Introducción

Resultados potenciales, sesgo de

selección y experimentos
 Bibliografía

Introducción
*Angrist, Joshua y Pischke, Jorn-Steffen. 2009. “Mostly Harmless
Econometrics”. Princeton University Press, Capítulo 2.

*Bernal, Raquel y Peña, Ximena. 2011. “Guía práctica para la evaluación

de impacto”. Universidad de los Andres, Capítulos 1 y 2.

Lee, Myoung-Jae. 2005. “Micro econometrics for policy, program, and

treatment effects”. Oxford University Press, Capítulo 2.

Rubin, Donald. 1974. “Estimating the causal effects of treatments in

randomized and non-randomized studies”. Journal of Educational
Psychology, 66, 608-701.

LaLonde, Robert. 1986. “Evaluating the econometric evaluations of

training programs with experimental data”. American Economic Review,
76(4), 604-620.

*Bibliografía sugerida
 Evaluación de impacto

Introducción

Determinar efecto de algún tratamiento, política o programa en agentes

El impacto de un programa es la diferencia entre:

Los resultados que los participantes del programa obtienen un
tiempo después de participar en el programa y
Los resultados que esos mismos participantes hubieran obtenido
en ese mismo momento si no hubiesen participado en el programa
(contrafactual)
Problema: contrafactual no observable. Tenemos que construirlo sobre
la base de los individuos no tratados

¿Qué problemas hay para construir el contrafactual?

 Resultados potenciales

Introducción

Para dar mayor estructura a la discusión, se utiliza el concepto de

resultados potenciales (Rubin, 1974)

Se tiene información para N individuos. Las observaciones son i.i.d.

Denótese Yi al resultado de interés (por ejemplo, el ingreso del individuo

si se evalua el impacto de un programa de capacitación laboral)

Para cada individuo i se observa:

wi = 1, si el individuo recibe el tratamiento (durante un horizonte de
tiempo dado)
wi = 0, si el individuo no recibe el tratamiento
Introducción

Asimismo, para cada individuo se postula la existencia de dos resultados

potenciales: Yi (1) y Yi (0)
Yi (1) es el resultado que se observaría si el individuo recibe el
tratamiento
Yi (0) es el resultado que se observaría si el individuo no recibe el
tratamiento
Yi (1) − Yi (0) es el efecto causal del tratamiento para el individuo i

El problema es que para ningún i observamos ambos resultados

potenciales
 Resultados potenciales y resultados
observados
Introducción

Los resultados potenciales se vinculan con el resultado observado a

través de la siguiente fórmula

Yi = Yi (1) ∗ wi + Yi (0) ∗ (1 − wi )

donde wi toma el valor de 1 si el individuo recibe el tratamiento, 0 de otra

manera
 ¿Qué queremos saber?

Introducción

Estamos interesados en los efectos promedios sobre la población

Efecto promedio del tratamiento en la población (Average
Treatment Effect ó ATE)
Efecto promedio del tratamiento en la poblacion tratada(Average
Treatment Effect on the Treated ó ATT)
 Efecto promedio del tratamiento en la
población (ATE)
Introducción

ATE = E[Yi (1)] − E[Yi (0)] = E[Yi (1) − Yi (0)]

donde:
E[Yi (1)]: valor esperado de la variable resultado cuando la
población (o una muestra representativa) recibe el tratamiento
E[Yi (0)]: valor esperado de la variable resultado cuando la
población (o una muestra representativa) no recibe el tratamiento
Para estimar E[Yi (1)] y E[Yi (0)], habría que forzar a toda la población (o
a una muestra representativa) a recibir y no recibir el tratamiento,
respectivamente. ATE no es siempre un resultado de interés.
 Efecto promedio del tratamiento en la
población tratada (ATT)
Introducción

Por lo general resulta de mayor interés calcular el efecto promedio del

tratamiento sobre la población tratada (ATT), la cual típicamente es una
población previamente focalizada,

ATT = E[Yi (1)|wi = 1] − E[Yi (0)|wi = 1] = E[Yi (1) − Yi (0)|wi = 1]

donde:
E[Yi (1)|wi = 1]: valor esperado de la variable resultado en el grupo
tratado en presencia del tratamiento
E[Yi (0)|wi = 1]: valor esperado de la variable resultado en el grupo
tratado en ausencia del tratamiento
Es claro que el contrafactual E[Yi (0)|wi = 1] no es observable. En
este curso se trata de aproximar E[Yi (0)|wi = 1] a partir de
individuos parecidos a los tratados
 Diferencias entre ATE y ATT

Introducción

ATE y ATT pueden ser iguales cuando los efectos del tratamiento son
homogéneos entre todos los individuos de la población.

En general, ATE y ATT difieren:

Cuando existe heterogeneidad en los efectos del tratamiento entre
los individuos de la población
Cuando la selección en el tratamiento no es independiente de los
resultados potenciales (más sobre esto luego)
 ¿Qué nos pueden decir los datos?

Introducción ATT es igual a E[Yi (1)|wi = 1] − E[Yi (0)|wi = 1], donde el segundo
término es no observable. Sin embargo, lo que los datos típicamente nos
dan es

Observado = E[Yi (1)|wi = 1] − E[Yi (0)|wi = 0]

sumando y restando el término E[Yi (0)|wi = 1]

E[Yi (1)|wi = 1] − E[Yi (0)|wi = 0] + E[Yi (0)|wi = 1] − E[Yi (0)|wi = 1]

reordenando términos

E[Yi (1)|wi = 1] − E[Yi (0)|wi = 1] + E[Yi (0)|wi = 1] − E[Yi (0)|wi = 0]

nótese que ATT = E[Yi (1)|wi = 1] − E[Yi (0)|wi = 1], por lo que:

Observado = ATT + E[Yi (0)|wi = 1] − E[Yi (0)|wi = 0]

 Sesgo de selección

Introducción

El sesgo de selección (o hidden bias) está indicado por:

E[Yi (0)|wi = 1] − E[Yi (0)|wi = 0]

Esta es la diferencia que habría en ambos grupos (tratados y no

tratados) en el estado natural sin programa (son las diferencias
intrínsecas entre ambos grupos)

El sesgo de selección será cero sólo si estamos dispuetos a asumir que

ambos grupos (tratados y no tratados) son iguales en el escenario de no
tratamiento!
 Los experimentos resuelven el problema de
sesgo de selección
Introducción

Para estimar ATE y ATT necesitamos que algunos individuos sean

tratados y otros no, y necesitamos que la asignación al tratamiento no
sea escogida por los individuos en base a las ganancias potenciales de
acceder al tratamiento

Si el tratamiento (w) es asignado de manera aleatoria, entonces es

independiente de los resultados potenciales (Supuesto de
Independencia)

wi ⊥{Y0 , Y1 }

Es decir, en este caso la probabilidad de ser asignado al tratamiento no

varía con el resultado potencial. Aquellos con mayor probabilidad de
beneficiarse del programa no tienen una mayor probabilidad de acceder
al programa bajo asignación aleatoria
Introducción La asignación aleatoria ayuda porque implica que

E[Yi (0)|wi = 1] = E[Yi (0)|wi = 0]

y que

E[Yi (1)|wi = 0] = E[Yi (1)|wi = 1]

En otros términos, la asignación aleatoria balancea las características
(observables y no observables) del grupo tratado y del grupo no tratado

Sin mayor información, esto implica que ATT es igual a ATE (supuesto
de homogeneidad, se puede relajar)

ATT = E[Yi (1) − Yi (0)|wi = 1] = E[Yi (1) − Yi (0)] = ATE

Más importante aún, el efecto de selección es cero y, por lo tanto,
podemos obtener ATE de los datos

E[Yi (1)|wi = 1] − E[Yi (0)|wi = 0] = ATE = ATT

 Regresión y ATT

Introducción ATT se puede obtener directamente de una regresión que incluya una
dummy que determine si el individuo fue o no tratado. Sin mayor
estructura,en la regresión se asume que el efecto del tratamiento es
constante.

Yi = α + ρ wi + ηi

E[Yi (0)] Yi (1) − Yi (0) Yi (0) − E[Yi (0)]

Nótese que

E[Yi |wi = 1] − E[Yi |wi = 0] = ρ + E[ηi |wi = 1] − E[ηi |wi = 0]

y que

E[ηi |wi = 1] − E[ηi |wi = 0] = E[Yi (0)|wi = 1] − E[Yi (0)|wi = 0]

En otras palabras: el sesgo de selección equivale al sesgo por
variable omitida en el análisis de regresión.
 Influencia de los experimentos

Introducción

Los experimentos resuelven posiblemente el problema más importante

de la microeconometría: el sesgo de selección.

El uso de experimentos es la mayor revolución en economía empírica de

la década. Ver, por ejemplo, Dufflo (2006)*

La gran ventaja de los experimentos es que resuelven el problema de

variable omitida. Pero no hay que sobre-simplificar:
Los resultados de un experimento no son siempre generalizables:
validez externa versus validez interna
Los experimentos no necesariamente permiten entender los
canales de transmisión
*Dufflo, E., 2006. “Using Randomization in Development Economics Research: a Toolkit”.
 ¿Qué hacer cuando un experimento no se
puede llevar a cabo?
Introducción

Dependiendo de la pregunta, en algunos casos, las instituciones

humanas y las fuerzas de la naturaleza abren la opción de explotar
cuasi-experimentos.
1 Instituciones humanas: variación geográfica en las leyes, variación
temporal en las leyes, arbitrariedad de reglamentos, etc
2 Fuerzas de la naturaleza: variación en fechas de nacimiento,
desastres naturales, nacimiento de gemelos, etc
3 Combinación de instituciones humanas y la naturaleza
En estos casos se aplica metodologías no experimentales tales como
doble diferencia, regresión discontinua, propensity score matching,
variables instrumentales o controles sintéticos (o una combinación de
estos métodos). Algunos de estos métodos serán materia de este curso.