Está en la página 1de 49

Programas de Microfinanzas y Mejoras

Estructurales en los Hogares


Evaluación de Impacto Utilizando Propensity Score Matching

Autores
Jonathan Cohen
Miguel Ferrari Boniver
Juan Ignacio Castano
Luis Alberto Irigoytia

Universidad Torcuato Di Tella


Trabajo de Tesis de Grado1
Licenciatura en Economía

Agosto 2008

ABSTRACT

Los programas de microfinanzas se han convertido en una herramienta ampliamente difundida en


el campo de las iniciativas de lucha contra la pobreza. Dada esta gran difusión, se han multiplicado
los estudios que, desde diferentes disciplinas de las ciencias sociales, han intentado resaltar los
mayores niveles de bienestar alcanzado por todos aquellos que toman microcréditos. Sin embargo,
dificultades técnicas y metodológicas hacen difícil la implementación de estudios de impacto
rigurosos que ofrezcan resultados robustos sobre el efecto de las microfinanzas en el bienestar de
las personas. En este sentido, diferentes economistas han desarrollado estudios de impacto en
aquellas regiones donde mayor incidencia han tenido los programas de microcréditos (Bangladesh,
Tailandia, India), pero existen pocos estudios referidos a experiencia locales.
El presente estudio se propone examinar los efectos de las microfinanzas sobre las condiciones
de infraestructura de los hogares de quienes toman microcréditos, tomando como base del trabajo
un relevamiento realizado en el municipio de Moreno, en el conurbano de la Provincia de Buenos
Aires. Para este trabajo se tomaron en cuenta las dificultades técnicas de auto-selección y
endogeneidad. Se realizaron diferentes correcciones para confeccionar un grupo comparable
adecuado y se optó por el método denominado Propensity Score Matching para estimar el efecto
promedio del programa.
Los resultados obtenidos muestran que las personas que participaron de los programas de
microfinanzas realizaron un número mayor de reformas en el hogar que los no tratados. En
particular, se realizaron mediciones sobre las reformas por año, las cuales arrojaron datos positivos
sobre el impacto del programa. De igual modo se realizaron contrastes por tipo de reformas, las
cuales mostraron que los tratados realizaron mayores reformas en aspectos críticos de la vivienda
(cimiento, techo, instalación sanitaria, etc.) respecto a los no tratados.

1
El trabajo de tesis se hizo bajo la supervisión del Prof. Pablo Sanguinetti
I. Introducción

Uno de los factores que más influye en la problemática de la pobreza, y que


genera que individuos de bajos recursos permanezcan en dicha situación, es la falta de
acceso a los mercados de crédito formales. Esta problemática es vista como una falla de
mercado que, producto de la dificultad de realizar un screening adecuado y de la
imposibilidad de presentar colateral por parte de los prestatarios, excluye del sistema a
potenciales demandantes de crédito.
A mediados de los años setenta, una hambruna azotó Bangladesh y dejó una
profunda crisis en este país. En consecuencia a esta problemática, el economista asiático
Muhammad Yunus, desarrolló un mecanismo de crédito a través del cual personas de
bajos recursos accedían a prestamos de pequeños montos de dinero, el cual les permitía
impulsar sus negocios, mejorar la estructura de su vivienda, proveer educación a sus
hijos y suavizar su consumo, entre otras cosas.
Con el correr de los años la iniciativa tomó la forma del actual, Grameen
Bank y la idea de otorgar herramientas financieras a personas con escasos recursos se
replico con algunas variantes en todo el mundo. Pero siempre mantuvo el objetivo
principal: el de ser un mecanismo de lucha contra la pobreza y de inclusión al sistema
financiero formal.
Al contrario de la percepción que generalmente se tiene respecto de que las
microfinanzas son simplemente prestamos de pequeños montos de dinero para gente de
bajos recursos, lo cierto es que detrás de este concepto descansa una nueva y
revolucionaria tecnología de crédito, diferente a la convencional. Esta no solamente
apunta a solucionar los problemas de ausencia de colateral, sino que también intenta
cubrir otras necesidades -no necesariamente financieras- que en el sistema financiero
tradicional no son tenidas en cuenta.
A medida que fue cobrando vigor el fenómeno de las microfinanzas, surgió la
necesidad desde el mundo académico, de medir cuantitativamente el impacto de dichos
programas sobre sus beneficiarios. Sin embargo, más allá de la multiplicidad de trabajos
existentes que resaltan las virtudes de esta herramienta, no existe un consenso acabado
en las ciencias sociales acerca de su efectividad. La respuesta a la pregunta de si las
microfinanzas ayudan realmente a sacar a la gente de la pobreza es, al día de hoy, poco
clara y ambigua. En particular, en la Argentina, existen pocos estudios destinados a

2
evaluar de manera robusta los efectos de un programa de microfinanzas, ya sea por falta
de información, recursos, o simplemente por falta de conocimientos técnicos.
Un de los factores más importantes que contribuye al discenso acerca del efecto
de las microfinanzas es que existen diferentes dificultades metodológicas y prácticas a
la hora de realizar evaluaciones de impacto. Por un lado, la realización de estudios de
impacto es una tarea muy difícil y desafiante para los investigadores y practicantes, ya
que medir dicho impacto es muy costoso –tanto en términos del tiempo invertido, como
en términos monetarios-, en particular para instituciones pequeñas con pocos recursos.
Por el otro, dado que la gran mayoría de las instituciones prefieren evaluar el impacto de
sus programas luego de comenzada su implementación (es decir, hacer una evaluación
ex-post), se generan problemas técnicos a la hora de hacer la medición, ya que de esa
manera se pierde el denominado “momento cero”, y se generan otros problemas
también graves, como por ejemplo, la imposibilidad de establecer claramente los grupos
control y tratamiento de manera adecuada. Todos estos obstáculos han llevado a que en
las últimas dos décadas se hayan desarrollado distintos métodos estadísticos dentro del
campo de la microeconometría, que buscan asegurar rigurosidad a la hora de llevar
adelante estudios de impacto, tratando de sobrellevar los obstáculos mencionados
anteriormente.
En este trabajo, nos proponemos estimar el impacto de un programa de
microfinanzas sobre la calidad edilicia de las viviendas, un factor que consideramos
crucial para el bienestar de las familias. El estudio se realizó utilizando el método
estadístico conocido como “Propensity Score Matching”. Los datos utilizados se
obtuvieron a partir del relevamiento de hogares de diferentes zonas del conurbano
bonaerense que realizó la Consultora Poliarquía en conjunto con el Observatorio de
Desarrollo Barrial de la FPVS-UTDT2 en el año 2006.
En siguiente sección presentaremos los canales a través de los cuales las
microfinanzas impactan sobre las condiciones de bienestar de las personas. En la tercer
sección se analizará las problemáticas y soluciones existentes a la hora de encarar
evaluaciones de impacto de programas sociales. En la cuarta sección se presenta en
detalle el método de Propensity Score Matching y sus distintas variantes de
apareamiento (matching). En la quinta sección se describen los datos que se utilizaron
en el estudio, los criterios para el armado del grupo control y tratamiento, así como

2
Proyecto impulsado por la Maestría en Economía Urbana de la Universidad Torcuato Di Tella y la
Fundación Pro-Vivienda Social.

3
también la confección de la variable de impacto. En la sexta sección, se presentan los
resultados obtenidos. Finalmente en la séptima sección, se exponen las conclusiones y
consideraciones finales.

II. Microfinanzas como un elemento de desarrollo

Habitualmente la gente de bajos recursos no tiene acceso al crédito. Esta falla


de mercado hace que esta gente alcance un equilibrio subóptimo, y quede excluida del
sistema al cual se pretende incluirlos. Esta restricción al crédito hacia la gente de bajos
recursos tiene varias causas, que relacionadas la una con la otra, explican su
racionalidad.
En primer lugar, la causa subyacente a este fenómeno es que los pobres no
tienen manera de formar, ordenar y presentar a las instituciones financieras su
información de una manera que ésta pueda ser evaluada correctamente. A esto se le
suma el hecho de que el costo que tienen los prestamistas de salir a buscar esa
información es altísimo. De esta manera, tanto por el lado de la demanda (individuos de
bajos recursos que no pueden juntar información suficiente), como por el lado de la
oferta (prestamistas como las Instituciones de Microfinanzas (IMF) que tienen
altísimos costos para salir a buscar a sus potenciales clientes) hay dificultades para
llegar a un equilibrio virtuoso en el que tanto oferentes como demandantes salgan
beneficiados.
En segundo lugar, el otro gran problema que presenta este mercado, es la
ausencia de garantías que presentan los demandantes de créditos y servicios
microfinancieros para con las instituciones financieras que los asisten. Esto hace
referencia a la falta de un colateral, es decir, la falta de una cobertura en caso de que el
prestamista no pueda repagar el préstamo al prestatario. De esta manera, el resultado es
que en la mayoría de los casos el servicio directamente no sea prestado, o, en caso
contrario, que las tasas de interés cobradas, que reflejan el riesgo subyacente de la
operación, sean mucho más elevadas que las tasas cobradas por las instituciones
financiero-comerciales normales.
Podemos ver entonces, que el sistema financiero mundial no genera
oportunidades iguales para todos sus habitantes, sino que lo hace de manera excluyente
y discriminatoria solo para algunos. Es en este contexto que aparecen las Microfinanzas:

4
intentan conciliar dos mundos que hasta la última década iban por caminos separados, el
de las finanzas y el de los pobres y excluidos.
Las microfinanzas llegan para remover una falla de mercado, y a través de
nuevas tecnologías, intentan hacer que los antes excluidos pueden llegar a un equilibrio
óptimo, mejorando su bienestar, y contribuyendo a su desarrollo. La gran novedad
entonces, es que removiendo la falla de mercado, las microfinanzas permiten a los
pobres generar nueva riqueza económica, brindando una contribución primaria y directa
a la eficiencia y al crecimiento económico global: “la pobreza es aliviada generando
nuevos recursos económicos, en lugar de descansar en pura redistribución”.3

II.1 Canales de transmisión de bienestar de las microfinanzas


Existen varios canales a través de los cuales las microfinanzas pueden ejercer
influencia y modificar de bienestar de sus beneficiarios y de la sociedad en su conjunto.
En esta sección incluiremos los que creemos son los mas importantes, siguiendo el
modelo de Maldonado4, quien formaliza estos efectos en su trabajo de manera
convincente. La idea básica de los canales de transmisión, es que las microfinanzas
mejoran el bienestar de los individuos de distintas maneras, al modificar su matriz de
decisiones marginales.
El primer canal de transmisión, a través del cual las microfinanzas ayudan a
mejorar el bienestar de los individuos, es el Efecto Ingreso positivo que ejerce sobre
sus beneficiarios. De esta manera, los microcreditos ayudan a aliviar las restricciones
presupuestarias de las familias que los reciben, que siempre dependen de sus ingresos
percibidos. Es así, que al cambiar los costos de oportunidad por tener una restricción
presupuestaria más holgada, cambiarán también las decisiones de sus individuos. En
particular, fenómenos como el trabajo infantil disminuyen, ya que la necesidad de
generar ingresos de los padres es aliviada por los microcreditos, y puede ser sustituida
por una mayor acumulación de capital humano.
En segundo lugar, los servicios microfinancieros brindados por las IMF
(créditos, instrumentos de ahorro, microseguros, etc.) permiten a los hogares tener una
visión de largo plazo y suavizar su consumo ante la presencia de shocks exógenos o

3
Prat Gay, Alfonso, “La lucha contra la pobreza en Argentina: la contribución de las microfinanzas”
4
Maldonado, Jorge, “La influencia de las microfinanzas sobre las decisiones de educación en los hogares
rurales: evidencia de Bolivia”

5
variaciones estaciónales de sus microemprendimientos, y por lo tanto, de sus ingresos5.
Así, este segundo canal, disminuye la incertidumbre, y por lo tanto, la
vulnerabilidad de los hogares, ya que éstos tienen la posibilidad de absorber shocks
adversos de manera menos costosa, y por lo tanto más beneficiosa. De esta manera, los
hogares pueden adoptar estrategias de administración del riesgo que les permitan evitar
decisiones drásticas ante la adversidad.
Este segundo canal esta relacionado muy íntimamente con el tercero: las
microfinanzas, al insertar a los individuos a la sociedad, les permiten tener acceso a un
flujo de información mucho mayor que de otro modo. De esta manera, superar al menos
parcialmente el problema de información asimétrica, les permite modificar preferencias,
cambiar tasas de sustitución intertemporal, o cambiar la percepción acerca de
oportunidades (por ejemplo, cambiar la percepción acerca de la educación, o acerca de
tener un negocio propio, etc.). Este Efecto Informativo, permite a los individuos tomar
mejores decisiones, mirando el mediano y el largo plazo.
En cuarto lugar, y relacionado con todos los canales anteriores, es importante
señalar el Efecto Vivienda. Básicamente, a través de una mejora en la restricción
presupuestaria, una mejora en el nivel de información que perciben los individuos, y
una disminución de su vulnerabilidad, las microfinanzas permiten a las familias realizar
mejoras en su calidad edilicia. De esta manera, al permitir las microfinanzas una
mejora en los hogares de los beneficiarios, permite claramente una mejora en la calidad
y en el nivel de vida de las familias. Existe una extensa literatura escrita acerca de cómo
las mejoras en la vivienda ayudan a mejorar el bienestar de las familias. No solamente
se reduce la probabilidad de contraer enfermedades debido a las malas condiciones de
aislamiento térmico e hídrico, sino que también se reduce el nivel de hacinamiento de
los hogares. Goux y Maurin6 sostienen en su trabajo, que disminuir los niveles de
hacinamiento de los hogares contribuye significativamente al éxito de los niños en los
estudios, y disminuye la deserción a los mismos.
Este último canal, el de las mejoras sobre la calidad edilicia de los hogares, y
sus efectos sobre el bienestar de sus habitantes, es el que trataremos de investigar en
nuestro trabajo. A partir de la muestra obtenida, trataremos de cuantificar el efecto de un

5
En particular, esto sucede cuando las familias tiene la posibilidad de acceder a créditos de emergencia
ante shocks adversos, disminuyendo la probabilidad de salidas más costosas.
6
Goux y Maurin, “Los efectos del hacinamiento en el hogar sobre el rendimiento académico en los
colegios”

6
programa de microcreditos sobre el número de reformas de los tratados, para ver si el
efecto es realmente significativo.

III. Antecedentes en la literatura económica sobre evaluación de impacto


de políticas sociales

En los últimos años se han difundido mucho en el campo del desarrollo


económico los estudios que buscan evaluar el impacto de políticas anti-pobreza. La idea
básica de dichos estudios es estimar econométricamente cuál ha sido el efecto de un
determinado plan sobre los individuos que recibieron el tratamiento (tanto cualitativa
como cuantitativamente).
Pero dichos estudios no son sencillos, ya que para asegurar resultados rigurosos,
es necesario para la evaluación estimar un escenario contrafactual: ¿cuál hubiese sido el
resultado si el proyecto nunca se hubiese llevado a cabo? De esta manera, una vez
obtenido el contrafactual, se puede comparar el resultado del grupo que recibió el
tratamiento contra el resultado del escenario contrafactual (resultado del mismo grupo si
no hubiese recibido el tratamiento), y de esa manera ver cuál ha sido el impacto de la
política.
Determinar el contrafactual es, por lo tanto, el centro de una evaluación de
impacto. El mismo puede ser logrado usando distintas metodologías, que caen dentro de
dos grandes grupos: los estudios de diseño experimental, y los estudios cuasi-
experimentales (también llamados Estudios Observacionales). No deja de ser difícil,
bajo ninguno de los dos grupos, netear el efecto del programa de las condiciones
contrafactuales del grupo control, teniendo cada una costos y beneficios dependiendo de
la situación particular que se quiera evaluar. A continuación, detallaremos brevemente
cada uno de estas dos grandes aproximaciones a los problemas de evaluación de
impacto de políticas sociales.

III.1 Estudios Experimentales


Los estudios experimentales, también conocidos como experimentos aleatorios,
son considerados por la literatura como los más robustos. Consisten en decidir quienes
forman parte del grupo tratamiento y del grupo control de manera aleatoria. De esta
manera, se genera un grupo control y un grupo tratamiento que son comparables, dado

7
que si se asegura un tamaño de la muestra lo suficientemente grande, se puede decir que
ambos grupos son estadísticamente equivalentes.
Este resultado es muy poderoso en la teoría, ya que el grupo control generado
aleatoriamente, puede cumplir el rol del contrafacutal necesario para la comparación, y
está por lo tanto libre de los problemas de sesgo y de auto-correlación mencionados más
arriba.
Por lo tanto, el principal beneficio que tienen los experimentos aleatorios es la
simplicidad para interpretar los resultados del estudio: el impacto del programa puede
ser medido como la diferencia entre las medias de la variable de impacto entre el grupo
tratamiento y el grupo control. Por ejemplo, si se quisiera medir el impacto de un plan
de entrega de libros a escuelas rurales sobre el nivel de alfabetización, en el cual ex –
ante de decidiese aleatoriamente a qué escuelas entregar libros, entonces se podría
medir directamente la media de cada uno de los dos grupos, y la diferencia seria el
efecto del tratamiento.
Sin embargo, este tipo de experimentos tienen por lo general varias dificultades
y limitaciones, que en la mayoría de los casos puede llegar a hacer que sean inaplicables
(en particular, dentro del campo de las Ciencias Sociales).
La primera dificultad que se encuentra al diseñar dichos estudios es una de
carácter ético y moral: no sería justo darle el beneficio del tratamiento a un grupo y
negárselo a otro solo para lograr robustez en los resultados de una evaluación. Por
ejemplo, no seria ético proveerle una vacuna a un determinado grupo y a otro no.
En segundo lugar, la distribución de un tratamiento aleatoriamente seria difícil
de lograr en términos políticos, ya que podría generar reclamos del sector que no recibió
el tratamiento.
En tercer lugar, el alcance y la naturaleza que pueda llegar a tener la política
pueden llegar a implicar que muchas veces no exista un grupo control (como por
ejemplo, una política desarrollada a nivel nacional, con el mismo alcance para todos los
habitantes de un país); en estos casos, el contrafactual que constituye el grupo control se
pierde.
En cuarto lugar, es muy importante señalar que los individuos dentro del grupo
control pueden llegar a cambiar algunas de sus características durante el proceso del
tratamiento, perdiendo así las características que lo convertían en el mejor control para
el experimento. Esto sucede a menudo cuando determinados individuos dentro del
grupo control cambiar de área geográfica, o incluso-lo que seria mucho más grave aun-

8
cuando los individuos del grupo tratamiento intencionalmente cambian algunas de sus
características observables para que de esa manera se les comience a aplicar el
tratamiento. De esta manera, se contaminan los resultados.
También es cierto-y esta es quizás una de las limitaciones mas grande de estos
experimentos- que muchas veces es imposible que la asignación de los individuos
dentro de cada uno de los grupos se genere manera aleatoria, ya que muchas veces, son
los propios individuos los que deciden si recibir o no el tratamiento. Este problema de
endogeneidad es propio de las Ciencias Sociales, y es quizás uno de los mayores
obstáculos a la hora de hacer un es estudio de impacto, por razones que describiremos
mas adelante.
Por ultimo, los estudios experimentales pueden llegar a ser excesivamente
costosos, tanto en términos monetarios como en términos de tiempo invertido y en
términos de los costos transaccionales que implican. Esto es así ya que su diseño puede
ser complejo, y la recolección de los datos puede no estar al alcance de los
investigadores, o puede llevar más tiempo del que se dispone para la investigación.
Todas estas limitaciones presentes en los estudios experimentales hacen que en
la mayoría de los estudios de impacto éste método no se pueda usar. Sin embargo, en
los casos en los que esto sucede, siempre se puede recurrir a los Estudios
Observacionales.

III.2 Estudios Observacionales


Los estudios observacionales son aquellos en los que no es posible construir
grupos de tratamiento y control de manera aleatoria; son por lo general los propios
individuos los que se asignan a uno u otro grupo, y el rol del investigador se limita
simplemente a observar a qué grupo se autoselecciona cada uno.
Cuando este es el caso, lo que le queda al investigador es tratar de trabajar con
grupos control y tratamiento que sean lo mas parecidos posible el uno con el otro, al
menos en base a las características observables de cada uno de los individuos. Dado que
los grupos tratamiento y control son elegidos luego de la asignación del tratamiento de
forma no aleatoria, controles estadísticos deben ser aplicados en los estudios para
minimizar las diferencias entre ambos.
El principal beneficio de estos métodos es que pueden realizarse sobre estudios
de relevamientos de datos ya existentes, siendo por lo tanto menos costosos, tanto en lo
económico como en el tiempo invertido en el estudio.

9
Entre las principales desventajas de estos métodos, se pueden identificar tres
grandes grupos. En primer lugar, dada su menor robustez, los resultados a los que se
llega son menos confiables. En segundo lugar, los métodos econométricos que deben
utilizarse para tratar de minimizar las diferencias entre los grupos control y tratamiento
son realmente complejos y avanzados, no estando por lo general al alcance de proyectos
no académicos, que en su mayoría terminan llegando a resultados sesgados.
En tercer lugar, en este tipo de estudios existe lo que se denomina un problema
de endogeneidad, el cual, si no es atacado, termina generando estimadores sesgados.
Este problema se genera cuando los grupos control y tratamiento no se asignan
aleatoriamente ex-ante, sino que son los propios individuos los que deciden
racionalmente (expost) su propia suerte, eligiendo si tomar o no el tratamiento.
Existen dos tipos de sesgos relacionados con el problema de endogeneidad: los
observables, y los no observables.
Los sesgos observables surgen de diferencias entre los individuos resultantes de
sus características observables, ya que muchas veces éstas influyen en los criterios de
selección a través de los cuales se decide beneficiar o no a una persona con el
tratamiento. En el caso particular de los microcréditos, muchas veces se requiere un
nivel mínimo de ingresos para entrar al programa, el cual es una característica
observable de los individuos que determina si entra o no al programa, y que
eventualmente determinara los resultados del mismo. Dado que estas diferencias en las
características observables pueden determinar distintos resultados en las variables de
interés de cada uno de los grupos independientemente de haber recibido o no el
tratamiento, es importante tratar de minimizar dichas diferencias.
Los sesgos no observables, dada su naturaleza, son mucho más difíciles de
corregir o eliminar. Los mismos, surgen de las diferencias en las características no
observables de los individuos que están en cada uno de los grupos, como por ejemplo
pueden ser las ganas de trabajar, la capacidad emprendedora, conexiones familiares, etc.
Por lo tanto, en estos casos, las diferencias entre el grupo control y el grupo tratamiento
son imposibles de observar para los investigadores, y generan sesgos que debilitan los
resultados a los cuales se puede llagar.
En particular, dentro del campo de las microfinanzas, se da el problema de la
auto selección, que consiste en que los individuos eligen si recibir el tratamiento o no.
Al hacerlo, están revelando tener características (no observables para los investigadores)
que los individuos que eligen no recibir los créditos posiblemente no tengan.

10
Típicamente, en la reciente literatura de las microfinanzas, se habla de características no
observables como la sociabilidad, la capacidad emprendedora, las ganas de progresar,
etc., De no ser corregidas, todas estas características no observables terminarán
sesgando los resultados estimados, ya que se le estará atribuyendo todo el efecto en el
cambio de la variable de interés al programa, cuando parte del efecto también se debe a
que ambos grupos poseen características diferentes que los impulsan a resultados
diferentes (independientemente del programa).
Es importante aclarar que en los estudios experimentales, este problema de la
endogeneidad o autoselección no sería de mayor importancia, ya que al generarse los
grupos control y tratamiento aleatoriamente, el sesgo tendería a balancearse entre ambos
grupos, y en promedio, el efecto se compensaría. De todas maneras, es importante
aclarar que no solucionan el problema ni lo hacen desaparecer, sino que simplemente, al
ser experimentos aleatorios, en promedio equilibran el sesgo entre ambos grupos7.
Dentro de los experimentos observacionales, este beneficio no es tan claro, pero
existen métodos estadísticos que pueden llegar a minimizar el sesgo, llegando a buenos
resultados.

III.3 Métodos Cuantitativos para Estudios de Evaluación de Impacto


En los últimos tiempos ha habido muchos avances en los métodos desarrollados
para llevar adelante evaluaciones de impacto de políticas sociales. A continuación,
describiremos los principales métodos, y desarrollaremos brevemente el concepto de
cada uno. Dado que ningún método es perfecto, queda a disposición de quien diseñe el
estudio el evaluar los costos y beneficios de cada uno de los métodos y decidir cuál se
ajusta mejor al estudio a desarrollar.

• Métodos Aleatorios: consisten en elegir aleatoriamente si los individuos


pertenecen al grupo control o tratamiento, dado un grupo de observaciones bien
definidas. Si este es el caso, en promedio no debería haber diferencias entre ambos
grupos dada la aleatoriedad, siendo la única diferencia el tratamiento recibido. Si bien
puede haber otras diferencias entre los grupos debido a errores en la recolección de los
datos, este es un método bastante robusto. Empero, como ya mencionamos
anteriormente, este diseño es el más difícil de desarrollar dados sus altos costos.

7
Greene

11
• Matching Methods (Métodos de Apareamiento): la idea básica de estos
métodos es elegir para cada individuo del grupo tratamiento, un individuo del grupo
control que sea lo mas parecido posible, en base a características observables, y
compararlos. De esta manera, se busca minimizar las diferencias entre los grupos
control y tratamiento que surgen del diseño de contrafactuales imperfectos.
En los últimos años, estos métodos se han difundido y perfeccionado
considerablemente, llegando a ser considerados como la mejor alternativa para la
evaluación de impacto de políticas sociales. En particular, estos métodos son muy
“atrayentes en estudios en los cuales el tiempo apremia y en los cuales no se cuenta con
un momento cero (es decir, se tienen una serie de datos de tipo transversal, y no hay
mediciones antes y después del tratamiento).
Dentro de este grupo, se ha estado trabajando mucho con propensity score
matching, un método de apareamiento en el cual cada individuo control es apareado con
un individuo del tratamiento en base a un propsnsity scrore, es decir, en base a una
probabilidad de recibir el tratamiento, condicionada por las características observables
de los individuos. Cuanto mas parecida sea esa probabilidad entre ambos grupos, mejor
será el apareamiento8. Este tipo de enfoque fue desarrollado en sus principios en
estudios empíricos de economía laboral, siendo sus precursores Rosenbaum, y Rubin.
• Comparaciones Reflexivas: consisten en comparar al grupo que recibió
el tratamiento antes y después de haberlo recibido. De esta manera, se necesita
encuestar al grupo al cual se le va a aplicar el tratamiento antes de que el mismo lo
reciba, y también encuestarlo nuevamente (una o más veces) una vez que ya ha
empezado a recibirlo. Si bien parece simple, es muy inusual contar con este tipo de
información, ya que el diseño de este tipo de estudios es muy complejo y costoso.
• Diferencias en Diferencias: estos métodos consisten en comparar a los
grupos tratamiento y control (primera diferencia) tanto antes como después de
implementado el programa (segunda diferencia). Son los más apropiados para estudios
en los cuales se cuenta con un momento cero. Sin embargo, si el diseño de los grupos
control y tratamiento no es aleatorio, es necesario aplicar algún tipo de apareamiento
para corregir los problemas de sesgo de endogeneidad que pueden llegar a aparecer de
8
Tanto en los métodos aleatorios como en los de apareamiento, en los cuales es necesario formar grupos
tratamiento y control, mejores serán los resultados cuanto más similares sean los ambiente
socioeconómicos de los cuales se extraigan las muestras de ambos grupos. Asimismo, también es muy
importante que ambos grupos hayan sido encuestados por la misma organización, con los mismos
cuestionarios y las mismas personas.

12
otra forma. Dadas sus características, obtener los datos para este tipo de estudios es muy
costoso y consume mucho tiempo; además, su diseño puede llegar a ser muy engorroso
si no se planifica con sumo cuidado y antelación.
• Variables Instrumentales: consisten en utilizar una o más variables
(instrumentos) que estén correlacionadas con el acceso al programa pero no con la
variable dependiente que se desea explicar. De esta manera, este control estadístico
permite eliminar los problemas de endogeneidad de los estimadores de impacto.
Intuitivamente, las variables instrumentales son utilizadas en una primera instancia para
predecir la participación en el programa; de esta forma, en una segunda instancia, se
puede estimar el impacto y ver como varía el resultado del programa cuando varía el
valor predicho por la variable instrumental. Este método es utilizado en el renombrado
y conocido trabajo de Pitt y Khandker (1998), en el cual los autores estiman el impacto
de un programa de microfinanzas en Bangladesh, y en donde usan como instrumentos
las reglas de participación en el programa. Otro ejemplo es el trabajo de Coleman
(1999), realizado sobre catorce aldeas de Tailandia.
La principal dificultad de este método es que, por lo general (y en particular en
el caso de las microfinanzas), encontrar los instrumentos adecuados puede llegar a ser
un ejercicio frustrante para los investigadores. Además, distintas variables
instrumentales pueden poseer distintas correlaciones con el acceso al programa, y una
variable instrumental débil puede dar como resultado un estimador igualmente débil (es
decir, sesgado).
• Efectos Fijos: es otro tipo de control estadístico. En este caso, lo que se
hace es descomponer el error de la regresión en una parte variable (que cumpla con
todos los supuestos tradicionales) y en una parte fija. De esta manera, el efecto fijo
tratará de explicar la parte no observable del impacto, superando así el problema de
endogeneidad. Por lo general, los efectos fijos más usados en la literatura son aquellos
que se relacionan tanto con el tiempo histórico como con las características a nivel del
barrio o aldea. Un ejemplo de aplicación de este método en el campo de las
microfinanzas es el trabajo de McIntosh, Villaran y Wydick (2007), en el cual los
autores investigan el impacto de un programa de microfinanzas sobre la calidad edilicia
de una aldea en Guatemala.
Habiendo dado un panorama introductorio a la literatura de evaluación de
impacto, en las siguientes líneas analizaremos de forma pormenorizada algunos

13
problemas comunes en los análisis de impacto de políticas sociales, en especial los
problemas de endogeneidad y auto-selección.

IV. Evaluación empírica en programas de microfinanzas

IV.1 El enfoque econométrico


Existe una extensa literatura referida al problema del sesgo en las estimaciones
de resultados en los programas sociales y en especial sobre iniciativas de
microfinanzas9. Este sesgo en la estimación tiene muchos factores causantes, pero
(como mencionamos anteriormente) los principales provienen del hecho que los
programas sociales se aplican de manera no aleatoria respecto a quienes participan de
dicho programa y respecto al lugar de aplicación. De esta manera quienes son participes
de un programa social ( en nuestro caso, un programa de microcreditos) pueden tener
características propias inobservables (tales como el espíritu emprendedor, preferencias
al riesgo, grado de confianza en el resto de las personas) que intervienen a la hora de
optar por la participación. Entonces a la hora de evaluar el efecto de la política en
cuestión se inferirá erróneamente un impacto positivo del programa, aun cuando este
impacto este netamente relacionado con factores inobservables.
Así, los problemas de auto-selección y endogeneidad10 revisten un punto critico
en todo análisis y de no ser tenidos en cuanta pueden generar estimaciones con sesgos
importantes. Para ver esto en detalle analizaremos como emerge el problema de
endogeneidad en los programas de microfinanzas cuando se llevan a cabo estimaciones
a partir de cross-section data11.
Comencemos analizando la demanda de microcreditos subyacente en un
participante tipo considerando la siguiente especificación teórica:

Cij = Xijβc + Zijγc + εcij (1)

9
Ver Khandker (2003), Moffitt (1991), Ravallion (2005), Coleman (1999).
10
Estos problemas de “Endogeneidad” y de “Auto selección” son de naturaleza claramente diferente y se
refieren al enfoque econométrico que se utilice. Las problemáticas de endogeneidad son propias del
enfoque de regresión, donde para llegar a estimadores insesgados se imponen restricciones y hacen
supuestos que se ven seriamente afectados por estos problemas. Sin embargo, la endogeneidad no es un
problema crítico (aunque no hay de dejar de tenerlo en cuenta) para un enfoque como el de “matching”
que se utiliza en el presente trabajo.
11
El analisis es extensible a panel data.

14
Yij = Xij βy + Zijγc + Cij δy + εyij (2)

Sea Cij la demanda de microcredito del individuo i en la locación j (locación


puede ser un barrio, o conglomerado urbano); Xij Corresponde a un vector de
características del individuo, mientras que Zij Corresponde a un vector de
características de la locación. Yij la variable de impacto sobre la cual queremos medir el
efecto del tratamiento (consumo, reformas en el hogar, años de educación, horas de

empleo, etc.); βc, γc, βy, γy y δy son parámetros a ser estimados.

Asimismo εcij y εyij son errores representando características no observables

tanto a nivel personal del individuo como de su localización que determinan su

demanda de microcreditos. δy es el principal parámetro de interés en la estimación dado

que este nos indicará el impacto del microcrédito.


Una estimación econométrica tradicional llevará a la obtención de estimadores

sesgados si εcij y εyij están correlacionados y esta característica no fue tenida en cuenta

previamente a la evaluación de impacto.


Tradicionalmente este bias producto de la correlación de los errores tiene dos
fuentes principales:

I. La auto-selección (la decisión sobre si tomar microcrédito


o no)
II. La no aleatoriedad en la asignación del tratamiento.

La fuente de auto-selección fue explicada anteriormente y se refiere a que


características inobservables de las personas gobiernan las decisiones de participación, y
dado que dichas características no son compartidas con aquellos que no deciden tener el
tratamiento, la determinación del efecto neto del mismo puede ser incorrecta.
La no aleatoriedad es otro factor determinante de la robustez de la estimación.
Este factor emerge usualmente dado que la asignación de un programa es determinada
de manera arbitraria. Un ejemplo de esto se da cuando una organización de
microfinanzas decide iniciar un programa en una comunidad donde el numero promedio

15
de micro emprendedores es mayor al resto de las comunidades. A la hora de comparar
los efectos del programa sobre los ingresos de los pobladores en esa comunidad
respecto al los ingresos de los pobladores de otras comunidades (en promedio menos
emprendedores) se llegara a inferencias erróneas sobre el impacto del programa.
Entonces, un primer paso correcto para corregir las causantes de sesgo en la
estimación es la elección cuidadosa del grupo tratamiento y del grupo de control. Si
bien esto se realiza fácilmente cuando se realizan “experimentos sociales” en la
generalidad de los programas sociales no existe un trabajo “ex-ante” que permita aislar
correctamente un grupo control adecuado para realizar comparaciones.
De esta manera, planteado así el problema, el desafío reside en encontrar
caminos de evaluación de programas o políticas sociales que se realicen de manera no
experimental y que den respuesta (con la mayor robustez posible) a la pregunta sobre
cuál hubiera sido el resultado obtenido en un grupo sometido a un determinado
programa (tratamiento) si no se hubiera realizado dicha intervención.
Antes de avanzar en los diferentes métodos analíticos que nos permiten abordar
esta problemática, analizaremos formalmente un modelo de evaluación de tratamiento
en políticas no experimentales.
Siguiendo la notación de Heckman, Ichmura y Todd (1998)12 para evaluaciones
de impacto:

• Y1i: outcome para el individuo i si participó del tratamiento


• Y0i: outcome para el individuo i si no participó del tratamiento
• Di ∈ {0,1} : indicador binario de tratamiento recibido para el
individuo i, toma valor 1 si recibió el tratamiento, 0 en caso contrario.
• X: conjunto de características del individuo que son pre-existentes
al tratamiento.

La estimación del efecto causal de un tratamiento dado para un individuo i


reside en el diferencial de la variable de impacto una vez ejecutado el programa
(tratamiento). Es decir:

12
“Matching as an Econometric Evaluation Estimator” Review of Economic Studies, vol. 65(2),
Abril 1998.

16
∆i = Y 1i − Y 0i

Sin embargo, solo es posible observar Yi = DiY 1i + (1 − Di )Y 0i para cada


individuo. No es posible observar Y 0 y Y 1 al mismo tiempo sin realizar supuestos no
testeables.
Dada esta imposibilidad de realizar cualquier tipo de inferencia causal, se ha
puesto foco en la estimación de lo que se denomina “Efecto promedio de tratamiento
sobre los tratados (average treatment effect on the treated-ATT)”.
ATT indica el efecto promedio del tratamiento sobre una variable de impacto
determinada para los individuos que son participes del programa, condicional a una
serie de características observables de cada individuo.
Definimos ATT de la siguiente forma:

∆( X ) = E (∆ X , D = 1) = E (Y 1 X , D = 1) − E (Y 0 X , D = 1) 13

IV.2 Estimación de efectos de tratamiento a partir de modelos de


matching

Los métodos analíticos basados en matching se realizan a partir de la creación de


un grupo de comparación asumiendo que los resultados sobre la variable de resultados
de los no tratados serian similares a los resultados de los tratados si estos no hubieran
recibido la intervención.
Rubin (1974, 1977) hizo foco en esta problemática dando inicio a una
metodología que se denominó selección en observables que implica:

E (Y 0 | X , D = 0) = E (Y 1 | X , D = 1)

Este supuesto puede tomarse con cierta seguridad si, como se explico
anteriormente, el experimento social se realiza de forma experimental. Sin embargo,
aunque estemos lidiando con un programa no experimental pueden formarse grupos

13
Notar que sin tener en cuanta este condicional de características observables el ATT se definiría
como E( ∆ | D = 1) = E (Y 1 | D = 1) − E (Y 0 | D = 1) . El primer termino del lado derecho no
representaría un problema de estimación, sin embargo el segundo termino es desconocido y solo puede
ser estimado realizando algunos supuestos fuertes. En efecto, si Y y D son independientes (supuesto
fuerte) entonces E (Y 0 | D = 1) = E (Y 0 | D = 0) = E (Y 0) .

17
comparables para aquellos individuos que se les aplique el tratamiento, cosa que nos
permitiría el cumplimiento de la última ecuación.
Los métodos de matching tienen como objetivo efectuar la identificación de
factores que son comunes en individuos que recibieron el tratamiento y los que no lo
recibieron. Estas características son pre-existentes al tratamiento. A través de esta
identificación es factible la conformación de un grupo control.
Uno de los principales problemas de los métodos tradicionales de matching
consiste en el condicionamiento por las variables X’s. Para la construcción del grupo de
control debemos encontrar individuos no tratados que sean similares a individuos
tratados. Existe gran diversidad de metodologías para esta finalidad. En este trabajo nos
concentraremos en el método denominado Propensity Store Matching

IV.3 Evaluaciones de impacto a partir del Propensity Store Matching

El Propensity Score fue concebido como una forma de contrarrestar el efecto de


sesgo provocado por la falta de aleatoriedad en la asignación de un tratamiento tipo y
por la existencia de “confounding factors” que restan robustez a la estimación.
Este método realiza un control a través de características observables que
definen grupos de comparación sobre los cuales se evaluara la performance de una
cierta variable de resultados.
Las bases de esta metodología fue dada por Rosembaun and Robin (1983)
quienes definieron el Propensity Score como la probabilidad condicional de recibir el
tratamiento dadas ciertas características pre-tratamiento.
Formalmente esto es:

p ( x) ≡ Pr[ D = 1 | X ] = E[ D | X ]

Donde X es un vector multidimensional de características preexistentes y D es el


indicador de tratamiento.
Rosembaun and Robin (1983) mostraron que si la exposición al tratamiento se
realiza de manera aleatoria para cada celda de observaciones definidas en el vector
multidimensional X, entonces se realiza de manera aleatoria también para cada celda
definida por el valor de la variable mono-dimensional p(x).

18
Como resultado, para cada individuo i, si el propensity score p (Xi ) es conocido,
entonces es posible estimar el efecto promedio de tratamiento sobre los tratados (ATT)
de la siguiente manera:

Ω ≡ E[Y 1i − Y 0i | Di = 1]
= E{E[Y 1i − Y 0i | Di = 1], p ( Xi )}
= E{E[Y 1i | Di = 1, p ( Xi )} − E[Y 0i | Di = 0, p ( Xi )} | Di = 1}

Ahora bien, la posibilidad de efectuar lo antes realizado descansa en dos lemas


importantes:

Lema I. Propiedad de balance de las características pre-tratamiento dado el


propensity score.
Si p (Xi ) es el propensity score, entonces D ⊥ X | p ( X )

El lema anterior implica que dado el propensity score las variables observables
pre-tratamiento se encuentran balanceadas entre los beneficiarios y no beneficiarios del
tratamiento.

Lema II. Unconfoundedness


Si p (Xi ) es el propensity score, entonces Y 0, Y 1 ⊥ D | X

Esto implica que la asignación del tratamiento es “no-confundida” dadas las


variables pre-tratamiento.
Si el Lema I se satisface, se garantiza que la distribución de características
observables y no observables es la misma para cada individuo con el mismo propensity
score, independientemente de si recibió el tratamiento o no.
Desde el punto de vista práctico y aplicado, la aplicación del método se realiza a
través de STATA utilizando el comando correspondiente pscore.do.
El procedimiento detrás de la estimación es el siguiente:

1. Se estima el siguiente modelo probit (logic):


Pr{ Di = 1 | Xi} = Φ ( h( Xi ))

19
Donde Φ representa la normal c.d.f. y h(Xi )) representa una especificación
de covariables como términos lineales.

2. Se divide la muestra en bloques delimitados por los diferentes


propensity score.
3. Para cada intervalo se testea que el propensity score promedio no
sea diferente entre grupos control y tratamiento
4. Asimismo, dentro de cada intervalo se testea que las medias de las
características no difieran entre grupos. Esta condición es fundamental para que
se cumpla la propiedad de balance expuesta en el Lema 1

Este proceso puede ser restringido imponiendo que se cumpla una propiedad
denominada de soporte común. Esta restricción posibilita que el matching se realice de
manera más efectiva y facilite la estimación del ATT.

IV.4 Estimadores de Matching para ATT basados en Propensity Score

Una vez realizado el proceso de matching antes descrito y obtenido los


diferentes propensity score, es posible utilizar varios tipos de estimadores para analizar
en detalle el ATT. Los estimadores de propensity score se dividen en dos tipo:
paramétricos y no paramétricos.
Los estimadores paramétricos imponen supuestos de distribución comunes a
todo el rango de datos y supuestos de linealidad. Estas estimaciones, no obstante,
pueden presentar serias distorsiones debido a que, por un lado, los resultados no
controlan por variables como características individuales y, por otro, a que los grupos de
beneficiarios y controles presentan heterogeneidades siendo que son relevantes para la
aplicación al tratamiento.
Los estimadores no-paramétricos realizan supuestos sobre la distribución de la
variable de resultados (Y) que son solo validos de manera local y para intervalos
definidos por un parámetro de amplitud alrededor de las observaciones de los
individuos tratados. Una diferencia importante de los estimadores paramétricos es que
estos no imponen restricciones de tipo soporte común, por lo que la distribución de las
X (las variables observables) pueden ser sumamente disímiles entre el set de tratados y

20
el de control. Es por esta característica que hemos decidido utilizar estimadores no-
paramétricos para la estimación del efecto promedio del tratamiento.
Nuestro trabajo se centrará en los tres principales estimadores no parametricos
de la literatura, a decir, Nearest Neighbor Matching, Radius Matching y Kernel
Matching.
A continuación se describen las características técnicas de cada uno de ellos.

IV.4a Nearest Neighbor Matching

Este estimador busca (dado el Propensity Score) el individuo de control que mas
“Cercano” se encuentra al individuo tratado.
Sea T el set de unidades tratadas y C el set de unidades de control. Yit es el
resultado observado para la unidad de tratamiento, Yjc es el resultado observado para la
unidad de control.
Denotaremos C(i) al set de unidades de control que fueron efectivamente
apareadas (matched) a la unidad de tratamiento i con un valor estimado de propensity
score de pi .
El “Nearest Neighbor Matching” se realiza de la siguiente manera:
C (i ) = min j pi − pj

En la practica, es raro encontrar multiples “vecinos cercanos” en particular si el


set de covariantes incluye elementos continuos.

IV.4b Radius Matching

De manera similar al estimador de Nearest Neighbor Matching (NNM), Radius


establece un matching basado en el cercanía o similitud entre las unidades de control y
tratamiento. La característica principal del estimador de Radius es que establece una
cota para la distancia entre los propensity score de cada unidad.
De esta manera, en Radius Matching tenemos:
C (i ) = { pj pi − pj < r }
Así, todas las unidades de control que tengan un propensity score estimado que
se encuentre dentro del radio “r” de pi son pareadas con la unidad de tratamiento i.

21
En ambos métodos, denotaremos el número de controles pareados con
1
observaciones i ∈ T con Nic y definiremos ponderaciones o pesos wij = si j ∈ C(i)
Nt
y wij =0 de otra manera.
Entonces la formula para ambos estimadores de matching puede ser escrita de la
como: (donde m se refiere al tipo de estimador de matching –Radius o NNM- y el
número de unidades en el grupo tratamiento la denotaremos como Nt):

1  
τ ∑ ∑ wijYjc
m
= Yit −
Nt i∈T  j∈C (i ) 

1  
= ∑ Yit − ∑ ∑ wijYjc
Nt  i∈T i∈T j∈C (i ) 
1 1
=
Nt
∑ Yit -
Nt
∑ wjYjc
i∈T j∈C (i )

Donde wj = ∑i wij

Finalmente, la varianza de los estimadores es la siguiente:

Var τ ( ) = Nt1 Var (Y )


m
it +
1
∑ ( wj ) 2 Var (Yic )
( Νt )2 j∈C

IV.4c Kernel Matching Method


El estimador de Kernel esta construido de la siguiente manera

 pj − pi ) 
1 
 ∑ j∈C
YjcG ( )

τ ∑ h
k
= Yit −
n

Nt i∈T  pk − pi 
 ∑k∈C G ( hn ) 
donde G(.) es una función de Kernel y hn es un parámetro de amplitud o
bandwidth.
Bajo condiciones estándar

22
pj − pi )
∑ j∈C YjcG (hn
)
pk − pi
∑k∈C G( hn )
Es un estimador consistente del resultado contrafactual Y 0i .

V. Los datos

Los datos de este estudio provienen de una encuesta realizada por la


consultora Poliarquía en el ano 2006 en el municipio de Moreno, Provincia de Buenos
Aires. En dicho estudio se encuestó aleatoriamente a 4385 personas de diferentes
barrios del municipio, como por ejemplo los barrios de Cuartel V, San Norberto,
Anderson, Namuncurá, Don Máximo, San Ignacio, y aledaños. Nuestra muestra resulta
ideal, dado que muchas Organizacions No-Gubernamentales y Fundaciones se
acercaron en la anterioridad a ellos. Entre los principales organismos que actuaron en el
municipio se encuentran Fundacion Pro Vivienda Social (FPVS), Protagonizar y
Alternativa 3. Por este motivo es fácil construir un grupo de tratamiento y un grupo de
control.
La riqueza de la encuesta radica en la rigurosidad con la cual fue diseñada y
llevada adelante, y en la gran cantidad de datos que se obtuvieron de ella. En particular,
cabe destacar que uno de los objetivos de la encuesta era medir el nivel de calidad de
vida de las familiar, posando el foco de atención en la calidad de las viviendas.
Fueron relevadas distintas variables de interés para el estudio. En particular,
podemos agrupar las variables resultantes de la encuesta en cinco grandes categorías: las
relacionadas con características observables de los individuos encuestados (proxis de
ingresos, niveles de educación, características familiares, medios de subsistencia, etc.),
las relacionadas con su hogar (tipo de hogar y materiales de construcción14),
características de capital social, características de bienes y servicios públicos brindados
en cada uno de los barrios, y algunos indicadores de confianza en los vecinos y en la
sociedad en general. A su vez, y dado el objetivo particular de la encuesta mencionado
previamente, también se hicieron varias preguntas acerca de las reformas edilicias

14
A partir de los datos sobre los materiales de construcción del hogar, y basándonos en el informe del
Indec, construimos un indicador denominado CALMAT que sintetiza la calidad del hogar en cuatro
categorías.

23
llevadas a cabo en cada hogar en los últimos diez años. En estas preguntas se obtuvo
información tanto sobre qué parte del hogar se había reformado, así como también
cuántas reformas se habían hecho y cual había sido la forma de financiamiento de
dichas reformas.
Finalmente, la encuesta también permite dividir a la muestra en dos grandes
grupos: aquellos que han recibido al menos un microcrédito, y aquellos que no han
recibido ninguno.
De esta manera, obtuvimos un set de variables que utilizamos para nuestro
estudio. Al ser el mismo un corte transversal (es decir, distintas variables, de distintos
individuos pero en un solo momento del tiempo (t=2006)), nos encontramos frente al
mayor problema metodológico de nuestro estudio: el de no contar con un momento cero
en nuestras variables, es decir, un momento en el tiempo t=i tal que si t < i ningún
individuo ha recibido aun el tratamiento, y si t ≥ i el grupo tratamiento ya ha sido
tratado. Este problema, típico en los estudios de impacto de políticas sociales, es el que
nos va a forzar, como comentamos anteriormente, a diseñar el escenario contrafactual
de comparación del grupo tratamiento para estimar el impacto del programa.
Dado que el foco de nuestro estudio va a estar centrado en la calidad edilicia
de los hogares, y en las reformas realizadas en los mismos, nos pareció prudente trabajar
con un panel conformado solamente por hogares, y no por individuos; de otra manera,
de haber trabajado a nivel individual, hubiésemos tenido datos repetidos, ya que en la
mayoría de los casos, más de una persona vive bajo el mismo techo, y computar la
misma reforma mas de una vez para el mismo hogar hubiese sesgado ampliamente
nuestros resultados. Por lo tanto, para limpiar nuestro panel, decidimos trabajar
solamente con los jefes de hogar. Para esto, se generó una variable dummy, la cual tomó
valor igual a uno si la persona respondía ser jefe de hogar, y valor igual a cero de otra
forma. Esta decisión redujo ampliamente el número de observaciones de nuestra
muestra, pero dado el altísimo número de observaciones iniciales, el costo fue menor
que el beneficio, ya que la robustez del estudio no se pierde, y nos aseguramos un
estimador más confiable.
Otra variable que va a ser relevante a los efectos prácticos de nuestro estudio es
la denominada CALMAT, que es un reflejo de la calidad edilicia y estructural de la
vivienda; se gradúa entre 1 y 5 (siendo 1 la mejor calidad posible)15. Esta variable va a

15
Para ver como se construye esta variable ir a la Figura F en el anexo

24
resultar importante a la hora de analizar los resultados ya que la acumulación de
reformas puede lograr un cambio positivo en la calidad de la vivienda.

V.1 Definición del Grupo Control y del Grupo Tratamiento

Dada las dificultades metodologiítas del estudio, fue de vital importancia tratar
de definir grupos control y tratamiento lo mas parecidos posibles, de manera tal de tratar
de minimizar el problemas de auto selección y de diferencias en variables no
observables entre ambos grupos. A continuación, describiremos brevemente cómo fue
que, basándonos en la encuesta y a sus características, armamos estos dos grupos, y el
por qué de dicho diseño.
Inicialmente, los encuestados estaban divididos en dos grandes grupos:
aquellos que ya habían recibido gas natural, y aquellos individuos que no lo habían
recibido. Para trabajar con individuos similares, y minimizar las diferencias, se eligió
trabajar con el grupo que no había recibido gas natural. Dentro de este grupo, existían a
su vez dos subgrupos: aquellos a los que les interesaba recibir gas, y aquellos a los que
no les interesaba recibirlo. Usando el mismo criterio de minimizar las diferencias entre
los grupos tratados, se eligió trabajar solamente con el grupo que no tenía gas, pero que
le interesaba tenerlo. A su vez, dentro de este subgrupo, se dividió a la población,
siguiendo las preguntas de la encuesta, entre los que alguna vez habían recibido un
micreocredito, y aquellos que nunca lo habían recibido. Es importante notar que de esta
manera, se elimina parcialmente el problema de autoseleccion, ya que tanto los
individuos que recibieron tratamiento, como los que no lo recibieron, quieren tener gas,
revelan de esta forma características no observables similares: ambos tienen ganas de
progresar y voluntad de crecer, y posiblemente ambos tengas características
emprendedoras similares.
De esta manera se definió al grupo tratamiento: los individuos sin gas, pero
con intención de tenerlo, que alguna vez habían recibido un microcredito. A su vez,
para definir un grupo control lo mas parecido posible al grupo tratamiento, se aplicó
otro filtro más, que nuevamente buscó controlar por características no observables
ambos grupos, de forma tal de minimizar las diferencias. Dentro del grupo de los que
nunca habían recibido microcreditos, se preguntó la razón de dicho resultado: las
posible respuestas se refirieron a: 1) porque no le había interesado recibirlo en ningún
momento del tiempo; 2) porque la institución de microfinanzas que había otorgado el

25
plan en el barrio no se lo había dado; 3) porque nunca se había enterado del programa
pero que le interesaría recibirlo en el futuro.
Dentro del primer grupo podemos ver claramente que habría una diferencia con
el grupo tratamiento basada en características no observables: por alguna razón, no le
interesa auto seleccionarse a recibir el tratamiento. En el segundo caso, pasa algo
similar, pero la diferencia esta basada en características observables: por alguna razón,
la FPVS no quiso darle el crédito. Claramente, en estos dos primeros casos, las
diferencias con el grupo tratamiento son claras y evidentes (ya sean observables o no
observables); es por eso que se descartan como grupo control, ya que de ser
considerados para el mismo, sesgarían la estimación de impacto.
Finalmente, el tercer grupo posee tanto similitudes como diferencias: por un
lado, comparte la inquietud del grupo que recibió el tratamiento, ya que también tiene
deseos de recibirlo y en este sentido podemos decir que tiene las mismas características
no observables; por otro lado, es cierto que la inquietud del grupo tratamiento por
recibir los créditos es en promedio mayor, ya que se enteraron del programa y los
controles no16, generando así una diferencia muy importante. También es cierto que
algunos de estos individuos que expresan su deseo de recibir el tratamiento no
necesariamente vayan a recibirlo, en particular, por lo mencionado sobre los vínculos
sociales y la capacidad de formar los llamados “grupos solidarios”.
De todas maneras, a pesar de las diferencias reales y potenciales, es evidente
que el tercer grupo es el que presenta mayores similitudes con el grupo tratamiento, y
es, por lo tanto, la mejor opción de grupo control que tenemos, dadas las características
de le encuesta. Es así que definimos el mejor grupo control que minimizará los errores
de estimación como aquellos individuos que no recibieron gas, pero tienen ganas de
recibirlo, y que además no recibieron microcréditos (porque no se enteraron de ellos),
pero que expresaron deseos de recibir alguno en el futuro.
De esta manera, obtuvimos un grupo tratamiento conformado por 116
hogares, y un grupo control conformado por 118 hogares, con una muestra total de 234
hogares. Este número de observaciones es satisfactorio, ya que nos asegura rigurosidad
a la hora de hacer la estimación econométrica17.

16
También es importante notar en este punto, que la fuente de diferencias no observables pueden ser los
vínculos sociales y familiares de los individuos, que les permiten enterarse del programa, y es además,
uno de los requisitos para formar los grupos solidarios que se requieren para recibirlo.
17
Ver Figura A en el anexo para ver con más detalle la conformación del grupo tratamiento y control.

26
V.2 Armado de la variable impacto
Nuestra base de datos cuenta en detalle las reformas realizas entre el año
1995 y el 2006. Los encuestados debieron responder en que periodo y que mejoras
habían realizado a sus hogares, como por ejemplo si habían construido una habitación
nueva o si habían realizado una correcta instalación sanitaria. Dado que ninguna de
estas variables, por si sola, puede considerarse representativa de la mejora estructural de
la vivienda, fue necesario la creación de un indicador. Dicha variable fue denominada
“reformas” y esta definida como:
Ri
ℜi =
P
Donde:

P=12 si el individuo pertenece al grupo control


P = ventana de tiempo que definimos como
P= Τt si el individuo pertenece al grupo tratamiento

Τt es el lapso de tiempo en el que el individuo del grupo tratamiento participo


del programa de microfinanzas; y
Ri = ∑ ri es la suma de las reformas del individuo i en el periodo P.
i∈P

Dado que para los individuos pertenecientes al grupo de control el horizonte


temporal es de 12 años y para los tratados depende del año en el cual recibió el primer
microcrédito, para poder comprarlos debemos mirar la cantidad de reformas por año.
Por este motivo es que se estandariza la suma de reformas por nuestra ventana temporal
P.
Habiendo ya definido todas las variables relevantes para nuestro trabajo,
podemos apreciar algunas estadísticas descriptivas para cada grupo en la Tabla B del
Anexo.
En la Tabla E podemos ver que la diferencia en medias por grupos de éste índice
de reformas resulta estadísticamente significativa.
Sin embargo, un punto que se ha recalcado a lo largo de este trabajo es que la
estimación del efecto de tratamiento depende en gran medida de que se cuente con un
grupo de control que comparta la mayor cantidad de características (observables y no
observables) pre-existentes al tratamiento. Las personas que no recibieron el tratamiento
son muy heterogeneas, y es necesario controlar de alguna manera la razón por la cual no
recibieron el tratamiento. Así, una persona que no recibió el tratamiento puedo haberlo

27
hecho por que no le intereso (aunque conocía de la existencia y el mecanismo del
programa de microfinanzas); o bien puede no haber participado programa, pero al
momento de la encuesta puede haber expresado que tiene interés y que lo haría si
tuviera oportunidad18. Por el armado de la encuesta se excluyeron aquellas personas
que no recibieron el microcredito por no haber cumplido con los requerimientos de
aplicación al programa
Por lo anterior, uno podría pensar que el grupo de control tal como se expone
puede presentar serias diferencias en cuanto al grupo tratamiento, en especial en cuanto
a las características no observables que gobiernan la participación (efectiva o potencial)
en el programa de microfinanzas. De no corregir esta situación podríamos estar en
presencia de sesgos en el nivel de reformas.
Para la corrección se reconfiguró la muestra del grupo control y se paso a
observar cual es el nivel de nuestra variable de resultados en cada uno de los grupos. El
histograma correspondiente a la nuevo grupo control es el siguiente:
Se puede notar que la media del nuevo grupo control es menor. Este efecto no
implica que haya un comportamiento que lleve a estos individuos a ser menos
propensos a realizar reformas, sino mas bien es producto de que el número de personas
en el nuevo grupo control es mucho menor

V.2 Variables para formar el Propensity Score

Para la estimación del propensity score, fue necesario seleccionar y armar un con
junto de variables, en lo posible pre-tratadas.
Para realizar el probit elegimos usar de la base de datos (en paréntesis figura el
nombre de la variable en los datos originales): la edad (edad), el nivel de ingreso
mensual (remuneración), personas por vivienda (pers_x_viv) y edad al cuadrado
(edad2). La idea de incluir edad al cuadrado como variable explicativa radiva en una
relación no lineal entre la edad de los jefes de hogar y su participación o no en el
programa.
Por otra parte, fue necesario organizar y transformar otras variables en binarias.
Por ejemplo, para identificar el nivel de educación usamos el nivel máximo de
educación del jefe (maxniveduc) y la transformamos en una variable bivariada que

18
Para más información sobre el armado de la encuesta, en el anexo se encuentran las preguntas
efectuadas

28
tomaba valor 1 si la persona tenia un primario completo y 0 en caso de que el nivel de
instrucción sea menor al mencionado. Un procedimiento similar se utilizo para
caracterizar la nacionalidad del jefe (tomando el valor 1 si el jefe es argentino y 0 sino)
y si formaba parte de algún grupo religioso (nomgru_relig, tomando el valor 1 si el jefe
formaba parte de algún grupo religioso y 0 sino)19.
. Del conjunto de variables utilizadas para la estimación probit, solo resulta
pertinente e interesante explicar por que la religión puede influir en la probabilidad de
ser aceptado en un programa de microcredito. La respuesta a este interrogante es
intuitiva ya que uno de los requisitos para recibir microcréditos, suele ser la formación
de un grupo solidario que minimice los costos de monitoreo, ayude frente la falta de
colaterales y actué como mecanismo para garantizar altos niveles de repago. Así, el
hecho de compartir creencias, frecuentar un mismo sitio y personas facilita la formación
de dichos grupos.

VI. Resultados obtenidos

VI.1 Obtención del Propensity Score

Una vez seleccionadas y en algunos casos transformadas las variables que nos
ayudarían a formar la probabilidad condicional de formar parte de un programa de
microcréditos dadas un set de características pre-tratadas, corrimos en Stata el programa
pscore.do20.
La primer salida simplemente muestra la división entre el grupo control y el
tratamiento. Como refleja la Tabla C del Anexo, en total, contamos con 234
observaciones: 118 son controles (50.4%) y 116 son tratamiento (49.6%).
Luego, el comando realiza una regresión probit entre tratamiento y el conjunto
de covariantes (remuneración, edad, religión, entre otras). Al realizar este procedimiento
lo primero que podemos notar es que el programa a dejado de lado a algunas
observaciones, reduciendo la muestra a 223 observaciones. También observamos que la
probabilidad de rechazar conjuntamente la regresión es menor al 5%, por que
continuamos analizando cada uno de los covariantes.
19
Ver la Tabla A en el Anexo para más detalles
20
Estos resultados pueden ser apreciados en la Tabla E del Anexo

29
La regresión sugiere que la cantidad de personas en la vivienda(pers_x_viv),
pais de origen y si el jefe de hogar pose el primario completo(educprim) no
significativas, es decir que la probabilidad de rechazo es mayor al 15%. Cuando
hablamos de rechazar las variables, queremos decir que estas no contribuyen a aumentar
a probabilidad de obtener un microcredito. Dado que no existe relacion entre estas
variables y haber recibido microcredito, estas variables se rechazan. El análisis de este
rechazo es importante ya que demuestra y reafirma el hecho de no contar con problemas
de auto-selección (por la forma en que se construyó la encuesta). Por ejemplo, una
persona emprendedora podría intentar adquirir educación como sea, estableciendo asi
una diferencia con el resto de una población. De esta forma se hace evidente que existe
en él la característica no observable que lo impulso a realizar esto.
Por otra parte, la constante, edad, si forma parte de alguna religión y el salario,
son variables no rechazadas al 5% (edad al cuadrado no es rechazada al 14%). La salida
no rechaza la existencia de una constante para la estimación de la probabilidad de
recibir un credito.
Como de esperarse la religión puede ayudar a mejorar o establecer la relación
con la gente del barrio. Poseer un interés común, frecuentar los mismos espacios con la
misma gente podría favorecer a formar los grupos solidarios y como estos son requisitos
a la hora de obtener microcréditos esta variables resulta significativa al 5%. Por otra
parte, la regresión encontró una relación mas fuerte a la anterior.
Los niveles de ingresos resultan significativos al 1%. Esto demuestra que a la
hora de armar el Propensity Score este covarienate es importante ya que nos da una idea
de productividad de cada jefe de hogar. A mayor salario, aumentan las probabilidades
de obtener un microcredito
Por ultimo la edad juega un rol importante al estimar el pscore. Esta variable
resulta significativa al 5%. Y a medida que aumenta, la probabilidad de ser aceptado en
un programa de microcredito es más grande.
Una vez concluido que la regresión probit es valida, se usan los coeficientes de
las variables explicativas para estimar la probabilidad de conseguir microcréditos y
siguiendo con el programa la muestra, se parte según la variable estimadas en 5
intervalos igualmente espaciados21. Las características de la probabilidad de formar

21
Se utiliza la opción de soporte común, para asegurar la obtención de observaciones en cada intervalo
del Propensity Score. Esta restricción implica que la propiedad de balanceo (Lema 1) solo es realizada en

30
parte de un programa de microcréditos, que desde ahora llamaremos “pscore”, pueden
ser apreciada en la Tabla F del Anexo. Paso seguido, el programa verifica que el Lema 1
se cumpla: hay que ver para cada intervalo que el promedio del pscore no difiera entre
tratados y control. Dicho proceso se muestra al realizar el comando pscore con la opción
“detail”, y nos dice que las medias en cada segmento son iguales. Finalmente para que
la propiedad de balanceo se cumpla la muestra debe cumplir un último requisito: para
cada característica incluida, las medias no deben variar entre estos intervalos.
Así, obtuvimos 5 bloques que aseguran que: (i)la media del pscore no varia entre
el grupo control y tratamiento, (ii) se satisface la propiedad de balanceo. En la tabla<>
se puede ver como las observaciones se distribuyen a lo largo de los intervalos. Como
es de esperarse, para valore bajos de pscore, hay mas controles que tratamiento. A
medida que se avanza valores mas elevados esta situación se va revirtiendo, hasta llegar
al ultimo bloque donde hay mas observaciones con microcréditos.
Para hacer mas fácil el análisis hemos incluido los histogramas correspondientes
al pscore.22.
Hasta aquí, hemos concluido la demostración que la estimación del pscore es
correcta, pero para estimar de forma correcta el ETT(efecto tratamiento sobre los tratos)
es necesario utilizar distintos métodos de apareamiento. A continuación se muestra
dicha estimación utilizando los procesos mas utilizados en la literatura.

VI.2 Estimación de ETT basado en Propensity Score


La estimación del Propensity Score y demostrar que valen los dos lemas ya
explicados, no es suficiente para poder estimar el ETT. Para esto debemos utilizar
diversos métodos de apareamiento. Pero antes debemos hacer hincapié en algunos
puntos.
En primer lugar la variable que se intenta de estimar, es el promedio de reformas
por año, por lo tanto a la hora de analizar los resultados debemos ser cuidados a la hora
de responder si el resultado es positivo o negativo.
Luego, a lo largo de las secciones que siguen vamos a ver que el numero de
observaciones control no va a variar, mientras que el numero de control si lo hace. Esto

las observaciones donde la probabilidad de recibir microcréditos pertenece a la intersección de los


soportes entre el grupo tratado y control.
22
Ver gráficos E-A y E-B en el Anexo

31
se sucede ya que dependiendo del procedimiento que utilicemos para aparear, el
software puede comparar mas o menos observaciones.
Sin mas puntos a tener en cuenta se procede a mostrar los resultados pertinentes.

VI.2.a Nearest Neighbor Matching – Tabla I en Anexo


Utilizando el procedimiento de vecinos cercanos para aparear, encontramos que
el ETT, es de 0.144 reformas por año. Mediante este método el programa pudo
establecer relaciones solo con 47 observaciones de las 112. Por ultimo, podemos
apreciar que el valor t nos arroja un resultado estadísticamente significativo.

VI.2.b Radius Matching – Tabla J en Anexo


Utilizando el procedimiento de vecinos cercanos para aparear, encontramos que
el ETT, es de 0.208. Mediante este método el programa pudo establecer relaciones solo
con 100 observaciones de las 112. Por ultimo, podemos apreciar que el valor t nos
arroja un resultado estadísticamente significativo.

VI.2.b Kernel Matching – Tabla K en Anexo


Utilizando el procedimiento de vecinos cercanos para aparear, encontramos que
el ETT, es de 0.193. Mediante este método el programa pudo establecer relaciones solo
con 100 observaciones de las 112. Por ultimo, podemos apreciar que el valor t nos
arroja un resultado estadísticamente significativo.

VII. Conclusión

A la hora de realizar toda evaluación de impacto, se corre un serio riesgo de que


la estimación de un tratamiento especifico (en nuestro caso un programa de
microcréditos), resulte sesgada por una mala constitución de los grupos los grupos
comparables. La conformación de los mismos representa el mayor desafió en los
estudios no experimentales, donde la falta de aleatoriedad en la asignación del programa
socava los cimientos de la estimación econométrica tradicional.
Como les hemos mostrado a lo largo del trabajo, existen diversas variantes
modelos econométricos que intentan abordar esta problemática. La alternativa teórica
utilizada en este estudio se basa en el método desarrollado por Rosembaum y Rubin
(1983 INSERTAR NOTA AL PIE). Estos autores crearon un método de estimación

32
basado en características observables y el Propensity Score como la probabilidad
condicional de recibir el tratamiento dadas ciertas características previas al tratamiento.
Usando este método, nuestro trabajo se propuso analizar cual es el efecto de un
programa de microcréditos sobre las mejoras en la estructura del hogar. Uno de los
aportes de este trabajo es la forma en que construyeron los grupos de tratamiento y
control. Dada la forma en que se realizó la encuesta que formo la base empírica de
nuestro estudio, se pudo corregir el sesgo de auto-selección a la hora de construir un
grupo de control y tratamiento.
Como se vio en el apartado de resultados el covariante religión resulta
significativo, a la hora de estimar el Propensity Score. El uso de esta variable es de
relevante importancia dado que para ser aceptado en un programa de microcréditos se
debe formar un grupo solitario que permita superar de manera eficiente los problemas
de monitoreo y falta de colateral.
Utilizando diferentes tipos de estimadores no paramétricos encontramos que el
programa de microfinanzas tiene un efecto positivo si se analizan el número de reformas
realizadas por año. En efecto, los participantes del programa muestran 0.20 reformas
por años mas que los no-participantes. Si bien este resultado puede parecer marginal,
vale hacer algunas aclaraciones.
Para poder determinar si el resultado encontrado es suficiente para asegurar que
los microcréditos influyen positivamente en la mejora habitacional, debemos recordar
que: (i) la variable que estimamos son reformas por año (ii) el otorgamiento de
microcréditos suele ser en pequeñas cuotas, por lo tanto un participante del programa
suele repartir a lo largo del tiempo diversas mejoras.
Algunos indicios del impacto positivo del programa puede observarse al tomar
las características de las reformas efectuadas. Al desglosar las reformas por su tipo,
tomando cimientos, techo, instalación sanitaria, paredes, etc. Se puede apreciar que el
grupo tratamiento presenta un mayor numero de reformas en todos tipos los campos,
mostrando mayores diferencias en reformas claves par la calidad edilicia de una
vivienda como son contrapiso, paredes, cielorraso, instalación de gas23, e instalación
sanitaria24.

23
La instalación de gas se refiere al tendido de cañerías para gas envasado, dado que los entrevistados no
cuentan con gas natural.
24
Vease los detalles en el anexo, en la fig. G.

33
VIII. Bibliografía

Armendáriz de Aghion B, Morduch j., (2005). “The economics of microfinance.”


Cambridge: MIT Press.
Becker S, Ichino A., (2004). “Estimation of averege treatment effects based on propensity
score”. Stata Journal., 1-19
Bekerman M., (2005). “Microfinanzas en Argentina.” UNDP.
Burga, Cybele., (2003). “Re-evaluando Projóven: Propensity Score Matching y una
evaluación paramétrica.” CEDEP.
Coleman, B. (1999). “Impact of group lending in northeast Thailand.” Journal of Development
Economics. Vol.60, 105-141
Deutsche Bank Reaserch., (2007). “Microfinance: An emerging investment opportunity.”
Recurso on-line. Disponible en http://www.dbreaserch.com
Dehejia R, Wahba S., (1998). “Causal effects in non-experimental studies: Re-evaluating the
evaluation of training programs.” Journal of American Statistical Association 94(448).
Duflo, Esther., (2002) “Empirical Methods Handouts.” MIT (14.771) and Harvard (2390b).
Class notes – Fall 2002
Gomez, A. (2003). “Calidad de los materiales de la vivienda (CALMAT)”.
DNESyP/DEP/P5/PID Serie Habitat y Vivienda DT No.13
Heckman J, Ichimura H, Todd P., (1997). “Matching as an econometric evaluation estimator:
Evidence from evaluation a job training programme”. Review of Economic Studies, 64, 605-654.
Hermes N, Lensink R., (2007). “The empirics of microfinance: GAT do we know?”. The
Economic Jornal, 11., F1-F10.
Khandker S, Pitt M., (2002). “The impact of group-based credit on poor households: An
analysis of panel data from Bangladesh”. World Bank Policy Reaserch working paper.
Maldonado J., (2005). “The influence of microfinance on the education decisions of rural
households: Evidence form Bolivia”. Documento CEDE 2005-46.
McIntosh C, Villaran G, Wydick B., (2007). “Microfinance and home improvement: Using
Retrospective panel data to measure program effects on discrete events.” JEL working papar.
Murduch J., (2002). “Analysis of the effects of microfinance on poverty reduction.” NYU
Wagner Working Paper No. 1014.
Rosenbaum, P.R, Rubin, D.B., (1983). “The central role of the propensity score in
observational studies for causal effects.” Biometrika 70, 1, 41-55.

34
IX. ANEXO

Tabla A: Descripcion de variables

Nombre de
variables Descripción

pers_x_viv Personas por vivienda

edad Edad

edad2 Edad*Edad

educprim Variable dummy:


=1 si recibio educacion primaria
=0 si no recibio educacion primaria

paisorigen Variable dummy:


=1 si es argentino
=0 si es extranjero

religion Variable dummy:


=1 si pertenece a algun grupo religioso
-0 si no pertenece a algun grupo religioso

remuneracion Ingreso mensual

calmat Indice de calidad de los materiales del hogar

Cantidad de reformas estandarizadas por años de


1
reformas tratamiento

suma9506 Suma de reformas acumuladas entre 1995 y 2006

1
si el jefe de hogar pertenece al grupo de tratamiento, se estandariza por la cantidad de años de
tratamiento; sino se divide por la cantidad total de años

35
Tabla B: Estadisticos descriptivos de variables explicativas

Treatment Control

Variables Mean Mean


(Std. Dev.) (Std. Dev.)

pers_x_viv 4.440 4.695


(1.943948) (2.224604)

educprim 0.759 0.686


(0.4297763) (0.4659179)

paisorigen 0.922 0.873


(0.2686799) (0.3345263)

religion 0.276 0.136


(0.4488867) (0.343816)

remuneracion 1032.214 724.378


(565.0786) (445.0931)

calmat 1.667 2.131


(0.8088298) (0.8696574)

reformas 0.388 0.194


(0.2331515) (0.1884154)

suma9506 4.224 2.331


(2.471001) (2.260985)

36
Tabla C: Grupos de tratamiento y control

Grupos Freq. Percent Cum.

Control 118 50.43 50.43

Tratamiento 116 49.57 100

Total 234 100

Tabla D: Estadisticos descriptivos de suma de reformas

Treatment Control

1
Sum of reformas Mean Mean
(Std. Dev.) (Std. Dev.)

2005-2006 0.733 0.636


(1.041385) (0.9577864)

2003-2004 0.543 0.500


(0.8381371) (0.8939493)

2001-2002 0.647 0.364


(1.02367) (0.8639529)

1999-2000 0.871 0.288


(1.161185) (0.7053119)

1997-1998 0.871 0.220


(1.261677) (0.6554909)

1995-1996 0.560 0.322


(1.03242) (0.8759011)

1
suma de reformas por año

37
Tabla E: Test de medias de reformas para control y tratamiento

Group Obs Mean [95% Conf. Interval]


(Std. Err.)
(Std. Dev.)

Control 118 0.194209 0.1598581 0.22856


(0.017345)
(0.1884154)

Treatment 116 0.3884339 0.3455542 0.4313136


(0.0216476)
(0.2331515)

Total 234 0.2904915 0.2605269 0.320456


(0.0152089)
(0.2326517)

diff = mean(Control) -
mean(Treatment) -0.1942249 -0.2487796 -0.1396701
(0.0276894)

degrees of freedom = 232

Ho: diff = 0 t = -7.0144

Ha: diff < 0 Pr(T < t) = 0.0000

Ha: diff != 0 Pr(|T| > |t|) = 0.0000

Ha: diff > 0 Pr(T > t) = 1.0000

38
Tabla F: Probit regression

Number of obs = 223


LR chi2(8) = 47.87
Prob > chi2 = 0
Log likelihood = -130.63424 Pseudo R2 = 0.1549

Treatment Coef. z P>|z| [95% Conf. Interval]


(Std. Err.)

pers_x_viv -0.066 -1.400 0.161 -0.159 0.026


(0.0472868)

edad 0.115 1.960 0.050 0.000 0.230


(0.0586191)

edad2 -0.001 -1.470 0.141 -0.002 0.000


(0.0006031)

educprim 0.278 1.270 0.203 -0.150 0.707


(0.2187036)

paisorigen 0.710 2.270 0.023 0.096 1.324


(0.3131952)

religion 0.758 3.250 0.001 0.301 1.216


(0.2334667)

remuneracion 0.001 4.530 0.000 0.000 0.001


(0.0001922)

cons -4.788 -3.200 0.001 -7.717 -1.858


(1.494586)

Note: the common support option has been selected


The region of common support is: [.13096265, .98038316]

39
Tabla G: Estimated Propensity Score

1
Description of the estimated propensity score in region of common support

obs 212
Sum of
Wgt. 212
Mean 0.5213595
(Std. Dev.) (0.2031334)
Variance 0.0412632
Skewness 0.1368743
Kurtosis 2.294251

Percentiles Smallest Mean Largest

1% 0.1460361 0.1309626

5% 0.1957648 0.1455542

10% 0.2728701 0.1460361

25% 0.365005 0.1468005

50% 0.5211556 0.5213595

75% 0.6513676 0.9348284

90% 0.8032223 0.9355369

95% 0.8718226 0.956484

99% 0.9355369 0.9803832

1
The region of common support is: [.13096265,
.98038316]

40
Tabla H: Numero de personas de cada grupo por bloque

Inferior of block of pscore Grupo Total


Control Tratamiento

0.1309626 11 1 12

0.2 33 16 49

0.4 34 42 76

0.6 19 34 53

0.8 3 19 22

Total 100 112 212

Note: the common support option has been selected

41
Tabla I: ATT estimation with Nearest Neighbor Matching method

Nro. Tratados Nro. Control ATT Std. Err. t

112 47 0.144 0.044 3.308

Nota: el nro. de personas en tratamiento y control se refiere al metodo "nearest neighbour matches"

Tabla J: ATT estimation with the Radius Matching method


Analytical standard errors

Nro. Tratados Nro. Control ATT Std. Err. t

112 100 0.208 0.031 6.623

Nota: el nro. de personas en tratamiento y control se refiere metodo "actual matches within radius"

Tabla K: ATT estimation with theKernel Matching method


Bootstrapped standard errors

Nro. Tratados Nro. Control ATT Std. Err. t

112 100 0.193 0.032 6.038

42
Tabla L: Rango de montos recibidos en microcréditos

Rangos Freq. Percent Cum.

$1500-$2500 59 51.75 51.75

$2500-$3500 22 19.30 71.05

$3500-4500 16 14.04 85.09

>$4500 17 14.91 100.00

Total 114 100.00

43
Figura A: Definiciones de grupos de tratamiento y control

Muestra: 4385 observaciones

No son jefes de hogar Son jefes de hogar

No recibieron gas natural Si recibieron gas natural

Desean recibirlo No desean recibirlo

Recibieron microcreditos No recibieron microcreditos

No se enteraron, pero No les interesa No fueron aprobados


desean recibirlo en el futuro recibirlo

GRUPO TRATAMIENTO GRUPO CONTROL


116 Observaciones 118 Observaciones

44
Figura B: Calmats por grupos

2
1.5
Density
1 .5
0

1 2 3 4
Calmat por grupos

Treatment Control

Figura C: Ingreso mensual por grupos


.0015.001
Density
5.0e-04 0

0 500 1000 1500 2000 2500


Ingreso mensual

Treatment Control

45
Figura D: Suma de reformas por grupos

Control Treatment

.4
.3
Density
.2
.1
0

0 5 10 15 0 5 10 15
Suma de reformas
Graphs by treatment

Figura E-A: Distribucion PSCORE por grupo


1.52.5
2
Density
1
.5
0

0 .2 .4 .6 .8 1
Estimated propensity score

Treatment Control

46
Figura E-B: Distribucion PSCORE por grupo

Control Treatment

3
2
Density
1
0

0 .5 1 0 .5 1
Estimated propensity score
Density
normal pscore
Graphs by treatment

Figura F: Construccion del indice CALMAT

47
Figura G: Reformas por tipos

3
otras

rejas 9
9

2
cerc y ver
10

20
pintura 4

26
habitacion 23

14
cocina 35

bano 21
31

0
inst. Gas
43

9
inst. Electr. 3

6
inst.sanitaria Controles
17

7 Tratados
inst. Agua 14

17
pisos 20

14
cielorraso
43

22
aberturas
40

31
techo
31

27
paredes 52

19
contrapiso
45

23
cimientos
27

0 10 20 30 40 50 60

Cantidad de reformas

48
Figura H: Distribución de reformas

400

350

131
300
Cantidad de reformas realizadas

250

Control
200
Tratados

150
61

239

100

22 34
109
50
22
54 46
31
0
aberturas Relevantes para calmat Instalaciones Mejoras en espacios otras

49