Documentos de Académico
Documentos de Profesional
Documentos de Cultura
En la familia ejemplo de
programa de ayuda
y i=β 1 + β d 1 [ x i ≤ $ 20,000 ] + β x xi +u i ,
Es posible que una familia reduzca sus ingresos para calificar para el programa.
Suponga que β d , β x >0 y el ingreso de la familia m sin el programa es superior $
βd
β d > β x ( m−2000 ) ↔ m< +20,000.
βx
Esto no puede ser válido para RDD agudo porque E( d∨x)=d . Desde la
tenga en cuenta que lim E (u∨x )=0 . Por lo tanto, β d se identifica por la relación de
x→τ
los lados diferencia derivada, que incluye el caso de RDD agudo como un caso
especial cuando el denominador es uno.
unilateral: para lim E ( y∨x ), un kernel unilateral en τ es K (( xi−τ )/h)1 [xi > τ ], y con
x↓ τ
esto,
∑i K ( ( x i−T /h ) 1 [ x i> T ] y i )
→ p lim E( y ∨x)
∑i K ( ( x i−T /h ) 1 [ x i> T ] y i ) x ↓τ
∑ { y i−a−b ( x i−T ) } K
i
( x −T
h )
i
1 [ x −T ] ,
i
Para el método de dos etapas, recuerde y ji=β dj + g( xi)+u ji y, como se invoca sobre
segunda etapa, LSE de y i−E ( y∨x i) en d i−E (d∨x i ) se hace para estimar β d . En
d i−E ( d| xi ) =0 ∀i .
Con E N (∙∨xi ) que denota un estimador no paramétrico para E(∙∨x i) usando toda
bd ≡
∑ i { d i−E N ( d|x i ) }{ y i−E N ( y|x i ) } 1 [ xi ∈ X τ ]
2
∑ i {d i−E N ( d|x i ) } 1 [ x i ∈ X τ ]
La varianza asintótica de b d−β d se puede estimar con
2 2
∑ i { d i−E N ( d|x i ) } [ y i−E N ( y|x i )−bd { di −E N ( d|x i) }] 1 [ x i ∈ X τ ]
2 2
∑ i {d i−E N ( d|x i ) } 1 [ x i ∈ X τ ]
Un ejemplo de 1 [ xi ∈ X τ ] es 1 [ ¿ x i−τ∨¿ SD( x) ], o para un problema dado, uno puede
Van der Klaauw (2002) describe un ejemplo de RDD difuso estimando el efecto de la
ayuda financiera en la matrícula universitaria utilizando datos de una costa esta
universidad para el período de 1989 a 1993. Sea que la universidad tenga un índice de
capacidad x y ofrecer, digamos, tres niveles de ayuda financiera dependiendo de
Para que un diseño de BA sea eficaz, el tratamiento (es decir, la rotura) debe definirse
claramente y tener lugar rápidamente, y el efecto debe sentirse rápidamente antes de
que cambien otras covariables (Marcantonio y Cook (1994)). Esto es análogo a la
aleatorización límite de RDD, donde en un pequeño temporal vecindario de
tratamiento, el período justo antes del tratamiento debe ser comparable al período
inmediatamente posterior al tratamiento, porque otros cambios es poco probable que
ocurra en el corto plazo. Si el tratamiento se realiza de forma gradual con el tiempo y si
el efecto se difunde lentamente, entonces es difícil separar el efecto del tratamiento del
"efecto tiempo" debido a otros factores que varían a lo largo del mismo periodo.
y g( y)
∫ yf ( y ) dy=∫ r ( y ) g( y )dy , donde r ( y ) ≡
f ( y)
,
N −1 Σ i y i /r ( y i ) es consistente para E( y) .
d ∙ y =d {d y 1+(1−d) y 0 }=d ∙ y 1, y
E { d ∙ y 1∨x }
E
d∙ y
{ } [{
π (x )
=E E
d∙ y
π (x )
∨x =E }] [
π (x) ]
E ( d| x ) E( y1 ∨x)
¿E [ π (x) ]
=E [ E( y 1 ∨x) ]=E ( y 1)
Análogamente,
(1−d ) y
E { 1−π ( x ) }
=E ( y 0)
Primero examinaremos el efecto sobre los no tratados, seguido por el efecto sobre los
tratados y el efecto sobre la población.
d∙y
E
{ } π ( x)
=E ( y 1 )=E ( y 1|d=0 ) P ( d=0 )+ E ( y1|d=1 ) P ( d =1 )
¿ E ( y 1|d=0 ) P ( d =0 ) + E ( d ∙ y ) ,
d∙ y
E ( y 1|d=0 ) P ( d =0 )
−1
[( )E
π(x)
−E( d ∙ y)
]
Por lo tanto, el efecto sobre los no tratados E ( y 1|d=0 )−E ( y|d=0 ) es
d∙y
P ( d=0 )
−1
[( )
E
π (x ) ]
−E (d ∙ y ) −E ( y|d=0 )
d∙y
¿ P ( d=0 )
−1
[( ) ]
E
π(x)
−1
−E (d ∙ y ) −P ( d=0 ) E { (1−d ) y }
d∙y
¿ P ( d=0 )
−1
[( )
E {
π(x)
−E ( dy ) −E ( 1−d ) y }
]
d d −π ( x)
¿ P ( d=0 )−1 E
{( ) }π (x)
−1 y =P ( d=0 )−1 E
π (x )
y
{( )}
Con un estimador consistente πN ( x) para π (x),un estimador consistente para efecto
sobre los no tratados es
−1
N d i−π N (x i)
UN≡ 0
N ( ) ∙N
−1
∑
i
( π N ( xi )
yi .
)
A continuación, asumimos E( d∨x)=Φ( x ' α ) donde Φ es la distribución N (0 , 1)
'
funcionar y estimar α con probit α N . En este caso, π N ( x i ) =ϕ ( x i aN ) .
probit. Denotando la función de puntuación probit como si, tenemos ηi =E−1 ( s s ' )s i si
E( λ2)
√ N {U N−E ( y 1 − y 0|d=0 ) } → N 0 ,
P(d =0)2 ( )
Un estimador consistente para E( λ2) es su muestra analógica N
−1
∑ λ2¿ , donde
i
( 1−d ) y
E { 1−π ( x ) }
=E ( y 0 )=E ( y 0|d=0 ) P ( d=0 )+ E ( y 0|d=1 ) P ( d=1 )
¿ E ( ( 1−d ) y ) + E ( y 0|d=1 ) P ( d =1 )
( 1−d ) y
E ( y|d=1 )−P ( d=1 )−1 E { 1−π ( x ) }
+ P ( d=1 )−1 E ( y 0|d=0 ) P ( d=0 )
(1−d ) y
¿ P ( d=1 )
−1
[ E ( dy )−E { 1−π ( x ) }
+ E { ( 1−d ) y }
]
d−π (x)
¿ P ( d=1 )−1 E 1−
[{ 1−d
1−π (x) }]
y =P ( d =1 )−1 E
1−π (x )
y
[{ }]
Un estimador consistente para esto es
−1
N1 1−di
TN≡
N ( ) N
−1
∑
i
{1− y
1−π N ( x i) i }
−1
N1 d i−π N ( x i )
¿ ( )
N
N−1 ∑
i
{ 1−π N ( x i ) i
y
}
Para la distribución asintótica de T N , vemos en el apéndice que
√ N {T N −E ( y 1− y 0|d =1 ) } → N ¿
d y ( 1−d ) y { d−π ( x ) } y
E ( y 1− y 0 ) =E { −
π ( x ) 1−π ( x )
¿E }( [
π (x)(1−π ) ¿
¿ ])
N0 N1 di 1−d i
A N ≡U N
N
+T N
N
−1
=N ∑
i
− y
π N ( xi ) 1−π N (x i ) i { }
d i−π N ( xi )
¿ N−1 ∑
i { π N ( xi ) ( 1−π N ( x i ) ) } y i → p E( y 1− y 0 )
De A N =U N ( NN )+ T ( NN )
0
N
1
, resulta que
√ N { A N −E( y 1− y 0) }→ N ( 0 , E {( λ+ ζ )2 }) ,
Define
σ 21 ( x ) σ 20 ( x )
V ≡E [ +
π ( x ) 1−π ( x )
2
+ { τ −τ ( x ) } , ]
2
π ( x)σ 21 (x) π ( x )2 σ 20 (x)
V 1≡ E
[ p 2
+ 2
p { 1−π (x ) }
+
{ τ 1−τ ( x ) }
p 2
π(x)
]
Hahn (1998) también demuestra que, cuando se conoce π (x) , la eficiencia V límite
Dado que π ( x )2 < π (x) , V conocido π (x) es menor que V 1. Es decir, saber π (x) es
informativo para estimar el efecto sobre el τ 1 tratado, mientras que no es para el efecto
sobre la población τ . Imbens (2004) explica esto intuitivamente con diferentes pesos