Está en la página 1de 20

Curso de Evaluación de

Impacto de Políticas Públicas

27 de Junio – 01 de Julio del 2016


Bogotá
Ejercicio Practico: Análisis de
datos en STATA
Oscar Pocasangre
Department of Political Science
Columbia University
Estructura de la clase

I. Datos
II. Covariables
III. Efecto promedio de
tratamiento
IV. Efecto promedio entre los
que cumplen con el
tratamiento
V. Desgaste
Datos

Vamos a usar datos de la evaluación “Investing in schooling in


Chile: The role of information about financial aid for higher
education”1.

- El experimento busca entender el impacto de proveer


información sobre tipos de ayuda financiera para la
educación superior a estudiantes del octavo grado en Chile.

- Se asignaron 226 escuelas a dos grupos de tratamiento y a


un grupo de control.

- Un grupo vio un video informativo en la escuela; al otro se les


dio un DVD para verlo en casa.
1Autores: Claudia Martínez A. y Taryn Dinkelman

3
Estructura de la clase

I. Datos
II. Covariables
III. Efecto promedio de
tratamiento
IV. Efecto promedio entre los
que cumplen con el
tratamiento
V. Desgaste
Covariables y Balance entre grupos

- Una covariable es una variable medida antes de la


intervención que no es afectada por la asignación del
tratamiento y que puede estar correlacionada con la
variable de resultado.
- Las covariables son útiles para:
- Producir estadísticas descriptivas.
- Verificar que la aleatorización haya sido exitosa.
- Estratificar
- Mejorar la precisión de las estimaciones.
¿Cómo lo hacemos en Stata?

5
Estadísticas descriptivas y balance entre
grupos
Stata

6
Estructura de la clase

I. Datos
II. Covariables
III. Efecto promedio de
tratamiento
IV. Efecto promedio entre los
que cumplen con el
tratamiento
V. Desgaste
Efecto promedio de tratamiento

Si asumimos 100% participaron, no inferencia, no desgaste


y que la asignación a un grupo no afecte los resultados…
- Podemos estimar el efecto promedio de tratamiento
comparando las medias entre los grupos.
- Usamos una regresión para obtener los errores
estándar y los valores p. También nos permite agregar
controles.

Stata

. reg f_sep_anyabs A B female b_momed_st b_grade7_school b_where_tp

8
Estructura de la clase

I. Datos
II. Covariables
III. Efecto promedio de
tratamiento
IV. Efecto promedio entre los
que cumplen con el
tratamiento
V. Desgaste
Efecto promedio entre los que cumplen
con el tratamiento
Si no se logra tratar a todos los individuos, entonces
estimamos el efecto promedio entre los que obedecen la
asignación de tratamiento.
Recordemos que cuando hay cumplimiento imperfecto, los
individuos pueden ser compliers, never-takers, always-takers
o defiers.
- Los que siempre o nunca toman el tratamiento no
cambian sus resultados.
- Asumimos que no existen los defiers, supuesto de
monotonicidad
- Los que cumplen con el tratamiento generan toda la
variación que usamos para estimar el efecto promedio.

10
Los 4 tipos en este caso

En este estudio, hay cumplimiento imperfecto entre el grupo


B:
- Compliers: los que ven el video cuando son asignados al
grupo de tratamiento y no lo ven cuando son asignados al
control
- Always-takers: los que siempre ven el video
- Never-takers: los que nunca el video
- Defiers: los que ven el video cuando en control y no lo
ven cuando en tratamiento

11
Del ITT al CACE

Si comparamos a los que fueron asignados al grupo de


tratamiento con los que fueron asignados al grupo de
control, estimamos el ITT, intención de tratar.

Pero nos interesa saber el efecto del tratamiento, no de la


asignación. Logramos estimar este efecto recalibrando el ITT
por la proporción de individuos que cumplen con el
tratamiento:

12
Del ITT al CACE

ITT = -.116

Proporción de Tratados (ITTD) = 0.388

Efecto promedio entre los tratados = = - 0.299

13
Del ITT al CACE
También podemos usar un modelo de variables
instrumentales para estimar el efecto promedio sobre los
tratados.

14
Estructura de la clase

I. Datos
II. Covariables
III. Efecto promedio de
tratamiento
IV. Efecto promedio entre los
que cumplen con el
tratamiento
V. Desgaste
Desgaste
Antes suponimos que no había desgaste... ¿Qué hacemos si
nuestro estudio tiene desgaste?
- Esencialmente, un problema de datos faltantes.
- Primero, pensemos qué está causando el desgaste para ver sies
aleatorio o no.
- Si creemos que es aleatorio, no hay problema.
- Si no, tenemos problemas.
- Posibles soluciones
- Si creemos que el desgaste es aleatorio dentro de ciertos
grupos, podemos recalibrar las estimaciones usando
weights.
- Podemos ponerle límites al efecto promedio (Manski
Bounds).

16
Valor Mínimo y Máximo del efecto
promedio
Nótese que nos hacen falta datos sobre ausencia escolar:

17
Valor Mínimo y Máximo del efecto
promedio
Para obtener el valor mínimo del efecto promedio,
imputamos 1 en vez de ”.” y calculamos el efecto promedio.
Para el valor máximo, imputamos 0.

18
Gracias