DISCONTINUIDAD DE REGRESION Y MÉTODOS DE CANALIZACIÓN

La discontinuidad de regresión (RD), este método permite tener en cuenta tanto la

heterogeneidad observada como la no observada. Si bien el límite o umbral de elegibilidad se
puede definir de manera no paramétrica, en la práctica, tradicionalmente, el límite se ha
definido a través de un instrumento
Una estrategia empírica adicional considerada por los evaluadores de programas es explotar
los datos sobre la expansión del programa a lo largo de una ruta determinada (por ejemplo, un
proyecto de infraestructura como agua, transporte o redes de comunicación) para comparar los
resultados de los participantes elegibles en diferentes lados de los límites del proyecto. a
medida que el programa se implementa gradualmente.
Este método implica una combinación de enfoques de tubería y RD que podrían generar
comparaciones interesantes a lo largo del tiempo

Objetivos

 RD como un método que da cuenta de la selección o participación potencial en y

características no observadas
 Verificaciones de robustez para asegurar que el diseño de discontinuidad y los límites
de elegibilidad son aliados
 La estrategia de identificación de las comparaciones de tuberías
 Maneras de combinar el enfoque RD y el método de canalización

Discontinuidad de regresión en la teoría

Para modelar el efecto de un programa en particular sobre los resultados individuales yi a

través de un enfoque de RD, se necesita una variable Si que determine la elegibilidad del
programa (como la edad, holdings, o similares) con un límite de elegibilidad de s los activos. La
ecuación de estimación es yi si, donde individuos con s, ÿ sÿ = ÿSi. + por ejemplo, recibe el
programa y las personas con s > sÿ no son elegibles para participar. Los individuos en una
banda estrecha por encima y por debajo de sÿ deben ser “comparables” en el sentido de que
se esperaría que lograran resultados similares antes de la intervención del programa. La
ecuación dada da un ejemplo de esta propiedad, donde los individuos por del umbral se
consideran no pobres.
Si se supone que existen límites a ambos lados del umbral s, la estimación del impacto tor para
un ÿ > 0 arbitrariamente pequeño alrededor del umbral sería el siguiente:
Tomando el límite de ambos lados de la ecuación 7.1 como ÿ ÿ 0 identificaría a ÿ como el
cociente de la diferencia en los resultados de los individuos justo por encima y por debajo del
umbral, ponderado por la diferencia en sus realizaciones de Si :

En este caso, la discontinuidad es estocástica o “borrosa”, y en lugar de medir las diferencias

en los resultados por encima y por debajo de s el estimador de impacto mediría la diferencia
alrededor de un vecindario. Este resultado puede ocurrir cuando las reglas de elegibilidad no se
cumplen estrictamente o cuando se apunta a ciertas áreas geográficas pero los límites no están
bien definidos y la movilidad es común. Si el umbral de elegibilidad está determinado
exógenamente por el programa y está altamente correlacionado con el tratamiento, también se
podría usar la participación.
Variaciones de RD
Son posibles numerosas variaciones de diseños de RD, incluidas combinaciones con
experimentos aleatorios de desempate alrededor del umbral para crear inferencias más sólidas.
Dependiendo de la naturaleza de la regla de elegibilidad (es decir, si es una función de una
variable que cambia con el tiempo o de una intervención única), se pueden usar datos de panel
o transversales en el análisis de DR.
Ventajas y desventajas del enfoque RD
Las ventajas del método RD son (a) que produce una estimación no sesgada del efecto del
tratamiento en la discontinuidad, (b) que muchas veces puede aprovechar una regla conocida
para asignar el beneficio que es común en los diseños de política social, y (c) que un grupo de
hogares o individuos elegibles no necesitan ser excluidos del tratamiento.
Sin embargo, las preocupaciones con RD son (a) que produce efectos de tratamiento locales
promedio que no siempre son generalizables; (b) que el efecto se estima en la discontinuidad,
por lo que, en general, existen menos observaciones que en un experimento aleatorio con el
mismo tamaño de muestra; y (c) que la especificación puede ser sensible a la forma funcional,
incluidas las relaciones e interacciones no lineales
Medición de los efectos del programa de distribución
La recopilación de datos detallados en el momento de la encuesta sobre las
características individuales y del hogar también es muy importante para distinguir con precisión
cómo los diferentes grupos se han beneficiado del programa.
Examen de los impactos heterogéneos del programa:
Marco de regresión lineal
Dependiendo del interés de los formuladores de políticas, existen varias formas de presentar
los impactos distributivos de un programa. En el contexto de un programa de alivio de la
pobreza, el impacto puede ser tan directo como la proporción de personas objetivo que salieron
de la pobreza. Los formuladores de políticas también pueden estar interesados en hacer un
seguimiento de las disparidades regionales en el crecimiento o la pobreza y la desigualdad
dentro de un país a lo largo del tiempo.
En un marco basado en una regresión lineal, los impactos heterogéneos del programa pueden
representarse variando el intercepto ÿ, el coeficiente ÿ, o ambos en la variable Ti del programa
o del tratamiento , entre individuos i = 1,. . .,norte:

Regresiones ponderadas localmente, proyecto vial del programa de

desarrollo rural, Bangladesh

Sesgo de selección. Como nota al margen, la caída sustancial en el gasto per cápita de los
hogares entre las áreas de control durante el período podría atribuirse a las fuertes
inundaciones en Bangladesh en 1998 y 1999.
Enfoques de regresión cuantil
Otra forma de presentar los impactos distributivos de un programa es examinando los efectos
del programa para hogares o individuos en todo el rango de Y, que podría incluir el ingreso o el
gasto per cápita del hogar. Se podría evaluar, por ejemplo, si los hogares más pobres o más
acomodados experimentaron mayores ganancias con una intervención en particular.
En este escenario, la regresión por cuantiles es otro enfoque para estimar los efectos del
programa para un cuantil dado ÿ en la distribución del resultado Y, condicionado a las
covariables X observadas. Siguiendo el modelo propuesto por Koenker y Bassett (1978),
suponga que Yi es una muestra de observaciones sobre el resultado y que Xi es un vector K ×
1 (que comprende el proyecto o tratamiento T, así como otras covariables). El modelo de
regresión por cuantiles se puede expresar como

donde Qÿ (Yi | Xi ) denota el cuantil ÿ del resultado Y (digamos, logaritmo del gasto per cápita),
condicional al vector de covariables (X). Específicamente, los coeficientes del cuantil pueden
interpretarse como la derivada parcial del cuantil condicional de Y con respecto a uno de los
regresores, como el programa T.