Desarrollo HW3 19-1

Parte I
a) Los errores estándar deben ser agrupados cuando se espera que existan altas correlaciones
seriales entre algún conjunto de datos. En este caso, los datos temporales de una determinada
provincia compartirán una correlación serial que es importante identificar en los errores
estándar, agrupándolos. La ponderación de datos puede ser importante, en la medida en que
provincias muy pequeñas y las provincias muy grandes presenten, por un lado, diferente nivel
de accidentes (por el sólo hecho del tamaño de la provincia), y por el otro lado mayor o menor
variabilidad temporal. Lo segundo implica que provincias muy pequeñas pueden tener
cambios más drásticos en el nivel de accidentes (por ejemplo, entre meses de verano y otros)
porque la población es menor, y la varianza por lo tanto aumentaría. Este tipo de diferencias
puede afectar el modelo, y es importante considerar las ponderaciones en la varianza.
b) i) El modelo a utilizar se presenta a continuación, donde la variable dependiente representa
el (log) número de accidentes de 1 pasajero en la provincia i en el mes t. La variable 𝑇𝑟𝑒𝑎𝑡𝑖
indica si es que la provincia i fue tratada o no (es decir, si implementó una política fuerte), y
la variable 𝑃𝑜𝑠𝑡𝑡 indica si en el mes t se había implementado la política. Así, el cruce de
ambas indica la diferencia antes-después entre los datos de la provincia que implementa la
política y la de control. El modelo considera controles, y errores estándar

𝑙𝑎𝑐𝑐𝑖𝑑𝑒𝑛𝑡𝑒𝑠1𝑝𝑖𝑡 = 𝛽0 + 𝛽1 𝑇𝑟𝑒𝑎𝑡𝑖 + 𝛽2 𝑃𝑜𝑠𝑡𝑡 + 𝛿𝑇𝑟𝑒𝑎𝑡𝑖 ⋅ 𝑃𝑜𝑠𝑡𝑡 + ∑ 𝛽3𝑘 𝐶𝑖𝑡𝑘 + 𝜀𝑖𝑡

𝑘

Donde el efecto de interés es 𝛿 que puede ser interpretado como el efecto promedio que tiene
la implementación de la política (𝑃𝑜𝑠𝑡𝑡 ) diferentemente para la provincia tratada (𝑇𝑟𝑒𝑎𝑡𝑖 )
que para la provincia de control. Este es el estimador de diferencia en diferencias.
ii) Los resultados de la estimación del modelo planteado en i) se presentan en la Tabla 1. En
ella se puede ver que existe un efecto significativo de la implementación de la política fuerte
sobre el número de accidentes de 1 pasajero, al comparar la provincia 34 con la 4. Este efecto
es de reducción de un 24,3% de los accidentes, en promedio, y tiene una significancia al 95%.
Tabla 1: resultados estimación diferencia en diferencias

Laccidentes1p
post -0.124
(1.59)
treat -0.616
(1.02)
postXtreat -0.243
(16.62)*
R2 0.33
N 96
* p<0.05; ** p<0.01
Nota: El modelo cuenta con errores estándar
clusterizados por provincia y ponderación
analítica por población
El estimador de diferencia en diferencias asume que las provincias tienen tendencias
similares, previo a la implementación del tratamiento. En la Figura 1 se visualizan las
tendencias de los accidentes de ambas provincias gráficamente, donde se puede ver que
anterior a la política éstas tendían tendencias diferentes. Este hallazgo indica que el estimador
debe tomarse con precaución: las provincias pueden tener características inobservables que
diferencien estas tendencias. Una vez controladas dichas variables, se puede ver que las
tendencias se asemejan más. Esto permite concluir que el estimador es confiable, y por lo
tanto existe evidencia de que las políticas fuertes de prohibición de uso del celular tienen un
impacto en los accidentes de 1 sólo pasajero.
Figura 1: Tendencias (ajustes) temporales de (log) accidentes, sin controles (izq.) y con controles (der.)

c) i. El modelo debe generalizarse algo más para poder acomodar a las diferentes
implementaciones en el tiempo. El nuevo modelo se interpreta de la misma manera que el
primero, pero la variable de implementación es única.

𝑙𝑎𝑐𝑐𝑖𝑑𝑒𝑛𝑡𝑒𝑠1𝑝𝑖𝑡 = 𝛽0 + 𝛽1 𝐿𝑒𝑦𝑓𝑜𝑛𝑜𝑖𝑡 + ∑ 𝛽2𝑘 𝐶𝑖𝑡𝑘 + 𝑎𝑖 + 𝑏𝑡 + 𝜀𝑖𝑡

𝑘

Los controles a agregar corresponden a la población de la provincia, pues provincias más

grandes (y por lo tanto más infraestructura) pueden generar más accidentes de base; el
desempleo es una medida que puede estar influyendo (negativamente) el tráfico
automovilístico, pues gran parte de la movilización en una ciudad ocurre camino al empleo,
y además éste genera los recursos con los que las familias costean gasolina y transporte; la
tendencia muestra que los hombres tienden a estar más involucrados en accidentes
automovilísticos, sea por razones de que se mueven más en auto, son más descuidados u
otras, pero si una provincia determinada tiene un nivel más grande de hombres, puede
cambiar su nivel de accidentes; el precio de la bencina se relaciona al nivel de movilización
automovilística; y finalmente controlar por accidentes de 2 o más pasajeros permite controlar
todos esos factores que afectan la movilización de autos en una provincia y que no pueden
ser observados por las variables ya incorporadas.
Agregar efectos fijos por provincia (𝑎𝑖 ) permite capturar todas las características no
observables que son constantes en el tiempo para una determinada provincia, extrayéndolas
del efecto causal de interés; y los efectos temporales (𝑏𝑡 ) cumplen el mismo objetivo para los
shocks temporales que ocurren cada mes, es decir, captura y aísla del efecto principal todas
aquellas causas de aumento o disminución de accidentes producto de un evento puntual
ocurrido en un mes determinado. Ambos controles permite aislar efectos de confusión o
inobservables del estimador de interés.
ii. Los resultados de la estimación del modelo en i. se muestran en la Tabla 2. A partir de ella
se puede ver (columna 1) que no existe evidencia para concluir que implementar una política
de prohibición, en sí misma, tenga un efecto sobre el número de accidentes automovilísticos
de 1 pasajero. En cambio, cuando se diferencian los efectos según si es una política fuerte o
suave (columna 2), se puede ver que existe evidencia de un efecto de reducción para las
políticas fuertes, e incluso un efecto de aumento para la políticas suaves. El efecto descrito
podría explicar la falta de evidencia en el caso de la columna 1. Las políticas fuertes
generarían una disminución de 7,6% de los accidentes automovilísticos de 1 pasajero,
mientras que las políticas débiles estarían generan un aumento del 7,5%.
Tabla 2: resultados de estimación del modelo de diferencia en diferencias, según variable dependiente

VD: laccidentes 1p + 1 pasajero Kms

(1) (2) (3) (4) (5) (6)
ley_fono - 0.000 -0.002
0.034
(1.27) (1.09) (0.37)
ley_fono_fuerte -0.076 -0.030 -0.003
(3.02)** (1.36) (0.45)
ley_fono_suave 0.075 -0.041 -0.000
(2.03)* (1.30) (0.01)
R2 0.90 0.90 1.00 0.94 1.00 1.00
N 2,352 2,352 2,352 2,352 2,352 2,352
* p<0.05; ** p<0.01
Nota: El modelo cuenta con errores estándar clusterizados por provincia y
ponderación analítica por población

iii. La evidencia presentada permite concluir que las políticas fuertes tienen la capacidad de
disminuir los accidentes automovilísticos de un pasajero, en cerca de 7,6%. En cambio, las
políticas débiles tendrían un efecto contrario, es decir, estarían aumentando los accidentes en
7,6%. Este resultado podría deberse a un efecto adverso: los conductores, al saber que es una
política suave y sin mucho control, no temen ser capturados en el delito y por lo tanto
exacerban dicho comportamiento (de manejar prestando atención al celular).
iv. Los resultados mostrados en las columnas 3 a 6 de la Tabla 2 no muestran una relación
significativa entre la implementación de políticas y otras variables dependientes. Este análisis
permite descartar sesgos en el efecto estudiado. En este caso, los modelos (3) y (4) permiten
asumir que el efecto de la política sí actúa sobre el uso de celular y no otras conductas al
manejar, porque los accidentes de 1 pasajero son más probables de suceder en automóviles
de 1 único pasajero. Al mismo tiempo, las columnas (5) y (6) indican que el tratamiento no
modificó las prácticas de conducción generalizadas (por ejemplo, que la gente salga menos
en auto) porque no se percibe un efecto sobre los kilómetros recorridos.
 Parte II
a) El resultado obtenido de la regresión es el siguiente:
10,469 +0,00275𝑡 −0,0427𝑓𝑒𝑏 +0,0798𝑚𝑎𝑟 +0,0185𝑎𝑝𝑟 +
log(𝑎𝑐𝑐𝑖𝑑𝑒𝑛𝑡𝑒𝑠) =
(. 019) (0.00016) (0.0244) (0.0244) (0.0245)
0,321𝑚𝑎𝑦 +0,0202𝑗𝑢𝑛 +0,0376𝑗𝑢𝑙 +0,054𝑎𝑔𝑜 +0,0424𝑠𝑒𝑝´ + 0,0821𝑜𝑐𝑡 +0,0713𝑛𝑜𝑣 +0,0962𝑑𝑒𝑐
(0.0245) (0.0245) (0.0245) (0.0245) (0.0245) (0.0245) (0.0245) (0.0244)
Se observa una tendencia de crecimiento sostenido en el tiempo de 0,275% accidentes en
promedio, por mes, controlando por factores estacionales. En los resultados mostrados se
observaestacionalidad en algunos meses particulares. Solo el mes de febrero expresa un
numero menor de total de accidentes respecto al mes de base, enero. El mes que presenta el
mayor efecto sobre enero es diciembre, con un 9,6% aumento de accidentes
aproximadamente. El test F de significancia conjunta indica que el efecto conjunto de los
meses controlados es significativo a un nivel de significancia del 1%.
a) Por simplicidad solo se analizarán los coeficientes de las nuevas variables añadidas. Se
presentan los resultados de la estimación considerando nuevas variables: número de fines de
semana de un mes, desempleo, implementación de las políticas de tolerancia 0 y de máxima
velocidad.

10,639+0,00333𝑓𝑑𝑠
log(𝑎𝑐𝑐𝑖𝑑𝑒𝑛𝑡𝑒𝑠) =
(0.63) (0.00378)
−0,0212𝑑𝑒𝑠𝑒𝑚 −0,0538𝑚𝑎𝑥𝑣𝑒𝑙 +0,0954𝑙𝑒𝑦
+
(0.0034) (0.0126) (0.0142)
𝑇𝑒𝑛𝑑𝑒𝑛𝑐𝑖𝑎 𝑦 𝑒𝑠𝑡𝑎𝑐𝑖𝑜𝑛𝑎𝑙𝑖𝑑𝑎𝑑 𝑚𝑒𝑛𝑠𝑢𝑎𝑙
El coeficiente negativo del desempleo tiene sentido, ya que indicaría una relación negativa
entre el desempleo y el número de accidentes (producto de una disminución de la
movilización hacia el trabajo). La estimación indica que si incrementa el nivel de desempleo
en un 1% entonces el número de accidentes disminuye en un 2,1%. Economías más activas
(mayor empleo) tienen un costo en términos de accidentes de tránsito.
Los coeficientes asociados a maxvel y ley no son lo que se esperaba. El coeficiente de maxvel
implica que disminuyeron un 5.4% luego de ampliarse el límite de velocidad. Esto puede
deberse a que los conductores cautelosos entienden que deben tener más precauciones. El
coeficiente ley también parece contra intuitivo. Pero, quizás las personas se vuelven menos
cautelosas al sentirse más seguras una vez implementada la ley.
También puede ser que haya otras variables que no hayan sido consideradas que estén
sesgando el efecto de las variables maxvel y ley.
b) Al igual que en la parte anterior, no se reportarán los resultados de las variables dummys, ya
que en general los resultados y conclusiones son análogas.
1.03
𝑝𝑡𝑔𝑒𝑚𝑢𝑒𝑟𝑡𝑒𝑠 = + 𝑇𝑒𝑛𝑑𝑒𝑛𝑐𝑖𝑎 𝑦 𝑒𝑠𝑡𝑎𝑐𝑖𝑜𝑛𝑎𝑙𝑖𝑑𝑎𝑑 𝑚𝑒𝑛𝑠𝑢𝑎𝑙
(0.103)
+0,000063𝑓𝑑𝑠−0,0154𝑑𝑒𝑠𝑒𝑚+0,0671𝑚𝑎𝑥𝑣𝑒𝑙 −0,0295𝑙𝑒𝑦
(0.00616) (0.0055) (0.0206) (0.0232)
 Mayores límites de velocidad se estima que incrementan el porcentaje total de accidentes
fatales en 0,067%. Este es un efecto estadísticamente significativo. La implementación de la
nueva ley se estima que decrece el porcentaje total de accidentes fatales en 0,03%, además
el p-valor asociado es de 0,21, lo que indicaría que este efecto no es significativamente
diferente de 0.

c) El test de Durbin-Watson entrega un valor del estadístico de 1,43. Dada la significancia al

95%, posee valores para el valor superior e inferior de 1,181; 1,949, por lo cual al caer el
estadístico de Durbin-Watson en el intervalo, no se puede rechazar la hipótesis nula que no
hay autocorrelación de orden 1. Al realizar el test de Breusch–Godfrey para autocorrelación,
se obtiene un estadístico igual a 8,5 el cual tiene un p-valor asociado de 0,0035. Por lo anterior
se rechaza la hipótesis nula de no correlación serial, es decir, existe evidencia que hay
autocorrelación serial de orden 1. A partir del gráfico adjunto se observa una autocorrelación
positiva.

Gráficamente, se observaría también autocorrelación,

ya que aparentemente los residuos en el tiempo siguen
un camino aleatorio alejándose de la estacionalidad.
Para solucionar el problema de autocorrelación se
propone utilizar mínimos cuadrados generalizados con
matrices robustas de Newey-West para estimar las
matrices de varianza-covarianza, con lo cual esta
regresión seria robusta al problema de autocorrelación.
Dado que BG indica que existe correlación serial,
entonces los errores estándares de (c) estaban sesgados.
Al utilizar Newey-West, no existen cambios muy drásticos en las conclusiones en (c), sin
embargo, los errores estándar son mayores al utilizar Newey-West que OLS en (c). Por lo
tanto, las conclusiones son las mismas, el efecto de la ley en el porcentaje de muertes se
estima positivo y de la velocidad máxima como negativo.
Tabla test Breusch Godfrey, parte d)