Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Econometría I
PUCP
Población objetivo:
Niños y niñas menores de 3 años en zonas de pobreza y pobreza extrema.
Pregunta de Evaluación
¿Cuál es el impacto del Programa Nacional Cuna Más en el Desarrollo
Infantil de los niños y niñas menores de 3 años?
Ejemplo: Programa Nacional Cuna Más
Problema:
Sólo se puede observar UNO de los dos resultados
potenciales para cada individuo i. Es decir, el individuo i
sólo puede ser participante o no participante, pero no
ambas al mismo tiempo.
Efecto del tratamiento (ii)
𝑌𝑖 = 𝐷𝑖 𝑌𝑖 1 + 1 − 𝐷𝑖 𝑌𝑖 (0)
𝜏𝐴𝑇𝐸 = 𝐸 𝜏𝑖 = 𝐸[𝑌𝑖 1 − 𝑌𝑖 0 ]
𝜏𝐴𝑇𝑈 = 𝐸 𝜏 𝐷 = 0 = 𝐸 𝑌 1 𝐷 = 0 − 𝐸[𝑌(0)|𝐷 = 0]
𝐸[𝑌(0)|𝐷 = 1] ≈ 𝐸[𝑌(0)|𝐷 = 0]
τATT= 𝐸 𝑌 1 𝐷 = 1 − 𝐸 𝑌 0 𝐷 = 1
τATT+𝐸 𝑌 0 𝐷 = 1 = 𝐸 𝑌 1 𝐷 = 1
τATT+𝐸 𝑌 0 𝐷 = 1 − 𝐸 𝑌 0 𝐷 = 0 = 𝐸 𝑌 1 𝐷 = 1 − 𝐸 𝑌 0 𝐷 = 0
=0 Lo que observamos
Condición para la aproximación
𝐸 𝑌 0 𝐷 =1 −𝐸 𝑌 0 𝐷 =0 =0
1. Consistente:
𝑝
𝛽1 𝛽1
2. Insesgado:
𝐸 𝛽1 = 𝛽1
Parámetro estimado
𝜏𝐴𝑇𝑇 = 𝐸 𝑌 1 𝐷 = 1 − 𝐸[𝑌(0)|𝐷 = 0]
= 𝛽0 + 𝛽1 − 𝛽0 = 𝛽1
• Si se cumple que:
𝐸 𝑌 0 𝐷 =1 −𝐸 𝑌 0 𝐷 =0 =0
No observado
Para calcularlo suponemos que:
𝐸 𝑌 0 𝐷 =1 −𝐸 𝑌 0 𝐷 =0 =0
𝐸[𝑌(0)|𝐷 = 1] ≠ 𝐸[𝑌(0)|𝐷 = 0]
Ejemplo: Programa Nacional Cuna Más
• En el programa Cuna Más las madres deciden si enviar o no a su
hijo o hija a un Centro de Cuidado Diurno.
• Esto hace que participar tenga un costo para las madres (p.ej.:
tiempo para dejar a su hijo o hija)
• Al violarse el supuesto :
𝐸 𝑌 0 𝐷 = 1 − 𝐸[𝑌(0)|𝐷 = 0] ≠ 0
𝑌𝑖 = 𝛽0 + 𝛽1 𝐷𝑖 + 𝑢𝑖
Donde:
Xi=Características observadas del individuo i.
Ejemplo: Programa Nacional Cuna Más
𝐸(𝛽1 ) ≠ 𝛽1
Dirección del sesgo
Impacto = Yt - Yc
donde:
P es el programa
Y es la variable de resultado.
Yt es el resultado con el programa
Yc es el resultado sin el programa
Métodos de Evaluación
Los métodos de evaluación son:
𝑌𝑖 = 𝛽0 +𝛽1 𝑊𝑖 +𝜇𝑖
Y: variable de
resultado Efecto del
programa
W: toma el valor
Término
de 1 si el
de error
individuo es
tratado, 0 si no
Aspectos a tomar en cuenta
Balanceo
Limitaciones
Y: variable de
Impacto del
resultado Término
W: toma el valor Programa
Toma el valor de error
de 1 si individuo [La interacción entre la
de 1 si
es tratado, 0 si no variable temporal y la
individuo es
participación del
observado en
programa que permite
la línea de
capturar la no
seguimiento, 0
linealidad]
si no
Limitaciones
Supuesto de Tendencias
iguales
[El estudio logra el
cumplimiento de este
supuesto mediante el uso de
PSM para encontrar en
promedio escuelas
comparables]
Chinen y Bonilla (2017): Evaluación de impacto del
programa Soporte Pedagógico: Resultados
Resultados en
Matemática
Método de emparejamiento (i)
Participantes No participantes
Muy pobres
Pobres
No pobres
Ricos
Probabilidad de participar en el Programa
Participantes No participantes
Muy pobres
Muy alta Muy alta
Pobres
Alta Alta
No pobres
Baja
Ricos
Muy baja
Se busca “emparejar” a los participantes que más
se parecen (y excluir al resto)
Participantes No participantes
Muy pobres
Muy alta Muy alta
Pobres
Alta Alta
Soporte común
¿En qué consiste el Emparejamiento?
▪ Para “emparejar” a los individuos se hace en función a
variables observables, tales como: Nivel educativo, Tipo de
ocupación, Área de residencia, Características del hogar (techo,
paredes, pisos), entre otras. Sin embargo, estas variables
deben provenir de un buen conocimiento del programa.
Soporte común
Muy pobres
Pobres
Muy pobres
Pobres
Muy pobres
Pobres
Participantes No participantes
Muy pobres
80% 73% 72% 70% 78% 70%
Pobres
Muy pobres
80% 73% 72% 70% 78% 70%
Pobres
Impacto de del
programa Número de pares
*En este caso se presenta la fórmula para el “Vecino más cercano con reemplazo”
A manera de ejemplo: Vecino mas
cercano (i)
En este método se compara el resultado que obtiene cada individuo tratado
con el grupo de control que tenga el puntaje de propensión más cercano
(probabilidad). Así se calcula la diferencia entre cada par de unidades
emparejadas en la variable de resultado y se promedian todas las diferencias
para calcular el ATT.
𝐶 𝑖 = 𝑝𝑖 − 𝑝𝑗
Lo que se tiene es que C(i) es el conjunto de parejas que se han hecho entre
la observación tratada y las de control. El vecino puede ser uno o más y se fija
una distancia determinada entre la observación tratada y de control.
1
Luego el estimador ATT viene dado por: 𝐴𝑇𝑇 = σ 𝑌𝑖𝑇 − σ 𝑤𝑖𝑗 𝑌𝑗𝐶 y
𝑛𝑇
1
𝑤𝑖𝑗 =
𝑛𝐶
A manera de ejemplo: Vecino mas
cercano (ii)
En cuanto a que distancia usar (“caliper”); de acuerdo a Austin (2011), la
distancia óptima para el emparejamiento es la quinta parte (0.2) de la
desviación estándar del puntaje de propensión del emparejamiento.
A manera de ejemplo:
Emparejamiento de Kernel
En el método de Kernel se empareja todas las observaciones de tratamiento
en el soporte común con un promedio ponderado de todas las observaciones
del grupo control.
𝑝𝑗 − 𝑝𝑖 Da un peso decreciente a
1 σ𝑗∈𝐶 𝑌𝑗𝐶 𝐾 observaciones que
𝑇 ℎ𝑛
𝐴𝑇𝑇 = 𝑌𝑖 − se encuentran mas lejos
𝑛𝑇 𝑝 − 𝑝𝑖
σ𝑘∈𝐶 𝐾 𝑘 de cada observación
ℎ𝑛 tratada
Y: variable de
resultado Efecto del
programa
Balanceo
León (2016): Evaluación de Impacto del programa
Bono Escuela
Resultados en
Matemática
Método de Regresión Discontinua (RD)
Difusa
Xo X
Instrumento de Focalización
Toda la muestra vs Ancho de banda
Número de secciones
5 6 7 8 9 10 11 12 13 14 15 16 17 …..
Variable de
resultado D toma el valor de 1 si
Variable de Término
asignación está en la zona de
de error
Efecto del asignación, 0 si no
programa
Estimación no paramétrica del impacto usando RD
(i)
• Se realiza los análisis en una parte de la muestra que son parte de la
evaluación o en un vecindario local.
• El umbral es arbitrario.
• Los determinantes de la variable de resultado (Yi), son muy parecidos a
la izquierda y a la derecha del umbral.
• Los individuos o los administradores del programa no
contribuyen en la decisión de si participar o no.
• Los individuos no pueden ajustar el valor de X (variable de asignación)
en respuesta a los criterios elegibilidad del programa.
• Cualquier autoselección está dada sobre la base de
características exógenas.
Análisis gráfico: Supuesto de no manipulación
f(Xi)
f(Xi)
Xo Xo
Variable de asignación Variable de asignación
X X
W W
Variable observada w
Variable observada w
Xo X Xo X
Variable de asignación Variable de asignación
Se debe proveer evidencia estadística que muestre que no hay saltos en las
variables observadas alrededor del umbral 𝑋𝑜; por lo tanto, es válido asumir
que el grupo a la izquierda del umbral es comparable con el grupo a la
derecha del umbral.
Impacto del programa en RD
RD Nítida RD Difusa
Dado que la variable de Dado que la variable de
asignación determina asignación ya no determina
perfectamente la participación perfectamente quien participa
en el programa, se estima la del programa, se debe usar un
regresión lineal y el parámetro β modelo en dos etapas.
es el efecto del programa.
La primera etapa es estimar la
participación en el programa y la
segunda es usar la probabilidad
predicha en la ecuación anterior.
Se usa como instrumento el
ranking.
Regresión Discontinua Nítida
𝜏𝑅𝐷𝑁 𝑋𝑜 = 𝐸 𝜏𝑖|𝐷𝑖 = 1, 𝑋 ≥ 𝑋𝑜
lim 𝐸 𝑌𝑖|𝑋𝑖 = 𝑥 − lim 𝐸 𝑌𝑖|𝑋𝑖 = 𝑥
𝑥 ↓𝑋 𝑥 ↑𝑋 𝑜
=
lim 𝑃𝑟 𝐷 = 1|𝑋 = 𝑥 − lim 𝑃𝑟 𝐷 = 1|𝑋 = 𝑥
𝑥 ↓𝑋 𝑜 𝑥 ↑𝑋 𝑜
Ejemplo: Programa Bono Escuela (i)
Supongamos que debemos evaluar el impacto del programa Bono Escuela
del MINEDU. Este programa entregaba incentivos monetarios a los
docentes en función de los resultados de aprendizaje de sus estudiantes.
Población objetivo:
Los y las estudiantes de instituciones educativas públicas primarias y
secundarias a nivel nacional.
Pregunta de Evaluación
¿Cuál es el impacto del Programa Bono Escuela sobre los aprendizajes de
los estudiantes?
Ejemplo: Programa Bono Escuela (ii)
de la variable de
asignación del
1
programa
.5
0
-1 -.5 0 .5 1
Variable de asignación - Centrada
kernel = epanechnikov, bandwidth = 0.1000
ANÁLISIS DE DISCONTINUIDAD EN VARIABLES
OBSERVABLES ALREDEDOR DEL PUNTO DE CORTE:
VALIDEZ DE LA IMPLEMENTACIÓN DE LA RD
Rural Multigrado
1
1
.8
.8
.6
.6
multigrado
area_med
.4
.4
.2
.2
0
1
.8
.8
prop_extraedad_prim
.6
.6
prop_mujeres
.4
.4
.2
.2
0
1
.8
.8
ratio_mobiliario
propdoc_pedti
.6
.6
.4
.4
.2
.2
0
1
.8
.8
.6
.6
electricidad
agua
.4
.4
.2
.2
0
1
.8
.8
.6
.6
desague
internet
.4
.4
.2
.2
0
Gertler, P. J., Martínez, S., Premand, P., Rawlings, L. B., & Vermeersch, C. M.
(2011). Impact Evaluation in Practice; La Evaluación de Impacto en la
Práctica. World Bank Publications.