Tema2p PDF

Introducción Efectos de Tratamiento Relación con Regresión Diseños Cuasi-Experimentales Variables Instrumentales
TEMA 2. Análisis de Causalidad y Evaluación de

Políticas Públicas.
Profesor: Pedro Albarrán Pérez
Universidad de Alicante. Curso 2010/2011.

Contenido
1 Introducción
2 Efectos de Tratamiento
3 Conexión entre Efectos de Tratamiento y Regresión. Matching

Causalidad en un contexto de regresión.
Selección en Observables. Matching
4 Diseños Cuasi-Experimentales
Diferencias en Diferencias (DD)
Discontinuidad en la Regresión (DR)
5 Variables Instrumentales
Causalidad y Análisis Experimental
Muchas preguntas en la vida diaria requiere la identicación y

medida de efectos causales.
¾El tabaco provoca cáncer?

¾La aspirina reduce el riesgo de infarto?
¾Los cursos de formación para desempleados ayudan para encontrar

empleo?
¾Cuál es el impacto del salario mínimo sobre el empleo?
¾Afectan los subsidios salariales o los impuestos a la oferta de
trabajo de los individuos? ¾Y a la inversión de las empresas?
Podemos medir la correlación estadística, pero ésta NO implica que

exista causalidad
En ciencias naturales y estudios bio-médicos, se utiliza el análisis

experimental para estudiar la existencia de causalidad
Discutiremos en qué sentido y bajo qué condiciones puede ser útil

este enfoque
Resultados Potenciales. Contrafactual
Resultados Potenciales de un Tratamiento
Para cada unidad i de una población (i = 1, . . . , N );

Di = estado del tratamiento

Di = 1, si la unidad i ha sido expuesta al tratamiento
Di = 0, si la unidad i NO ha sido expuesta al tratamiento
d
yi = resultados potenciales (contrafactuales) de Y según el
tratamiento

1
yi es el resultado para i en caso de tratamiento
0
yi es el resultado para i en caso de NO tratamiento
Para cada unidad i tenemos nalmente un único resultado observado
Yi = Di yi1 + (1 − Di ) yi0
Problema Fundamental de la Inferencia Causal
Para el mismo individuo i , no se puede observar a la vez Di =0 y a

la vez Di (ni yi
0 e y 1)
=1 i
si Di = 1, se observa Yi = yi1
si Di = 0, se observa Yi = yi0
Este enfoque requiere pensar en términos de contrafactuales
El efecto causal del tratamiento Di sobre el resultado Yi
αi = yi1 − yi0
resulta lógicamente imposible de idencar y medir
En otras palabras, no existe evidencia contrafactual del tratamiento
Si se recibe el tratamiento, ¾qué hubiera sucedido en ausencia del

tratamiento?
Si se NO recibe el tratamienteo, ¾qué hubiera sucedido aplicando el
tratamiento?
Efecto Medio del Tratamiento
Bajo determinados supuestos, se puede identicar al menos el efecto

causal medio para la población (o algunos sub-grupos relevantes)
Efecto medio del tratamiento (Average Treatment Eect, ATE)
1 0 1 0
αATE = E yi − yi =E yi −E yi
Efecto medio del tratamiento sobre los tratados (Average Treament

Eect on Treated, ATT)
1 0 1 0
αATT = E yi − yi |Di = 1 = E yi |Di yi |Di

=1 −E =1
La cuestión principal consiste en determinar cuando son estos

efectos relevantes
Efecto de un curso de idioma español en parados

Efecto de un tratamiento de ovulación sobre la fertilidad
En general, la comparación directa del resultado por estado de

tratamiento ofrecerá resultados sesgados:
1
E (Yi |Di = 1) − E (Yi |Di = 0) = 1 − E yi0 |Di = 0
yi |Di

= E
1 0
E yi |Di = 1 − E yi |Di = 1

=
+ E yi0 |Di = 1 − E yi0 |Di = 0

E (Yi |Di = 1) − E (Yi |Di = 0) α + E yi0 |Di = 1 − E yi0 |Di = 0

=
La parte izquierda de la igualdad se puede estimar (porque es

observable), PERO diere del verdadero efecto del tratamiento, α
La diferencia se denomina sesgo de selección muestral.
El problema radica en que los resultados potenciales sin tratamiento

no son iguales en la situación contrafactual de no-tratamiento.
Experimentos Aleatorios
Datos Experimentales
Un experimento aleatorio se considera como el diseño ideal para la

inferencia causal
los estudios con datos observaciones se consideran más
especulativos
En un experimento controlado, el estado de tratamiento se asigna

aleatoriamente
por tanto, se garantiza la independencia estadística por construcción
yi1 , yi0 ⊥ Di

Esto implica que la función de densidad condicional de los resultados

es independiente del tratamiento:
1 1 1
yi |Di yi |Di

F =1 = F =0 =F yi
0 0 0
yi |Di = 1 yi |Di = 0 = F

F = F yi
Por tanto,
1 1 1
yi |Di yi |Di

E =1 = E =0 =E yi
0 0 0
yi |Di = 1 yi |Di = 0 = E

E = E yi
Experimentos Aleatorios
En este contexto, la simple comparación de resultados entre los

tratados y los no tratados proporciona el efecto causal:
efecto medio del tratamiento (ATE)
αATT = E yi1 − yi0 |Di = 1 E yi1 |Di = 1 − E yi0 |Di = 1

=
E yi1 |Di = 1 − E yi0 |Di = 0

=
efecto medio del tratamiento sobre los tratados (ATT).
αATE = E yi1 − yi0 E yi1 − E yi0

=
E yi1 |Di = 1 − E yi0 |Di = 0

=
La aleatorización implica que los individuos del grupo de control (no

tratados) realmente pueden considerarse una imagen de lo que
hubiese sucedido a los individuos del grupo de tratamiento en el
contrafactual de no-tratamiento (y viceversa).
Causalidad en un contexto de regresión.
Relación con Regresión Simple
El resultado observado es Yi = Di yi1 + (1 − Di ) yi0

Los resultados potenciales pueden denirse como
1
yi = µ1 + ui1
0
yi = µ0 + ui0
1 0

donde E ui =E ui =0
Por tanto,
Yi = µ1 Di + µ0 − µ0 Di + ui1 + ui0 − ui0 Di

µ0 + µ1 − µ0 Di + i

=
Yi = β0 + β1 Di + i
Si los supuestos de regresión lineal son válidos, el coeciente β1
coincide con el efecto medio del tratamiento
β1 = E (Yi |Di = 1) − E (Yi |Di = 0)

µ1 − µ0 = E 1
− E yi0 = αATE

= yi
Datos Experimentales y Datos Observacionales
En los datos experimentales, el tratamiento se asigna de manera

controlada por el investigador
(de manera aleatoria y, por tanto, exógena).
En muchas situaciones, no se pueden diseñar experimentos aleatorios
serían muy caros

no factibles o cuestionables éticamente
En Economía, se disponible habitualmente de datos observacionales:

1, y 0

La condición de independencia yi i ⊥D no resulta plausible
las condiciones del estudio no han sido controladas

muchas variables, en particular la asignación al tratamiento, resultan
de la decisión de los individuos
Sin embargo, veremos que en ocasiones se puede considerar que se

replica o se está de una situación (cuasi)-experimental
Cochran (1968): tasas de mortalidad anuales, en tanto por mil
Canada UK US
Non-smokers 20.2 11.3 13.5
Cigarretes 20.5 14.1 13.5
Cigars/pipes 35.5 20.7 17.4
La conclusión sería ....

Pero los grupos dieren en otras características además de sus
hábitos de fumar; en particular, edad (media)
Canada UK US
Non-smokers 54.9 49.1 57.0
Cigarretes 50.5 49.8 53.2
Cigars/pipes 65.9 55.7 59.7
Controlando por edad (grupos de menos y más de 50 años)
Canada UK US Canada UK US
Non-smokers 15.1 7.7 9.2 25.5 15.0 18.0
Cigarretes 23.2 9.0 12.8 34.5 18.5 23.7
Cigars/pipes 16.0 7.8 9.5 25.8 15.4 18.5
Selección en Observables
Una condición menos exigente que asignación aleatoriaes suponer

selección en observables o independencia condicional:
1
, yi0 ⊥ D |X

yi
Se supone que los tratados y los no tratados pueden ser diferentes

en función de una serie de características observables X
la probabilidad de ser tratados es mayor para individuos con

determinadas características
PERO, para dos individuos con las mismas características ex-ante, el

hecho de ser tratado o no es aleatorio.
Independencia condicional implica que :
1 1 1
yi |Di yi |Di

E = 1, X = E = 0, X = E yi ,X
0 0 0
yi |Di yi |Di = 0, X = E

E = 1, X = E yi ,X
Efecto Medio del Tratamiento
Se puede calcular el efecto medio del tratamiento (ATE o ATT)
para individuos con las mismas características X =x

x E yi1 − yi0 |Di = 1, X = x E yi1 |Di = 1, X = x − E yi0 |Di = 1, X = x

αATT ( ) = =
= E yi1 |Di = 1, X = x − E yi0 |Di = 0, X = x

x E yi1 − yi0 |X = x E yi1 |X = x − E yi0 |X = x

αATE ( ) = =
= E yi1 |Di = 1, X = x − E yi0 |Di = 0, X = x

para la población en general, como media ponderada para cada

combinación de caracteristicas
X
αATT = x
ω ( ) αATT ( ) x
X
αATE = x
ω ( ) αATE ( ) x
Matching
La literatura de matching enfatiza las comparaciones directas de

individuos.
El supuesto de independencia condicional implica que:
Para un individuo tratado podemos utilizar como control un

individuo similar
Un no-tratado con las mismas características X = x representa un
contrafactual adecuado de un tratado
1 j J
Supongamos que X toma J valores diferentes x ,...,x ,...,x
con n
j observaciones en cada celda
Se pueden calcular diferencia entre tratados y no tratados para cada

celda
j j
Y1 −Y0
y nalmente
J
X j
j j n
b ATE =
α Y1 −Y0
n
j =1
Se puede generalizar a varias variables: J será el número total de

combinaciones de diferentes valores de todas las variables
Problema cuando las variables son continuas y/o J aumenta:
puede haber pocos individuos para hacer las comparaciones (se tiene
poca precisión)
incluso puede no haber nadie con quien comparar (los mismos
valores en todas las variables X ).
Se puede utilizar algún supuesto de forma funcionar para
extrapolar/predecir el contrafactual
por ejemplo, una forma lineal para E (Yi |Xi , Di )

Se utiliza el método del Propensity Score
Propensity Score
La selección en el tratamiento no es aleatoria: depende de las

características X del individuo i
Es decir, la probabilidad de tratamiento es una función de X
π (x ) = Pr (Di = 1|Xi = x )
Dos individuos con la misma probablidad de tratamiento son

similares
un caso extremo ya visto: cuando tienen las misma características
Todos los individuos con el mismo π (x ) = π no dieren en su

probabilidad ex-ante de ser asignados a tratamiento
(aunque tenga algunas características diferentes)
PERO son observados ex-post (asignados aleatoriamente) como

Di =0 o Di =1
Por tanto, se puede demostrar que si se cumple
1
, yi0 ⊥ D |X

yi
Es suciente condicionar en un valor del propensity score π (x ) = π

para obtener el ATE o ATT
1
E (Y |D = 1, π (X ) = π)−E (Y |D = 0, π (X ) = π) = E − y 0 |π (X ) = π

y
Sólo es necesario utilizar una medida, π ( X ), en lugar de todas las

combinaciones de valores de X
En general, no se podrá hacer matching exacto: no resulta

probable encontrar (sucientes) individuos con exactamente el
mismo valor de π (X )
Se pueden utilizar individuos con π (X ) sucientemente próximo
para comparar.
Matching y regresión múltiple
Especicando la esperanza condicional de Y , E (Y |D , X ), como una

regresión lineal sobre D y X
E (Y |D , X ) = β0 + β1 D + β2 X + β3 D ∗ X
se pueden estimar fácilmente los parámetros del modelo de regresión.
El efecto del tratamiento sería el efecto ceteris paribus de la variable
D en el modelo de regresión:
E (Y |D = 1, X = x ) − E (Y |D = 0, X = x ) = β1 + β3 x
(para los individuos con las mismas características X = x)
Se puede extender trivialmente a múltiples variables observables
X1 , . . . , Xk .
Para el conjunto de la población, se puede tener además el efecto
medio del tratamiento (ATE) y el efecto medio del tratamiento sobre
los tratados (ATT)
αATE = β1 + β3 E (X )
αATT = β1 + β3 E (X |Di = 1)
Ejemplo: Salarios Mínimos y Empleo
Marzo de 1992:
incremento del salario mímino en Nueva Jersey en un 19 %

su vecina Pennsylvania lo mantuvo constante
Se quiere analizar el efecto causal sobre el empleo (variable de

resultado Y ) del tratamiento subida del salario mínimo
El modelo de competencia perfecta predice que un aumento del

salario mínimo reduce el empleo.
Card y Krueger (1994) analizaron este cambio con datos de 400

restaurantes de comida rápida.
(los puestos de trabajo son homogéneos y los salarios bajos)
Se tienen:
dos periodos: t = 1 (anterior a la subida del salario mínimo) y t = 2

(posterior al tratamiento)
dos estados: en NJ se aplica el tratamiento y en PEN no se aplica
Dos potenciales medida del efecto de la subida del salario mínimo:

1 El cambio en el empleo sólo en NJ (entre t =1 y t = 2)
NO ofrece un efecto causal si existen otros factores entre ambos
periodos de tiempo además del cambio legislativo
2 La diferencia en el empleo de NJ y Pennsylvania sólo en el segundo

periodo
NO ofrece un efecto causal si existen diferencias sistemáticas en el

nivel de empleo entre ambos estados.
Sin embargo, se puede obtener el efecto causal mediante el método de

Diferencias en Diferencias
el cambio promedio en el empleo en NJ relativo al cambio en el

empleo en Pennsylvania
[E (YNJ ,2 ) − E (YNJ ,1 )] − [E (YPEN ,2 ) − E (YPEN ,1 )]
la diferencia en el empleo en t =2 entre NJ y PEN relativo a las

diferencias que originalmente existían (en t = 1)
[E (YNJ ,2 ) − E (YPEN ,2 )] − [E (YNJ ,1 ) − E (YPEN ,1 )]

Tratamiento
Y (D=1) C
E
A
Control
B (D=0)
t=1 t=2
(pre-) (post-)
Tiempo
En el gráco anterior, el efecto causal sería C − D,

pero D NO se observa
El método trata de ofrecer un contrafactual adecuado:
C − A − [E − B ] = [E (YNJ ,2 ) − E (YNJ ,1 )] − [E (YPEN ,2 ) − E (YPEN ,1 )]
C − E − [A − B ] = [E (YNJ ,2 ) − E (YPEN ,2 )] − [E (YNJ ,1 ) − E (YPEN ,1 )]

El supuesto clave para dar una interpretación causal a este resultado
es que el efecto temporal en ausencia de intervención sea el mismo.
Card y Krueger encontraron que el aumento del salario mínimo

incrementó el empleo (en algunas de sus comparaciones), pero en
ningún caso lo redujo.
Formalización de DD
Se observan resultados en t =1 y t = 2, antes y después del

tratamiento
PERO la comparación puede estar contaminada por otros eventos

(distintos del tratamiento) que ocurren entre los dos periodos
Se puede usar a los que nunca son tratados para identicar la

variación de resultados entre periodos distinta del tratamiento.
Para la unidad i en el periodo t , t = 1, 2:

yitd =resultado potencial con (d = 1) o sin tratamiento (d = 0)
Yit =resultado observado
Yi 1 = yi01
Yi 2 = Di yi12 + (1 − Di ) yi02
El supuesto crucial para identicar el efecto causal
0
− yi01 |Di = 1 = E 0
− yi01 |Di = 0

E yi 2 yi 2
siempre se observa yi01 , pero para los tratados yi02 es un contrafactual.

Comentarios
Sea la regresión de los resultados sobre dummies de tratamiento y de

periodo.
Yit = β0 + β1 Ti + β2 Pt + δ (Ti ∗ Pt ) + it
donde

Ti = 1, si i ha sido nalmente tratada (en t=2)
Ti = 0, si i NO ha sido nalmente tratada (en t=2)
y

Pt = 1, en el periodo t posterior al tratamiento
Pt = 0, en el periodo t anterior al tratamiento
El coeciente δ de la interacción ofrece el efecto de DD
Esta formulación permite controlar por otras variables adicionales
El supuesto fundamental se puede generalizar: sólo necesita ser

cierto condicional en esas variables
En determinados casos de estudio, NO existe un único control claro:

se puede construir un grupo de control sintético
Abadie & Gardeazabal (2003, AER):
Comparan el PIB del País Vasco con el PIB de un País Vasco

sintético sin terrorismo: compuesta como combinación de varias
regiones de España
Encuentran que el terrorismo ha reducido en un 10 % el PIB del País
Vasco.

Discontinuidad en la Regresión
La asignación al tratamiento depende de si se satisfacen unas

condiciones conocidas
denidas en términos de una o unas variables observables

previamente a la intervención
Ejemplos:
una beca se concede a quienes superan una nota en una prueba

se reciben clases de apoyo si la nota media es inferior a un límite
una política se implementa si se vota por más del 50 % de los
electores
la sentencia es mayor si el criminal es adulto, etc....
En el entorno del valor umbral, con el que se selecciona para el

tratamiento, se puede pensar que tenemos un experimento puro
(aleatorio).
La comparación de resultados medios para participantes y

no-participantes en el margen permite controlar por otros factores e
identica el impacto de la intervención (localmente).
La renta salarial futuraY depende de la nota W .
además, si la nota supera un umbral de w0 , los/as alumnos/as

realizan prácticas en empresas.
¾Es la renta es mayor si, dada la misma nota, se realizan prácticas

en empresas?.
E (Y |W , P ) = β0 + β1 W + β2 P
H0 : β2 = 0 vs H1 : β2 > 0
E(y│W) E(y|W,D=1)
E(y|W,D=0)
β2
w0 W
Supuestos de identicación: E (Y |W , P = 1) y E (Y |W , P = 0) son
continuas entorno a w0 .
Esto garantiza que no hay un salto en el resultado Y entorno a w0 ,

salvo por el tratamiento.
En la formulación lineal anterior es trivial, pero la función de
regresión podría no ser lineal...
Sólo se identica un efecto local: no tenemos información sobre si

las prácticas no son útiles a los alumnos con poca formación (nota)
previa.
E (Y |W , P ) = β0 + β1 W + β2 P + β3 W ∗ P
E(y│W)
E(y|W,D=1)
E(y|W,D=0)
w0 W
Identicación de Efectos Causales con VI.
Introducción
Una variable instrumental, Z , ofrece una fuente de variación exógena
permite identicar el efecto de una variable explicativa endógena X

sobre un resultado Y.
Ejemplo clásico:
Z indica la asignación al tratamiento en un diseño experimental
1
, y0 ⊥ Z

y
El tratamiento efectivo, D , puede diferir de Z por la existencia de

non-compliers
algunos individuos del grupo de tratamiento deciden no tratarse

algunos del grupo de control encuentran forma de tratarse
Z y D seguirán, en general, correlacionados
El tratamiento resulta de una decisión de los individuos (no

asignación aleatoria)
depende de los resultados potenciales que esperan obtener

cuanto mayor benecio se espera, más intentarán ser tratados (y al
revés).
Identicación
Caso particular:
1 la variable instrumental es binaria Z = {0, 1}

2 no consideramos explícitamente otras variables explicativas X , aparte
del tratamiento D
La variable Z es una fuente de variación exógena en D en el
sentido de que
satisface el supuesto de independencia (condicional en X)

y 1, y 0
⊥ Z |X

satisface el supuesto de relevancia:
Z dep. D |X
NO podemos suponer independencia condicional
(y 1 , y 0 ) ⊥
6 D |X
Efectos Homogéneos
Si el efecto causal es el mismo para todos los individuos
1
yi − yi0 = α
la disponibilidad de una VI permite identicar α.
Yi = yi0 + 1
− yi0 Di = yi0 + αDi

yi
Teniendo en cuenta yi
0 ⊥ Zi
0
E (Yi |Zi = 1) = E (yi ) + αE (Di |Zi = 1)
0
E (Yi |Zi = 0) = E (yi ) + αE (Di |Zi = 0)
Restando ambas expresiones y despejando se obtiene
E (Yi |Zi = 1) − E (Yi |Zi = 0)

α=
E (Di |Zi = 1) − E (Di |Zi = 0)
que identica α siempre que E (Yi |Di = 1) 6= E (Yi |Di = 0)

E (Yi |Zi = 1) − E (Yi |Zi = 0)

α=
E (Di |Zi = 1) − E (Di |Zi = 0)
El estimador IV calcula
la diferencia en el resultado de los que se tenía la intención de tratar,

Z = 1 (a diferencia de los tratados, D = 1)
ajustado por las diferencias en la probabilidad de ser tratado.
Intuitivamente, el efecto de D sobre Y puede medirse a través de Z

porque hemos supuesto que Z sólo afecta a Y a través de D .
Efectos Heterogéneos
Si el efecto causal varía entre individuo, las Variables Instrumentales

no son sucientes para identicar un efecto causal (promedio).
se necesita algún supuesto adicional
Por ejemplo, para identicar el efecto medio del tratamiento sobre

los tratados (ATT), se puede exigir una regla de elegibilidad del
tipo:
Pr(D = 1|Z = 0) = 0
(se niega el tratamiento a los individuos con Z = 0).
Otro supuesto adicional alternativo es una condición de
monotonicidad:
Cualquier persona que estuviera dispuesta a ser tratada si fuera

asignada al grupo de control, también estaría dispuesta a ser tratada
si fuera asignada al grupo de tratamiento grupo.
La plausibilidad de los supuestos depende del contexto de la

aplicación.
El supuesto de monotonicidad parece sucientemente general en la

mayoría de contextos
Equivale a que no existen los llamados deers:
Z=1
D=1 D=0
D=1 always-taker deer
Z=0
D=0 complier neve-taker
Bajo monotonicidad, el coeciente de VI estima el efecto medio del

tratamiento local (local average treatment eect, LATE)
es el efecto del tratamiento SÓLO sobre los compliers
Es decir, el LATE es el efecto medio del tratamiento para aquellos

cuyo valor de D cambiaría cuando cambiase el valor de Z
(inducidos al tratamiento por la variable instrumental).
Diferentes variables instrumentales ofrecen diferentes efectos locales

(individuos inducidos al tratamiento por diferentes causas).
Ejemplos
Ejemplos
Angrist (1990): ¾Han sido compensados adecuadamente los veteranos de

guerra por sus servicios?
Problema: una relación negativa entre renta y estatus de veterano

no implica que ésta sea la causa de menor renta
los individuos con menor potencial de renta ex-ante probablemente

eligen ir al ejército
Solución: usar la elección por sorteo durante la guerra de Vietnam

como experimento natural
Pero siempre se podía ir voluntario (always-takers) o evitar el

servicio por estudios u otras causas (never-takers).
Respecto a los no veteranos, los veteranos blancos sufrieron una

pérdida en el ingreso anual de $3500 (1990), un 15 % anual de las
compensaciones originales a los veteranos.
Los efectos de ir a la guerra para los no-blancos no son

estadísticamente signicativos.
Ejemplos
Estimación de los rendimientos a la educación:
Card (1995) usando como instrumento la proximidad a una

universidad.
Angrist & Krueger (1991) usando como instrumento el trimestre de
nacimiento.
¾Instrumento relevante? Los que nacen en los primeros trimestres

pueden abandonar la educación obligatoria antes (cumplir 16 años) y
acaban teniendo hasta casi un año de educación menos.
Efecto muy local (para los que se quedan unos meses queriendo
abandonar la escuela).
Angrist & Evans (1998): efecto de tener hijos sobre la oferta laboral
femenina.
Instrumento binario: la pareja tiene dos hijos previos del mismo

genero.

Tema2p PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tema2p PDF

Cargado por

Copyright:

Formatos disponibles

Introducción Efectos de Tratamiento Relación con Regresión Diseños Cuasi-Experimentales Variables Instrumentales

TEMA 2. Análisis de Causalidad y Evaluación de

Profesor: Pedro Albarrán Pérez

Universidad de Alicante. Curso 2010/2011.

3 Conexión entre Efectos de Tratamiento y Regresión. Matching

Causalidad y Análisis Experimental

Muchas preguntas en la vida diaria requiere la identicación y

¾El tabaco provoca cáncer?

¾Los cursos de formación para desempleados ayudan para encontrar

Podemos medir la correlación estadística, pero ésta NO implica que

En ciencias naturales y estudios bio-médicos, se utiliza el análisis

Discutiremos en qué sentido y bajo qué condiciones puede ser útil

Resultados Potenciales. Contrafactual

Resultados Potenciales de un Tratamiento

Para cada unidad i de una población (i = 1, . . . , N );

Di = 0, si la unidad i NO ha sido expuesta al tratamiento

Para cada unidad i tenemos nalmente un único resultado observado

Resultados Potenciales. Contrafactual

Problema Fundamental de la Inferencia Causal

Para el mismo individuo i , no se puede observar a la vez Di =0 y a

El efecto causal del tratamiento Di sobre el resultado Yi

resulta lógicamente imposible de idencar y medir

En otras palabras, no existe evidencia contrafactual del tratamiento

Si se recibe el tratamiento, ¾qué hubiera sucedido en ausencia del

Resultados Potenciales. Contrafactual

Efecto Medio del Tratamiento

Bajo determinados supuestos, se puede identicar al menos el efecto

Efecto medio del tratamiento (Average Treatment Eect, ATE)

Efecto medio del tratamiento sobre los tratados (Average Treament

La cuestión principal consiste en determinar cuando son estos

Efecto de un curso de idioma español en parados

Resultados Potenciales. Contrafactual

En general, la comparación directa del resultado por estado de

E (Yi |Di = 1) − E (Yi |Di = 0) α + E yi0 |Di = 1 − E yi0 |Di = 0

La parte izquierda de la igualdad se puede estimar (porque es

El problema radica en que los resultados potenciales sin tratamiento

Un experimento aleatorio se considera como el diseño ideal para la

En un experimento controlado, el estado de tratamiento se asigna

Esto implica que la función de densidad condicional de los resultados

En este contexto, la simple comparación de resultados entre los

efecto medio del tratamiento (ATE)

αATT = E yi1 − yi0 |Di = 1 E yi1 |Di = 1 − E yi0 |Di = 1

efecto medio del tratamiento sobre los tratados (ATT).

αATE = E yi1 − yi0 E yi1 − E yi0

La aleatorización implica que los individuos del grupo de control (no

Causalidad en un contexto de regresión.

Relación con Regresión Simple

El resultado observado es Yi = Di yi1 + (1 − Di ) yi0

Yi = µ1 Di + µ0 − µ0 Di + ui1 + ui0 − ui0 Di

β1 = E (Yi |Di = 1) − E (Yi |Di = 0)

Selección en Observables. Matching

Datos Experimentales y Datos Observacionales

En los datos experimentales, el tratamiento se asigna de manera

(de manera aleatoria y, por tanto, exógena).

En muchas situaciones, no se pueden diseñar experimentos aleatorios

serían muy caros

En Economía, se disponible habitualmente de datos observacionales:

las condiciones del estudio no han sido controladas

Sin embargo, veremos que en ocasiones se puede considerar que se

Selección en Observables. Matching

Cochran (1968): tasas de mortalidad anuales, en tanto por mil

La conclusión sería ....

Controlando por edad (grupos de menos y más de 50 años)

Muchas preguntas en la vida diaria requiere la identicación y

Para cada unidad i tenemos nalmente un único resultado observado

resulta lógicamente imposible de idencar y medir

Bajo determinados supuestos, se puede identicar al menos el efecto

Efecto medio del tratamiento (Average Treatment Eect, ATE)

Efecto medio del tratamiento sobre los tratados (Average Treament

Selección en Observables. Matching

Selección en Observables. Matching

Selección en Observables. Matching

Selección en Observables. Matching

Selección en Observables. Matching

La literatura de matching enfatiza las comparaciones directas de

Selección en Observables. Matching

Selección en Observables. Matching

Todos los individuos con el mismo π (x ) = π no dieren en su

PERO son observados ex-post (asignados aleatoriamente) como

Selección en Observables. Matching

Es suciente condicionar en un valor del propensity score π (x ) = π

En general, no se podrá hacer matching exacto: no resulta

Selección en Observables. Matching

Matching y regresión múltiple

Especicando la esperanza condicional de Y , E (Y |D , X ), como una

En el gráco anterior, el efecto causal sería C − D,

Se puede usar a los que nunca son tratados para identicar la