Está en la página 1de 411

GUA PRCTICA

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

2 y 3 Definicin de parmetros de impacto del 4 Experimentos aleatorios (sociales)


tratamiento y sesgo de seleccin
5 Experimentos naturales o cuasi experimentos
4 Experimentos aleatorios (sociales) Datos tipo panel
5 Experimentos naturales o cuasi experimentos Datos tipo corte transversal
6 Mtodo de emparejamiento 6 Mtodo de emparejamiento
7 Mtodo de variables instrumentales 7 Mtodo de variables instrumentales
8 Mtodo de regresin discontinua 8 Mtodo de regresin discontinua
9 Funciones de control 9 Funciones de control
10 Estimacin de modelos estructurales
11 Duracin de la exposicin al tratamiento
Bases de datos clic para abrir carpeta

Presentaciones en Power Point

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

Definiciones: Grupo de tratamiento: grupo de individuos


participantes en el tratamiento. Grupo de control: grupo de
individuos no participantes en el tratamiento.
variablederesultadoparacadaindividuo
Yi ( Di ) i dadosuestado

Yi (1) eslavariablederesultadodelindividuoi siestratado


Yi (0) eslavariablederesultadodelindividuoi sinoestratado.
Guaprcticaparalaevaluacindeimpacto/Captulo2:Definicindeparmetrosdeimpactodeltratamiento/3
Salir
Contenido

Ejemplo1:Canasta

Suponga que debemos evaluar el impacto del programa


Canasta, que es un programa de nutricin.

Poblacin objetivo: nios entre 0 y 6 aos pertenecientes al


Sisbn 1 y 2.

Consiste en: proveer un mercado mensual por el valor de


$X, entregado a las madres de los nios
participantes.

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:

Problema: Slo se puede observar uno de los dos


resultados potenciales para cada
individuo i. El individuo i slo puede ser
participante o no participante, pero
no ambas al tiempo.

Guaprcticaparalaevaluacindeimpacto/Captulo2:Definicindeparmetrosdeimpactodeltratamiento/6
Salir
Contenido

Elresultadoefectivamenteobservadosepuedeescribir:

Dado que no se puede obtener el efecto del


tratamiento para cada individuo i. El anlisis debe
concentrarse en el impacto promedio del programa
en la poblacin o en subconjuntos de la poblacin.

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

resultado de individuos no tratados, dado que no


participaron en el programa.
como el promedio de la variable de

resultado de individuos no tratados, si hubieran podido


participar en el tratamiento.

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

Podra ser una aproximacin inexacta, dado que quienes


participan en el programa, en general, son distintos de
quienes no lo hacen; por lo tanto, la variable de resultado
suele ser distinta entre el grupo de control y el de
tratamiento, aun en ausencia del programa.

Guaprcticaparalaevaluacindeimpacto/Captulo2:Definicindeparmetrosdeimpactodeltratamiento/13
Salir
Contenido

Condicinparala
aproximacin
Pararecuperar serequiereque:

Implica que la variable de resultado en ausencia del


programa debe ser idntica para los individuos tratados
y los individuos no tratados.
En otras palabras, la participacin en el programa es
independiente de las caractersticas de los individuos.

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:

Entonces, el efecto del programa se podra estimar a travs


de la comparacin de medias de la variable de resultado
del grupo de tratamiento y el grupo de control.

El efecto se puede estimar con la regresin


0 1
Efectodelprograma
Guaprcticaparalaevaluacindeimpacto/Captulo2:Definicindeparmetrosdeimpactodeltratamiento/20
Salir
Contenido

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.

Sesgode [ (0)| = 1] [ (0)| = 0]


seleccin

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:

Existen caractersticas observadas y no observadas de los


individuos contenidas en que explican tanto la decisin de
participar en el programa, , como la variable de resultado
.

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.

Por ende, el efecto del programa no se puede obtener de la


comparacin de las medias de la variable de resultado entre los
tratados y no tratados. 1 captura tanto el efecto directo del
programa como el efecto que tienen otros factores no medidos
(p. ej., proactividad y motivacin de la madre) sobre el estado
nutricional del nio y no se pueden separar!

Guaprcticaparalaevaluacindeimpacto/Captulo3:SesgodeSeleccin/28
Salir
Contenido

Cmoeliminarelsesgo?
Variablesobservadas

Si las caractersticas del individuo que explican tanto la


participacin en el programa como la relacin con la
variable de resultado son observadas y estn contenidas en
la base de datos, se deben introducir explcitamente en la
regresin, para eliminar el sesgo, as:

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

2 >0 1 > 1 1 < 1

2 <0 1 < 1 1 > 1

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

E[Y (1) | D 1] Mediadelavariablederesultadoenel


grupodeparticipantes.

E[Y (0) | D 1] Mediaquehubieranobtenidolos


participantessielprogramanohubiera
existido.
E[Y (1) | D 0] Mediadelavariablederesultadoentre
losnoparticipantesdelprograma,si
hubieranpodidoparticipar.
E[Y (0) | D 0] Mediadelavariablederesultadode
quienesnoparticiparonenelprograma.

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.

Debido al costo, es posible que el tamao de la muestra sea


pequeo, hecho que genera que los efectos no sean sufi
cientemente precisos.

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

Las reasignaciones, segn la causa, podran estar


sobrestimando el efecto de estar en una clase pequea.

Estimacin del efecto del programa

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.

Objetivodelprograma: asignarvouchers amsde125.000


estudiantesdeprimariapblicadeestratos1y2paraasistir
asecundariasprivadas.

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

Supongamos que debemos analizar el efecto de una cada


en el ingreso del hogar en el bienestar de los nios.

Puede ocurrir que aquellos hogares para los que cae el


ingreso sean sistemticamente distintos de los hogares en
los que el ingreso no cae (p. ej., los primeros son ms
inestables que los segundos).

Guaprcticaparalaevaluacindeimpacto/Captulo5:ExperimentosNaturalesocuasiExperimentos/3
Salir
Contenido

Ejemplo1

Suponga que en este pas pas un huracn.

Los sitios arrasados por el huracn estn esparcidos de


manera aleatoria.

Los damnificados por el huracn experimentaron una cada


en el ingreso presumiblemente aleatoria y, por lo tanto, no
est correlacionada con las caractersticas del hogar.

Entonces, el huracn produce un experimento natural.

Guaprcticaparalaevaluacindeimpacto/Captulo5:ExperimentosNaturalesocuasiExperimentos/4
Salir
Contenido

Ejemplo2.Canasta
Hallazgodepetrleo
Suponga que algunos municipios del pas encontraron
petrleo de manera inesperada.

Aumentoenlosingresosmunicipalesporregalas.

Ahora, el gobierno expide un decreto, segn el cual el


municipio con un crecimiento de sus ingresos mayor a x%
debe destinar un punto porcentual de ste a programas de
infancia temprana, en particular a Canasta.

Guaprcticaparalaevaluacindeimpacto/Captulo5:ExperimentosNaturalesocuasiExperimentos/5
Salir
Contenido

Ejemplo2.Canasta
Experimentonatural
Enestecaso,noseexigiralosbeneficiariosqueapliqueno
asistanacontrolmdico,sinoquelaoficinaadministradora
delprogramaseencargadeentregarlo.

El hallazgo de petrleo no est correlacionado con:


1. La decisin de participar en el programa.
2. Los indicadores nutricionales.

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?

Cundo el estimador Dif en Dif es ms eficiente que el de


diferencias?
Cuando algunos determinantes no observables de la
variable de inters son persistentes en el tiempo.

LaeficienciadelestimadordeDif enDif dependedela


fraccindelavarianzadequeestexplicadapor
factoresnoobservados.

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.

Permite utilizar 1 | = 1 1 | = 0 como control


apropiado de las diferencias preexistentes entre el grupo
de tratamiento y el de control.
Entonces:

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.

Datos: encuesta de hogares (repetidas).


1. Lnea de base: antes del hallazgo de los yacimientos.
2. Seguimiento: despus del experimento natural (luego del
tratamiento).

Grupo de control: residentes de municipios sin petrleo


pertenecientes al Sisbn 1 y 2.
Grupo de tratamiento: residentes de municipios con
petrleo pertenecientes al Sisbn 1 y 2.

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.

Paraelgrupode Datos de corte transversal de


control. municipios que posteriormente no
encuentran petrleo. Observaciones
Paraelgrupode Datos de corte transversal de pretratamiento
tratamiento. municipios que posteriormente
encuentran petrleo.

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.

Adems, todas las variables observables que afectan:


Laasignacindeltratamiento
Sonobservadas
Losresultadospotenciales
porel
investigador.

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

Probabilidad estimada de participacin en el programa


dadas sus caractersticas observables (propensity score).
Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/6 Salir
Contenido

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.

Un control adecuado para un individuo en el grupo de


tratamiento, es aquel que tiene una probabilidad de
participar en el programa muy parecida.

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)?

Para la estimacin se toman aquellos individuos que de


acuerdo con sus variables observables muestran proba
bilidades no cero de ser tanto participantes como no
participantes.

Los individuos del grupo de control son aquellos que tienen


probabilidades de participacin parecidas a las de los
individuos en el grupo de tratamiento.

Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/10 Salir
Contenido

EstimadordePSM
Asumiendoquesecumplen:

Elestimadordelefectopromediodelprogramasobrelos
tratadosdePSM estdadopor:

( )| =1

Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/11 Salir
Contenido

Condicionessobrelos
datos

En trminos de datos para que el PSM funcione:

1. Debe contener la informacin de las variables inde


pendientes relevantes.

2. La evidencia preliminar debe indicar que no hay muchas


diferencias entre los dos grupos en trminos de las
variables observables; de lo contrario, habra evidencia de
que tambin pueden ser diferentes en variables no
observables.

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:

Probabilidadlineal. Probit multinomial.


Probit. Logit multinomial.
Logit.

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.

Despus, aadir una a una las variables deseadas y dejarlas


slo si son significativas a niveles estndar.

Hacerlomismocontrminosdesegundoorden
(interaccionesytrminoscuadrticos).

Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/17 Salir
Contenido

Ejemplo1:Canasta

Si participar en el programa no fuera costoso para las


familias.

No participar Falta de informacin (ms aleatorio).

Ladecisindeparticiparestaradeterminadapor
caractersticasobservables.

Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/18 Salir
Contenido

Ejemplo1:Canasta
Ladecisindeparticiparono:

0 1 1

Dummy sila Caractersticasindividuales.


familiaes
beneficiaria.

Donde:
Individuales:edad,gnerodelnio.
Hogar:ocupacindelospadres,niveleducativo,
ingresodelhogar.

Guaprcticaparalaevaluacindeimpacto/Captulo6:Emparejamiento/19 Salir
Contenido

Ejemplo1:Canasta
Probabilidadestimadadeparticipacin:

0 1 1

Caracterizacindelafamiliasegnsu
probabilidaddeparticipacinenelprograma.

Si 1 edad del nio en aos y entonces la


probabilidad estimada de participacin aumenta en 0.32 cuando
la edad del nio se incrementa en un ao.

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.

En ambos casos, el intercepto estimado es un:


Estimadordelpromediocontrafactualdelavariable
objetivo.

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

El emparejamiento est bien cuando:


eltratamiento,despusdecontrolarpor,noest
correlacionadoconlascaractersticasindividuales.

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

1. Analticamente: encontrar una expresin de la varianza.

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

Diferenciade Vecinoms Vecinoms Emparejamiento


Impacto Impacto mediasentre cercanosin cercanoen locallinealenla
Sesgo
experimental experimental controlesyno soporte soporte probabilidadde
(como
(impactomensual ajustado(paralas participantes comn comn participacin
porcentaje
promedio,en personasenel (sesgocomo (sesgocomo (sesgocomo (sesgocomo
delimpacto)
dlares) soportecomn) porcentajedel porcentaje porcentaje porcentajedel
impacto) delimpacto) delimpacto) impacto)

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.

Gua prctica para la evaluacin de impacto /Captulo 7: Variables instrumentales/3 Salir


Contenido

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.

Gua prctica para la evaluacin de impacto /Captulo 7: Variables instrumentales/4 Salir


Contenido

Variablesinstrumentales

El mtodo de variables instrumentales consiste


en encontrar una parte de la variacin en Di
que no est correlacionada con el error Ui, y
estimar el efecto del programa utilizando slo
esa parte de la variacin que s se puede
considerar exgena. Por lo tanto, necesitamos
encontrar una parte de la variacin en Di que se
deba a una variable exgena, conocida como
variable instrumental, Zi.

Gua prctica para la evaluacin de impacto /Captulo 7: Variables instrumentales/5 Salir


Contenido

Variablesinstrumentales

Unavariableinstrumentaldebecumplirdos
condiciones:
Relevancia: Cov( Di , Z i ) 0
Elinstrumentotieneunbuenpoderdeprediccin
delaprobabilidaddeparticipacinenelprograma.
Validez: Cov( Di ,U i ) 0
Eltrminodelerrornoestcorrelacionadoconla
variableinstrumentalZi,porquestaesexgena.

Gua prctica para la evaluacin de impacto /Captulo 7: Variables instrumentales/6 Salir


Contenido

Ejemplo1:Canasta

ElprogramaCanasta entregaunmercadoaloshogarespara
mejorarelestadonutricionaldelosnios.

Laparticipacinenelprogramaesvoluntaria.

Laaplicacinalprogramaescostosaentrminosdetiempo.
Existesesgodeseleccin:lasmadresparticipantes
probablementesonmsproactivas.

Gua prctica para la evaluacin de impacto /Captulo 7: Variables instrumentales/7 Salir


Contenido

Ejemplo1:Canasta

Elindicadordeparticipacinestcorrelacionadocon
variablesnoobservablesdelamadre:
Motivacin.
Disposicinparainvertirenlanutricindesushijos.

Estasvariablestambinafectanlasaludylanutricindelos
nios.

ElestimadordelprogramaatravsdeMCOestara
sesgado.

Gua prctica para la evaluacin de impacto /Captulo 7: Variables instrumentales/8 Salir


Contenido

Ejemplo1:Canasta

Condicionesparalavariableinstrumental:
Debeexplicarlaprobabilidaddeparticiparenelprograma
Canasta.
Nodebeestarrelacionadaconlamotivacindelasmadresa
invertirtiempoparamejorarlasaluddesushijos(proactivas).
Nodebeafectarelestadonutricionaldelosnios
directamente.

Variableinstrumental:
Distanciadelhogaralaoficinaadministradoradelprograma.

Gua prctica para la evaluacin de impacto /Captulo 7: Variables instrumentales/9 Salir


Contenido

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

El efecto del programa se identifica a partir de un


subconjunto de individuos. El subconjunto de
individuos que cambia su decisin de participar en
el programa, debido a la cercana de su hogar a la
oficina administradora.
ElefectoestimadoesunefectoLOCALyno
promedio.

Gua prctica para la evaluacin de impacto /Captulo 7: Variables instrumentales/11 Salir


Contenido

Ejemplo2:Canasta

Poblacin elegible: la participacin en el programa se


determin con base en un sorteo entre los elegibles; pero:
Algunosganadoresdelprogramadecidennoreclamarel
mercado.
Algunosperdedoresinsistenhastaquelesdanelmercado.

La decisin de algunos ganadores de no reclamar el mercado


y de los perdedores de insistir para obtenerlo, est
relacionada con variables observadas y no observadas que
tambin afectan el estado nutricional de los nios.

Gua prctica para la evaluacin de impacto /Captulo 7: Variables instrumentales/12 Salir


Contenido

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.

Gua prctica para la evaluacin de impacto /Captulo 7: Variables instrumentales/13 Salir


Contenido

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.

Gua prctica para la evaluacin de impacto /Captulo 7: Variables instrumentales/14 Salir


Contenido

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.

Gua prctica para la evaluacin de impacto /Captulo 7: Variables instrumentales/15 Salir


Contenido

Supuestodemonotonicidad

Elsupuestodemonotonicidadrequierequeno
existaelgrupodelosdesafiantes.

Elsupuestonosecumplecuando:
Losindividuosnoparticiparoncuandoganaronlarifa.
Losindividuosparticiparoncuandoperdieronlarifa.

Gua prctica para la evaluacin de impacto /Captulo 7: Variables instrumentales/16 Salir


Contenido

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

Gua prctica para la evaluacin de impacto /Captulo 7: Variables instrumentales/17 Salir


Contenido

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.

Gua prctica para la evaluacin de impacto /Captulo 7: Variables instrumentales/18 Salir


Contenido

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.

0, 1, 2, ... k + 1 son los estimadores de MCO de la regresin


del indicador de tratamiento sobre las variables exgenas y
la variable instrumental.

Gua prctica para la evaluacin de impacto /Captulo 7: Variables instrumentales/19 Salir


Contenido

Variablesinstrumentales
MC2E
Segunda etapa:

Yi 0 1 D i 2 X 1i ... K 1 X Ki U i

Se utiliza la variacin en Di que se debe al instrumento


para identificar el efecto del programa. Esta regresin
se estima por MCO. Di es la prediccin de Di que
resulta de la primera etapa.

Gua prctica para la evaluacin de impacto /Captulo 7: Variables instrumentales/20 Salir


Contenido

Variablesinstrumentales
MC2E
Zi seconocecomorestriccindeexclusin,pues:
Explicaladecisindeparticiparenelprograma.
NoafectadirectamentelavariablederesultadoYi.

Cuando la variable explicativa de inters (end


gena) es continua, la primera etapa se corre por
MCO.

Gua prctica para la evaluacin de impacto /Captulo 7: Variables instrumentales/21 Salir


Contenido

Variablesinstrumentales
MC2E
Cuandolavariableexplicativadeinterses
dicotmica(Di),entonces:
Elmodelodeprobabilidadlinealenlaprimeraetapa:
Esheterocedstico porconstruccin.
Produceprediccionesdelaprobabilidadnegativaso
mayoresauno.
Encambio,elmodelodeeleccindiscretanolineal:
Eslogit oprobit.
Produceprediccionesrazonables.
Seutilizalaprobabilidadpredichadeparticipacinenel
programacomoinstrumento.

Gua prctica para la evaluacin de impacto /Captulo 7: Variables instrumentales/22 Salir


Contenido

Eleccindelosinstrumentos

Instrumentosmsusados:
Disponibilidadofacilidaddeaccesoalprograma.
Diferenciasenlospreciosdeaccesoalprograma:
Copago.
Costosdedesplazamiento.
Tiemposdeespera.
Polticasdeasignacinaleatorias.

Gua prctica para la evaluacin de impacto /Captulo 7: Variables instrumentales/23 Salir


Contenido

Evaluacindelavariable
instrumental
Elinvestigadordebe:
Proveerevidenciadequelavariableinstrumental
esrelevante.
Mostrarqueelinstrumentoesestadsticamente
significativoenlaprimeraetapa.

Proveerevidenciadequelavariableinstrumental
esexgena.
DemostrarqueZi yUi noestncorrelacionadas.
Problema:U noseobserva.
i

Gua prctica para la evaluacin de impacto /Captulo 7: Variables instrumentales/24 Salir


Contenido

Pruebasderelevancia

Regresinsimple:
Seevalalasignificanciaestadsticadelos
coeficientesasociadosainstrumentosconbaseen
pruebast.
Seevalalasignificanciaestadsticadelconjuntode
instrumentos(sitienemsdeuno)conbaseenla
pruebaF.

Gua prctica para la evaluacin de impacto /Captulo 7: Variables instrumentales/25 Salir


Contenido

Pruebasdeexogeneidad
Modelossobreidentificados
Elmodeloestsobreidentificado sisedisponede
msdeuninstrumentoparalaparticipacinenel
programa.
Pruebadesobreidentificacin deSargan:

1. EstimarelefectodelprogramaporMC2Eutilizando
solouninstrumento.
2. Calcularelerrorpredichoconbaseenlosestimadores
deMC2E.

Gua prctica para la evaluacin de impacto /Captulo 7: Variables instrumentales/26 Salir


Contenido

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.

Gua prctica para la evaluacin de impacto /Captulo 7: Variables instrumentales/27 Salir


Contenido

Pruebade
sobreidentificacin(Sargan)

Sielinstrumentoestcorrelacionadoconeltrmino
delerrornoesuninstrumentovlidoparaDi.

Lapruebadesobreidentificacin nodicenadasobre
elotroinstrumento:
Siestnescogidosbajolamismalgica,elresultadose
puedeaplicaraambosinstrumentos.
Ejemplo:educacindelamadreydelpadre.

Gua prctica para la evaluacin de impacto /Captulo 7: Variables instrumentales/28 Salir


Contenido

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

3. Las variables instrumentales deben cumplir el


supuesto de monotonicidad, que es inveri
ficable.
4. El estimador de variables instrumentales iden
tifica un efecto local y no un efecto promedio.

Gua prctica para la evaluacin de impacto /Captulo 7: Variables instrumentales/30 Salir


Contenido

Variablesinstrumentales:
problemaspotenciales
Enparticular:
Elefectocorrespondealgrupodelos
individuoscooperativosquegeneralmenteno
sepuedeidentificar.
Elgruposobreelcualsehaceinferenciaacerca
delimpactodelprogramaesdesconocido.

Gua prctica para la evaluacin de impacto /Captulo 7: Variables instrumentales/31 Salir


Contenido

Variablesinstrumentales
Ejemplo:Canasta
Programacanasta:
Tratamiento:entregaunmercadoalafamilia.
Variablederesultado:puntajeZ delatalla
segnlaedad.
Laparticipacinenelprogramaesvoluntaria:
Autoseleccin.
ElestimadordeMCOpodraestarsesgado.

Gua prctica para la evaluacin de impacto /Captulo 7: Variables instrumentales/32 Salir


Contenido

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.

Gua prctica para la evaluacin de impacto /Captulo 7: Variables instrumentales/34 Salir


Contenido

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.

Gua prctica para la evaluacin de impacto /Captulo 7: Variables instrumentales/36 Salir


Contenido

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

El Sistema de Identificacin de Potenciales


Beneficiarios de Programas Sociales (Sisbn):
Es un instrumento desarrollado con el objetivo de
focalizar programas de poltica pblica hacia la
poblacin ms vulnerable en Colombia y toma
valores entre 0 y 100.
Los hogares con puntajes Sisbn ms bajos son ms
vulnerables que aquellos con puntajes ms altos.

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)

El estimador de RD se basa en la observacin de que


los individuos justamente a la izquierda del umbral
deben ser muy parecidos a los individuos justamente a
la derecha de ste.
Excepto que los primeros participan en el programa y
los segundos no.
Entonces, los segundos podran ser un contrafactual
vlido de los primeros.

Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/9 Salir
Contenido

Regresindiscontinua(RD)

Supuestos:
Elumbralesarbitrario.
Losdeterminantesdelavariablederesultado,X,
sonmuyparecidosalaizquierdayaladerecha
delumbral.

Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/10 Salir
Contenido

Regresindiscontinua(RD)

La comparacin de estos dos grupos resulta


en un estimador vlido del impacto del trata
miento alrededor del punto de corte.

El parmetro estimado por RD es un efecto


promedio local del tratamiento (LATE), porque
se centra en los individuos en una vecindad
arbitrariamente pequea a la izquierda y a la
derecha del umbral .

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:

Los determinantes de la variable resultado, Y,


exceptuando la participacin en el programa, son
similares para individuos__ con un puntaje Sisbn por
debajo y por encima de Z .

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.

La probabilidad de participacin es discontinua en


el umbral al pasar de uno (a la izquierda) a ser
determinsticamente igual a cero (a la derecha).
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/14 Salir
Contenido

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

Si el programa Canasta se asignara a los hogares de Sisbn


1 y la participacin fuera obligatoria.

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.

La variable de resultado slo se observa en ausencia del


tratamiento, si la variable Z est a la derecha del umbral:
El individuo no participa en el programa.

Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/19 Salir
Contenido

Regresindiscontinuantida:
expectativascondicionalesdelas
variablesderesultado

Entonces,laexpectativacondicionaldelavariable
deresultadoobservadaestdadapor:

Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/20 Salir
Contenido

Relacinconelmtodode
emparejamiento

Se cumple: el supuesto de independencia condicional de


emparejamiento de manera trivial en RDN porque,
condicional en las caractersticas observadas (en especial,
Z), no hay variacin en el tratamiento.

Se viola: el soporte comn porque no existen valores de Z


para los cuales haya un traslapo de individuos tratados y no
tratados.

El supuesto de soporte comn reemplaza el supuesto de


que los individuos son similares alrededor del umbral.

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:

lim [ (0)| = ] = lim [ (0)| = ]


lim [ (1)| = ] = lim [ (1)| = ]


Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/22 Salir
Contenido

Regresindiscontinuantida:
anlisisgrfico

El anlisis grfico es un componente central al hacer


una evaluacin a travs del mtodo de regresin
discontinua.

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

El investigador debe proveer evidencia estadstica que muestre que no hay


saltos en las variables observadas alrededor del umbral ; por lo tanto, es
vlido asumir que el grupo a la izquierda del umbral es comparable con el grupo
a la derecha del umbral.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/24 Salir
Contenido

Anlisisgrfico:
supuestodenomanipulacin
DensidaddelinstrumentodefocalizacinZ
Casodenomanipulacin Casodemanipulacin

El investigador debe demostrar que el instrumento de focalizacin no ha


sido manipulado. Si la funcin de densidad de probabilidad de Z tiene
un salto peculiar justamente en el umbral , entonces eso sera
evidencia de manipulacin e invalidara el diseo RD.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/25 Salir
Contenido

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

El valor promedio de la variable de resultado en una vecindad


arbitrariamente pequea a la izquierda del umbral, menos el valor
promedio de la variable de resultado en una vecindad arbitrariamente
pequea a la derecha del umbral.

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

La probabilidad de recibir el tratamiento es positiva tanto a


la izquierda como a la derecha de , pero hay un cambio
discreto en esa probabilidad justo en el umbral.

Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/31 Salir
Contenido

Regresindiscontinuaborrosa(RDB):
aspectostericos

Pr(D)
Condicin de identificacin:
lim ( = 1| = ) lim ( = 1| = )
Probabilidad de Participacin

La principal fuente de iden


0.5 tificacin en RDB es la discon
tinuidad en la probabilidad de
participacin en el tratamiento
0 en un punto especfico de la
Z Z
Instrumento de focalizacin distribucin Z.

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
.

La probabilidad cambia discretamente en el


punto de corte , porque para Sisbn 2 es
ms improbable participar en el programa
dado que tienen un nmero restringido de
cupos.

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

Ahora, en el caso de RDB, el salto de Y en el umbral ya no


estima el impacto del programa, porque no todos los de la
izquierda participan y no todos los de la derecha no
participan.
En este caso, el salto en Y en el umbral estima el impacto
de la elegibilidad de participar, porque el umbral deter
mina la elegibilidad; pero no establece completamente la
participacin.
Es necesario tener en cuenta el cambio discreto en la
probabilidad de participar en el programa en el umbral.

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

Es decir, coincide exactamente con el estimador de Wald que estudiamos en


el captulo de variables instrumentales. El numerador tiene la covarianza
entre la variable de resultado y el instrumento, y el denominador tiene la
covarianza entre la variable endgena (participacin) y el instrumento.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/41 Salir
Contenido

Regresindiscontinuaborrosa:
efectodelprograma

El estimador de regresin discontinua borrosa coincide


con el estimador de Wald para variables instrumentales.
Se debe interpretar como efecto local.

Hann, Todd y Van der Klaaw (2001) utilizan el supuesto


de monotonicidad local, que es un supuesto ms fuerte,
segn el cual los individuos a cada lado del umbral son
idnticos en variables observadas y en variables no
observadas.
Seinterpretacomoefectolocalpromedio.

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).

Slo los individuos con puntaje Sisbn menor al


umbral pueden participar con probabilidad positiva.

El efecto del programa en este caso particular es:


lim [ | = ] lim [ | = ]


lim ( = 1| = ) 0

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

Los simples promedios a la izquierda y derecha del umbral corresponden a las


lneas horizontales, el salto entre los dos estara dado por el segmento bc. Si,
en cambio, ajustamos una regresin lineal a los datos en la vecindad izquierda y
derecha del umbral (lnea slida en negrilla), entonces el salto en el umbral
estara dado por el segmento ad. El ltimo se ajusta ms al verdadero salto,
que el primero.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/45 Salir
Contenido

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

= [ | ]+ = ( )+ [ ] +

: mide la discontinuidad de la probabilidad de


participacin en Z barra.

Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/49 Salir
Contenido

Implementacinemprica:
estimacinparamtricadeRDB

Estimacin en dos etapas:

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).

f(.) y m(.) pueden ser funciones polinmicas o funciones


spline de Z.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/50 Salir
Contenido

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.

min ( ))2 Regresinlineallocalala


1 1(
1, 1 izquierdadelumbral.
| < <

min ( 2 2( ))2 Regresinlineallocalala


2, 2 derechadelumbral.
| < < +

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.

Debido a que la cobertura es parcial para Sisbn 2,


la probabilidad cambia discretamente en el punto de corte
10.

El ejemplo se refiere a un caso de regresin discontinua


borrosa.

Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/61 Salir
Contenido

Implementacin del diseo de RD:


Imbens y Lemieux (2007)

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.

: intercepto > Estimador de Y al acercarse al


umbral por la izquierda.
: pendiente de la regresin.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/63 Salir
Contenido

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+

Regresin de D sobre el instrumento de focalizacin normalizado


en el umbral Z barra, con observaciones a la izquierda nicamente.
Luego repite a la derecha.

El estimador del impacto por RDB estara dado por:



= =

Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/66 Salir
Contenido

Implementacin del diseo de RD:


Imbens y Lemieux con pesos tipo
triangular

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

Con lo cual, entre ms cer


cana est la observacin al
umbral, tiene un mayor
peso k(Zi) en la regresin, y
viceversa.

Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/68 Salir
Contenido

Implementacin del diseo de RD:


modificacin de Imbens y
Lemieux con pesos tipo triangular
Define un ancho de banda.

Hace una nica regresin utilizando todas las observa


ciones a la derecha y a la izquierda del umbral.

0 1 2
3

Donde W es un indicador de elegibilidad.

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 (1) + 2 (0) + 3 (0) 1

[ | = 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) )+

El estimador del impacto del programa sera


entonces:

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| = )

As, se estimara por mnimos cuadrados en dos etapas en la


submuestra de observaciones, tal que + . En
particular: utilizara W como el instrumento (o restriccin de
exclusin) y D como la variable explicativa endgena. Es decir, se
estima la primera etapa de D sobre W, se construye la prediccin de
D con base en los estimadores de la primera etapa y, finalmente, se
estima una regresin de Y sobre D estimado. De este procedimiento
se obtienen el estimador del efecto y su varianza.
Guaprcticaparalaevaluacindeimpacto/Captulo8:RegresinDiscontinua/74 Salir
Contenido

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.

Variable dictoma: 1 sipuntajeSisbn 47


0 delocontrario

2. Se estiman diferentes modelos en la primera etapa de la


regresin, con diferentes anchos de banda y la inclusin de
distintos controles.

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.

Se encuentra que una expansin del 10% en el rgimen


subsidiado de salud, reduce la incidencia de nacimientos de
bajo peso entre 1.3% y 3.7%.

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)

Pese a que se encuentra un impacto significativo en la


incidencia de bajo peso al nacer, no hay ningn impacto
significativo en el acceso a los servicios de salud por parte
de madres embarazadas.

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.

Esto puede generar que los grupos de control y tratamiento


sean sistemticamente distintos y se viole .

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

Ejemplo1: Elimpacto delaeducacin


enlosingresos deInglaterra(Blundell,
Dearden ySianesi,2003)
Objetivo: estimarlosretornosalaeducacinsuperior.

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)
Ladecisindeestudiareducacinsuperior:
1 si Z i vi c

Di
0 caso contrario

Di : educacinsuperior.
Z i : controles,queincluyentodoX yunavariablecontinuano
incluidaenX.Restriccindeexclusin:intersdelos
padresenlaeducacindelniocuandotenasieteaos.
c : costosdeestudiareducacinsuperior.
GuaPrcticaparalaEvaluacindeImpacto/Captulo9:FuncionesdeControl/30 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)
= ( , , ( , ,

Efecto total del programa, que incluye:


1. Elefectodirectodelaparticipacinenelprograma
enlacalidaddelnio.
2. Losefectosindirectosasociadosaloscambiosenel
tiempoylosrecursos,queobtienenarazdela
participacin,yqueafectanlacalidaddelnio.

Guaprcticaparalaevaluacindeimpacto/Captulo10:ModelosEstructurales/19 Salir
Contenido

Diferenciasentrelaestimacin
estructuralylareducida

Estimacinestructural Estimacin reducida


Permitelaevaluacinde Permiteevaluarelefecto
experimentosdepoltica delprogramacomotal, es
contrafactual. decir,conlascaractersticas
actualesdediseo.Nose
puedeevaluarqupasara
sisecambiaraalgn
parmetrodelapoltica.

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

Donde +1 es el mximo valor de continuacin de t + 1 en


adelante que se logra dada la eleccin del periodo presente (que
puede ser participar o no participar en el programa).

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)

Efectos de los experimentos de poltica contrafactual


Modificacin al Participacin en el Salarios promedio Salarios promedio Utilidad
programa programa beneficiarios ($) no beneficiarios ($) promedio
Actual 36.28 12,228.4 10,414.1 0.05
Doble transferencia 83.15 10,727.7 8,807.04 1.16
Doble capacitacin 66.17 12,879.9 7,156.2 0.97

Se observa una disminucin de los salarios promedio de los bene


ficiarios y no beneficiarios al doblar la transferencia, y un aumento
de los salarios al doblar la capacitacin, con respecto al escenario de
base. En contraste, una poltica que proporcione mayor importancia
al aprendizaje de oficios y capacidades empresariales significara un
aumento del 8.6% en los salarios frente al programa actual.

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.

Dificultad: Duracini tambin es una variable endgena. Es


decir, los individuos se autoseleccionan en la duracin
como se autoseleccionan en el tratamiento. En particular,
los individuos con larga duracin y los de corta duracin
pueden ser sistemticamente distintos de los individuos de
control.
Guaprcticaparalaevaluacindeimpacto/Captulo10:Duracindelaexposicinaltratamiento/4
Salir
Contenido

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.

Hogares: una madre comunitaria a cargo de 12 o 14 nios.

El menor debe recibir:


Alimentos.
Cuidado infantil.
Vigilancia del estado nutricional.
Actividades de desarrollo psicosocial.
Actividades relacionadas con la salud.

Guaprcticaparalaevaluacindeimpacto/Captulo10:Duracindelaexposicinaltratamiento/11
Salir
Contenido

Ejemplo:HogaresComunitarios
deBienestar(Bernaletl.,2009)
Evaluacin: tiponoexperimental.Comparalasvariablesde
resultadodel:

Grupodetratamiento: el Grupodecontrol: nios


grupodenios noparticipantesenel
participantesenHCB. programa.

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