Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Sebastian Galiani
Washington University in St. Louis
Abdul Latif Jameel Poverty Action Lab
TRADUCIENDO LA INVESTIGACIÓN EN ACCIÓN
I – El Problema de Atribuir
Causalidad
Relaciones Causales
• El objetivo de muchos estudios en medicina, física,
economía, ciencias sociales y biología es encontrar
relaciones de CAUSA‐EFECTO entre variables o eventos.
• Por ejemplo, buscar la mejor cura para una enfermedad o
la política más eficiente para combatir la pobreza.
• El interés en RELACIONES CAUSALES está motivado por
cuestiones de políticas públicas, consideraciones teóricas
o problemas de los agentes que tienen que tomar
decisiones.
3
Preguntas causales
• Ejemplos de preguntas causales en Ciencias Sociales:
1. ¿Cuál es el efecto de un plan social (ej, transferencia
condicional) en la educación?
2. ¿Cuál es el efecto de la provisión de agua potable en la
mortalidad infantil?
3. ¿Cuál es el efecto del tamaño de la clase (n° alumnos) en
la performance de los alumnos?
4. ¿Cuál es el efecto de proveer crédito a las PyMEs sobre su
productividad?
5. ¿Cuál es el efecto del encarcelamiento en la reincidencia
criminal? 4
Problema de Atribuir Causalidad
• Ejemplo 1: Alumno con bajas calificaciones. Causa: pocas
horas de estudio?
‐Otros factores? Circunstancias particulares que llevaron a mala
performance; desmotivación por bajas notas anteriores a pesar de
haber estudiado mucho…
5
Problema de Atribuir Causalidad
• Condiciones para Atribuir Causalidad (John Stuart
Mill): A es la presunta causa del efecto B si:
1. A sucede antes que B.
2. Si los niveles de A varían, tiene que haber
consecuentemente variaciones en los niveles de B.
3. No hay otra explicación posible para el efecto B, que no
sea la presunta causa A.
En esta clase: estudiar qué método nos asegura las 3
condiciones
6
Problema de Atribuir Causalidad
• En la práctica primero precisar:
– La población bajo análisis (ej, alumnos de escuela primaria)
– Cuál es la presunta CAUSA; “Tratamiento”.
– Cuál es la variable de resultado en la que se mide el EFECTO.
YTi si T=1
Yi = Yi = T YTi + (1 – T ) YCi
YCi si T=0
• Queremos estimar el efecto de T: YT‐ YC
i i
• El problema es que cada unidad la vamos a observar en YT o en
YC . No es posible estimar efecto individual.
• Técnicas estadísticas permiten estimar EFECTO PROMEDIO.
Comparando la variable de resultado promedio del GRUPO de
TRATAMIENTO y de un GRUPO de CONTROL.
• El GRUPO de CONTROL recrea el CONTRAFACTUAL
8
Problema de Atribuir Causalidad
YT YC
Grupo Observable NO
Tratamiento Y=YT Observable
T=1 Contrafactual
Grupo NO Observable
Control Observable Y=YC
T=0 Contrafactual
9
Importancia del Grupo Control
10
10
Impacto: Escenario #1
Resultado primario
Intervención
Impacto
Tiempo 11
Impacto: Escenario #2
Impacto
Resultado primario
Intervención
Tiempo 12
Impacto: Escenario #3
Resultado primario
Intervención
Impacto
Tiempo 13
Importancia del Grupo Control
• Hay distintos métodos para recrear el Contrafactual
que no es observable.
– Lo ideal sería que las unidades del grupo de control fueran
iguales a las del grupo de Tratamiento. Esto incluye:
– Características observables (ingreso, edad, localización
geográfica, nivel educativo, etc.) que podemos medir.
– Características NO observables (motivación, gustos,
habilidad, etc.) que en general no podemos medir.
14
14
Problema de Selección
• Los individuos que eligen una acción (ej. ir a determinada
escuela o solicitar un crédito) son en general diferentes a
las personas que no lo hacen.
15
15
Problema de Selección
• Ejemplo: efecto de programa que provee clases extra en la
performance de los alumnos de la escuela primaria. La
participación es voluntaria. Imaginemos que podemos
observar los contrafactuales.
Nota promedio por
grupo
YT YC
Grupo Tratamiento 10 7
Grupo Control 5 3
17
17
Métodos de evaluación de impacto
1. EVALUACIONES EXPERIMENTALES: Se asignan unidades
al grupo de Tratamiento y de Control aleatoriamente (al
azar). En probabilidad las unidades de ambos grupos son
iguales.
2. ESTUDIOS OBSERVACIONALES O CUASI‐
EXPERIMENTALES: El investigador no puede manipular la
asigación del tratamiento. Ya está dada. Diferentes métodos
para elegir el mejor grupo de control posible y estimar el
impacto.
3. EXPERIMENTOS NATURALES: Asignación dada por
alguna regla o evento, “como si” hubiera sido asignación
aleatoria. 18
Métodos no experimentales
• Para definir el grupo de control los métodos no experimentales hacen
supuestos que no se pueden verificar
• Por ejemplo:
a) Antes y después, mismos individuos
• Grupo de control: los tratados antes de recibir el tratamiento
• Supuesto: sin el tratamiento hubieran quedado igual que antes
• Amenaza: que haya tendencias que afectan a los individuos a lo
largo del tiempo.
d) Variables instrumentales:
• Idea: usar una variable que afecte la probabilidad de que
reciba tratamiento pero no directamente el resutado. Por
ejemplo, que a unos les llego una invitación y a otros no.
• Grupo de control: aquellos que no les llegó la invitación
• Supuesto: que la invitación no se mandó con base en el
resultado esperado, e.g. a los mejores estudiantes. 20
20
Metodos no experimentales
• En la medida que el supuesto de identificación no sea válido,
tampoco nuestra estimación del efecto del programa: habrá
un sesgo.
Yi T que pasaría a i con T
Ri E[YiT Yi C ] ideal
Yi C que pasaría a i sin T
21
21
Métodos no experimentales
• Sumando y restando E[Yi C | T ]
22
TRADUCIENDO LA INVESTIGACIÓN EN ACCIÓN
II – ¿Qué es una evaluación
aleatoria?
¿Qué es una evaluación aleatoria?
Empezamos con un ejemplo sencillo:
• Tomamos una muestra de postulantes al
programa.
• Los asignamos aleatoriamente a:
Grupo de tratamiento – se le ofrece el
tratamiento
Grupo de control – no se le permite recibir el
tratamiento (durante el período de evaluación)
24
Ventajas de experimentos
26
Pasos claves para realizar un experimento
27
Pasos claves para realizar un experimento
5. Monitorear el proceso para asegurar la integridad del
experimento (que no se les dé el programa a los de control
y sí se les dé a los de tratamiento)
6. Recolectar datos post‐intervención tanto para el grupo de
tratamiento como para el grupo control
7. Estimar los impactos del programa comparando los
resultados promedio del grupo de tratamiento vs. los
resultados promedio del grupo de control
8. Determinar si los impactos son estadísticamente
significativos.
28
Pasos claves para realizar un experimento
2. INTERVENCIÓN
4. Medición final
1. Linea de base
2. DIVISION ALEATORIA
3. STATUS QUO
POBLACIÓN META
29
Ejemplo 1: Estudio Experimental de Cirugía
Coronaria
• La administración de Veteranos de US condujo un
Experimento Aleatorio Controlado para comprar el efecto
de:
– Cirugía de By‐Pass Coronario: reparar la circualción de la
sangre hacia el corazón formando un “puente” sobre la
arteria bloqueada.
– Drogas para combatir enfermedades coronarias. Estas
drogas ayudan a la circulación sanguínea a través de
arterias más estrechas.
• Implementado por Pratham, una ONG en India
• El programa proporcionó tutores (Balsakhis)
para ayudar a niños con dificultades en la
escuela
• El programa de Balsakhi se implementó en
escuelas primarias públicas en 2002‐2003
• Los maestros de estas escuelas decidieron
cuáles niños (los más atrasados) se educarían
con los Balsakhi
35
Ejemplo 3: El programa de Balsakhi
36
Balsakhi: Indicadores de Resultados
• Variable resultado: A los niños se les aplican
pruebas de lenguaje y matemáticas al
comienzo del año escolar (pre‐test) y al final
del año (post‐test)
• PREGUNTA: ¿Cómo determinamos el impacto
del programa?
37
Métodos para estimar impacto
• Exploremos diferentes formas de calcular los
impactos utilizando los datos de escuelas que
obtuvieron un balsakhi
1. Pre – Post (Antes vs. Después)
2. Diferencia simple
3. Diferencias en Diferencias
4. Otros métodos no experimentales
5. Experimento Aleatorio
38
1. Pre‐post (Antes vs. Después)
• Estrategia Para los
niños educados por los
balsakhi,
comparar los puntajes
promedio :
• Antes del balsakhi (2002)
vs.
• Después del balsakhi (2004)
39
1. Pre‐post (Antes vs. Después)
Puntaje promedio post‐test 51,22
para los niños con un balsakhi
Puntaje promedio pre‐test 24,80
para los niños con un balsakhi
Diferencia 26,42
• PREGUNTA: ¿Bajo qué condiciones se puede
considerar esta diferencia (26,42) como el
impacto del programa Balsakhi?
40
¿Que habría ocurrido sin el balsakhi?
Método 1: Antes vs. después
Impacto = 26.42 puntos?
75
50
26,42 puntos
25
2002 2003
0
41
2 – Diferencia simple
Compare el puntaje promedio de…
con el
puntaje
promedio
de…
• PREGUNTA: ¿Bajo qué condiciones se puede
considerar esta diferencia (‐5,05) como el
impacto del programa Balsakhi?
43
¿Que habría ocurrido sin el balsakhi?
Método 2: Comparación simple
Impacto = ‐5.05 puntajes?
75
50 -5,05 puntos
25
2002 2003
0
44
3 – Diferencias en Diferencias
Compare el cambio en puntaje promedio de…
con el cambio
en puntaje
promedio
de…
46
3 – Diferencias en Diferencias
Pre‐test Post‐test Diferencia
47
3 – Diferencias en Diferencias
Pre‐test Post‐test Diferencia
• PREGUNTA: ¿Bajo qué condiciones se puede
considerar esta diferencia (6,82) como el impacto
del programa Balsakhi?
48
4 – Experimento Aleatorio
• Suponga que evaluamos el programa de
Balsakhi usando un experimento aleatorio
• PREGUNTA #1: ¿Qué implica eso? ¿Cómo lo
hacemos?
• PREGUNTA #2: ¿Cuál sería la ventaja de
utilizar este método para evaluar el impacto
del programa Balsakhi?
Source: www.theoryofchange.org 49
Impacto del Programa Balsakhi
Método Impacto Estimado
(1) Pre‐post 26.42*
(2) Diferencia simple ‐5.05*
(3) Diferencias en diferencias 6.82*
(4) Regresión 1.92
50
Impacto del Programa Balsakhi
Método Impacto Estimado
(1) Pre‐post 26.42*
(2) Diferencia simple ‐5.05*
(3) Diferencias en diferencias 6.82*
(4) Regresión 1.92
(5) Experimento Aleatorio 5.87*
*: Significativo estadísticamente al nivel de 5%
51
Impacto del Programa Balsakhi
Método Impacto Estimado
(1) Pre‐post 26.42*
(2) Diferencia simple ‐5.05*
(3) Diferencias en diferencias 6.82*
(4) Regresión 1.92
(5) Experimento Aleatorio 5.87*
*: Significativo estadísticamente al nivel de 5%