderincluirW enlaregresin,leestamosatribuyendo
alprogramapartedelefectoquetieneW sobreY.
Guaprcticaparalaevaluacindeimpacto/Captulo3:SesgodeSeleccin/31
Salir
Contenido
Ejemplo1:Canasta
Si,porejemplo,ladiferenciaentrelosniosparticipantesy
noparticipantesesladedicacindelamadre
Ladedicacindelamadrenoesunavariablemediday
registradadentrodesuencuesta,entonces:
1 1
Guaprcticaparalaevaluacindeimpacto/Captulo3:SesgodeSeleccin/32
Salir
Contenido
Direccindelsesgo
Ladireccindelsesgodependedelacorrelacinentrela
variablenoobservada(omitida)ylaparticipacindel
individuoenelprograma:
( ) > 0 ( )<0
Guaprcticaparalaevaluacindeimpacto/Captulo3:SesgodeSeleccin/33
Salir
Contenido
Ejemplo1:Canasta
Siladedicacindelamadre
aumentalaprobabilidadde ( ) > 0
participarenelprograma
1 > 1
yaumentaelpesoportalla
delnio 2 > 0
Siladedicacindelamadre
disminuyelaprobabilidadde
( ) < 0
participarenelprograma
peroaumentaelpesopor 1 < 1
2 > 0
talladelnio
Guaprcticaparalaevaluacindeimpacto/Captulo3:SesgodeSeleccin/34
Salir
Contenido
Captulo4
Experimentosaleatorios
Salir
Contenido
Notacin
1individuoi recibetratamiento
Di
0delocontrario
Variablederesultado
Yi ( Di ) paracadaindividuoi
dado su estado Di
i Yi (1) Yi (0)
Guaprcticaparalaevaluacindeimpacto/Captulo4:ExperimentosAleatorios/2
Salir
Contenido
Notacin
Guaprcticaparalaevaluacindeimpacto/Captulo4:ExperimentosAleatorios/3
Salir
Contenido
Paraquhacerexperimentos
aleatorios?
Paraevitarelsesgodeselecciny,porende,asegurarque:
E [Y ( 0 ) | D 1] E [ Y ( 0 ) | D 0 ] 0
E [u i | D i ] 0
Cuandolaasignacin alprogramasehacedemanera
aleatoria.
Experimentosocialcontrolado
Guaprcticaparalaevaluacindeimpacto/Captulo4:ExperimentosAleatorios/4
Salir
Contenido
Cmohacerexperimentos
aleatorios?
SetomandosindividuosIDNTICOSysetrata
Idealmente:
aunodeellos.
IMPOSIBLE
Seasignanaleatoriamentelosindividuosdel
Alternativa: grupodeestudioalgrupodetratamientoo
algrupodecontrol.
Guaprcticaparalaevaluacindeimpacto/Captulo4:ExperimentosAleatorios/5
Salir
Contenido
Ventajaylimitaciones
Ventaja
Eslamaneramstransparenteparadeterminarelefectode
polticasgubernamentales.Laestrategiadeidentificacines
muyclaraynorequieresupuestos.
Limitaciones
Consideracionesticas.
Costodelaaleatorizacin monetarioypoltico.
Slosepuedeevaluarelprogramatalycomoestdiseado.
Slo evala los efectos de corto plazo del programa.
Guaprcticaparalaevaluacindeimpacto/Captulo4:ExperimentosAleatorios/6
Salir
Contenido
Individuosvs.conglomerados
Individuos
Se aleatorizan individuos a partir de un listado de los
individuos elegibles.
Conglomerados(clsteres)
Sealeatorizan noaindividuos,sinoabarrioso
comunidades.
Seaprovechanrestriccioneslogsticasopresupuestales,de
capacidadoperativadelprograma.Sealeatoriza elordende
entradaalprograma;seposponelaentradadealgunos
grupos,detalmaneraqueactencomogrupodecontrol.
Noexisteunaclaraventajadealgunodelosdiseosbsicos
sobreelotro.
Guaprcticaparalaevaluacindeimpacto/Captulo4:ExperimentosAleatorios/7
Salir
Contenido
Modeloendiferencias
Silaaleatorizacinesexitosa,esdecir,nohaysesgode
seleccin,entonceselefectodeltratamientosepuede
estimarcomo:
[Y | D 1] [Y | D 0]
o
Yi 0 1 Di u i
Estimadordediferencias.
Insesgadoyconsistente,perononecesariamenteeficiente.
Guaprcticaparalaevaluacindeimpacto/Captulo4:ExperimentosAleatorios/8
Salir
Contenido
Ejemplo1:Canasta
Resultados
%nios %nios
Educacin %niosbien Educacin Educacin
bien bien
dela nutridos, materna, materna,
nutridos, nutridos,
madre contrafactual tratamiento control
tratamiento control
Baja 50 30 40 10 20
Media 70 40 50 70 60
Alta 90 70 80 20 20
Distribuciones
E [ Y (1) | D 1] educativasdelas
E [Y ( 0 ) | D 0 ] madres
E [ Y ( 0 ) | D 1]
Guaprcticaparalaevaluacindeimpacto/Captulo4:ExperimentosAleatorios/9
Salir
Contenido
Ejemplo1: Canasta
ATT
ATT E [ D 1]
E [Y (1) | D 1] E [Y ( 0 ) | D 1]
E [Y (1) | D 1] ( 50 * 0 .1) ( 70 * 0 .7 ) ( 90 * 0 .2 )
72
E [Y ( 0 ) | D 1] ( 40 * 0 .1) (50 * 0 .7 ) (80 * 0 .2 )
55
ATT 72 55 17
Guaprcticaparalaevaluacindeimpacto/Captulo4:ExperimentosAleatorios/10
Salir
Contenido
Ejemplo1:Canasta
ATT
E[Y (0) | D 1]
Dadoquenoesobservable(hipottico),
calculamos:
ATT E [ D 1]
E [Y (1) | D 1] E [Y ( 0 ) | D 0 ]
E (Y (1) | D 1] ( 50 * 0 .1) ( 70 * 0 .7 ) (90 * 0 .2 )
72
E (Y ( 0 ) | D 0 ] ( 30 * 0 .2 ) ( 40 * 0 .6 ) ( 70 * 0 .2 )
44
ATT 72 44 28
Guaprcticaparalaevaluacindeimpacto/Captulo4:ExperimentosAleatorios/11
Salir
Contenido
Estimadordediferenciascon
regresoresadicionales
Laeficienciadelestimadorsepuedemejorardependiendo
deladisponibilidaddedatos.
Elestimadordediferenciaspuedenosereficiente,
porque:
Otrasvariables,distintasaltratamiento,pueden
tambindeterminarlavariablederesultadoaun
cuandolaaleatorizacinesexitosa.
Guaprcticaparalaevaluacindeimpacto/Captulo4:ExperimentosAleatorios/12
Salir
Contenido
Estimadordediferenciascon
regresoresadicionales
Silainformacinqueafectalavariabledeintersest
contenidaenlabasededatos,sepuedeincluirenla
regresincomo:
Yi 0 1 D i 2 X i u i
Estimadorde Caractersticasdelindividuo
diferencias con queexplicantambinla
regresores adicionales. variablederesultadoy
precedenaltratamiento.
Guaprcticaparalaevaluacindeimpacto/Captulo4:ExperimentosAleatorios/13
Salir
Contenido
Ejemplo2:Canastacon
asignacinaleatoria
Supongaquesedebemedirlatallaparalaedaddelos
nios,dondelaasignacinalprogramaesthechade
maneraaleatoria.
Estimacin:
Yi 0 1 Di ui
Estimadordediferenciasquemideel
efectodelprogramaCanasta.
Guaprcticaparalaevaluacindeimpacto/Captulo4:ExperimentosAleatorios/14
Salir
Contenido
Ejemplo2:Canastacon
regresores adicionales
Supongaquelapoblacindeintersestcompuestapor
dosrazas:altosybajitos.
Lavariablerazaafectalaestaturadelosniosyno
dependedesilafamiliaesbeneficiariaono.
Yi 0 1 D i 2 X i u i
Estimadordediferencias Raza=1paralosaltos
conregresores y0paralosbajitos.
adicionales.
Guaprcticaparalaevaluacindeimpacto/Captulo4:ExperimentosAleatorios/15
Salir
Contenido
Estimadordediferenciascon
efectosheterogneos
Estimaelefectodelaintervencinentredistintossubgrupos
delapoblacin,dadoque:
Elefectopuedediferirentreindividuosdependiendodesus
caractersticas.
Yi 0 1Di 2 X i 3 Di X i ui
Cuando esbinaria,elcoeficientemideel
3
impactoadicionalenlavariableobjetivoparaun
subgrupodelapoblacin.
Guaprcticaparalaevaluacindeimpacto/Captulo4:ExperimentosAleatorios/16
Salir
Contenido
Ejemplo2:Canasta con
efectosheterogneos
Silamejoraennutricinesmseficienteenaltosqueen
bajitos,porsupredisposicingentica,elimpacto
dependerdelavariableraza:
Yi 0 1 Di 2 X i 3 Di X i ui
Impactoadicionalen
estaturaparalosaltos
conrespectoalos
bajitos.
Guaprcticaparalaevaluacindeimpacto/Captulo4:ExperimentosAleatorios/17
Salir
Contenido
Estimadordediferencias
eneltiempo
Calculaelimpactodeestarexpuestoaunprograma
utilizandodatosdelgrupodetratamiento,nicamente.
Donde:
i=0perodoanterioralaaplicacindeltratamiento
Ti
i=1perodoposterioralaaplicacindeltratamiento
Estimador:
[Y 1 | D 1] [Y 0 | D 1]
Indicaelperododelaobservacin
Guaprcticaparalaevaluacindeimpacto/Captulo4:ExperimentosAleatorios/18
Salir
Contenido
Estimadordediferencias
eneltiempo
[Y 1 | D 1] Mediadelavariablederesultado
enelgrupodelostratadosenel
perodoposterioralaintervencin.
[Y 0 | D 1] Mediadelavariablederesultado
enelgrupodelostratadosenel
perodoanterioralaintervencin.
Guaprcticaparalaevaluacindeimpacto/Captulo4:ExperimentosAleatorios/19
Salir
Contenido
Estimadordediferencias
eneltiempo
Regresin:
Yi 0 1Ti u i
Estimadordediferenciaseneltiempo.
Importante:
Algunasvariablesderesultadopuedentenertendencia
naturaleneltiempo.
1 Esinsesgado,sino existetendencia
temporalenlavariablederesultado.
Guaprcticaparalaevaluacindeimpacto/Captulo4:ExperimentosAleatorios/20
Salir
Contenido
Controlandoporlatendencia
Se puede controlar por la tendencia temporal natural siempre que se
tengan ms de dos observaciones para cada individuo.
Yi 0 1ti 2Ti ui
Tendenciadetiempoque Diferenciaentreelantesyeldespus
afectalavariablede delavariabledeintersparaelgrupo
resultado. detratamiento,netodelcambioque
sedebealpasodeltiempo.
Supuestofuerte:latendenciadetiempoeslineal.
tilparalaevaluacindeprogramasuniversalesoencurso.
Guaprcticaparalaevaluacindeimpacto/Captulo4:ExperimentosAleatorios/21
Salir
Contenido
Ejemplo2:Canasta con
diferenciaseneltiempo
Podemosestimarelimpactodelprogramadeltipoantes
despus,usandonicamenteelgrupodetratamiento:
Yi 0 1ti 2Ti ui
Donde:
0antesdeiniciarelprograma
T 1despusdelaintervencin
Tendenciadetiempoquecapturaelhechodeque
ti losniosentre0y5aosestnenprocesode
crecimiento
Guaprcticaparalaevaluacindeimpacto/Captulo4:ExperimentosAleatorios/22
Salir
Contenido
Potencialesproblemasde
aleatorizacin
EfectoexperimentalodeHawthorne.
Malaaleatorizacin.
Prdidademuestraoatricin.
Guaprcticaparalaevaluacindeimpacto/Captulo4:ExperimentosAleatorios/23
Salir
Contenido
Potencialesproblemasde
aleatorizacin
Problemasdevalidezexterna:
Elexperimentonoessuficientementesimilaral
programa.
Efectosdeequilibriogeneralocontaminacindelgrupo
decontroldebidoaexternalidades.
Autoseleccin posterior a la aleatorizacin.
Silaaleatorizacinnoesexitosa:
Elestimadoressesgadoyserequierenotrosmtodos
economtricosparaencontrarelefectodelprograma.
Guaprcticaparalaevaluacindeimpacto/Captulo4:ExperimentosAleatorios/24
Salir
Contenido
Paraverificarlaaleatorizacin
Sieltratamientoestasignadodemaneraaleatoria,no
debeestarcorrelacionadoconlascaractersticas
individuales,entonces:
Di 0 1 X i u i Matrizdecaractersticas
delindividuo.
CuandoXi noestcorrelacionadaconeltratamientoDi,
loscoeficientesqueacompaanaXi debensercero.
Guaprcticaparalaevaluacindeimpacto/Captulo4:ExperimentosAleatorios/25
Salir
Contenido
Ejemplo2:Canastapara verificar
laaleatorizacin
ParadeterminarsilaaleatorizacindeCanastafueexitosa,
estimamos:
Di 0 1 X i u i
Tratamiento. Caractersticasde
losniosydelos
hogares.
Paraquelosresultadosseanconfiables,debemos
rechazarlahiptesissobrequeelconjuntodelas
variablesobservablesexplicaneltratamiento.
Guaprcticaparalaevaluacindeimpacto/Captulo4:ExperimentosAleatorios/26
Salir
Contenido
Ejemplo1.STAR
Descripcin
Objetivo: evaluarelefectodeperteneceraunsalnde
tamaopequeo(nmerodeestudiantes)enel
aprendizajedelosalumnos.
Duracin: cuatroaos,enladcadadelosochenta.
Clasesnormales2225estudiantes.
Tiposde
tratamiento Clasesnormalesconasistente2225estudiantes.
Clasespequeas1317estudiantes.
Guaprcticaparalaevaluacindeimpacto/Captulo4:ExperimentosAleatorios/27
Salir
Contenido
Ejemplo1.STAR
Descripcin
Variabledeinters: puntajesenlosexmenes
estandarizadosdelecturaymatemticas(SAT),realizados
anualmente.
Asignacinideal:aleatoriaparaestudiantesyprofesores,
sinreasignacindesdeknderatercero.
Porconflictospersonales
Problemas
(puedeno estarcorrelacionado
10% de reasignaciones conelexperimento).
Porpreocupacindelospadres
(puedeestarcorrelacionado
conelexperimento).
Guaprcticaparalaevaluacindeimpacto/Captulo4:ExperimentosAleatorios/28
Salir
Contenido
Ejemplo1.STAR
Estimacin
Yi 0 1ClasePequea 2 Asistente 3 X i ui
Guaprcticaparalaevaluacindeimpacto/Captulo4:ExperimentosAleatorios/29
Salir
Contenido
Ejemplo1.STAR
Descripcindelasvariables
Donde:
Yi Puntajedelestudiante
1siperteneceaunaclasepequea
Clasepequea
0delocontrario
1siperteneceaclaseconasistente
Asistente
0delocontrario
Xi Matrizdecaractersticasobservables
Guaprcticaparalaevaluacindeimpacto/Captulo4:ExperimentosAleatorios/30
Salir
Contenido
Ejemplo1.STAR
Variable explicativa (1) (2)
13.90*** 15.89***
Clase pequea
(2.45) (2.16)
0.31 1.79
Clase normal con asistente
(2.27) (1.96)
-12.09***
Nio
(1.67)
-25.43***
Afroamericano
(3.50)
-8.50
Raza diferente a blanco o afroamericano
(12.52)
0.66***
Aos de experiencia del profesor
(0.17)
918.04***
Intercepto
(1.63)
Variables dicotmicas del plantel No S
R2 0.01 0.28
Nmero de observaciones 5,786 5,748
***Significativo al 1%.
Guaprcticaparalaevaluacindeimpacto/Captulo4:ExperimentosAleatorios/31
Salir
Contenido
Ejemplo1.STAR
Resultados
Tamaodela En13.9puntoseldesempeo
clase enlosexmenes
Lapresenciade Notieneefecto
asistente
Losestimadoresdediferenciasenlaregresin1y2
sonsimilares,loquepermitededucirquela
asignacinnodependedevariablesobservablesono
observables.
Guaprcticaparalaevaluacindeimpacto/Captulo4:ExperimentosAleatorios/32
Salir
Contenido
Ejemplo2.PACES
Descripcin
PACES: programaparalaAmpliacindelaCoberturaparala
EducacinSecundaria.
3cohortes: enBogotyJamund(Colombia).
Asignacin: aleatoria.
Posible,dadoquelademandaporeducacinsecundaria
excedealaoferta.
Guaprcticaparalaevaluacindeimpacto/Captulo4:ExperimentosAleatorios/33
Salir
Contenido
Ejemplo2.PACES
Estimacin
Yic c 1 D i 2 X i u ic
Donde:
Yic Variabledeintersparaelindividuoi delacohortec
c Efectodelacohorte
1 Parmetrodeinters
1sielindividuorecibeelvoucher
Di
0delocontrario
Xi Caractersticasindividuales
Guaprcticaparalaevaluacindeimpacto/Captulo4:ExperimentosAleatorios/34
Salir
Contenido
Ejemplo2.PACES
Resultados
Despusdetresaosnohaydiferenciasennmerode
matriculadosentrelosgruposdetratamientoydecontrol.
Otros resultados:
Tuvieronunaprobabilidadmsaltade
Los favorecidos asistiracolegioprivado.
por la lotera
Completaron0.1aosmsdeeducacin.
Guaprcticaparalaevaluacindeimpacto/Captulo4:ExperimentosAleatorios/35
Salir
Contenido
Ejemplo2.PACES
Algunasdificultades:
Sloel90%dequienesganlaloterausaronlos
vouchers.
El24%delosquenosalieronfavorecidosporlalotera
recibibecasdeotrasfuentes.
Puedeintroducirsesgos.
Guaprcticaparalaevaluacindeimpacto/Captulo4:ExperimentosAleatorios/36
Salir
Contenido
Captulo5
Experimentosnaturalesocuasi
experimentos
Salir
Contenido
Porquusarexperimentos
naturales?
Dadoquelosexperimentoscontroladospresentanalgunas
dificultades,como:
Existeunmarconoexperimental
Altoscostos. queproduceunaasignacinentre
tratamientoycontrolcon
Conflictosticos.
caractersticassimilaresalasque
Cortaduracin. seobtendranenunexperimento
aleatoriocontrolado.
Experimentosnaturaleso
cuasiexperimentos.
Guaprcticaparalaevaluacindeimpacto/Captulo5:ExperimentosNaturalesocuasiExperimentos/2
Salir
Contenido
Ejemplo1
Guaprcticaparalaevaluacindeimpacto/Captulo5:ExperimentosNaturalesocuasiExperimentos/3
Salir
Contenido
Ejemplo1
Guaprcticaparalaevaluacindeimpacto/Captulo5:ExperimentosNaturalesocuasiExperimentos/4
Salir
Contenido
Ejemplo2.Canasta
Hallazgodepetrleo
Suponga que algunos municipios del pas encontraron
petrleo de manera inesperada.
Aumentoenlosingresosmunicipalesporregalas.
Guaprcticaparalaevaluacindeimpacto/Captulo5:ExperimentosNaturalesocuasiExperimentos/5
Salir
Contenido
Ejemplo2.Canasta
Experimentonatural
Enestecaso,noseexigiralosbeneficiariosqueapliqueno
asistanacontrolmdico,sinoquelaoficinaadministradora
delprogramaseencargadeentregarlo.
Elexperimentonatural: comparalosmunicipiosque
encontraronpetrleoconlosquenolohicieron.
Guaprcticaparalaevaluacindeimpacto/Captulo5:ExperimentosNaturalesocuasiExperimentos/6
Salir
Contenido
Tiposdeexperimentos
naturales
1. Experimentosnaturalesenlosqueunavariacinaleatoria
exgena(eventofortuito)generaunaasignacin
totalmente aleatoriadeltratamiento.
2. Experimentosnaturalesenlosqueunavariacinaleatoria
exgenadeterminaparcialmente laasignacindel
tratamiento.
Guaprcticaparalaevaluacindeimpacto/Captulo5:ExperimentosNaturalesocuasiExperimentos/7
Salir
Contenido
Tipo1
Cuandolaasignacinescompletamentealeatoria.
Modelodediferencias.
Elefectose
puede Modelodediferenciasampliado.
estimarpor:
Modelodediferenciasendiferencias
(stetambinaplicaeneltipo2).
Guaprcticaparalaevaluacindeimpacto/Captulo5:ExperimentosNaturalesocuasiExperimentos/8
Salir
Contenido
Tipo2:Modelode
diferenciasendiferencias
(Dif enDif)
Enelcasodeexperimentosnaturales:
Laaleatorizacingenerada Spuedenexistirdiferencias
poreleventofortuito sistemticasentreelgrupo
generalmentenoes decontrolyelde
perfecta. tratamiento.
DifenDifesunaformade
controlarporestas
diferencias.
Guaprcticaparalaevaluacindeimpacto/Captulo5:ExperimentosNaturalesocuasiExperimentos/9
Salir
Contenido
Modelodediferenciasen
diferencias
Definamos:
Tratamiento Control
t 1 Y1 | D 1 Y1 | D 0
t2 Y2 | D 1 Y2 | D 0
t 1 :Perodo t 2 :Perodo
anterior ala posterior ala
implementacindel implementacindel
tratamiento. tratamiento.
Guaprcticaparalaevaluacindeimpacto/Captulo5:ExperimentosNaturalesocuasiExperimentos/10
Salir
Contenido
Modelodediferenciasen
diferencias
Questima?
2 1
2 1
(1)Cambioesperadoentreelperodoanterioryelposterior
alaimplementacindeltratamientoenelgrupode
tratamiento.
(2)Cambioesperadoentreelperodoanterioryelposterior
alaimplementacineneltratamientoenelgrupode
control.
Guaprcticaparalaevaluacindeimpacto/Captulo5:ExperimentosNaturalesocuasiExperimentos/11
Salir
Contenido
Anlogomuestral
2 1
2 1
Sielcambiotemporal(longitudinal)lodefinocomoY:
Guaprcticaparalaevaluacindeimpacto/Captulo5:ExperimentosNaturalesocuasiExperimentos/12
Salir
Contenido
Anlogomuestral
Reescribiendo:
2 2
1 1
(1)Diferenciapromedio (2)Diferenciapromedio
entreelgrupode entreelgrupode
tratamientoyeldecontrol tratamientoyeldecontrol
enelperodot=2. enelperodot=1.
Guaprcticaparalaevaluacindeimpacto/Captulo5:ExperimentosNaturalesocuasiExperimentos/13
Salir
Contenido
Cundousarelestimador
deDifenDif?
Guaprcticaparalaevaluacindeimpacto/Captulo5:ExperimentosNaturalesocuasiExperimentos/14
Salir
Contenido
Cundousarelestimador
deDifenDif?
Cuandoseobservandiferenciaspreexistentesentreelgrupo
decontrolyeldetratamiento.Generalmenteenpresenciade
unexperimentonaturalquegeneraasignacinparcialmente
aleatoria.
SieltratamientoestcorrelacionadoconelnivelinicialdeY
antesdelaasignacindeltratamiento,elestimadorde
diferenciasessesgado;peroeldeDifenDifnoloes.
Guaprcticaparalaevaluacindeimpacto/Captulo5:ExperimentosNaturalesocuasiExperimentos/15
Salir
Contenido
Ejemplogrfico
Resultado Y
100
90
80
Y2 D = 1
70
60 dif en dif
50
40 Y1 D = 1
30
20 Y2 D = 0
10 Y1 D = 0
0
t=1 t=2
Perodo de tiempo
Fuente: Stock y Watson (2003), pgina 387, grfica 11.1.
Guaprcticaparalaevaluacindeimpacto/Captulo5:ExperimentosNaturalesocuasiExperimentos/16
Salir
Contenido
Ejemplo1.STAR
Descripcin
Objetivo: evaluarelefectodeperteneceraunaclase
pequeaenelaprendizajedelosestudiantes.
Duracin: cuatroaos,enladcadadelosochenta.
Clasesnormales2225estudiantes.
Tiposde
Clasesnormalesconasistente2225estudiantes.
tratamiento
Clasespequeas1317estudiantes.
Guaprcticaparalaevaluacindeimpacto/Captulo5:ExperimentosNaturalesocuasiExperimentos/17
Salir
Contenido
Ejemplo1.STAR
Descripcin
Variable de inters: puntajes en los exmenes estan
darizados de lectura y matemticas (SAT), realizados
anualmente.
Asignacin ideal: aleatoria para estudiantes y profesores,
sin reasignacin desde knder a tercero.
Porconflictospersonales
Problemas
(puedeno estarcorrelacionado
10% de reasignaciones conelexperimento).
Porpreocupacindelospadres
(puedeestarcorrelacionado
conelexperimento).
Guaprcticaparalaevaluacindeimpacto/Captulo5:ExperimentosNaturalesocuasiExperimentos/18
Salir
Contenido
Ejemplo1:ProgramaSTAR
Tratamiento Control
_
t 1
_
[Y 1 | D 1] 40 [Y 1 | D 0] 20
_ _
t2 [Y 2 | D 1] 80 [Y 2 | D 0] 30
2 2
1 1
Guaprcticaparalaevaluacindeimpacto/Captulo5:ExperimentosNaturalesocuasiExperimentos/19
Salir
Contenido
Supuestodetendencia
paralela
LavariablederesultadoY evolucionademaneranaturalenel
tiempodelamismaformaqueentreelgrupodecontrolyel
detratamiento.
esinsesgado
Guaprcticaparalaevaluacindeimpacto/Captulo5:ExperimentosNaturalesocuasiExperimentos/20
Salir
Contenido
Modeloderegresin
Sitenemosdatosdepanel
2 1 0 1 2 1
0 1
Impactodelprogramaporel
mtododediferenciasen
diferencias.
Guaprcticaparalaevaluacindeimpacto/Captulo5:ExperimentosNaturalesocuasiExperimentos/21
Salir
Contenido
Tomandoesperanza
condicional
0 1
0 1
Porindependenciacondicional
Guaprcticaparalaevaluacindeimpacto/Captulo5:ExperimentosNaturalesocuasiExperimentos/22
Salir
Contenido
Diferenciasendiferencias
conregresoresadicionales
Incluye caractersticas de los individuos antes de la asignacin
del tratamiento y que no son afectadas directamente por el
tratamiento.
0 1 1 1
Insesgado Controladiferenciasentreelgrupo
siempre que detratamientoyeldecontrol.
Mejora la eficiencia del estimador.
Evalalavalidezdelprocesode
aleatorizacin.
Guaprcticaparalaevaluacindeimpacto/Captulo5:ExperimentosNaturalesocuasiExperimentos/23
Salir
Contenido
Diferenciasendiferencias
paramltiplesperodos
0 1 2 2 2 2
Donde:
Controlaporcaractersticasindividualesno
observadas.
Controla por las diferencias entre perodos
que afectan la variable de resultado, inde
pendiente de si el individuo recibe o no el
tratamiento.
Guaprcticaparalaevaluacindeimpacto/Captulo5:ExperimentosNaturalesocuasiExperimentos/24
Salir
Contenido
DifenDifparamltiples
perodos
Donde:
1 sielindividuoi recibetratamientoenelperodot
0delocontrario
1 sicorrespondealisimo
individuo Efectofijoporindividuo.
0delocontrario
1 paraeltsimo perodo
Efectofijodetiempo.
0delocontrario
Guaprcticaparalaevaluacindeimpacto/Captulo5:ExperimentosNaturalesocuasiExperimentos/25
Salir
Contenido
DifenDifcondatosdecorte
transversalrepetidos
Seusacuandonosetienendatosdepanelparala
evaluacin.
Losdatosdecortetransversalrepetidosdebenseruna
muestrarepresentativadelamismapoblacin.
Basededatosinicial Basededatosseguimiento
Antesdelexperimentonatural Despusdelexperimentonatural
Sustitutosdelgrupodetratamiento Grupodetratamiento
Sustitutosdelgrupodecontrol Grupodecontrol
Guaprcticaparalaevaluacindeimpacto/Captulo5:ExperimentosNaturalesocuasiExperimentos/26
Salir
Contenido
Ejemplo2:Canasta
Descripcin
Siguiendoconlaideademunicipiospetrolerosyno
petroleros,asignadosaleatoriamente.
Guaprcticaparalaevaluacindeimpacto/Captulo5:ExperimentosNaturalesocuasiExperimentos/27
Salir
Contenido
Ejemplo2:Canasta
Acercadelasobservaciones
No tenemos un panel, pero s datos sobre los individuos
residentes en municipios petroleros (que despus son tratados
por el decreto de regalas) y municipios no petroleros (que no
sern tratados porque no tienen regalas).
Podemos utilizar los datos de corte transversal.
Guaprcticaparalaevaluacindeimpacto/Captulo5:ExperimentosNaturalesocuasiExperimentos/28
Salir
Contenido
Modeloderegresin
0 1 2
3
Donde:
1silacondicin[]secumple
0delocontrario
Interaccinentreladummy detratamientoyla
dummy delperododeseguimiento.
Guaprcticaparalaevaluacindeimpacto/Captulo5:ExperimentosNaturalesocuasiExperimentos/29
Salir
Contenido
Efectodelprogramapor
Dif enDif
= 0 1 2 3 0 1 0 2 0
Efectodelprogramaestimadoporelmtodo
diferenciasendiferencias.
Guaprcticaparalaevaluacindeimpacto/Captulo5:ExperimentosNaturalesocuasiExperimentos/30
Salir
Contenido
Ejemplo1.Efectodela
migracindelosmarielitos
Pregunta: elefectodelamigracinenlossalarios.Peromigrares
unadecisinendgena.
Experimentonatural:
Cambio inesperado en la ley estadounidense para los migrantes
cubanos que gener una asignacin del tratamiento (migrar) que
podra parecer aleatoria.
Perodo:
1980 entre mayo y septiembre.
Resultado:
125.000migrantesconocidoscomomarielitosllegarona
EstadosUnidos.
Alrededorde60.000seestablecieronenMiami,loque
incrementlaofertalaboralen7%.
Guaprcticaparalaevaluacindeimpacto/Captulo5:ExperimentosNaturalesocuasiExperimentos/31
Salir
Contenido
Ejemplo1.Efectodela
migracindelosmarielitos
Objetivo:
Evaluarelefectocausaldelamigracinsobrelossalarios
delsitiodedestino.
Cmo?:
Compararloscambiossalarialesdelostrabajadorespoco
calificadosenMiami(tratadosmigrantes)conloscambios
enotrasciudadescomparables(controlesnomigrantes).
Datos:
Usaunaseriedebasededatosdecortetransversal
repetidos,provenientesdeencuestaspreexistentes.
Guaprcticaparalaevaluacindeimpacto/Captulo5:ExperimentosNaturalesocuasiExperimentos/32 Salir
Contenido
Ejemplo1.Efectodela
migracindelosmarielitos
Estimadordelefectodelprograma:
2 1
2 1
Regresin:
0 1 2
3 4
Efectodelprograma
Guaprcticaparalaevaluacindeimpacto/Captulo5:ExperimentosNaturalesocuasiExperimentos/33 Salir
Contenido
Ejemplo1.Efectodela
migracindelosmarielitos
Donde:
1sieltrabajadorpococalificadoestenMiami
0delocontrario
1 silaobservacinesdeunperodoposterior
alamigracindelosmarielitos
0delocontrario
Matrizdecaractersticasobservablesdelos
trabajadores
Guaprcticaparalaevaluacindeimpacto/Captulo5:ExperimentosNaturalesocuasiExperimentos/34 Salir
Contenido
Ejemplo1.Efectodela
migracindelosmarielitos
Efectosdelainmigracinenlossalarios
Diferenciaenlog(salarios)de
Log(salarios)denegros negros
Miamiciudadescomparables
Ciudades
Ao Miami comparables Actual Ajustada
1979 1.59 1.74 0.15 0.12
1980 1.55 1.70 0.16 0.12
1981 1.61 1.72 0.11 0.10
1982 1.48 1.71 0.24 0.20
1983 1.48 1.69 0.21 0.15
1984 1.57 1.67 0.10 0.05
1985 1.60 1.65 0.05 0.01
Guaprcticaparalaevaluacindeimpacto/Captulo5:ExperimentosNaturalesocuasiExperimentos/35 Salir
Contenido
Ejemplo1.Efectodela
migracindelosmarielitos
Resultado:
LossalariosnoempeoraronsignificativamenteenMiamiaraz
delallegadadelosinmigrantescubanos.
Guaprcticaparalaevaluacindeimpacto/Captulo5:ExperimentosNaturalesocuasiExperimentos/36 Salir
Contenido
Captulo6
Estudiosnoexperimentales:mtodo
deemparejamiento
Salir
Contenido
Caractersticasdelos
estudiosno
experimentales
Losdatosnoprovienendeunaasignacinaleatoriaal
programa.
Requierensupuestosdeidentificacinquepermitan
solucionarelsesgodeseleccin.
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/2 Salir
Contenido
Estudiosnoexperimentales
ymtodode
emparejamiento
Mtododeemparejamiento
Solucinalsesgodeseleccin
Intuitivamente,elmtododeemparejamientopermite
encontrarparacadaindividuoenelprograma(tratado),otro
idntico,exceptoporlaparticipacinenelprograma
(control).
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/3 Salir
Contenido
Estrategiadelmtodode
emparejamiento
Asume que:
La seleccin en el programa se basa en caractersticas o
variables observables, nicamente.
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/4 Salir
Contenido
Supuestodelmtodode
emparejamiento
Independenciacondicional(IC):
Laparticipacinno estdeterminadaporvariablesno
observadas,sinoqueseatribuyenexclusivamentea
variablesobservablesdelindividuo.
Supuestomuyfuerte;suviolacinpuedeinducir
asesgosenelestimadordeemparejamiento.
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/5 Salir
Contenido
Probabilidadestimadade
participacinenel
programa
Laimplementacindelestimadorpuederesultarcompleja
cuandoelvectordevariablesobservables Xtieneuna
dimensinmuygrande.
Solucin
Emparejarindividuosconbaseen:
Escalar
Probabilidadestimadade
participacinenel
programa
Sobreel Siemparejarconbaseenlasvariables
estimador observables(X)generaunestimador
consistente
entonces
elemparejamientoconbaseenlaP(X)
tambinlohace.
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/7 Salir
Contenido
Condicinparaconstruir
unbuengrupodecontrol
Cualquiercombinacindecaractersticasobservadasenel
grupodetratamientodebeexistirtambinenelgrupode
control.
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/8 Salir
Contenido
Soportecomn(SC)
Lacondicinanteriorimplicaque:
Elemparejamientoporprobabilidaddeparticipacin(PSM)
slopuedecalcularsesobrelaregindesoportecomn.
Aseguraqueelgrupodetratamientoyeldecontrolsean
parecidos.
CondicindeSC: El individuo con el mismo
vector de variables X tiene
probabilidad positiva de ser
tanto participante como no
participante en el programa.
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/9 Salir
Contenido
Quimplicalacondicin
desoportecomn(SC)?
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/10 Salir
Contenido
EstimadordePSM
Asumiendoquesecumplen:
Elestimadordelefectopromediodelprogramasobrelos
tratadosdePSM estdadopor:
( )| =1
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/11 Salir
Contenido
Condicionessobrelos
datos
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/12 Salir
Contenido
AlgoritmodePSM
1. Estimar la probabilidad de participar en el programa, utilizando
tanto el grupo de tratamiento como el de control.
2. Estimar la probabilidad de participacin predicha para cada
individuo.
3. Restringir la muestra al soporte comn.
4. Seleccionar el algoritmo de emparejamiento.
5. Notar que las variables observables entre el grupo de control y
el de tratamiento estn balanceadas en trminos de proba
bilidades.
6. Calcular el impacto del programa.
7. Calcular los errores estndar y los intervalos de confianza.
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/13 Salir
Contenido
AlgoritmodePSM
1. Estimar la probabilidad de participar en el programa, utilizando
tanto el grupo de tratamiento como el de control.
2. Estimar la probabilidad de participacin predicha para cada
individuo.
3. Restringir la muestra al soporte comn.
4. Seleccionar el algoritmo de emparejamiento.
5. Notar que las variables observables entre el grupo de control y
el de tratamiento estn balanceadas en trminos de proba
bilidades.
6. Calcular el impacto del programa.
7. Calcular los errores estndar y los intervalos de confianza.
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/14 Salir
Contenido
Estimacindela
probabilidaddeparticipacin
Dosdecisionesfundamentales:
1.Qumodelousar?
Sepuedeestimaratravsde:
Ladecisindeajustedelmodeloescrticacuandoexisten
variascategorasdeltratamiento.
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/15 Salir
Contenido
Estimacindela
probabilidaddeparticipacin
2. Qu variables incluir?
LaestimacindeP(X) slodebeincluirvariablesque
afectanladecisindeparticipacinylavariablede
resultado.
Dadoquelasvariablesderesultadodebenser
independientesdeltratamiento,unavezsecondicionaporla
probabilidaddeparticipacin(independenciacondicional).
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/16 Salir
Contenido
Paraelegirlasvariables
quesevanaincluirdentro
delaestimacin
Iniciar con una especificacin parsimoniosa, es decir, incluir
una constante y alguna variable vital en el emparejamiento.
Hacerlomismocontrminosdesegundoorden
(interaccionesytrminoscuadrticos).
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/17 Salir
Contenido
Ejemplo1:Canasta
Ladecisindeparticiparestaradeterminadapor
caractersticasobservables.
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/18 Salir
Contenido
Ejemplo1:Canasta
Ladecisindeparticiparono:
0 1 1
Donde:
Individuales:edad,gnerodelnio.
Hogar:ocupacindelospadres,niveleducativo,
ingresodelhogar.
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/19 Salir
Contenido
Ejemplo1:Canasta
Probabilidadestimadadeparticipacin:
0 1 1
Caracterizacindelafamiliasegnsu
probabilidaddeparticipacinenelprograma.
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/20 Salir
Contenido
AlgoritmodePSM
1. Estimar la probabilidad de participar en el programa, para
el grupo de control y el de tratamiento.
2. Estimar la probabilidad de participacin de cada individuo.
3. Restringir la muestra al soporte comn.
4. Seleccionar el algoritmo de emparejamiento.
5. Notar que las variables observables entre el grupo de
control y el de tratamiento estn balanceadas en trminos
de probabilidades.
6. Calcular el impacto del programa.
7. Calcular los errores estndar y los intervalos de confianza.
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/21 Salir
Contenido
Soportecomn(SC)
ParaestimarATTusandoPSMnecesitamosasegurarquese
cumplelacondicindeSC.
Formasdehacerlo:
1. Inspeccinvisualdelasdistribucionesdedensidadde
laprobabilidadestimadadeparticipacin.
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/22 Salir
Contenido
Condicinde
soportecomn
Noexistenobservaciones Noexistenobservaciones
delgrupodetratamiento. delgrupodecontrol.
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/23 Salir
Contenido
Formasdeidentificarel
soportecomn
2. Criteriodemnimoymximo:eliminaobservaciones
inferioresalmnimoymayoresalmximodelotro
grupo.
3. Elegirvariablesdelaprobabilidadestimadade
participacinparaloscualeshaydensidadpositiva
enlosdosgrupos.
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/24 Salir
Contenido
Ejemplo1:Canasta
Submuestra: 10familiasdelgrupodetratamiento.
10familiasdelgrupodecontrol.
Probabilidadesestimadasdeparticipacin
1 2 3 4 5 6 7 8 9 10
Tratamiento 0.40 0.48 0.54 0.65 0.75 0.76 0.77 0.8 0.86 0.9
Control 0.21 0.30 0.38 0.42 0.52 0.55 0.59 0.62 0.65 0.77
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/25 Salir
Contenido
Ejemplo1:Canasta
Zonadesoportecomn:
1 2 3 4 5 6 7
Tratamiento 0.40 0.48 0.54 0.65 0.75 0.76 0.77
Control 0.42 0.52 0.55 0.59 0.62 0.65 0.77
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/26 Salir
Contenido
Ejemplo1:Canasta
Soportecomn tomandolaszonasparalascualesexiste
probabilidadpositivaenambosgrupos;esdecir,elegirel
rangodeprobabilidadesdeparticipacinparaelcual
existenobservacionesenlosdosgrupos.
1 2 3 4 5 6 7
Tratamiento 0.40 0.48 0.54 0.65 0.75 0.76 0.77
Control 0.42 0.52 0.55 0.65 0.77
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/27 Salir
Contenido
AlgoritmodePSM
1. Estimar la probabilidad de participar en el programa, para
el grupo de control y el de tratamiento.
2. Estimar la probabilidad de participacin de cada individuo.
3. Restringir la muestra al soporte comn.
4. Seleccionar el algoritmo de emparejamiento.
5. Notar que las variables observables entre el grupo de
control y el de tratamiento estn balanceadas en trminos
de probabilidades.
6. Calcular el impacto del programa.
7. Calcular los errores estndar y los intervalos de confianza.
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/28 Salir
Contenido
Seleccindelalgoritmo
deemparejamiento
1. EstimarPSMporelvecinomscercano:
Intuitivamente:
Tomacadaindividuodelgrupodetratamientoybuscaun
individuodecontrolconlaprobabilidaddeparticiparms
cercana.
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/29 Salir
Contenido
EstimadorATT
Usandoelestimadordeemparejamientoporvecinoms
cercano:
( | = 1)
= () =0
Conjuntodevecinosdecontrol
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/30 Salir
Contenido
Cuntosvecinosusar?
Ladecisindecuntosvecinos usargeneratensinentre:
Sesgodelestimador.
Varianza.
Sepuedepermitirreemplazo,peroestogeneratensin
entre:
Sesgodelestimador.
Varianza.
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/31 Salir
Contenido
Seleccindelalgoritmo
deemparejamiento
2. Emparejamientodedistanciamxima:
Intuitivamente:
Fijaladistanciamximaentrelasprobabilidadesde
participacinentreelindividuodelgrupodetratamiento
yeldecontrolparahacerelemparejamiento.
Conjuntodevecinos,ala Contendrtantoselementos
distanciamxima comoindividuosdelgrupo
establecida,delindividuo decontrolhayadentrodel
detratamiento. niveldetolerancia.
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/32 Salir
Contenido
Ejemplo1:Canasta
Suponiendoquelacalidaddelemparejamientoesbuena:
Observacin 1 2 3 4 5 6 7
Probabilidad
de 0.40 0.48 0.54 0.65 0.75 0.76 0.77
participacin:
Tratamiento
Talla para
nias de un 69 74 73 74 77 70 80
ao:
Probabilidad
de 0.42 0.52 0.55 0.59 0.62 0.65 0.77
participacin:
Control
Talla para
nias de un 71 69 70 72 78 70 74
ao:
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/33 Salir
Contenido
Ejemplo1:Canasta
Efectodelprogramaparalaparejasealada:
Diferenciaentrelavariablederesultado:
ATT: Promediodelasdiferenciasentrelasvariablesde
resultado
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/34 Salir
Contenido
Ejemplo1:Canasta
Si,encambio,seusaelalgoritmodetresvecinosms
cercanos enelgrupodecontrol.
Impactoestimadoparalaobservacin:
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/35 Salir
Contenido
Seleccindelalgoritmode
emparejamiento
3. EstimacinPSMporestratificacin:
Intuitivamente
Haceunaparticinenelespaciodelasprobabilidades
estimadasylodivideenestratosdeprobabilidadde
participacin.
= ()
Impactoencadaestratocalculadocomoladiferencia
promedioenlavariablederesultadoentrelosgruposde
tratamientoydecontrol.
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/36 Salir
Contenido
Cmodeterminarlos
estratos?
Dentrodelosestratoslaprobabilidaddeparticipardebe
estarbalanceada.
Adems,sedebechequearquelasvariablesobservables
estnbalanceadas.
Engeneral,cincoestratossonsuficientes.
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/37 Salir
Contenido
Ejemplo1:Canasta
Suponiendoquelacalidaddelemparejamientoesbuena:
Observacin 1 2 3 4 5 6 7
Probabilidad
de 0.40 0.48 0.54 0.65 0.75 0.76 0.77
participacin:
Tratamiento
Talla para
nias de un 69 74 73 74 77 70 80
ao:
Probabilidad
de 0.42 0.52 0.55 0.59 0.62 0.65 0.77
participacin:
Control
Talla para
nias de un 71 69 70 72 78 70 74
ao:
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/38 Salir
Contenido
Ejemplo1:Canasta
Porestratificacin
Partindoloendosestratos:puntodecorte0.6.El
efectoestimadoenelprimerestratosera:
72 70.5=1.5cm.
Elefectoparaelsegundoestrato:75.25 74=1.25cm.
ATT:promediodelefectosobrecadaestratoponderado
porlaproporcindetratadosenelsoportecomn.
Pesoestrato1=3/7,pesoestrato2=4/7.
ATT=(1.5 3/7)+(1.25 4/7)=1.3571cm.
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/39 Salir
Contenido
Seleccindelalgoritmode
emparejamiento
4. EstimadorPSMporKernelyregresinlineallocal:
Estimadoresnoparamtricos.
Intuitivamente:
Emparejanacadaindividuodelgrupodetratamiento
conunpromedioponderadodetodoslosindividuosdel
grupodecontrol.
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/40 Salir
Contenido
Seleccindelalgoritmode
emparejamiento
EmparejamientoporKernel:
Sepuedevercomo:
Unaregresindelasvariablesobjetivodelgrupodecontrol
enelvecindariodecadaobservacindelgrupode
tratamientosobreelintercepto,usandopesosKernel.
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/41 Salir
Contenido
Seleccindelalgoritmode
emparejamiento
Emparejamiento por regresin lineal local:
Sepuedevercomo:
<
Lamismaregresinsobreelintercepto,peroadicionndolela
probabilidaddeparticipacin.
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/42 Salir
Contenido
EstimadorusandoKernelo
lineallocal
=1 =0
Diferenciaentrelavariableobjetivodelindividuodel
grupodetratamientoyelpromedioponderadodela
variableobjetivoentodoelgrupodecontrol.
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/43 Salir
Contenido
Kernel
( ) ( )
=
( ) ( )
=0
Donde:
FuncinKernel.
Anchodelabanda.
Nmerodeindividuosenelgrupodetratamiento.
Lospesosusadosparacalcularelcontrafactual dependen
deltipodeKernel elegido.
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/44 Salir
Contenido
Propiedadesdelestimador
Bajocondicionesestndardelanchodebandaydela
funcinKernel:
Esunestimadorconsistentede:
Elcontrafactual.
Ventajadeunestimadornoparamtrico: tienemenor
varianzaporqueusamsinformacin.
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/45 Salir
Contenido
Ejemplo1:Canasta
PorKernel: pesosconKernel triangular
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/46 Salir
Contenido
Ejemplo1:Canasta
PorKernel: pesosconKernel gaussiano
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/47 Salir
Contenido
Doblesdiferencias
emparejadas
Intuitivamente:
Se usa cuando se observa el individuo ms de una vez en el
tiempo.
Basededatosinicial Basededatosfinal
Lneabase Seguimiento
Grupodecontrol Grupodetratamiento
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/48 Salir
Contenido
Doblesdiferencias
emparejadas
Combina Relajanlossupuestos
Informacinlongitudinal decadamtodoy,
PSM porlotanto,los
Diferenciasendiferencias resultadossevuelven
msrobustos.
AlcombinarPSMcondiferenciasendiferencias,permiteque
laseleccinenelprogramapuedadependerde
caractersticasnoobservables siemprequestassean
constanteseneltiempo.
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/49 Salir
Contenido
Supuestos
Independenciacondicional(IC)
1 0
Lostratamientosycontroleshabranevolucionadodela
mismamanerasiningunodelosdoshubierasidoobjeto
deltratamiento.
Soportecomn(SC)
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/50 Salir
Contenido
Estimadordedobles
diferenciasemparejadas
(DDE)
AsumiendoquesecumplenICySCelestimadores:
( )| =1 1 0
1 0
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/51 Salir
Contenido
Ejemplo1:Canasta
Supongaquetenemos:
Grupodetratamiento Grupodecontrol
1
Tallaparalaedad 1
Tallaparalaedad
enelperodo1. enelperodo1.
0
Tallaparalaedad 0
Tallaparalaedad
enelperodo0. enelperodo0.
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/52 Salir
Contenido
Ejemplo1:Canasta
Dadoque:
Tieneobservaciones2
delatallaparalaedad Antesdelaintervencindel
programaydespusdesta
delmismoindividuo.
1 0
Diferenciadelatallaparalaedadparacada
individuodelgrupodecontrolyelde
tratamiento.
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/53 Salir
Contenido
Ejemplo1:Canasta
Clculodelaprobabilidaddeparticipacin,dadaslas
caractersticasdelosindividuos:
Donde:
1contratamiento
0delocontrario
Ingresodejefedehogar,nmerodepersonasen
elhogar,educacindeljefedehogar.
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/54 Salir
Contenido
Ejemplo1:Canasta
Seemparejanlosindividuosdelgrupodetratamientocon
aquellosdelgrupodecontrolquetenganunaprobabilidad
departicipacinigualoparecida.
Enotraspalabras,individuosquetenganunaprobabilidad
departicipacinparecida,calculadasobre:
ingresodeljefedehogar,nmerodepersonasen
elhogar,educacindeljefedehogar.
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/55 Salir
Contenido
Ejemplo1:Canasta
Secalculanlasdiferenciasparalosindividuosdecadagrupo
yseemparejansegnsuprobabilidaddeparticipacin.
Diferenciadelatallaparalaedaddel
grupodetratamiento.
( )| =1 1 0
1 0
Diferenciadelatallaparalaedaddel Ponderandoporla
grupodecontrol. probabilidadde
participacin.
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/56 Salir
Contenido
Algoritmode
emparejamiento
Enmuestrasgrandes Asintticamente,todoslos
algoritmosde
emparejamientodeben
generarlosmismos
resultados.
Enmuestraspequeas Laseleccindelalgoritmo
puedeafectarelresultado.
Hay tensin entre:
Sesgo del estimador.
Varianza.
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/57 Salir
Contenido
AlgoritmodePSM
1. Estimar la probabilidad de participar en el programa, para
el grupo de control y el de tratamiento.
2. Estimar la probabilidad de participacin de cada individuo.
3. Restringir la muestra al soporte comn.
4. Seleccionar el algoritmo de emparejamiento.
5. Notar que las variables observables entre el grupo de
control y el de tratamiento estn balanceadas en trminos
de probabilidades.
6. Calcular el impacto del programa.
7. Calcular los errores estndar y los intervalos de confianza.
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/58 Salir
Contenido
Calidaddel
emparejamiento
Sedebedeterminarsielemparejamientobalanceala
distribucindevariablesrelevantesenlosdosgrupos.
Sedebeaqueelemparejamientoesthecho
condicionalenlaprobabilidaddeparticipacin.
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/59 Salir
Contenido
Determinarlacalidaddel
emparejamiento
0 1 1 1
Probabilidadestimada Caractersticasindividuales
departicipar
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/60 Salir
Contenido
AlgoritmodePSM
1. Estimar la probabilidad de participar en el programa, para
el grupo de control y el de tratamiento.
2. Estimar la probabilidad de participacin de cada individuo.
3. Restringir la muestra al soporte comn.
4. Seleccionar el algoritmo de emparejamiento.
5. Notar que las variables observables entre el grupo de
control y el de tratamiento estn balanceadas en trminos
de probabilidades.
6. Calcular el impacto del programa.
7. Calcular los errores estndar y los intervalos de confianza.
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/61 Salir
Contenido
Erroresestndar
UnavezcalculadoelATT,sedebencalcularloserrores
estndarylosintervalosdeconfianza.
DesventajaenPSM Esdifcilcalcularloserrores
estndar.
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/62 Salir
Contenido
Clculodeerrores
estndar
2.Bootstrapping: estimapropiedadesdeunestimador,
midiendopropiedadesdeladistribucinempricadelos
datos.
Asumequelasobservacionessonindependientese
idnticamentedistribuidas(iid).
No funciona para el vecino ms cercano.
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/63 Salir
Contenido
Pruebasdefalsificacin
El supuesto de independencia condicional, E(u|D) = 0,
permite la identificacin en PSM.
Elsupuestodeindependenciacondicionalnotiene
implicacionesquesepuedancomprobardirectamenteen
losdatos.
Noesposibledeterminardemaneradirectasisecumple
ono.
Pruebasdefalsificacin:ejerciciosparaevaluarsila
estrategiadeidentificacintienevalidez.
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/64 Salir
Contenido
Pruebasdefalsificacin
Imbens y Rubin (2010) sugieren dos tipos de pruebas de
falsificacin:
1. Estimarelefectodelprogramasobreunavariablede
resultadoficticia,quenopuedeserafectadaporel
tratamiento(seudorresultado).
2. Estimarelefectocausaldeunaintervencinficticiaque
sesabenodeberatenerefectosennuestravariablede
resultado(seudotratamiento).
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/65 Salir
Contenido
Ejemplo1:Canasta
EstimarelefectodeCanasta sobreelpesoalnacer,que
claramentenoseveafectadoporCanasta.
SeestimaelimpactodeCanasta eneste
seudorresultado,porejemplo,usandoemparejamiento
porestratificacin.
Incluirenlaestimacinotrasvariablesdecontrolque
determinanelpesoalnacer:laeducacindelamadrey
losingresosdelhogar.
Canasta nodebeexplicarelpesoalnacer.
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/66 Salir
Contenido
Ejemplo1:JobTraining
Partnership Act
Objetivo: proveeentrenamientodirectoeneltrabajoy
asistenciaenlabsquedadetrabajoapersonasen
condicionesdepobrezadurantelosseismesesanteriores.
Gruposdecontrolydetratamiento: asignadosdemanera
aleatoria,1/3y2/3deltotaldeindividuos,
respectivamente.
Datos: informacinlongitudinalde:
Grupo de tratamiento.
Grupo de control.
Grupo comparacin de elegibles que no participaron.
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/67 Salir
Contenido
Ejemplo1:JobTraining
PartnershipAct
Modeloparacalcularlaparticipacin:
Logit
Dependede:
Caractersticasdelindividuo.
Historiadedesempleoreciente.
Comportamientodelosingresoslaborales.
Paramujeres:historiamarital.
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/68 Salir
Contenido
Ejemplo1:JobTraining
Partnership Act
Resultados
Hombres 44 61
39 775 142 177 108
adultos (17) (17)
Mujeres 29 35
21 113 358 157 130
adultas (9) (12)
Hombres 58 36
38 34 382 170 67
jvenes (14) (18)
Mujeres 1 25
2,500 7,059 15,000 5,441 8,971
jvenes (11) (18)
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/69 Salir
Contenido
Ejemplo2:Familiasen
Accin
Objetivo: mejorarlaacumulacindecapitalhumanoenla
poblacinvulnerableenzonasrurales.
Componentes: nutricin(transferenciamonetaria).
Salud(vacunasycontrolesdecrecimiento).
Educacin(asistenciaescolar).
26departamentos,622municipios(poblacin<100.000).
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/70 Salir
Contenido
Ejemplo2:Familiasen
Accin
Poblacinelegible: familiasSisbn 1conniosentre0y17
aosdeedad.
Grupodecontrol: 50municipiosparecidosalosanteriores.
Grupodetratamiento: 50municipiosparticipantesenel
programa.
Divididosen:Controlytratamientoconpago.
Controlytratamientosinpago.
Modelo: Probit.
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/71 Salir
Contenido
Ejemplo2:Familiasen
Accin
Resultadosencuantoalapromocindeeducacin
Porcentajedela
Impactodel
Variable muestraTCP
programa(PSM)
emparejada
Urbano
Probabilidaddeestar 0.003 88.9
matriculado,713aos (0.022)
Probabilidaddeestar 0.138* 87.5
matriculado,1417aos (0.066)
Rural
Probabilidaddeestar 0.012 92.1
matriculado,713aos (0.028)
Probabilidaddeestar 0.055 86.6
matriculado,1417aos (0.053)
*Significativoal5%.
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/72 Salir
Contenido
Ejemplo2:Familiasen
Accin
Resultadosencuantoaindicadoresnutricionales
Porcentajedela
Impactodel
Variable muestraTCP
programa(PSM)
emparejada
Urbano
1.867 71.1
Pesoportalla
(1.428)
2.911 71.1
Pesoporedad
(2.512)
Rural
2.318* 67.5
Pesoportalla
(1.337)
2.449* 67.5
Pesoporedad
(1.540)
*Significativoal5%.
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/73 Salir
Contenido
Captulo7
Variablesinstrumentales
Salir
Contenido
Variablesinstrumentales
Enausenciadelproblemadeautoseleccin:
Yi 0 1 D i 2 X 1i ... K 1 X Ki U i
Di: indicadordeparticipacinenelprograma.
Yi: variablederesultado.
X1i ,, Xki:vectordevariablesobservadasdelindividuo.
Ui: error,elementosnoobservadosonomedidos.
Determinanlasvariablesderesultado.
NoestncontenidosenelvectorXi.
Guaprcticaparalaevaluacindeimpacto/Captulo7:Variablesinstrumentales/2
Salir
Contenido
Variablesinstrumentales
Enausenciadelproblemadeautoseleccin:
Yi 0 1 D i 2 X 1i ... K 1 X Ki U i
1:efectodeltratamiento.
Seobtienealcompararlamediadelavariablede
resultadodelgrupodetratamientoyladelgrupo
decontrol.
Variablesinstrumentales
Problemadeautoseleccin:
Un elemento del error est correlacionado con la
participacin en el programa.
Los estimadores del programa por mnimos cua
drados ordinarios (MCO) son inconsistentes y
sesgados.
Ejemplo: la habilidad innata del individuo est
correlacionada con la participacin en el programa,
pero la habilidad innata no est registrada en las
bases de datos.
Variablesinstrumentales
Variablesinstrumentales
Unavariableinstrumentaldebecumplirdos
condiciones:
Relevancia: Cov( Di , Z i ) 0
Elinstrumentotieneunbuenpoderdeprediccin
delaprobabilidaddeparticipacinenelprograma.
Validez: Cov( Di ,U i ) 0
Eltrminodelerrornoestcorrelacionadoconla
variableinstrumentalZi,porquestaesexgena.
Ejemplo1:Canasta
ElprogramaCanasta entregaunmercadoaloshogarespara
mejorarelestadonutricionaldelosnios.
Laparticipacinenelprogramaesvoluntaria.
Laaplicacinalprogramaescostosaentrminosdetiempo.
Existesesgodeseleccin:lasmadresparticipantes
probablementesonmsproactivas.
Ejemplo1:Canasta
Elindicadordeparticipacinestcorrelacionadocon
variablesnoobservablesdelamadre:
Motivacin.
Disposicinparainvertirenlanutricindesushijos.
Estasvariablestambinafectanlasaludylanutricindelos
nios.
ElestimadordelprogramaatravsdeMCOestara
sesgado.
Ejemplo1:Canasta
Condicionesparalavariableinstrumental:
Debeexplicarlaprobabilidaddeparticiparenelprograma
Canasta.
Nodebeestarrelacionadaconlamotivacindelasmadresa
invertirtiempoparamejorarlasaluddesushijos(proactivas).
Nodebeafectarelestadonutricionaldelosnios
directamente.
Variableinstrumental:
Distanciadelhogaralaoficinaadministradoradelprograma.
Variablesinstrumentales
Fuentedevariacinexgena:
Afectalaparticipacinenelprograma.
Esindependientedelasvariablesobservadasyno
observadasdelasfamilias.
Ejemplo1:Canasta
Algunosindividuosparticipanenelprogramaporque
vivencercadelaoficinaadministradora,
independientementedesiestnmsmotivadosono.
Ladistanciadelhogarfamiliaralaoficinanoafectael
estadonutricionaldelosnios.
Gua prctica para la evaluacin de impacto /Captulo 7: Variables instrumentales/10 Salir
Contenido
Variablesinstrumentales
Ejemplo2:Canasta
Ejemplo2:Canasta
Variableinstrumental:
1 Si gan el sorteo
Zi
0 De lo contrario
Condicionesparalavariableinstrumental:
Est altamente correlacionada con la probabilidad de
participacin efectiva en el programa Canasta.
No est relacionada con las variables no observadas (no
medidas) de las madres que afectan directamente el estado
nutricional de sus hijos. Por ej., la motivacin de las madres
o su inters en el desarrollo de sus hijos.
Variablesinstrumentales
Supuestodemonotonicidad:
El estatus del tratamiento Di es una funcin
montona creciente del nivel de Zi.
Esto implica, por ejemplo, que si un individuo no
participa en el programa cuando gan la rifa,
entonces tampoco lo hara en el caso en que no
hubiera resultado favorecido en el sorteo.
Necesario para garantizar que se identifica el
efecto del programa.
Supuestodemonotonicidad
1 Si gan el sorteo
Variableinstrumental: Z i
0 De lo contrario
Di: Indicadordeparticipacinenelprograma.
Tiposdeindividuos:
Losquesiempreparticipan:Di =1|Zi =1&Di =1|Zi =0.
Losquenuncaparticipan:Di =0| Zi =1&Di =0|Zi =0.
Loscooperativos: Di =1|Zi =1&Di =0|Zi =0.
Losdesafiantes:Di =0|Zi =1&Di =1|Zi =0.
Supuestodemonotonicidad
Elsupuestodemonotonicidadrequierequeno
existaelgrupodelosdesafiantes.
Elsupuestonosecumplecuando:
Losindividuosnoparticiparoncuandoganaronlarifa.
Losindividuosparticiparoncuandoperdieronlarifa.
Variablesinstrumentales
Estimador
Supongaunmodelosencillodelavariablederesultado:
Yi 0 1 Di ui
Entonces:
cov(Yi , Z i ) cov( 0 1 Di ui , Z i )
cov(Yi , Z i )
1 Seconocecomoel
cov( Di , Z i ) estimadordeWald
Anlogomuestral
Elanlogomuestral eselestimadorde
variablesinstrumentales:
( Z Z )(Y Y )
i i i
( Z Z )( D D )
1
i i i
Di: indicadordeparticipacinenelprograma.
Yi :variablederesultado.
Zi :variableinstrumental.
Variablesinstrumentales
mnimoscuadradosendos
etapas(MC2E)
Este estimador se puede obtener con base en un proce
dimiento de dos etapas:
Primeraetapa:
D i 0 1 Z i 2 X 1i ... K 1 X Ki
Se predice la decisin de participacin atribuible a cambios
en el instrumento.
Variablesinstrumentales
MC2E
Segunda etapa:
Yi 0 1 D i 2 X 1i ... K 1 X Ki U i
Variablesinstrumentales
MC2E
Zi seconocecomorestriccindeexclusin,pues:
Explicaladecisindeparticiparenelprograma.
NoafectadirectamentelavariablederesultadoYi.
Variablesinstrumentales
MC2E
Cuandolavariableexplicativadeinterses
dicotmica(Di),entonces:
Elmodelodeprobabilidadlinealenlaprimeraetapa:
Esheterocedstico porconstruccin.
Produceprediccionesdelaprobabilidadnegativaso
mayoresauno.
Encambio,elmodelodeeleccindiscretanolineal:
Eslogit oprobit.
Produceprediccionesrazonables.
Seutilizalaprobabilidadpredichadeparticipacinenel
programacomoinstrumento.
Eleccindelosinstrumentos
Instrumentosmsusados:
Disponibilidadofacilidaddeaccesoalprograma.
Diferenciasenlospreciosdeaccesoalprograma:
Copago.
Costosdedesplazamiento.
Tiemposdeespera.
Polticasdeasignacinaleatorias.
Evaluacindelavariable
instrumental
Elinvestigadordebe:
Proveerevidenciadequelavariableinstrumental
esrelevante.
Mostrarqueelinstrumentoesestadsticamente
significativoenlaprimeraetapa.
Proveerevidenciadequelavariableinstrumental
esexgena.
DemostrarqueZi yUi noestncorrelacionadas.
Problema:U noseobserva.
i
Pruebasderelevancia
Regresinsimple:
Seevalalasignificanciaestadsticadelos
coeficientesasociadosainstrumentosconbaseen
pruebast.
Seevalalasignificanciaestadsticadelconjuntode
instrumentos(sitienemsdeuno)conbaseenla
pruebaF.
Pruebasdeexogeneidad
Modelossobreidentificados
Elmodeloestsobreidentificado sisedisponede
msdeuninstrumentoparalaparticipacinenel
programa.
Pruebadesobreidentificacin deSargan:
1. EstimarelefectodelprogramaporMC2Eutilizando
solouninstrumento.
2. Calcularelerrorpredichoconbaseenlosestimadores
deMC2E.
Pruebade
sobreidentificacin(Sargan)
3.Verificarqueelinstrumentoexcluidonoestcorrelacionado
coneltrminodelerror:
Regresindeltrminodelerrorcontratodaslasvariablesexgenas.
4.Construirpruebachi cuadrado: 2 N .R 2 ~ q2
R2:ajustedelmodelodeltrminodelerrorcontratodaslasvariables
exgenas.
N:nmerodeobservaciones.
q:nmerodeinstrumentosadicionales.
Ho:almenosunodelosinstrumentosnoesexgeno:
Siserechazaporlomenosuninstrumentonoesexgeno.
Enesecaso,elestimadordelefectodelprogramaessesgado.
Pruebade
sobreidentificacin(Sargan)
Sielinstrumentoestcorrelacionadoconeltrmino
delerrornoesuninstrumentovlidoparaDi.
Lapruebadesobreidentificacin nodicenadasobre
elotroinstrumento:
Siestnescogidosbajolamismalgica,elresultadose
puedeaplicaraambosinstrumentos.
Ejemplo:educacindelamadreydelpadre.
Variablesinstrumentales:
problemaspotenciales
1. Esdifcilencontrarvariablesinstrumentales
vlidasyrelevantes.
2. Sielinstrumentoesdbil(esdecir,nopredice
bienlaparticipacin),elestimadordevariables
instrumentalespuedeamplificarelsesgo.
cov(Yi , Z i )
1
cov( Di , Z i )
cov( u i , Z i )
1 1
cov( Di , Z i )
Gua prctica para la evaluacin de impacto /Captulo 7: Variables instrumentales/29 Salir
Contenido
Variablesinstrumentales:
problemaspotenciales
Variablesinstrumentales:
problemaspotenciales
Enparticular:
Elefectocorrespondealgrupodelos
individuoscooperativosquegeneralmenteno
sepuedeidentificar.
Elgruposobreelcualsehaceinferenciaacerca
delimpactodelprogramaesdesconocido.
Variablesinstrumentales
Ejemplo:Canasta
Programacanasta:
Tratamiento:entregaunmercadoalafamilia.
Variablederesultado:puntajeZ delatalla
segnlaedad.
Laparticipacinenelprogramaesvoluntaria:
Autoseleccin.
ElestimadordeMCOpodraestarsesgado.
Variablesinstrumentales
Ejemplo:Canasta
Variablesinstrumentales:
Nmerodeoficinasoperadorasdelprogramaenel
municipio:
Disminuyelacongestin.
Hacequelasolicitudsearpidayfcil.
Distanciadesdeelhogardelafamiliahastalaoficina
administradoramscercana:
Loscostosdetransportesonmenores.
Hacequelasolicitudseamsfcilparalasmadres.
Ynoestnrelacionadasconlamotivacinpreocupacin
delasmadres.
Gua prctica para la evaluacin de impacto /Captulo 7: Variables instrumentales/33 Salir
Contenido
Conclusiones
Ventajas Desventajas
Permite estimaciones del Es difcil encontrar instru
efecto causal de programas mentos vlidos.
con base en datos no expe Para el investigador es difcil
rimentales. demostrar la validez de sus
Se puede estimar aun en pre instrumentos.
sencia de variables no obser Es un estimador local y, por lo
vadas que determinan la tanto, tiene limitaciones en
participacin en el programa trminos del alcance de la
y la variable de resultado. interpretacin del estimador.
Ejemplo1:Serviciomilitary
salariocomocivil(Angrist,1989)
Pregunta: efecto del servicio militar en salarios
posteriores. Pero participar en el servicio militar es
endgeno, dado que el individuo parcialmente decide.
Este estudio utiliza un sorteo que se llev a cabo para
reclutar a los reservistas. Ciertos nmeros del sorteo
implicaban que el reservista poda ser convocado, y otros
nmeros que no.
Sin embargo, algunos individuos que ganaban el sorteo
y podan ser llamados no cumplan el servicio militar por
exenciones (como problemas de salud).
El servicio militar estaba slo parcialmente determinado
por la lotera.
Gua prctica para la evaluacin de impacto /Captulo 7: Variables instrumentales/35 Salir
Contenido
Ejemplo1:Serviciomilitary
salariocomocivil
Instrumento:lotera
Algunosnmerosdelaloteraeranelegiblesparaser
llamadosporelejrcito.
Algunosnmerosdelaloterano.
Resultado:
Elserviciomilitarreducelossalarioscivilesenellargo
plazo.
Notieneefectoenlosveteranosderazanegraode
ascendencialatina.
Ejemplo2:Hogarescomunitarios
(Attanasio yVeraHernndez,2004)
Variablesderesultado:
Tallasegnlaedad.
Pesosegnlatalla.
Pesosegnlaedad.
Variablesexgenas:
Distanciaalcolegiooescuela.
Distanciaalhospitalmscercano.
Distanciaacentrosdecapacitacin.
Distanciaaotrosestablecimientosdondeseprestan
serviciosdelEstado.
Gua prctica para la evaluacin de impacto /Captulo 7: Variables instrumentales/37 Salir
Contenido
Ejemplo2:Hogarescomunitarios
(Attanasio yVeraHernndez,2004)
Instrumento:
Distanciadelhogarderesidenciaalhogar
comunitariomscercano.
Resultado:
Ladistanciaafectaclaramentelaparticipacinenel
programadeloshogaresruralesestudiados.
Guaprcticaparalaevaluacindeimpacto/Captulo7:Variablesinstrumentales/38
Salir
Contenido
Ejemplo2:Hogarescomunitarios
(Attanasio yVeraHernndez,2004)
EfectoestimadodelprogramaHogarescomunitarios
Variables
MCO
instrumentales (VI)
-0.059 0.486
Talla segn la edad
(0.050) (0.156)
0.006 0.274
Peso segn la edad
(0.046) (0.170)
Erroresestndarenteparntesis.
Guaprcticaparalaevaluacindeimpacto/Captulo7:Variablesinstrumentales/39
Salir
Contenido
Captulo8
Mtododeregresindiscontinua
Salir
Contenido
Motivacin
EnColombiahayunavariedaddeejemplosde
asignacindepolticapblicaconbaseen
instrumentosdefocalizacin:
Elrgimensubsidiadodesalud.
HogaresComunitariosdeBienestar.
FamiliasenAccin.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/2 Salir
Contenido
Motivacin
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/3 Salir
Contenido
Motivacin
FamiliasenAccin:
Los beneficios estn focalizados en las personas
ms pobres del pas (familias Sisbn 1).
El criterio de focalizacin para recibir beneficios es
una funcin del puntaje Sisbn.
Si el puntaje Sisbn es inferior a 11, entonces el
hogar clasifica en Sisbn 1. Este umbral se eligi
de una manera presumiblemente arbitraria.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/4 Salir
Contenido
Motivacin
FamiliasenAccin:
Una familia con puntaje 10.99 es prcticamente
idntica a una familia con puntaje 11.01; pero la
primera familia s participa en el programa y la
segunda no.
La segunda familia puede utilizarse como contra
factual de la primera.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/5 Salir
Contenido
Regresindiscontinua(RD):
Notacin
Di : indicador de tratamiento.
Yi : variable de resultado.
Xi : caractersticas observables que no dependen
directamente de la variable del tratamiento, pero
afectan la variable de resultado.
Zi : variable observable continua de focalizacin
que determina la elegibilidad en el programa
dependiendo de si su valor es __mayor o menor
que un determinado umbral fijo Z.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/6 Salir
Contenido
Regresindiscontinua(RD)
Casoespecialdediseonoexperimental
Ocurrecuando
Laprobabilidaddeparticipacincambia
discontinuamenteconunavariablecontinua
observadaZ.
Laasignacindeltratamientodependecompletao
parcialmentedelvalor quelavariableZ tomaaladoylado
deunumbralfijo.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/7 Salir
Contenido
Regresindiscontinua(RD)
Pr(D )
1
Probabilidad de Participacin
0.5
Z Z
Instrumento de focalizacin
__
Losindividuosalaizquierdadelumbralparticipanenelprograma
Z
conprobabilidadde1;mientrasquelosindividuosaladerechano
participanenelprograma.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/8 Salir
Contenido
Regresindiscontinua(RD)
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/9 Salir
Contenido
Regresindiscontinua(RD)
Supuestos:
Elumbralesarbitrario.
Losdeterminantesdelavariablederesultado,X,
sonmuyparecidosalaizquierdayaladerecha
delumbral.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/10 Salir
Contenido
Regresindiscontinua(RD)
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/11 Salir
Contenido
Ejemplo1:Canasta
Poblacinelegible:hogaresSisbn 1
PoblacincuyopuntajeSisbnesigualoinferioraun
umbral .
UnhogarconunpuntajeSisbnde omenospuede
participarenelprograma.
Laprobabilidaddeparticipacincambiadiscontinuamente.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/12 Salir
Contenido
Ejemplo1:Canasta
Esta implementacin permite la aplicacin de RD:
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/13 Salir
Contenido
Regresindiscontinuantida:
aspectostericos
Z determina completamente, de forma deter
minstica, la participacin
__
en el programa sobre la
base de un umbral Z .
donde I[*] = 1 si la condicin * se cumple, y 0 de lo
contrario.
Regresindiscontinuantida:
aspectostericos
Supuestos:
Losindividuosolosadministradoresdelprograma
nocontribuyenenladecisindesiparticiparono.
Los individuos no pueden ajustar el valor de Z en
respuesta a los criterios de elegibilidad del pro
grama.
Cualquierautoseleccinestdadasobrelabase
decaractersticasexgenas.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/15 Salir
Contenido
Ejemplo1:Canasta
ElpuntajeSisbn determinacompletamentela
participacineneltratamiento.
Diseo:regresindiscontinuantida(RDN).
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/16 Salir
Contenido
Regresindiscontinuantida:
aspectostericos
Condicinde
Pr(D)
1
identificacin:
Probabilidad de Participacin
lim ( = ) lim ( = )
Derecha Izquierda
0.5
La principal fuente de
0 identificacin en RDN es la
Z Z discontinuidad en la parti
Instrumento de focalizacin cipacin en el tratamiento
en un punto especfico de
la distribucin de Z.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/17 Salir
Contenido
Regresindiscontinuantida:
expectativascondicionalesdelas
variablesderesultado
Laslneasslidascorrespondenalasexpectativascondicionalesdelas
variablesderesultadoYobservadas.
Laslneaspunteadasrepresentanlas expectativascondicionalesdelas
dosvariablesderesultadopotenciales paracadaniveldeZ.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/18 Salir
Contenido
Regresindiscontinuantida:
expectativascondicionalesdelas
variablesderesultado
Formalmente definimos esas expectativas condicionales
como :
paraD=0,1.
La variable de resultado slo se observa en presencia del
tratamiento, si la variable Z est a la izquierda del umbral:
El individuo participa en el programa.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/19 Salir
Contenido
Regresindiscontinuantida:
expectativascondicionalesdelas
variablesderesultado
Entonces,laexpectativacondicionaldelavariable
deresultadoobservadaestdadapor:
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/20 Salir
Contenido
Relacinconelmtodode
emparejamiento
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/21 Salir
Contenido
Supuestode
continuidadlocal
No existen discontinuidades en la relacin entre la variable
de resultado, Y, y las variables X que la determinan en . X
puede contener variables observadas y no observadas.
Incluso, incluye la participacin en otros programas diferentes
al evaluado.
Losindividuosdeunladodelumbralsonsimilaresalos
individuosdelotroladodelumbral.Formalmente:
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/22 Salir
Contenido
Regresindiscontinuantida:
anlisisgrfico
Es importante observar:
El impacto del programa alrededor del umbral o puntaje
de corte.
Variables observables como funcin del instrumento de
focalizacin que deben ser continuas localmente.
Densidad del instrumento de focalizacin Z.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/23 Salir
Contenido
Anlisisgrfico:
supuestodecontinuidadlocal
Saltosenvariablesobservablesenelumbral
Panela.Continuidad Panelb.Discontinuidad
VariableobservadaX
Anlisisgrfico:
supuestodenomanipulacin
DensidaddelinstrumentodefocalizacinZ
Casodenomanipulacin Casodemanipulacin
Regresindiscontinuantida:
variablederesultado
Correspondealcasoenelquelaprobabilidad
departicipacincambiaexactamentedeunoa
cero,aunoyotroladodelpuntodecorte.
La variable de resultado se puede escribir
como:
0
Por lo tanto, el supuesto de continuidad de
en Z es equivalente a suponer que
y sonambascontinuasenZ.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/26 Salir
Contenido
Regresindiscontinuantida:
estimadordelefectodelprograma
En suma, se ha establecido que los grupos comparables
estn en una vecindad arbitrariamente pequea a la
derecha y a la izquierda del umbral, porque esos son
los dos grupos ms comparables. En la vecindad a la
izquierda de se ubica el grupo de tratamiento y en la
vecindad a la derecha de se ubica el grupo de
control.
As, el efecto del programa ser simplemente el valor
promedio de la variable de resultado de los tratados
(izq.), menos el valor promedio de la variable de
resultado de los controles (der.):
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/27 Salir
Contenido
Regresindiscontinuantida:
estimadordelefectodelprograma
Siemprequesecumplan:
Condicindeidentificacin.
Supuestodecontinuidadlocal.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/28 Salir
Contenido
Regresindiscontinuantida:
efectodelprograma
El diseo RD identifica el efecto promedio del tra
tamiento para individuos cercanos al punto de
discontinuidad.
En particular, mide el impacto del tratamiento sobre
un individuo seleccionado aleatoriamente con carac
tersticas observables = .
Es un estimador del impacto local del programa.
En esta medida, existe una tensin entre la validez
interna y la validez.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/29 Salir
Contenido
Regresindiscontinuaborrosa:
aspectostericos
En este caso, la participacin efectiva en el
programa depende de:
Variable observable continua de focalizacin Z.
Otras dimensiones observadas y no observadas
de los individuos. En ltimas, no todos los
individuos a la izquierda participan, y algunos
individuos a la derecha del umbral tambin
participan.
La probabilidad de participacin cambia discon
tinuamente en el punto .
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/30 Salir
Contenido
Regresindiscontinuaborrosa:
aspectostericos
Pr(D)
Probabilidad de Participacin
0.5
0
Z Z
Instrumento de focalizacin
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/31 Salir
Contenido
Regresindiscontinuaborrosa(RDB):
aspectostericos
Pr(D)
Condicin de identificacin:
lim ( = 1| = ) lim ( = 1| = )
Probabilidad de Participacin
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/32 Salir
Contenido
Ejemplo1:Canasta
Poblacinelegible: hogaresSisbn 1,PEROlosindividuos
debendecidirsihacenlasolicitudono.
Elumbral Noesobligatorio.
Determinaparcialmentelaparticipacinen
elprograma.
Laprobabilidaddeparticipacin
Si,entonceslaprobabilidadde
participacinesmayoroigualacero.
Si,entonceslaprobabilidadde
participacinescero.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/33 Salir
Contenido
Ejemplo2:Canasta
Poblacinelegible: hogaresdeSisbn 1y2.
Coberturauniversal paraSisbn 1.
Mercadoparatodosloshogares.
Coberturaparcial paraSisbn 2.
Mercadopara100.000hogares
aleatoriamenteescogidos.
Laprobabilidaddeparticipacin
Puedesermayoracerotantoalaizquierda
comoaladerechade.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/34 Salir
Contenido
Ejemplo2:Canasta
Bajoestediseo:
Hayindividuosparticipantesaambosladosdelumbral.
DebidoaquelacoberturaesparcialparaSisbn 2,
laprobabilidadcambiadiscretamenteenelpuntodecorte
.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/35 Salir
Contenido
Regresindiscontinuaborrosa:
expectativascondicionalesdelas
variablesderesultado
Y
Variable de resultado
Z Z
Instrumento de focalizacin
Laexpectativacondicionaldelavariablederesultadoobservada
estdadaporlalneaslidaenlagrfica.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/36 Salir
Contenido
Regresindiscontinuaborrosa:
expectativascondicionalesdelas
variablesderesultado
Expectativacondicionalobservada
Enestecaso,no esnecesariamenteciertoque:
PorqueZ slodeterminaparcialmenteeltratamiento.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/37 Salir
Contenido
Regresindiscontinuaborrosa:
anlisisgrfico
Elanlisisgrficoesuncomponentecentralalhacer
unaevaluacinatravsdelmtododeRDB,aligual
queloesenRDN.
Esimportanteobservar:
Elimpactodelprogramaalrededordelumbralopuntaje
decorte.
Variablesobservablescomofuncindelinstrumentode
focalizacinparacomprobarelsupuestodecontinuidad
local.
DensidaddelinstrumentodefocalizacinZ.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/38 Salir
Contenido
Regresindiscontinuaborrosa:
estimadordelefectodelprograma
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/39 Salir
Contenido
Regresindiscontinuaborrosa:
estimadordelefectodelprograma
El efecto del programa es el salto en Y en el umbral
ponderado por el salto en la probabilidad de parti
cipacin en el umbral.
( ) = ( | = 1, )
lim [ | = ] lim [ | = ]
=
lim ( = 1| = ) lim ( = 1| = )
Siempreque:
Noexistanexternalidadesdelprograma.
Secumplalacondicindeidentificacin.
Secumplaelsupuestodecontinuidadlocal.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/40 Salir
Contenido
Regresindiscontinuaborrosa:
estimadordelefectodelprograma
Elefectodelprogramaes:
CovarianzaentreY & Z
CovarianzaentreD &Z
Regresindiscontinuaborrosa:
efectodelprograma
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/42 Salir
Contenido
Ejemplo1:Canasta
Poblacin elegible: slo hogares Sisbn 1. Pero los
individuos deben decidir si hacen la solicitud o no (no
es obligatorio).
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/43 Salir
Contenido
Regresindiscontinuaborrosa:
anlogomuestral
( +) ( )
( ) =
( = 1| + ) ( = 1| )
Donde:
( ) Promedios muestrales de la variable de
( + )
resultado a la izquierda y a la derecha del
umbral, respectivamente.
( = 1| ) Estimadores de probabilidad de partici
pacin a la izquierda y a la derecha del
( = 1| + ) umbral, respectivamente.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/44 Salir
Contenido
Implementacinemprica
Variable de Resultado Y
Y
( ) b
c ( +)
Z h Z Z h Instrumento de focalizacin
Implementacinemprica
Sepuedeutilizarunmtododeestimacin:
Paramtrico.
Semiparamtrico.
Noparamtrico.
Elefectoderegresindiscontinuarequierela
estimacindepuntoslmitealrededordelumbral
delasfuncionesdeexpectativacondicional.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/46 Salir
Contenido
Implementacinemprica:
estimacinparamtricadeRDN
Elefectodelprogramapuedeestimarsepormediode:
= ( )+ 1 +
Donde:
= [ | , ]
( )= [ | ]+( [ | ]
Por el supuesto de continuidad local es un local
es una funcin continua de Z en el umbral .
1: efectopromediodeltratamientoen .
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/47 Salir
Contenido
Implementacinemprica:
estimacinparamtricadeRDN
Elefectodelprogramapuedeestimarsepormediode:
Yi m( Z i ) 1 E[ Di | Z i ] i
Donde:
m(Z ) : esunafuncincontinuadeZ en .
E[ Di | Zi ] :esdiscontinuoenelumbral.
1 :efectopromediodeltratamientoenelumbraloel
efectolocalpromediodependiendodelsupuestoadaptado.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/48 Salir
Contenido
Implementacinemprica:
estimacin paramtricadeRDB
Estimacinendosetapas:
Primeraetapa>Probabilidaddeparticipacin
= [ | ]+ = ( )+ [ ] +
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/49 Salir
Contenido
Implementacinemprica:
estimacinparamtricadeRDB
Segunda etapa:
= ( )+ 1 [ | ]+
Donde
se reemplaza
[ | ]
por ( = 1| ) predicho con
base en los estimadores de la primera etapa (note similitud
con el mtodo de variables instrumentales por MC2E).
Estimacinnoparamtricao
semiparamtrica
Reduceelsesgoasociadoaerrorde
especificacinenf(.)ym(.).
Estimacinnoparamtrica:
RegresinnoparamtricadeY sobreZ acada
ladodelpuntodediscontinuidad.
RegresinnoparamtricadeD sobreZ acada
ladodelpuntodediscontinuidad.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/51 Salir
Contenido
Estimacinnoparamtrica
Anchodebanda(h)
Ancho de banda es la ventana de observaciones que
define la vecindad arbitrariamente pequea a cada lado
del umbral.
Ventajasdeunanchodebandamsamplio:
Mayornmerodeobservaciones.
Estimadoresmseficientes.
Disminuyelavarianza.
Desventajasdeunanchodebandamsamplio:
Individuosmsalejadosdelumbralpuedensermuydistintos
delosindividuoscercanosaste.
Elgrupodecontrolpuederesultarmuyheterogneoy,por
lotanto,nocomparableconelgrupodetratamiento.
Aumentaelsesgo.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/52 Salir
Contenido
Estimacinnoparamtrica
MtodosmspopularesenRD:
EstimadordeKernel.
Estimadorderegresinlineal.
Regresinpolinomial local.
Estimadordemodelolinealparcial.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/53 Salir
Contenido
Estimacinnoparamtrica
EstimadordeKernel
+ ( )
( =1| + ) ( =1| )
Donde:
[ ]
Promedioponderadodela
( +) =
[ ] variablederesultadoenuna
vecindaddedistanciah, acada
[ < ] ladodelpuntodediscontinuidad.
( ) =
[ < ]
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/54 Salir
Contenido
Estimacinnoparamtrica
EstimadordeKernel
[ ]
( = 1| +) = Probabilidadde
[ ]
participacinacadalado
[ < ]
delumbral.
( = 1| ) =
[ < ]
K(.): funcinKernel (quepesalaobservacini dependiendo
dequtanlejosestdelumbral).
h: anchodebanda.
I(*): 1 Silacondicin(*)secumple.
0 Delocontrario.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/55 Salir
Contenido
Estimacinnoparamtrica
Regresinlineallocal
Laregresinlineallocaltienemejordesempeoenlos
lmitesquelafuncinKernel.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/56 Salir
Contenido
Estimacinnoparamtrica
Regresinlineallocal
Losestimadoresdeloslmitesenlavariablederesultado
estarandadospor:
( )
= 1+ 1(
) = 1
( +)
= 2+
2(
) = 2
ElestimadordelefectodeltratamientoenRDNseraelsalto:
( ) = 2 1
Elresultadodependedelavalidezdelsupuestode
continuidadlocal.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/57 Salir
Contenido
Estimacinnoparamtrica
Regresinlineallocal
Supuestodecontinuidadlocal:
Paraestablecerlavalidezdeestesupuestoes
necesario:
Compararlascaractersticasobservadaspromediode
losindividuosenunavecindadarbitrariamente
pequeadelumbralacadalado.
EvaluarlasensibilidaddelestimadordeRDala
inclusindevariablesobservadasadicionales.
Datospanel:estimadordeRDcondatosdelperodo
delneabase.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/58 Salir
Contenido
Implementacindeldiseo
deRDenStata
Metodologas:
Imbens yLemieux (2007).
Imbens yLemieux conpesotipotriangular.
ModificacindeImbens yLemieux conpesostipo
triangular.
Rutinard(Nichols,2007).
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/59 Salir
Contenido
Ejemplo2:Canasta
ImplementacindeldiseodeRD
Poblacinelegible: hogaresdeSisbn 1y2.
Coberturauniversal paraSisbn 1.
Mercadoparatodosloshogares.
Coberturaparcial paraSisbn 2.
Mercadopara100.000hogares
escogidosalazar.
Laprobabilidaddeparticipacin
Mayoroigualacerotantoalaizquierda
comoaladerechade10.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/60 Salir
Contenido
Ejemplo2:Canasta
ImplementacindeldiseodeRD
Bajoestediseo:
Hay individuos participantes a ambos lados del umbral 10.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/61 Salir
Contenido
1. Definirelanchodebanda.
2. Estimardosregresiones,unaacadaladodelumbral.
3. Calcularlaprediccindelavariablederesultado,Y,
condicionalenelpuntajeSisbn acadaladodel
umbralconbaseenesasregresiones.
4. Estimarelsaltodelavariablederesultadoenelpunto
dediscontinuidad.
5. Mismoprocedimientoparalaprobabilidadde
participacinenelprograma.
6. ElefectodelprogramaeselcocienteentreelsaltoenY
y elsaltoenlaprobabilidaddeparticipacinenel
umbral.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/62 Salir
Contenido
ImplementacindeldiseodeRD:
Imbens yLemieux (2007)
Formalmente:
, = min ( ( 10))2
,
|10< <10
Regresin de Y sobre el instrumento de focalizacin
normalizado en el umbral (Z barra), con obser
vaciones a la izquierda nicamente. Luego repite a la
derecha.
ImplementacindeldiseodeRD:
Imbens yLemieux (2007)
De manera
anloga, r y
r: intercepto
y pendiente
al acercarse
al umbral por
la derecha.
I: estimador
de Y al acer
carse al um
bral por la
izquierda.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/64 Salir
Contenido
ImplementacindeldiseodeRD:
Imbens yLemieux (2007)
Estimadordelefectoporregresindiscontinuantida:
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/65 Salir
Contenido
ImplementacindeldiseodeRD:
Imbens yLemieux (2007)
Estimador del efecto en regresin discontinua borrosa:
Es necesario estimar tambin la probabilidad de participacin en
el tratamiento a ambos lados del punto de discontinuidad:
, = min ( ( 10))2
,
|10 <10+
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/66 Salir
Contenido
Defineunanchodebanda.
En las estimaciones de los promedios, a cada
lado del umbral se les da ahora ms peso a las
observaciones ms cercanas al umbral y
menos peso a las observaciones ms lejanas
de ste, en vez de pesarlas todas igual.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/67 Salir
Contenido
ImplementacindeldiseodeRD:
Imbens yLemieux conpesostipo
triangular
Lospesosdecadaobservacin
secalculandeacuerdocon:
| |
( )= 1 si | | <
0 casocontrario
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/68 Salir
Contenido
0 1 2
3
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/69 Salir
Contenido
ImplementacindeldiseodeRD:
modificacindeImbens yLemieux
conpesotipotriangular
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/70 Salir
Contenido
ImplementacindeldiseodeRD:
modificacindeImbens yLemieux
conpesostipotriangular
Elinterceptoalaizquierdadelumbralestaradadopor:
[ | = 1, = ]
= 0+ 1 + 2( ) + 3 ( )
[ | = 1, = ] = 0 + 1
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/71 Salir
Contenido
ImplementacindeldiseodeRD:
ModificacindeImbens yLemieux
conpesostipotriangular
Demaneraanloga,elinterceptoaladerechadel
umbralestaradadoporo.
Entonces,elsaltoenladiscontinuidadestdadopor
ladiferenciaentreunoyotro(izquierdaderecha)=
1 Indicaelvalordeladiscontinuidadparala
variablederesultadoycorrespondealefectodel
tratamientoenregresindiscontinuantida.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/72 Salir
Contenido
ImplementacindeldiseodeRD:
modificacindeImbens yLemieux
conpesostipotriangular
En regresin discontinua borrosa, es necesario
calcular tambin el salto en la probabilidad de
participacin:
( = 1)
= 0+ 1 + 2( 10)
+ 3 (( 10) )+
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/73 Salir
Contenido
ImplementacindeldiseodeRD
En esencia, el estimador de RDB corresponde al mismo estimador de
Wald que se puede obtener por mnimos cuadrados en dos etapas:
lim [ | = ] lim [ | = ]
lim ( =1| = )lim ( =1| = )
Seleccindel
anchodebanda
Validacincruzada:
1. EstimarelimpactoporRDparacadaposible
valordeanchodebanda.
2. Escogerelvalorparaelcualseminimiceelerror
deprediccinenlavariablederesultadoyenla
probabilidaddeparticipacineneltratamiento.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/75 Salir
Contenido
Seleccindel
anchodebanda
Validacincruzada:
El ancho de banda ptimo es el mnimo entre el h que
minimiza el error de prediccin de la variable de
resultado, Y, y el que minimiza el error de prediccin de
la probabilidad de participacin en el programa.
1 2
=1
si
si
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/76 Salir
Contenido
Ventajaydesventajas
VENTAJA DESVENTAJAS
Los supuestospara Elhechode queelestimador
implementarloson localseestimesloalrededor
plausiblesenlamayorade delpuntodediscontinuidad .
loscasos,locualproduce Estotieneimplicacionesen
estimadoresdelimpacto trminosdelalcancedela
delprogramacrebles. interpretacindelestimador.
Requieremuestrasgrandes
paralogrardensidadaladoy
ladodelumbral.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/77 Salir
Contenido
Ejemplo2:
Rgimensubsidiadodesaludylosrecin
nacidos(CamachoyConover,2009)
Objetivo: Establecersilaimplementacindelrgimen
subsidiadodesaludtuvoefectospositivosen
lasaluddelosniosrecinnacidosen
Colombia.
Seleccin: Paraperteneceralrgimensubsidiadosedebe
serclasificadocomopobreatravsdela
encuestaSisbn,esdecir,obtenerunpuntaje
menora47.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/78 Salir
Contenido
Ejemplo2:
Rgimensubsidiadodesaludylosrecin
nacidos(CamachoyConover,2009)
Probabilidaddepertenecer
alrgimensubsidiado
PuntajeSisbn estandarizadoen47
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/79 Salir
Contenido
Ejemplo2:
Rgimensubsidiadodesaludylosrecin
nacidos(CamachoyConover,2009)
Diseodelaevaluacin: regresindiscontinuaborrosa.
Conpuntajes>47 Nopertenecenal
Existen rgimensubsidiado.
individuos Conpuntajes<47 Pertenecenal
rgimensubsidiado.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/80 Salir
Contenido
Ejemplo2:
Rgimensubsidiadodesaludylosrecin
nacidos(CamachoyConover,2009)
Variablesdeinters:
Variablesdeaccesoaserviciosdesaludparamadres
embarazadas:
Visitasprenatales.
Sielnionacienunhospital.
Sicontconlapresenciadeunmdicoenelmomento
delnacimiento.
Estadodesaludenniosrecinnacidos:
Pesoenelmomentodelnacimiento.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/81 Salir
Contenido
Ejemplo2:
Rgimensubsidiadodesaludylosrecin
nacidos(CamachoyConover,2009)
Secreanunaseriedevariablesdictomaspara:
Pesoalnacer:
Sielrecinnacidoseconsideradebajopeso.
Sielrecinnacidoseconsiderademuybajopeso.
Sielnacimientofueprematuro.
SilapruebaApgaraloscincominutosdelnacimiento
essuperiorasiete.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/82 Salir
Contenido
Ejemplo2:
Rgimensubsidiadodesaludylosrecin
nacidos(CamachoyConover,2009)
Metodologa:
1. Instrumentar la participacin en el rgimen subsidiado de
salud utilizando el criterio de elegibilidad para el rgimen.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/83 Salir
Contenido
Ejemplo2:
Rgimensubsidiadodesaludylosrecin
nacidos(CamachoyConover,2009)
Sepruebaquenoexistendiscontinuidadesenunaseriede
variablesobservadasdecontrol.
Resultados:
Encuentran que el rgimen subsidiado tiene un impacto
significativo en la incidencia del bajo peso al nacer.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/84 Salir
Contenido
Ejemplo2:
Rgimensubsidiadodesaludylosrecin
nacidos(CamachoyConover,2009)
Pesobajoalnacer
Probabilidaddetenerbajopeso
alnacer
PuntajeSisbn estandarizadoen47
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/85 Salir
Contenido
Ejemplo2:
Rgimensubsidiadodesaludylosrecin
nacidos(CamachoyConover,2009)
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/86 Salir
Contenido
Conclusiones
Importanciadelanlisisgrfico:
Elimpactodelprogramaalrededordelumbralo
puntajedecorte.
Variablesobservablescomofuncindel
instrumentodefocalizacin.
DensidaddelinstrumentodefocalizacinZ.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/87 Salir
Contenido
Conclusiones
Intervalosparaanlisisgrfico:
Suficientementeamplios:
Contenersuficientesobservaciones.
Serprecisos.
Suficientementepequeos:
Observarsaltosenelpuntodediscontinuidad.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/88 Salir
Contenido
Conclusiones
Seleccindelintervalodeconfianzaptimoa
partirdelmtododevalidacincruzada.
Pruebasdeespecificacin:
Densidaddelavariabledefocalizacin.
Impactoutilizandodiferentesanchosdebanda.
Pruebascontrafactuales deimpactosdondea
priori nodeberahaberefectosdelprograma.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/89 Salir
Contenido
Captulo9
Funcionesdecontrol
Salir
Contenido
Quhacelafuncinde
control?
Lafuncindecontrolincorporaexplcitamenteladecisin
departicipacinenlaestimacin.
Seusacuandolaparticipacinenelprogramadependede:
Caractersticasobservablesynoobservablesdel
individuo.
GuaPrcticaparalaEvaluacindeImpacto/Captulo9:FuncionesdeControl/2 Salir
Contenido
Solucinpara
autoseleccin
Dosformasdeautoseleccin:
1.Conbaseenvariables Usarelmtodode
observables emparejamiento,paraobtener
estimadoresinsesgadosdel
impactodelprograma.
2.Conbaseenvariables Confuncionesdecontrol:estima
noobservables conjuntamenteelefectodel
programayladecisinde
participacinenste.
GuaPrcticaparalaEvaluacindeImpacto/Captulo9:FuncionesdeControl/3 Salir
Contenido
Funcindecontrol
Donde:
Variablesobservadasdelindividuo.
Variablesnoobservablesdelindividuo.
Ladecisindeparticipacinestdadapor:
1si Elindividuoparticipacuando
susbeneficiossuperanlos
0si
costosfijosdeinscripcin.
GuaPrcticaparalaEvaluacindeImpacto/Captulo9:FuncionesdeControl/4 Salir
Contenido
Sesgodeseleccin
SiUestcorrelacionadocon SiUestcorrelacionado
losregresoresque conelcomponenteno
determinanlaparticipacin observable,
enelprograma, Z
Seleccinenobservables Seleccinennoobservables
Deseableusarmtododeemparejamiento
GuaPrcticaparalaEvaluacindeImpacto/Captulo9:FuncionesdeControl/5 Salir
Contenido
Ejemplo1:Canasta
Laparticipacinenelprogramapuedeestardeterminada:
Elcapitalsocialdelamadre.
Entonces,sisiempreque
GuaPrcticaparalaEvaluacindeImpacto/Captulo9:FuncionesdeControl/6 Salir
Contenido
Supuestofundamentalde
lafuncindecontrol
Sipudiramoscontrolarexplcitamenteporlosfactoresno
observablesquedeterminanlaparticipacinyestn
correlacionadosconfactoresquedeterminanlavariablede
resultado,entoncessecumpleque:
Supuestodeindependenciacondicional
GuaPrcticaparalaEvaluacindeImpacto/Captulo9:FuncionesdeControl/7 Salir
Contenido
Ejemplo1:Canasta
Poblacinelegible: hogaresdeSisbn 1.
Requisitosdeparticipacin: acudiralospuestosde
inscripcineneldaylahorasealadosconlos
documentosdeidentidaddelosmiembrosdelhogar.
Supuesto: madresconmejoresredessocialesomayorcapital
social(noobservable)tiendenaestarmsenteradasdelos
requisitos,ascomodelosbeneficiosdeperteneceral
programa.
GuaPrcticaparalaEvaluacindeImpacto/Captulo9:FuncionesdeControl/8 Salir
Contenido
Ejemplo1:Canasta
Elcapitalsocial,asuvez,afectalavariablederesultado.
Intuicin: lavariablederesultadoeslatallaparalaedad.
Unamadreconmayorcapitalsocialpuedeestarms
enteradaacercadelosalimentosadecuados,higiene,etc.
Engeneral,loshijosconmadrescon
capitalsocialmsaltotendrnunmejor
estadonutricional.
GuaPrcticaparalaEvaluacindeImpacto/Captulo9:FuncionesdeControl/9 Salir
Contenido
Ejemplo 1: Canasta
Implicacin:
Losbeneficiosestimadosdelprogramanoserntanaltos,
porqueesdifcilmejorarsustancialmenteelestado
nutricionalsisteerabuenoparaempezar.
Elcapitalsocialdelamadreesundeterminante
delaparticipacinenelprograma.
Estcorrelacionadoconelcomponenteno
observabledelestadonutricionaldelosnios
Elestimadordemnimoscuadradosordinarios(MCO)
seencuentrasubestimado.
GuaPrcticaparalaEvaluacindeImpacto/Captulo9:FuncionesdeControl/10 Salir
Contenido
Mtododefuncinde
control
Consisteenestimarelmodelocompleto.
Estimarconjuntamente laecuacinderesultadoylade
participacin.
talque:
1si
y
0si
Elmodelosepuedeestimarconjuntamentepormxima
verosimilitud,oendosetapas.
GuaPrcticaparalaEvaluacindeImpacto/Captulo9:FuncionesdeControl/11 Salir
Contenido
Mtododefuncinde
control
Suponiendoque:
Dadoelsupuestoanterior,elmodelopodraestimarsepor
mximaverosimilitud.
. . =1
GuaPrcticaparalaEvaluacindeImpacto/Captulo9:FuncionesdeControl/12 Salir
Contenido
Condicinfundamentalde
identificacin
Paraidentificarestemodelodeseleccin:
Debeexistir,almenos,unavariableque:
1.Expliqueladecisindeparticipacin.
2.Noafectedirectamentelavariablederesultado.
DebealmenosexistirunZ quenoestcontenidoenX.
Restriccindeexclusin
GuaPrcticaparalaEvaluacindeImpacto/Captulo9:FuncionesdeControl/13 Salir
Contenido
Intuicin
Cuandoseincluyelafuncindecontrolen
Lafuncindeverosimilitud
Secontrolaporelcomponentenoobservadoenla
estimacindelaecuacinderesultado.
GuaPrcticaparalaEvaluacindeImpacto/Captulo9:FuncionesdeControl/14 Salir
Contenido
Pensandoenlaestimacin
comounadedosetapas
Primera etapa: estimar la ecuacin de participacin.
Delaecuacinanteriorestimarelerror.
ConSeformalafuncindecontrol.
Segundaetapa: estimarlaecuacinderesultadoutilizando
comoregresoradicional.
GuaPrcticaparalaEvaluacindeImpacto/Captulo9:FuncionesdeControl/15 Salir
Contenido
Acercadelsupuesto
fundamental
Loqueserequiereparaque:
esque:
Condicionalenelvaloresperadodeu
yanodependadeladecisinde
participacinD.
Noteque:
Calcularelvalordeu sujetoalacondicin.
GuaPrcticaparalaEvaluacindeImpacto/Captulo9:FuncionesdeControl/16 Salir
Contenido
Primeraetapa:
estimacinde__
Donde:
Funcindedensidadestndar.
Funcindedistribucinacumuladanormal
estndar.
GuaPrcticaparalaEvaluacindeImpacto/Captulo9:FuncionesdeControl/17 Salir
Contenido
Primeraetapa:
estimacinde__
Errorestndardelavariablei.
Tieneencuentaelhechodequeuyvestn
correlacionadas.
Usandoelhechodequeladistribucinnormalestndares
simtricaalrededordecero,seobtiene:
GuaPrcticaparalaEvaluacindeImpacto/Captulo9:FuncionesdeControl/18 Salir
Contenido
Segundaetapa:
estimacindeY
Seincluyenlasfuncionesdecontrolanteriores
explcitamenteenlaregresindelaecuacinderesultado,
as:
Donde:
Restadelerrorenlaecuacinderesultado,
despusdehaberpurgadoelefectode.
esindependientedeD.
GuaPrcticaparalaEvaluacindeImpacto/Captulo9:FuncionesdeControl/19
Salir
Contenido
Segundaetapa:
estimacindeY
Laecuacinincorpora,atravsdefuncionesdecontrol,la
decisindeparticipacinenlaestimacindelimpactodel
programa.
GuaPrcticaparalaEvaluacindeImpacto/Captulo9:FuncionesdeControl/20 Salir
Contenido
Ejemplo1:Canasta
Supuesto: elestadonutricionaldelosniosylaparticipacin
enelprogramadependendelasredessocialesdelas
madres,quenosonobservables.
Usandoelmtododevariablesdecontrolyasumiendoque
ladistribuciny:
2
2
Donde:
Varianzadelavariablei.
GuaPrcticaparalaEvaluacindeImpacto/Captulo9:FuncionesdeControl/21 Salir
Contenido
Ejemplo1:Canasta
Enlaprimeraetapa seestimalaprobabilidadde
participacinusandounprobit:
Donde:
1silafamiliaparticipaenelprograma
0delocontrario
Variablesobservablesquedeterminanla
participacinenelprograma.
GuaPrcticaparalaEvaluacindeImpacto/Captulo9:FuncionesdeControl/22 Salir
Contenido
Ejemplo1:Canasta
Conlosestimadoressecalculanlasfuncionesdecontrol:
Paralosqueparticipan
Paralosquenoparticipan
Enlasegundaetapa:
Seincorporanlasfuncionesdecontrolenlaestimacindel
impactodeCanasta:
GuaPrcticaparalaEvaluacindeImpacto/Captulo9:FuncionesdeControl/23 Salir
Contenido
Ejemplo1:Canasta
ElestimadordeporMCO
Correspondealestimadordelmtododefuncionesde
controlyesinsesgado.
Lasfuncionesdecontroleliminanelsesgoque
provienedelasdiferenciasencapitalsocialentre
madresparticipantesynoparticipantes.
GuaPrcticaparalaEvaluacindeImpacto/Captulo9:FuncionesdeControl/24 Salir
Contenido
Qugeneraelsupuestode
normalidadenloserrores?
Tieneconsecuenciasen
Ladecisindeparticipacin,generadaporel
procesodeseleccin.
Ventaja Desventaja
Permiteextrapolar los Noesclaroqueladistribucin
resultadosparahaceranlisis normalsealaquemejorse
depolticacontrafactual. ajustaalosdatosentodoslos
casos.
GuaPrcticaparalaEvaluacindeImpacto/Captulo9:FuncionesdeControl/25 Salir
Contenido
Cmoserelacionaeste
mtodoconlosdems?
Conelmtododeemparejamiento:
Casoparticulardelasfuncionesdecontrol,dondese
asumequecondicionarporvariablesobservables
eliminaelsesgodeseleccin.
GuaPrcticaparalaEvaluacindeImpacto/Captulo9:FuncionesdeControl/26 Salir
Contenido
Cmoserelacionaeste
mtodoconlosdems?
Conelmtododevariablesinstrumentales:
Losdosmtodossebasanenladisponibilidaddeuna
restriccindeexclusin.
Diferencia:usodesupuestosexplcitosenlasfunciones
decontrolacercadelaformafuncionalydistribucin
delaregladedecisindeparticipacin.
GuaPrcticaparalaEvaluacindeImpacto/Captulo9:FuncionesdeControl/27 Salir
Contenido
Problema: losindividuosconaltahabilidadnoobservada
puedeninvertirmseneducacinquelosdebaja
habilidad,loquegeneraunsesgopotencialenla
estimacindelosretornosalaeducacin.
Elniveleducativonoestaleatoriamentedistribuido,
sinoquelosmshbilestiendenatenermayores
niveleseducativos.
GuaPrcticaparalaEvaluacindeImpacto/Captulo9:FuncionesdeControl/28 Salir
Contenido
Ejemplo1:Elimpacto dela
educacin enlosingresos de
Inglaterra(Blundell,Dearden y
Sianesi,2003)
Laecuacindesalariosdependedelaeducacinsuperior:
1 2
wi : salario.
Di : educacinsuperior.
X i : controles(raza,habilidadindividual,
regin,educacindelospadres).
GuaPrcticaparalaEvaluacindeImpacto/Captulo9:FuncionesdeControl/29 Salir
Contenido
Ejemplo1:Elimpacto dela
educacin enlosingresos de
Inglaterra(Blundell,Dearden y
Sianesi,2003)
Supuestoparamtricoexplcitoacercadeladistribucin
conjuntadeloserrores:
u i , v i ~ N 0 ,
ui : errordelaecuacindesalarios.
vi : errordeladecisineducativa.
N: distribucinnormal.
: matrizdevarianzacovarianza.
GuaPrcticaparalaEvaluacindeImpacto/Captulo9:FuncionesdeControl/31 Salir
Contenido
Ejemplo1:Elimpacto dela
educacin enlosingresos de
Inglaterra(Blundell,Dearden y
Sianesi,2003)
Seestimademaneraconjuntaelmodelo:
1 2
Talque 1 si Z i vi c
Di
0 caso contrario
u i , v i ~ N 0 ,
GuaPrcticaparalaEvaluacindeImpacto/Captulo9:FuncionesdeControl/32 Salir
Contenido
Ejemplo1:Elimpacto dela
educacin enlosingresos de
Inglaterra(Blundell,Dearden y
Sianesi,2003)
Estimacin: EncuestaNacionaldeDesarrolloInfantil,todoslosnacidosen
GranBretaaenunasemanademarzode1958.Lavariabledependiente
essalariocuandolosindividuostenan33aos(en1991).
Resultados:
Impacto promedio
Impacto promedio Impacto promedio sobre
sobre los tratados
del programa (ATE) los no tratados (ATU)
(ATT)
28.7*** 28.7*** 28.7***
MCO
(1.53) (1.53) (1.53)
Funciones de 51.6*** 37.4*** 31.7***
control (12.09) (9.29) (9.03)
***Significativoal1%.
GuaPrcticaparalaEvaluacindeImpacto/Captulo9:FuncionesdeControl/33 Salir
Contenido
Captulo10
Modelosestructurales
Salir
Contenido
Diferenciaconotros
mtodosdeestimacin
Haceusodemodelosdecomportamientoexplcitos,node
lasformasreducidasdedichosmodelos.
Elinvestigador:
Asumequeel Estimalosparmetros
individuotoma estructuralesdedichos
decisionescon modelos.
baseenmodelos Ejemplo:parmetrosfuncin
deoptimizacin. deutilidad,funcinde
produccin,etc.
Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/2 Salir
Contenido
Paraquestimarlos
parmetros?
Conlosparmetrosestructuralessepuede:
Simularcualquiercambioenelambienteeconmico
Evaluarexperimentosdepolticacontrafactual
Esdecir,aquelloscambiosdepolticahipotticosque
notienenrepresentacinenlosdatoshistricos.
Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/3 Salir
Contenido
Estrategiasdeestimacin
Ecuacindeinters:
0 1
Donde:
Indicadordeparticipacinenelprograma.
Variablederesultado.
Laecuacinasumequeexisteunmodelosubyacente,
conbaseenelcualelindividuotomadecisiones.
Elmtodoestructuralpartedel:
Modelodeeleccin,envezdepartirdelaformareducida.
Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/4 Salir
Contenido
Distincinentremodelo
estructuralysuformareducida
Ejemplo1:Demandaporunbien
Elproblemadelconsumidor
Utilidaddelindividuo quedepende
delconsumototaldelbienYy deun
sujetoa vectordeparmetros.
Restriccinpresupuestal.P es
elpreciounitariodelbienY eI
eselingresototal
Solucin:
Funcindedemandamarshalliana:
Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/5 Salir
Contenido
Distincinentremodelo
estructuralysuformareducida
Elmodeloestructuralestdadopor:
Sujetoa:
Ysuformareducidaestdadapor:
Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/6 Salir
Contenido
Distincinentremodelo
estructuralysuformareducida
Ejemplo2:Supongaquesedeseaevaluarla
implementacindeunsubsidioalsalariosobrelaoferta
laboral.
Modeloestructural:
Funcindeutilidadenfuncindel
consumoC,elocioL yelvectorde
, parmetros.
Sujetoa:
Tiempototalnormalizadoa1,
destinadoatrabajoH yocioL.
Elconsumodelindividuonodebe
excedersuingresolaboral.
Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/7 Salir
Contenido
Distincinentremodelo
estructuralysuformareducida
Ejemplo2:Problemademaximizacin:
BajociertossupuestossobrelafuncinU(),lasolucindel
problemaestdadopor:
Funcindeofertalaboral.
Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/8 Salir
Contenido
Distincinentremodelo
estructuralysuformareducida
Ejemplo2:Elmodeloestructuralestdadopor:
Sujetoa:
Laformareducidadelmodelo:
Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/9 Salir
Contenido
Diferenciasentrelasdos
aproximaciones
Paraelejemplo2:
Sedebeestimar:
ConbaseendatosdehorastrabajadasH y
salariosdelosindividuosw.
Apartirdeestose Corresponderaal
puederecuperarla efectodeuncambio
elasticidaddeH con enw asociadoaun
respectoalsalariow. subsidio,sobreH.
Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/10 Salir
Contenido
Limitacionesdelejemplo2
Limitacionesdelaestrategiadeestimacin:
1. Asumequelaelasticidadesinvarianteantecambios
exgenosdepoltica(crticadeLucas).
Porej.,larespuestadelaofertaauncambiodesalario
quesedebeaunsubsidio,puedesermuydiferenteal
cambioenlaofertacuandoelcambioensalariosedebea
unchoquealaproductividad.
2. Algunosexperimentosenpolticanopuedenser
representadoscomocambiosenlosdatosdisponibles.
Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/11 Salir
Contenido
Limitacionesdelejemplo2
Ejemplodelpunto2:
Supongaquesequiereevaluarnounsubsidioalsalario,
sinounsubsidioaltrabajo.
P.ej.,unsubsidioparaaquellosindividuosque
trabajenalmenos20horassemanales.
Estecambionoesestrictamenteuncambioenw.
Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/12 Salir
Contenido
Limitacionesdelejemplo2
Alestimar:
Noseincluyenlosdatosdelaspersonasquenoestn
trabajando.
Laestimacinnoestaracapturandoelhechodeque
unosindividuosquenotrabajanbajoelescenario
actual,podranhacerlounavezsehaimplementadoel
subsidioaltrabajo.
Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/13 Salir
Contenido
Siconociramoslos
parmetrosdelasfunciones
Enelejemplo,siconociramoslosparmetrosdelafuncin:
,
Sepodrapredecircmoreaccionaranlosagentesante
cualquiercambioenlarestriccinpresupuestal,porque
conocemossuspreferencias.
Independientementedesiesuncambioenlos
datoshistricos/disponiblesono.
Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/14 Salir
Contenido
Paraquestimarun
modeloestructural?
Seescribeunmodelodeeleccinyseleestimanlos
parmetrosestructurales,dadoslosdatosdisponiblespara
encontrar:
1.Elefectodeltratamiento.
2.Lasposiblesvariacionescontrafactualesdeltratamiento.
Recuerdequelosparmetrosestructuralessonaquellosque
caracterizanlafuncindeutilidad(preferencias),lasfuncionesde
produccin(tecnolgicos),etc.Estossoninvariantesacambiosde
poltica,porquerepresentanlaspreferenciasyrestricciones
tecnolgicasdadas.
Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/15 Salir
Contenido
Ejemplo1:Canasta
Lamadredecidesiinscribiralnioenelprogramaconbase
enunmodeloesttico.
Lamadremaximiza:
max U( , , ; )
{ , , , }
Sujetoa:
Restriccinpresupuestal:
Funcindeproduccindelacalidaddelosnios:
Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/16 Salir
Contenido
Ejemplo1:Canasta
Consumodelamadre.
Consumodelnio.
L Tiempodeociodelamadre.
q Calidaddelnio(estadodesaludonutricional).
Heterogeneidadnoobservadaentrelosindividuos.
D Indicadordeparticipacin.
T Tiempodedicadoporlamadrealcuidadodelnio.
Y Ingresodelpadre.
Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/17 Salir
Contenido
Ejemplo1:Canasta
K Costofijoporparticiparenelprograma.
Choquealeatorioqueserealizadespusdequela
madretomaladecisindeparticiparono.
Ahora:
Solucinencasodequelamadredecida
1 1 1
, , participarenelprogramasujetoalas
restricciones.
0 0 0
, , Solucinencasodequelamadredecidano
participarenelprogramasujetoalas
restricciones.
Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/18 Salir
Contenido
Ejemplo1:Canasta
1 1 1) 0 0 0)
= ( , , ( , ,
Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/19 Salir
Contenido
Diferenciasentrelaestimacin
estructuralylareducida
Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/20 Salir
Contenido
Ejemplo1:Canasta
Podramosestudiar:
Elefectodelprograma,encasodequeseentregarauna
cantidaddedineroequivalentealmercado.
max U( , , ; )
{ , , , }
Nuevarestriccinpresupuestal.
Valoracinmonetariadelmercado
Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/21 Salir
Contenido
Ejemplo1:Canasta
Conrespectoalafuncindeproduccinq
YanodependedeDporqueelefectoahoravendratravs
delcambioenconsumodelnioCn ydeltiempodela
mamT,queresultendeldineroenefectivoquerecibila
madre:
Elefectodelprogramaestaradadopor:
1. Unaumentoenelconsumodelnio.
2. Unaumentoeneltiempoquelamadrededicaalnio,
dadoqueelingresodelhogarseincrementa.
Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/22 Salir
Contenido
Mtodosdeestimacin
Estimacinporelmtododemximaverosimilitud:
Seusacuandosedisponendedatosindividuales,encuyo
casoestaeslamaneramseficientedeutilizarla
informacin.Porej.:casosencillo:
Sujetoa:
Enestecaso,elindividuodecidesiparticiparonoenel
programa,D,paramaximizarsu funcindeutilidad.
Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/23 Salir
Contenido
Mtodosdeestimacin
Indicadordeparticipacinenelprograma
Vectordecaractersticasobservadas.
Variablederesultado.
Trminoaleatorionoobservado.
Vectordeparmetrosdepreferencias.
Vectordeparmetrosdelafuncindeproduccin.
Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/24 Salir
Contenido
Mtodosdeestimacin
Lainformacindisponiblees:
=1,,
Esdecir,paracadaindividuoi seobservan:(1)sudecisinde
participacin,(2)suvariablederesultadoy(3)unaseriede
caractersticasobservadasX.
Vectordelosparmetrosquesevanaestimar:
Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/25 Salir
Contenido
Mximaverosimilitud
Lafuncindeverosimilitudestaradadapor:
Probabilidad de observar la
variable de resultado .
Probabilidaddeparticipar Probabilidaddeno
siesbeneficiariodel participarsinoes
programa. beneficiariodelprograma.
Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/26 Salir
Contenido
Mximaverosimilitud
Estimadordemximaverosimilitud:
Dondelaprobabilidaddeparticipacinestdadapor:
Paraqueelindividuoparticipeenelprogramase
requierequelautilidaddeparticipacinenelprograma
seamayorquelautilidaddenoparticipar.
Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/27 Salir
Contenido
Acercadelas
funcionesdeutilidad
Dequdependelaformadelafuncindeutilidad?
Delossupuestosparamtricosacercade:
y
Sisesuponeuna Lasexpresionesde
distribucinnormal probabilidadestaran
dadasporunprobit.
Sisesuponeuna Lasexpresionesde
distribucinvalor probabilidadestaran
extremotipoI dadasporunlogit.
Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/28 Salir
Contenido
Mtodosdeestimacin
Mtododemomentos:
Generalmentemstilenquesedisponededatos
agregadosynoindividuales.
Intuitivamente:
Consisteenencontrarunvectordeparmetros que
minimiceladistanciaentre
Losmomentosmuestrales relacionadosconlas
eleccionesdelosindividuosylasvariablesderesultado,
ylosmismosmomentoscalculadosapartirdela
simulacindeagentesficticiosqueeligenconbaseenel
modelodeoptimizacinsupuestoporelinvestigador.
Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/29 Salir
Contenido
Estimadorpormtodode
momentos
Losmomentossongeneralmentemediaso
desviacionesestndardelasvariablesdeinters,
p.ej.:
1)Elpromediodeindividuosparticipantes.
2)Elpromediodelavariablederesultadoporgrupo.
3)Elpromediodelavariablederesultadopor
caractersticasobservadasX,etc.
Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/30 Salir
Contenido
Estimadorpormtodode
momentos
El estimador es aquel que minimiza la distancia entre los
momentos muestrales y los momentos simulados.
Donde:
Diferenciaentreelvectordemomentosmuestrales
H(X,Y,D) yelvectordemomentossimuladosh().
Matrizponderadorademomentos.
Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/31 Salir
Contenido
Algoritmodeestimacin
1. Para un vector de parmetros , se obtienen N reali
zaciones de los errores aleatorios y de sus distri
buciones respectivas (asumidas por el investigador). Se
obtienen parejas de realizaciones:
= 1,,
= 1,,
2.Conbaseen ysecalculan:
Paracadaunadelaspersonasficticias.
Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/32 Salir
Contenido
Algoritmodeestimacin
3. Serepiteelprocesoparalosindividuossimulados.
4. Conbaseenlaseleccionesdelosindividuossimulados
secalculanlosmismosmomentosquesehan
obtenidoapartirdelosdatosmuestrales.
Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/33 Salir
Contenido
Modelosestructurales
dinmicos
Lasdecisionesdelosindividuoshoytienenunimpactoen
susposibilidadesydecisionesenelfuturo.
Versindelmodelodinmico:
Maximizacindelflujodeutilidadesdescontadodesdeel
perodoactualt hastaelperodofinalT.
Sujetoa:
Lafuncindeproduccindelavariablederesultado.
Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/34 Salir
Contenido
Modelosestructurales
dinmicos
Donde:
= Nmerototaldeperodosqueelindividuo
=1 elegiblehaparticipadoenelprograma.
( ) Vectordeestado,compuestopor
porqueeslanicavariablequeseacumula
demaneraendgenaenelmodelo.
Caractersticasdelindividuo.
Realizacionespresentesyfuturasdelos
choquesalaproduccin.
Realizacionespresentesyfuturasdelos
choquesalaspreferencias.
Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/35 Salir
Contenido
Funcindemxima
verosimilitud
Probabilidaddeobservarla
variablederesultadoen
elperodot.
Probabilidaddeparticipar Probabilidaddeno
enelperodot sies participarenelperodot si
beneficiariodelprograma. noesbeneficiariodel
programa.
Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/36 Salir
Contenido
Reescribiendoelproblema
demaximizacin
Funcindemximovalor(ecuacindeBellman)
+1 +1
Dadoqueelvectordeestadoes,
lafuncindevalorsepuedeescribircomo:
+1 +1
Utilidadpresente Mselvalordecontinuacinque
mxima,enelactualt. correspondealvaloresperadode
lafuncindemximovalorenel
perodot+1.
Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/37 Salir
Contenido
Probabilidaddeparticipacin
Las expresiones de las probabilidades de eleccin por perodo que
van en la funcin de verosimilitud son ms complejas porque no se
comparan utilidades corrientes, sino las utilidades corrientes ms el
valor de continuacin dada la eleccin del perodo presente, as:
+1 +1
+1 +1
Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/38 Salir
Contenido
Ventajadelosmodelos
dinmicos
1. Elhechodequeseandinmicospermiteobteneruna
visinmsrealista.
Incorporaelhechodequelasdecisionesdelosindividuos
puedentenerefectosnosloenelpresente,sino
tambinenelfuturo.
2. Permitenevaluartantoefectosdecortoplazocomolos
efectosdelargoplazodelprograma,locualnoesposible
enlasmetodologasdeformareducidaqueestudiaronen
loscaptulosanteriores.
Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/39 Salir
Contenido
Conclusiones
1. Losmodelosestructuralespermitenlasimulacinde
experimentosdepolticacontrafactual.
Ejemplo:
Enunexperimentoaleatoriocontrolado:
Un programa de transferencias condicionado en la asisten
cia escolar, como el de Familias en Accin.
Slosepuedeevaluarlatransferenciacondicionada,tal
cualestdiseada.
Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/40 Salir
Contenido
Conclusiones
Enunmodelodecomportamiento:
Se puede estimar el efecto si el subsidio fuera:
1. Incondicional.
2. Condicional en graduacin escolar y no en asistencia.
3. Si el monto variara por gnero del nio beneficiario, etc.
Sepuedenestudiarlosimpactosdevariaciones
hipotticasenlapoltica.
Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/41 Salir
Contenido
Conclusiones
2. Permitenlaevaluacindeefectosdelargoycortoplazo.
Ejemplo:
Las transferencias condicionadas pueden no tener muchos
efectos en las decisiones de retorno a la escuela una vez el
nio deserta.
Efectodecortoplazo
Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/42 Salir
Contenido
Conclusiones
Ahora,sielprogramahaestadovigenteduranteunperodo
largo,esposiblequeprevengaladesercinescolar.
Enestecaso,losefectosesperadosdelargoplazoson
mayoresquelosdecortoplazo.
Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/43 Salir
Contenido
Conclusiones
3. Los modelos de comportamiento permiten estudiar me
canismos a travs de los cuales la poltica tiene sus
efectos sobre la variable de resultado.
Ejemplo:
LaevaluacindelprogramaCanasta podraindicarqueel
efectoenelestadonutricionaldelosniosnoes
significativo.
Razones:
Existenotrosinsumosnecesariosparalaproduccindel
buenestadonutricional(visitasalmdico,vacunas,etc.).
Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/44 Salir
Contenido
Conclusiones
4.Entrelasdesventajas,lamsimportanteesquenoresulta
fcilvalidarelmodeloescogido,entrminosdeplausibilidad
yvalidezdelossupuestosfuncionalesyparamtricosque
eligeelinvestigador.
Paramostrarqueelmodeloesplausible,esnecesario:
1. Validardentrodelamuestra.
2. Validarfueradelamuestra.
3. Utilizarcambiosdergimen.
4. Compararconlosresultadosdeexperimentossociales
controlados.
Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/45 Salir
Contenido
Ejemplo2:Polticasparapoblacin
desplazadaenColombia(Helo,2008)
Objetivo:
Identificarelefectoquelosprogramasdeestabilizacinhan
tenidoenlossalariosdevengadosylaparticipacinenel
mercadolaboraldelapoblacindesplazadaenelmunicipio
receptorenColombia.
Objetivodelosprogramas: reincorporaralosdesplazadosenlos
procesosproductivosydisminuirladependenciadelaayudadel
Gobierno,pormediodeprogramasdegeneracindeingresos,
asistenciaescolaryadquisicindevivienda.
Doscomponentesrelevantes:
Microcrditos:25+salariosmnimos
Capacitacinlaboral:desarrollarcompetenciasenunaespecialidad.
Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/46 Salir
Contenido
Ejemplo2:Polticasparapoblacin
desplazadaenColombia(Helo,2008)
Modelo:
Cadaindividuodesplazadodecidesiparticiparonoenel
programa.
Sidecideparticipar,eligeelsectorenelquevaatrabajar.
Conelfindemaximizarunafuncindeutilidadque
dependede:
Consumodelhogar.
Participacinlaboral.
Participacinenelprograma.
Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/47 Salir
Contenido
Ejemplo2:Polticasparapoblacin
desplazadaenColombia(Helo,2008)
Sujetoa:
C Consumo.
T Variabledictomaiguala1sielindividuo
trabaja;0delocontrario.
P Variabledictomaiguala1sielindividuoparticipa
enelprograma;0delocontrario.
Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/48 Salir
Contenido
Ejemplo2:Polticasparapoblacin
desplazadaenColombia(Helo,2008)
W Ingresolaboral.
N Ingresonolaboral.
B Ingresoporparticipacinenelprograma.
Elsalariolaboralvaraconelsectordondeelindividuose
emplee.
Elsalarioenelsector varaconlaexperiencialaboral;el
niveldeeducacin,deacuerdoconlasiguienteecuacin:
2
1 2 3
4 5 6
m:sector(agrcola,noagrcola).
Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/49 Salir
Contenido
Ejemplo2:Polticasparapoblacin
desplazadaenColombia(Helo,2008)
Combinacionesfactibles:
Participa
Combinacin en el Actividad agrcola Otra actividad No trabaja
programa
1 S S 0 0
2 S 0 S 0
3 S 0 0 S
4 No S 0 0
5 No 0 S 0
6 No 0 0 S
Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/50 Salir
Contenido
Ejemplo2:Polticasparapoblacin
desplazadaenColombia(Helo,2008)
Unapersonaiescogelacombinacinjsi:
Laprobabilidaddequeelindividuoiescojalaalternativaj
estdadapor:
Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/51 Salir
Contenido
Ejemplo2:Polticasparapoblacin
desplazadaenColombia(Helo,2008)
Dadaslasprobabilidadesseconstruyelafuncin
logartmicadeverosimilitud:
Caractersticasindividuales Vectordeparmetros
Sitrabaja
~ ~
=1
Funcindedensidad
Sinotrabaja
+ | , normal
~
=1
Probabilidaddeescogenciadelaalternativaj
Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/52 Salir
Contenido
Ejemplo2:Polticasparapoblacin
desplazadaenColombia(Helo,2008)
Prediccionesdelmodelo:
Combinacin
Alternativa
1 2 3 4 5 6
escogida
P =1, A=1 P=1, O=1 P=1, NT=1 P=0, A=1 P=0, O=1 P=0, NT=1
Reales 4.53 24.68 7.07 7.77 29.74 26.21
Predichos 1.01 25.75 1.50 3.61 36.32 31.81
Pearson 2 12.05
Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/53 Salir
Contenido
Ejemplo2:Polticasparapoblacin
desplazadaenColombia(Helo,2008)
Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/54 Salir
Contenido
Captulo11
Duracindelaexposicin
altratamiento
Salir
Contenido
Exposicinalprograma
Demomento,laestimacindelimpactodelprogramasebasaen
lacomparacindeindividuostratadoseindividuosnotratados.
Otraposibilidadparaestimarlosefectosdelprogramaconsiste
enusarlasdiferenciasenladuracindelaexposicin al
tratamientoenelgrupodetratados.
Particularmente til si:
1. Losefectosdelprogramanosonlineales:elimpactodel
programadependedelacantidaddetiempoqueel
participantehaestadoexpuesto.
2. Existenrestriccionesdelosdatos:siungrupode
comparacinnoestdisponibleoesmuycostosorecoger
informacinacercadeungrupodecomparacin.
Guaprcticaparalaevaluacindeimpacto/Captulo11:DuracindelaExposicinalTratamiento/2
Salir
Contenido
Exposicinalprograma
Dos alternativas para evaluar el efecto de la duracin de
exposicin al tratamiento sobre los tratados:
Compararelgrupode Utilizandosolamenteel
tratamientoconelgrupode grupodetratamiento,
control,perodiferenciando compararlosindividuos
losindividuosdelgrupode tratadosconlargaexposicin
tratamientoporladuracin alprogramaconlos
delaexposicinal individuosconcorta
programa. exposicinalprograma.
Efectodeladuracindel Efectodemayorduracindel
programaconrespectoa programaconrespectoa
losnoparticipantes. menorduracindelprograma.
Guaprcticaparalaevaluacindeimpacto/Captulo10:Duracindelaexposicinaltratamiento/3
Salir
Contenido
Exposicinalprograma
Cundousarcadaalternativa?
Enparticular,sedefine:
= 0 + 1 +
Donde Duracini es una medida de la cantidad de tiempo
que el individuo ha estado expuesto al tratamiento. La
duracin de los individuos elegibles pero no participantes
es cero.
Exposicinalprograma
Cundousarcadaalternativa?
Parasolucionarlosproblemasdeendogeneidad deDuracini , se
puederecurriracualquieradelosmtodosestudiadosenlos
captulosanteriores.
1. Porejemplo,sepuedeencontrarunavariableinstrumental
paraladuracin delaexposicin altratamiento.
2. Podraestimarsepormtodosdeemparejamiento,sihay
razonesparapensarquelaseleccinsedanicamenteen
variablesobservadas.
3. Sepuedeencontrarunumbraldeunavariableobservadaque
determinalaelegibilidadparadiferentesduraciones.
Guaprcticaparalaevaluacindeimpacto/Captulo10:Duracindelaexposicinaltratamiento/5
Salir
Contenido
Exposicinalprograma
Ejemplo:Canasta
EnelcasodelejemploCanasta,estamosinteresadosenevaluar
elefectodiferencialdeltratamientoporladuracindela
exposicin.Perocomosediscuti,laparticipacin(y
participacinpordiferentesduraciones)puedeserendgena.Se
plantearoncomovariablesinstrumentales:
1. Distanciadelhogarfamiliaralaoficinaoperadoradel
programa.
2. Nmerodeoficinasoperadorasenelmunicipioderesidencia.
Intuitivamente,ambaspuedenafectartantolaparticipacin
comoladuracindelaexposicin,porquecambianla
disponibilidadypreciosdelprograma.
Guaprcticaparalaevaluacindeimpacto/Captulo10Duracindelaexposicinaltratamiento/6
Salir
Contenido
Exposicinalprograma
Cundousarcadaalternativa?
1. Efectosdeladuracindeexposicinaltratamientocon
respectoalgrupodenoparticipantes:casoB
Aprovechaeldiseogradualdeintroduccindelprograma
paraestimarlosefectos.
Porejemplo:introduccindelprogramaporzonas.Zona1se
introduceenao1,zona2enao2,yassucesivamente.
Lazona2sirvedegrupodecomparacinparalazona1porun
ao.Lazona3sirvedegrupodecomparacinparalazona1
pordosaosyparalazona2porunao,etc.
Guaprcticaparalaevaluacindeimpacto/Captulo10:Duracindelaexposicinaltratamiento/7
Salir
Contenido
Exposicinalprograma
Cundousarcadaalternativa?
1.Efectosdeladuracindeexposicinaltratamientocon
respectoalgrupodenoparticipantes:casoB
Silaintroduccinporzonasfuealeatoriaorazonablemente
aleatoria,entonceslaestrategiadeidentificacinesmsclara
yrobusta.
Silaintroduccinporzonasnofuealeatoria,entonceses
necesarioutilizaralgunadelasmetodologasdecorreccindel
sesgodeseleccinquesehanpresentadoencaptulos
anteriores.
Encualquiercaso,estimaelefectodediferentesduraciones
deexposicinalprogramaconrespectoalgrupode
comparacin.
Guaprcticaparalaevaluacindeimpacto/Captulo10:Duracindelaexposicinaltratamiento/8
Salir
Contenido
Exposicinalprograma
2.Anlisisdeintensidad:comparandoindividuostratados
segnladuracindeexposicinalprograma
Comparaindividuosdelargaexposicin alprograma
(grupodetratamiento).
Conindividuostratadosdecortaexposicin alprograma
(grupodecontrol).
Sedefineunindicadordetratamientoquedistinga
entrelosdosgruposyseestimaigual.
Ventaja Norequierensupuestossobreelprocesode
seleccinenelprograma.
Guaprcticaparalaevaluacindeimpacto/Captulo10:Duracindelaexposicinaltratamiento/9
Salir
Contenido
Efectointensidad
Fuentedeseleccinnoaleatoria:
Puedenexistirdiferenciassistemticasentrequienes
hanparticipadodurantelargosperodosyquienes
acabandecomenzaraparticipar.
Guaprcticaparalaevaluacindeimpacto/Captulo10:Duracindelaexposicinaltratamiento/10
Salir
Contenido
Ejemplo:HogaresComunitarios
deBienestar(Bernaletl.,2009)
Objetivo: atenderaniosmenoresde6aos
pertenecientesafamiliasencondicionesdevulnerabilidad.
Guaprcticaparalaevaluacindeimpacto/Captulo10:Duracindelaexposicinaltratamiento/11
Salir
Contenido
Ejemplo:HogaresComunitarios
deBienestar(Bernaletl.,2009)
Evaluacin: tiponoexperimental.Comparalasvariablesde
resultadodel:
Anlisisdeintensidad:
Comparaaniosparticipantesenelprogramasegnel
tiempodeexposicinaste.
Guaprcticaparalaevaluacindeimpacto/Captulo10:Duracindelaexposicinaltratamiento/12
Salir
Contenido
Ejemplo:HogaresComunitarios
deBienestar(Bernaletl.,2009)
Problemas:
Elprogramapresentamuchaheterogeneidadencuantoa:
Tipodehogar,modalidaddelhogarocaractersticasde
lamadrecomunitaria.
1. Mtododeemparejamiento: Kernel.
2. Anlisisdeintensidad paradisminuirelsesgode
participacin,queesbastantegrande.
Guaprcticaparalaevaluacindeimpacto/Captulo10:Duracindelaexposicinaltratamiento/13
Salir
Contenido
Ejemplo:HogaresComunitarios
deBienestar(Bernaletl.,2009)
Efectodelprogramasobredesnutricinglobal.Portiempode
exposicinyedaddelosnios.
0.00
0.00
0.01
Efectodelprograma
0.01
0.01 Exposicin
0.02 0.01 0.01 24meses
0.02 515meses
0.02** 16+meses
0.03
0.03**
0.03
2536meses 3748meses
Edaddelnio
Grupodecomparacin:participantesconmenosdeunmesdeduracin
**Significanciaal5%.
Guaprcticaparalaevaluacindeimpacto/Captulo10:Duracindelaexposicinaltratamiento/14
Salir
Contenido
Ejemplo:HogaresComunitarios
deBienestar(Bernaletl.,2009)
Sobreeldesarrollopsicosocial.Efectoportiempode
Psicosocial.Efectoportiempodeexposicinalprograma.
exposicinalprograma(niosde36a48meses)
Niosde36a48meses.
0.30 0.24***
Efectodelprograma
0.20
0.09** 0.09** 0.06 Exposicin
0.10 0.06 0.02
0.00 24meses
0.03 515meses
0.10 0.06
0.13*** 16+meses
0.20
PIPPS PIPPS PIPPSInteraccin
Comportamiento AislamientoSocial Adecuada
Agresivo
Grupodecomparacin:participantesconmenosdeunmesdeduracin
**Significanciaal5%;***Significanciaal1%.
PIPPS:ndicesPenn deinteraccineneljuego.
Guaprcticaparalaevaluacindeimpacto/Captulo10:Duracindelaexposicinaltratamiento/15
Salir