Econometría de Evaluación de Impacto

DEPARTAMENTO
DE ECONOMA
DEPARTAMENTO DE ECONOMA
PONTIFICIA DEL PER UNIVERSIDAD CATLICA
DOCUMENTO DE TRABAJO N 283

ECONOMETRA DE EVALUACIN
DE IMPACTO
Luis Garca Nez

DOCUMENTO DE ECONOMA N 283

ECONOMETRA DE EVALUACIN
DE IMPACTO

Luis Garca Nez

Mayo, 2010

DEPARTAMENTO
DE ECONOMA

DOCUMENTO DE TRABAJO 283
http://www.pucp.edu.pe/departamento/economia/images/documentos/DDD283.pdf

Departamento de Economa Pontificia Universidad Catlica del Per,
Luis Garca Nez

Av. Universitaria 1801, Lima 32 Per.
Telfono: (51-1) 626-2000 anexos 4950 - 4951
Fax: (51-1) 626-2874
econo@pucp.edu.pe
www.pucp.edu.pe/departamento/economia/

Encargada de la Serie: Giovanna Aguilar Anda
Departamento de Economa Pontificia Universidad Catlica del Per,
gaguila@pucp.edu.pe

Luis Garca Nez

ECONOMA DE EVALUACIN DE IMPACTO / Luis Garca Nez
Lima, Departamento de Economa, 2010
(Documento de Trabajo 283)

Informalidad / Inferencia Causal / Evaluacin de Programas /
Regresin Discontinua / Variables Instrumentales / Matching

Las opiniones y recomendaciones vertidas en estos documentos son responsabilidad de sus
autores y no representan necesariamente los puntos de vista del Departamento Economa.

Hecho el Depsito Legal en la Biblioteca Nacional del Per N 2010-06580
ISSN 2079-8466 (Impresa)
ISSN 2079-8474 (En lnea)

Impreso en Cartolan Editora y Comercializadora E.I.R.L.
Pasaje Atlntida 113, Lima 1, Per.
Tiraje: 100 ejemplares

ECONOMETR A DE EVALUACI N DE I MPACTO

Luis Garca Nez

Resumen
En aos recient es los mt odos de evaluacin de impact o se han difundido
ampliament e en la invest igacin microeconmica aplicada. Sin embargo,
la variedad de mt odos responde a problemas part iculares y especficos
los cuales est n det erminados normalment e por los dat os disponibles y el
impact o que se busca medir. El present e document o resume las
principales corrient es disponibles en la lit erat ura act ual, poniendo nfasis
en los supuest os baj o los cuales el efect o t rat amient o promedio ATE y el
efect o t rat amient o promedio sobre los t rat ados ATET se encuent ran
ident ificados. Adicionalment e se present an algunos ej emplos de
aplicaciones prct icas de est os mt odos. Se busca hacer una
present acin didct ica que pueda ser t il a est udiant es avanzados y a
invest igadores aplicados que busquen conocer los principios bsicos de
est as t cnicas.

Abst ract
I n recent years t he program evaluat ion met hods have become very
popular in applied microeconomics. However, t he variet y of t hese
met hods responds t o specific problems, which are normally det ermined
by t he dat a available and t he impact t he researcher t ries t o measure.
This paper summarizes t he main met hods in t he current lit erat ure,
emphasizing t he assumpt ions under which t he average t reat ment effect
and t he average t reat ment effect on t he t reat ed are ident ified.
Addit ionally, aft er each sect ion I briefly present some applicat ions of
t hese met hods. This document is a didact ic present at ion aimed t o
advanced st udent s and applied researchers who wish t o learn t he basics
of t hese t echniques.

JEL Classificat ion codes: C13, C14, C31
Palabras Clave: I nferencia Causal, Evaluacin de Programas, Regresin
Discont inua, Variables I nst rument ales, Mat ching

2

ECONOMETR A DE EVALUACI N DE I MPACTO

Luis Garca Nez

1. I NTRODUCCI N

En dcadas recient es los est udios de evaluacin de impact o de polt icas
pblicas se han realizado con mt odos est adst icos y economt ricos cada
vez ms sofist icados, con el fin de obt ener una evaluacin cient ficament e
rigurosa. La popularidad de est os mt odos de evaluacin de impact o ha
llevado a que se busque aplicarlos en numerosos cont ext os. Sin embargo,
por lo general est os mt odos se basan en ciert os supuest os que
condicionan su radio de accin y que definen hast a donde se pueden
obt ener conclusiones valederas de las evaluaciones.

En est e document o se revisan algunas de est as populares t cnicas
ponindose nfasis en los aspect os met odolgicos. Se busca hacer una
present acin didct ica que pueda ser t il a est udiant es y a invest igadores
aplicados que busquen conocer los principios bsicos de est as t cnicas.

2. EL ANLI SI S DE I NFERENCI A CAUSAL EN ECONOM A

Desde t iempos muy remot os ha exist ido el int ers por est udiar las
relaciones causales en el mundo real. Tal como resume Holland ( 1985) , el
concept o de causalidad discut ido por los filsofos ha ido variando a lo
largo de los siglos. Sin embargo, el fondo de la discusin sigue siendo el
mismo: el int ers por hacer un est udio acerca de la relacin causal ent re
las variables. Est e est udio empieza con la pregunt a inicial de cualquier
est udio de impact o: cul es el efect o causal de una variable X sobre
ot ra variable Y? Responderla puede ser un asunt o no t an t rivial ni desde
el punt o de vist a analt ico ni desde los dat os. Pues para t ener una idea de

3

est e efect o, deberamos t ener alguna idea sobre la exist encia de una
relacin causal ent re est as variables.

Por mucho t iempo se pens que la est adst ica t ena poco que cont ribuir al
anlisis causal. La acept acin de la frase que la correlacin no implica
causalidad ha significado el lmit e que la est adst ica se ha puest o a si
misma en su cont ribucin a est e anlisis. Est o se debe a que
t radicionalment e la est adst ica inferencial ha est udiado la manera como
los dat os aparecen en el mundo real. Tal int ers conlleva al est udio de
la dist ribucin de probabilidad conj unt a de est as variables, la cual ent rega
las probabilidades de ocurrencia de ellas. Luego, cont ando con una
muest ra de observaciones de est as variables y haciendo algunos
supuest os simplificadores sobre la est ruct ura de est e proceso generador
de dat os, la est adst ica inferencial obt iene est imadores de los parmet ros
que configuran a t al proceso. Algunos de est os parmet ros como las
probabilidades y las esperanzas condicionales son llamados
parmet ros asociat ivos los cuales han sido ut ilizados como pieza clave
en el anlisis economt rico. Est os parmet ros no son det erminant es para
est ablecer relaciones causales ent re las variables. La presencia de
variables asociadas sin mayor sent ido, como en el caso de l as conocidas
regresiones espurias o la presencia de los llamados confounders ,
present a una limit acin import ant e para el anlisis de inferencia causal
con base en parmet ros asociat ivos
1

.
Sin embargo, como veremos en las siguient es secciones, la est adst ica s
t iene un papel import ant e en el anlisis causal. Est e lt imo va ms all
del mero anlisis de est adst ica inferencial t radicional. Hay aspect os
import ant es del proceso generador de dat os que no se limit an a decir que
dos variables econmicas est n correlacionadas y/ o asociadas, sino que
se t rat a de ver si efect ivament e puede comprobarse con los dat os que
una variable causa a ot ra. Con est e fin, la est adst ica inferencial es

1
Una int eresant e resea de los problemas que se pueden encont rar en est udios
observacionales en comparacin con est udios experiment ales se encuent ra en el
clsico document o de Cochran ( 1965) .

4

incorporada en el anlisis de causalidad como uno de sus inst rument os en
sus procedimient os.

Pero, en qu consist e el anlisis de inferencia causal? Desde los aos 20
del siglo pasado, se configur como el est udio de las variables del mundo
real, est ableciendo algn t ipo de ordenamient o secuencial o lgico ent re
ellas ( Goldberger 1972) . De est a manera, y baj o supuest os t ericos o de
j uicio no t est eables
2
( a menos que se realicen experiment os
cont rolados) se pues est ablecer una est ruct ura de ramificaciones causales
que une a aquellas variables y que generan los dat os observados. Est as
est ruct uras no se limit an solament e a las variables observables sino que
t ambin incluyen a aquellas que no son observables pero que suelen
t ener un rol import ant e en la est ruct ura ( Pearl 2000, 2009) . Est as
relaciones pueden ser escrit as en forma de ecuaciones, con lo cual se
definen los modelos de ecuaciones est ruct urales. En t ales ecuaciones se
represent an relaciones causales y no meras asociaciones empricas.

Cuando aplicamos est e anlisis a la economa, encont ramos que el
proceso generador de dat os est gobernado por relaciones econmicas
subyacent es a l ( vase por ej emplo, Haavelmo 1943, 1944) Est as
relaciones suelen ser simplificadas y sist emat izadas a t ravs de los
llamados modelos econmicos , los cuales definen clarament e a sus
variables exgenas y a sus endgenas. Es decir, los dat os econmicos no
ocurren por el mero azar sino que aparecen por relaciones ent re las
variables, en donde podemos dist inguir que unas variables ocasionan
algn efect o sobre ot ras. Las variables exgenas t ienen efect o sobre las
endgenas, y no al revs, y por ello podemos afirmar que las relaciones
de causalidad ent re variables econmicas t ienen en si mismas un
sust ent o en la t eora econmica.

2
Un ej emplo de un supuest o causal que no necesit a ser verificado es que ninguna
variable puede ocasionar un cambio en la edad de las personas.

5

El anlisis causal basado en ecuaciones est ruct urales es el ms complet o
pues ofrece una visin panormica del conj unt o lo cual permit e ent ender
especialment e a las dificult ades que pueden surgir en el proceso de
anlisis del efect o de una variable sobre ot ra. No obst ant e su uso no se
ha difundido ampliament e en est adst ica debido a que sus conclusiones
pueden depender muy sensiblement e de sus supuest os. En economa se
ut ilizan a t ravs de la versin de los modelos clsicos de ecuaciones
simult neas
3
. Sin embargo, algunos est udios ( por ej emplo, Lalonde,
1986) han comprobado que empricament e ent regan pobres result ados
en comparacin con mt odos experiment ales. Adicionalment e, las
est imaciones se basan en supuest os muy rest rict ivos sobre los t rminos
de pert urbacin de est as ecuaciones, siendo est as variables no
observables por el invest igador ( Angrist , I mbens y Rubin, 1996) . Por
lt imo, pueden ser complicados, y sobre t odo poco prct ico si el obj et ivo
es analizar el impact o ent re dos variables y no est amos muy int eresados
en est udiar a profundidad al rest o de variables que las circundan.

En est e document o nos concent ramos en el anlisis alt ernat ivo propuest o
por Neyman ( 1990) y Rubin ( 1974) y sint et izado por Holland ( 1985) ,
conocido como el modelo de result ados pot enciales . Est e modelo t iene
sus fundament os en los modelos de ecuaciones est ruct urales, aunque
est e enfoque es en general ms simple al basarse en los est udios
experiment ales, t eniendo al experiment o aleat orio cont rolado como su
paradigma. Se t rat a de aislar el efect o de x sobre y mant eniendo
cualquier ot ro fact or que afect e a y de manera cont rolada ; y para ello
se observan los result ados pot enciales de y ant e diferent es valores
hipot t icos de x . Tal est udio de valores pot enciales implica un avance en
t rminos met odolgicos y a su vez implica mayores desafos en t rminos
est adst icos debido a que algunos de los result ados pot enciales podran
ser no observables.

3
Aunque result en parecidos, los modelos de ecuaciones est ruct urales y los de
regresiones de ecuaciones simult neas t ienen algunas diferencias en cuant o a lo que
represent an realment e los parmet ros y en la nat uraleza de los t rminos de error
( Pearl, 2009, pg. 104) . Solo baj o algunos supuest os son equivalent es.

6

Siendo un poco ms especficos, supongamos que t enemos una poblacin
U

suj et a a est udio, cuyos element os son las unidades U i . Est as
unidades podran ser personas, empresas, inst it uciones, localidades, et c.)
Supongamos para simplificar que la variable x ( la variable causa )
puede t omar nicament e dos valores para cada unidad i:
i
x
0
y
i
x
1
, los
cuales t ienen un efect o pot encial sobre la variable y ( la variable efect o )
para cada unidad i , digamos
i
y
0
y
i
y
1
respect ivament e. Suponiendo que
t odo lo dems se mant iene const ant e, el efect o de una variacin de x
sobre y para cada unidad i ser simplement e la diferencia
i i
y y
0 1
.

Sin embargo, la aplicacin del supuest o de que cualquier ot ro fact or que
influencie a y debe est ar cont rolado exige que la unidad i sea expuest a
t ant o a
i
x
0
como a
i
x
1
al mismo t iempo y baj o exact ament e las mismas
condiciones. Est o no es posible pues si el individuo i ya fue expuest o a la
sit uacin
i
x
0
( la cual dio como result ado el valor
i
y
0
) , no es posible volver
en el pasado y deshacer lo hecho, y somet erlo ahora al valor
i
x
1
, con el
fin de observar
i
y
1
( el escenario cont rafact ual) . Dado que solo uno de los
dos result ados pot enciales es observable, el clculo de la diferencia
i i
y y
0 1
es imposible. Est e es el problema fundament al de la inferencia
causal.

Aunque se pudiera pensar que el escenario cont rafact ual puede ser
observado si en el fut uro a una unidad que se somet i a la sit uacin
i
x
0

ahora se le somet e a
i
x
1
, la observacin de y en est e caso no
correspondera al valor
i
y
1
necesario para calcular la diferencia pues se
violara el supuest o mencionado. Tal violacin ocurre porque al menos
alguna cosa debi cambiar en el t iempo
4
.

4
En algunos experiment os podra creerse que se puede conocer ambos est ados de la
nat uraleza, por ej emplo, encender y apagar la luz para ver el efect o de la corrient e
elct rica en un bombillo de luz. En est e ej emplo es casi seguro que cualquier ot ro fact or
que afect e la luminosidad del bombillo est baj o cont rol del invest igador y por lo t ant o

7

Por ello afirmamos que el punt o de part ida del anlisis de inferencia
causal enfrent a un serio problema de ident ificacin, el cual no puede ser
resuelt o simplement e con ms observaciones. Afort unadament e, los
orgenes del problema han sido est udiados y ent endidos, y por lo t ant o
somos capaces de proveer soluciones a l. Tales est rat egias se basan en
la aplicacin de supuest os y adems con un import ant e apoyo de la
est adst ica, se logra ident ificar el efect o causal. Est e document o se basa
j ust ament e en est as est rat egias de ident ificacin.

3. ALGUNAS CUESTI ONES BSI CAS

3. 1. Definicin del efect o t rat amient o promedio ( ATE)

5

Con el fin de est udiar la ident ificacin del efect o causal, formalicemos lo
expuest o ant eriorment e del modelo de Neyman- Rubin concent rndonos
en un caso especial. Supongamos que deseamos conocer el efect o de un
t rat amient o d ( por ej emplo una polt ica) sobre alguna variable de int ers
i
y ( un result ado) , para i = 1, N. , donde i indica una unidad i .
Por ej emplo,

Trat amient o ( d) Result ado ( y)
Ej ercicio diar io Presin Sangunea
Capacit acin laboral Salar ios
Un nuevo reglament o de t rnsit o Tasa de accident es de t rnsit o
Un medicament o Colest erol

el escenario ant es del t rat amient o y despus del t rat amient o puedes ser
considerados como los dos result ados pot enciales. En general no ocurre lo mismo en
ot ros est udios, en donde los dos escenarios mencionados no necesariament e mant ienen
const ant es a los dems fact ores que podran afect ar a la variable y . Por ej emplo, el
efect o de la lact ancia mat erna sobre la incidencia de enfermedades en los infant es no
puede ser est udiado observando simplement e el ant es y el despus de la exposicin
al t rat amient o pues exist en fact ores que cambian en forma nat ural ( como la edad y el
peso del nio) y adems ot ros fact ores podran cambiar circunst ancialment e ( como las
condiciones de vida de la familia) , a pesar que algunos fact ores s se mant engan
const ant es ( como el sexo del nio y su resist encia nat ural a las enfermedades) .
5
La not acin y definiciones que seguimos en est a seccin est influenciada en la
exposicin de Lee ( 2005) .

8

Aunque el t rat amient o podra ser en diferent es int ensidades, y al mismo
t iempo los result ados podran ser mlt iples, vamos a simplificar el anlisis
considerando que el t rat amient o d es binario, t omando el valor 1 si la
unidad recibe el t rat amient o y 0 si no la recibe.

=
recibe lo no i si
o tratamient el recibe i si
d
i
0
1

Tenemos una poblacin U de unidades, algunas de los cuales recibir un
t rat amient o. Cada unidad i puede ser descrit a por el siguient e conj unt o
) , , , , (
1 0 i i i i i
x d y y donde:

i
y
0
= result ado pot encial si la unidad i no recibi el t rat amient o
i
y
1
= result ado pot encial si la unidad i recibi el t rat amient o
i
x = vect or de caract erst icas observables de la unidad i
i
= vect or de caract erst icas no observables de la unidad i

Cabe mencionar que la condicin de observable o no observable de las
caract erst icas se define desde el punt o de vist a del invest igador o
evaluador de la polt ica.

Definamos el result ado observado
i
y como
i i i i i
y d y d y
0 1
) 1 ( + = el cual es
igual a uno de los result ados pot enciales. Asimismo podemos clasificar a
t odas las unidades de la poblacin segn la recepcin o no del
t rat amient o. Como nos preocupa analizar el impact o de polt icas ( micro)
econmicas, llamaremos a los recept ores de la polt ica como el grupo
beneficiario, definido como { } 1 | = =
i
d U i B . Al grupo de unidades que no
recibe el t rat amient o lo llamaremos grupo no beneficiario
6

{ } 0 | = =
i
d U i N .

6
En algunos est udios se le llama t ambin grupo de cont rol a aqul que no ha recibido el
t rat amient o. Sin embargo dado que el nfasis en est e est udio recae en los llamados
est udios observacionales ( vase seccin 4.2) en donde los dat os disponibles no
provienen de experiment os cont rolados, conviene llamar a est e grupo simplement e
como No Beneficiario, reservando el nombre de Grupo de Cont rol para aqul grupo

9

Lo nico que podemos observar para una unidad B i es el paquet e
) 1 , , (
1
= d x y
i i
y para una unidad N k en el grupo no beneficiario solo
observamos ) 0 , , (
0
= d x y
k k
.

Tal como se mencion ant es, el efect o t rat amient o individual para una
unidad i ,
i i i
y y
0 1
= , no est ident ificado pues uno de sus element os no
es observable. Sin embargo podra ser ms convenient e analizar el efect o
t rat amient o promedio para la poblacin ( ATE por sus siglas en ingls) .
Omit iendo el subndice i , el ATE es el parmet ro poblacional

) ( ) ( ) (
0 1 0 1
y E y E y y E ATE = = =

Debido a que los valores pot enciales
0
y y
1
y no son plenament e
observables para t odo U i , se debe t ener cuidado al est imar est e valor
esperado usando anlogos muest rales como el promedio simple por
ej emplo.
N i
N i
B i i
N B i
i
B
y y y
n
y
n

= =
1 1
^

donde
B
n es el nmero de beneficiarios y
N
n es el nmero de no
beneficiario.

El peligro de comet er un error con una est imacin de est a manera se
basa en el conocido problema de la seleccin : la no observacin de los
valores de
i
y
0
y
i
y
1
para algunos individuos podra responder a una
conduct a sist emt ica de los individuos o de los ot organt es del beneficio.
Por ej emplo, si se busca analizar el efect o de la part icipacin en
programas de ej ercicios fsicos en el est ado de salud medido como los
niveles de presin sangunea, es clarament e fact ible que aquellos que
finalment e acept en part icipar en el t rat amient o sean individuos que

que no recibe t rat amient o en est udios experiment ales o t ambin a un subgrupo de los
no beneficiarios que cumplen ciert as caract erst icas ( que se discut irn ms adelant e,
vase la seccin 4.1) en est udios observacionales.

10

t engan fuert es preferencias por la act ividad fsica, o que present en
det erminadas caract erst icas como su edad y peso. Por el cont rario,
aquellos que opt en por no part icipar en el programa podran haber
t omado est a decisin basndose en las mismas caract erst icas o
preferencias. En est e ej emplo est ara ocurriendo un problema de
aut oseleccin en el t rat amient o, donde la part icipacin en el programa
depender de las caract erst icas observables de las personas ( su edad y
peso) , o de caract erst icas no observables ( sus preferencias, hbit os de
vida, fact ores gent icos, et c. )

La seleccin podra haber venido de part e de los diseadores de la
polt ica. Por ej emplo, si fij an una poblacin obj et ivo para el t rat amient o, o
si priorizan a algunos grupos que ya de por s present en problemas de
presin art erial, nuevament e exist iran diferent es caract erst icas
( observables o no) en los grupos B y N.

Si est o es lo que est ocurriendo con el programa d , ent onces el
est imador propuest o
es el anlogo muest ral de ) 0 | ( ) 1 | ( = = d y E d y E ,

el cual es en general diferent e de ) (
0 1
y y E cuando las caract erst icas
) , (
i i
x difieren ent re los beneficiarios y no beneficiarios. Por est a razn se
debe analizar con cuidado ( a) en qu casos
es un buen est imador de

ATE; ( b) qu ot ro est imador dist int o de
podra est imar correct ament e a

.

3. 2.

Supuest os ident ificadores del ATE
Supongamos que el t rat amient o o polt ica ha sido aplicado a los
individuos de una manera muy part icular. Digamos que se ha realizado
un sort eo en donde cada individuo t iene la misma probabilidad de recibir
el beneficio. En t al caso, el t rat amient o d ser independient e de los
result ados pot enciales
j
y , para j = 0, 1. Formalment e diremos:

11

( I ) : Los result ados pot enciales son est adst icament e independient es de
d . En smbolos d y y ) , (
1 0
.

Dada est a condicin de independencia, ent onces ocurrir que
) 0 | ( ) 1 | (
) 0 | ( ) 1 | ( ) ( ) ( ) (
0 1 0 1 0 1
= = =
= = = = = =
d y E d y E
d y E d y E y E y E y y E ATE

La lt ima igualdad ocurre porque
1
y solo es observable cuando 1 = d , con
ello coinciden
1
y con y , y lo mismo ocurre para
0
y . Por lo t ant o si t al
supuest o se cumple, ent onces ATE puede ser est imado consist ent ement e
simplement e con la diferencia de los promedios simples de las
observaciones de los grupos B y N, o sea el est imador
. Nt ese que est e

est imador es igual al est imador
d
que se obt endra de la est imacin por

mnimos cuadrados ordinarios del modelo de regresin lineal
i i d i
u d y + + =
1
.

No es necesario un supuest o t an fuert e como el de independencia
para que se cumpla est e result ado. Una condicin ms dbil que es
implicada por el supuest o de independencia es la siguient e:

( I I ) :
0
y y
1
y son independient es en medias de d si ) ( ) | (
j j
y E d y E = , para
j = 0, 1. Equivalent ement e, ) 0 | ( ) 1 | ( = = = d y E d y E
j j
.

Baj o est a condicin se cumple t ambin que el ATE coincide con la
diferencia ) 0 | ( ) 1 | ( = = d y E d y E .

3. 3.

El efect o t rat amient o sobre los t rat ados ( ATET)
Es frecuent e que los programas no t engan aplicabilidad universal sino
solament e en part e de la poblacin. Por ej emplo, un programa de
desempleo solo int eresa en la poblacin de desempleados, no t oma en

12

cuent a a los empleados. En t al caso el impact o del programa se mide
nicament e en el grupo t rat ado, pues nos int eresa comparar la sit uacin
real del grupo beneficiario con la sit uacin cont rafact ual de ellos mismos
en el caso hipot t ico de que no hubieran recibido el beneficio del
programa, sin import arnos mucho el efect o sobre los no t rat ados. A est e
impact o se le llama el Efect o Trat amient o Promedio en los Trat ados
7
o
ATET,
) 1 | ( ) 1 | ( ) 1 | (
0 1 0 1
= = = = = = d y E d y E d y y E ATET
T

Con la informacin disponible, el primer t rmino de ATET est
plenament e ident ificado pues es solament e la esperanza condicional del
result ado dado que los individuos part iciparon en el programa, es decir
) 1 | ( = d y E . En cambio el segundo t rmino no est a ident ificado pues no
disponemos de informacin del result ado pot encial y
0
cuando 1 = d .

Est e t rmino ser ident ificable si se supone que d y
0
( o con el supuest o
ms dbil de
0
y independient e en media de d , ) 0 | ( ) 1 | (
0 0
= = = d y E d y E ) .
En t al caso se puede est imar el segundo component e de ATET con un
anlogo muest ral de ) 0 | ( = d y E . En t rminos int uit ivos est e supuest o
quiere decir que el t rat amient o ha sido asignado ent re los individuos de
los grupos de beneficiarios y no beneficiarios independient ement e del
result ado pot encial que ellos hubieran obt enido sin t rat amient o,
0
y . Sin
embargo, es posible que
1
y no sea independient e de d , lo cual no
afect ara la ident ificacin de ATET. Por ej emplo,
1
y no sera independient e
de d si los individuos part icipant es se aut oseleccionan para part icipar en
el programa porque t endran una ganancia esperada de
1
y ms alt a que
aquellos que no part icipan.

7
En ingls es el Average Tr eat ment Effect on t he Treat ed.

13

En general se cumplir que ATET es dist int o de ATE. Sin embargo,
podran ser exact ament e iguales si se cumple ya sea los supuest os ( I ) o
( I I ) . Para most rar est o,

) 0 | ( ) 1 | ( ) 1 | ( ) 1 | ( ) 1 | (
0 1 0 1 0 1
= = = = = = = = d y E d y E d y E d y E d y y E ATET
ATE d y E d y E = = = = ) 0 | ( ) 1 | (

Ent onces, al ser ATE y ATET iguales baj o est e supuest o, ambos pueden
ser est imados mediant e el est imador
que es la diferencia de los

promedios simples de los grupos de beneficiarios y no beneficiarios.

Por ot ro lado, t rivialment e ATE y ATET t ambin podran ser iguales si el
programa se aplicara a t oda la poblacin.

) 0 Pr( ) 0 | ( ) 1 Pr( ) 1 | ( ) (
0 1 0 1 0 1
= = + = = = d d y y E d d y y E y y E
). 0 Pr( ) 1 Pr( = + = = d ATEU d ATET ATE

donde ATEU es el efect o t rat amient o sobre los no t rat ados ( un parmet ro
de escaso int ers prct ico) . Luego si 1 ) 1 Pr( = = d t endramos ATE = ATET,
lo cual equivaldra a aplicar el programa a t oda la poblacin.

3. 4.

Condicionamient o a caract erst icas observables
Los result ados mencionados se pueden generalizar si se condicionan a las
caract erst icas observables x , lo que podra ent enderse como limit ar el
anlisis a una subpoblacin con caract erst icas x . Por ej emplo, se podra
calcular el efect o t rat amient o promedio segn el sexo de la persona, o su
nivel educat ivo, su est ado civil, et c.

Las definiciones de ATE y ATET con condicionamient o a x son:
) | ( |
0 1
x y y E x ATE = y ) , 1 | ( |
0 1
x d y y E x ATET = = . En t al caso los supuest os
ident ificadores de est os parmet ros se generalizan como:

14

( I )
j
y es est adst icament e independient e de d , dado x: x d y
j
| .
( I I )
0
y y
1
y son independient es en media condicional de d dado x:
) | ( ) , | ( x y E x d y E
j j
= , para j = 0, 1.

Cuando se condiciona por x , es frecuent e hacer un supuest o adicional
sobre la exist encia de individuos beneficiarios y no beneficiarios para cada
subpoblacin x . A est e supuest o se le conoce como supuest o de
mat ching u overlapping .

( I I I ) 1 ) | 1 ( 0 < = < x d P

Luego, baj o los supuest os ( I I ) y ( I I I ) , el x ATE | es igual a la diferencia de
la media condicional de los grupos B y N.

) , 0 | ( ) , 1 | (
) , 0 | ( ) , 1 | ( ) | ( ) | ( ) | (
0 1 0 1 0 1
x d y E x d y E
x d y E x d y E x y E x y E x y y E
= = =
= = = = =

Nt ese que el lt imo signo igual de la ecuacin ant erior no se cumplira si
no se cumpliera el supuest o ( I I I ) . Luego, el x ATE | puede ser calculado
como la diferencia simple de los promedios de y dado d para un
subgrupo especfico x .

Un result ado adicional que vale la pena mencionar en est a seccin es que
si asumimos que el t rat amient o se asigna complet ament e al azar
( mediant e un sort eo simple) , ent onces el t rat amient o d ser t ambin
independient e de las caract erst icas observables y no observables de los
individuos ) , (
i i
x , las cuales se encont rarn balanceadas ent re los
grupos B y N.

15

3. 5. Sesgo debido a la violacin de los supuest os

Cuando los supuest os mencionados ant es no se cumplen, ent onces el
est imador propuest o
ser sesgado al querer est imar a ATE o a ATET. El

llamado problema de la seleccin present ado en la seccin 3. 1 provocar
que exist an sesgos cuyas fuent es est riban en el desbalance exist ent e en
las caract erst icas observables y no observables ent re los grupos B y N.
As, t ant o el clculo de est os parmet ros incluir a las diferencias de
est as caract erst icas.

Cuando los grupos B y N difieren en las caract erst icas observables x ,
diremos que t enemos seleccin en observables , mient ras que si difieren
en las variables no observables t enemos seleccin en no observables .
En el primer caso, el sesgo sobre la diferencia de medias originado por la
seleccin se llama en la lit erat ura inglesa como overt bias mient ras que
en el segundo, el sesgo se llama covert bias o hidden bias .

Formalment e las definiremos ambos t ipos de selecciones as:

Seleccin en observables: ) ( ) | (
j j
y E d y E pero ) | ( ) , | ( x y E x d y E
j j
=
Seleccin en no observables: ) | ( ) , | ( x y E x d y E
j j
pero
) , | ( ) , , | ( x y E x d y E
j j
=

Concent rndonos en la seleccin en observables, no se cumple la el
supuest o ( I I ) pero si cont rolamos por las variables que ocasionan la
seleccin t endremos ent onces que el ATE es ident ificable condicionado a
un grupo part icular x , pues se cumplira el supuest o ( I I ) , de la forma
como se mencion en la seccin ant erior.

Por el cont rario, si t enemos seleccin en no observables, la condicin en
x no garant iza que la diferencia de las medias de grupo reflej e el impact o
del programa. Habra ent onces que condicionar t ambin en las

16

caract erst icas no observables para que
sea un est imador de ATE

ent endiendo est o como la definicin de un subgrupo que compart a las
mismas caract erst icas no observables. Est o es en la prct ica difcil al ser
j ust ament e las caract erst icas invisibles para el invest igador.
8

Podemos observar baj o qu condiciones el desbalance de las
caract erst icas x podra sesgar la est imacin de ATE mediant e la
diferencia de medias
. Supongamos que solo exist e una caract erst ica x

la cual es binaria, t omando el valor de 1 para algunos individuos y 0 para
el rest o. Supongamos t ambin que se cumple el supuest o ( I I ) . En est e
cont ext o, los efect os t rat amient o promedio condicionados a x son

) 0 , 0 | ( ) 0 , 1 | ( ) 0 , 0 | ( ) 0 , 1 | ( |
0 1 0
= = = = = = = = = =
=
x d y E x d y E x d y E x d y E ATE
x

) 1 , 0 | ( ) 1 , 1 | ( ) 1 , 0 | ( ) 1 , 1 | ( |
0 1 1
= = = = = = = = = =
=
x d y E x d y E x d y E x d y E ATE
x

Por ot ro lado podemos expresar a la diferencia de medias de y ent re B y
N como

) 1 | 0 Pr( ) 0 , 1 | ( ) 0 | ( ) 1 | ( = = = = = = = d x x d y E d y E d y E
) 0 | 0 Pr( ) 0 , 0 | ( ) 1 | 1 Pr( ) 1 , 1 | ( = = = = = = = = + d x x d y E d x x d y E
) 0 | 1 Pr( ) 1 , 0 | ( = = = = d x x d y E

Reemplazando las expresiones de
0
|
= x
ATE y
1
|
= x
ATE en la expresin
ant erior t enemos,

) 1 | 1 Pr( | ) 1 | 0 Pr( | ) 0 | ( ) 1 | (
1 0
= = + = = = = =
= =
d x ATE d x ATE d y E d y E
x x

)] 0 | 0 Pr( ) 1 | 0 [Pr( ) 0 , 0 / ( = = = = = = + d x d x x d y E
)] 0 | 1 Pr( ) 1 | 1 [Pr( ) 1 , 0 / ( = = = = = = + d x d x x d y E

8
Aunque no podamos condicionar en no observables, mediant e algunos procedimient os
experiment ales podemos confiar que, est adst icament e hablando, las caract erst icas no
observables puedan balancearse ent re ambos grupos. Ms adelant e veremos que
exist en mt odos capaces de remover el sesgo generado por las variables no
observables.

17

Los dos primeros t rminos del lado derecho de la lt ima ecuacin
muest ran el efect o que deseamos medir ( el impact o de d sobre y para
cada subgrupo) . Si
0
|
= x
ATE =
1
|
= x
ATE , ent onces la suma de los dos
t rminos se resume a simplement e ATE.

El t ercer y cuart o t rmino corresponde al sesgo debido al no balanceo de
x ent re los grupos B y N. Nt ese que si se cumpliera que d x , ent onces
se cumplira que ) Pr( ) | Pr( x d x = para cualquier combinacin de x y d , con
lo cual desapareceran los dos t rminos del sesgo. Por ot ro lado, aun si no
se cumpliera la independencia est adst ica ent re x y d , si la variable x no
t uviera efect o sobre y ( es decir, si x fuera una variable irrelevant e) , se
cumplira que ) 1 , | ( ) 0 , | ( = = = x d y E x d y E , con lo cual el sesgo t ambin
desaparecera.

En el caso del sesgo debido a desbalance en variables no observables, se
puede hacer un anlisis similar al present ado, por lo que no lo
desarrollaremos aqu.

Por lt imo, un est imador consist ent e de ATE en el caso de seleccin en
observables ( es decir, baj o el supuest o I I ) puede obt enerse mediant e
regresiones lineales. Tal como demuest ra Wooldridge ( 2001) , en la
regresin donde x es un vect or de variables,
2
y
3
son vect ores de
parmet ros,

i i i d i
u d d y + + + + = )) ( (
0
x x x
3 2

el est imador
d
es un est imador consist ent e de ATE.

18

4. ESTUDI OS EXPERI MENTALES Y NO EXPERI MENTALES

Habiendo observado la import ancia del cumplimient o de los supuest os
ident ificadores de ATE y ATET, cabe la pregunt a baj o qu condiciones los
dat os que se ut ilizan para evaluar el impact o de polt icas cumpliran est os
supuest os? La respuest a a est a int errogant e se halla en la forma como se
generaron est os dat os.

Como se ha vist o, la aleat orizacin del t rat amient o d hace que la
diferencia de promedios sea un est imador consist ent e de ATE ( y ATET) .
Pero, de dnde proviene la idea de la aleat orizacin del t rat amient o?
Exist e en la ciencia un procedimient o conocido como experiment o
aleat orio cont rolado, el cual se considera como el gold st andard de la
evaluacin de impact o por cumplir ( casi) perfect ament e la condicin de
aleat orizacin de d .

4. 1. Experiment os Aleat orios Cont rolados

Est os experiment os t ienen su origen en las ciencias biolgicas y mdicas,
el cual consist e en el est udio del efect o de un t rat amient o sobre un
result ado de int ers. Luego de haberse definido a una muest ra aleat oria
de individuos a ser est udiados, el procedimient o consist e en la seleccin
aleat oria de dos subgrupos de individuos llamados grupo t rat amient o
9
y
grupo de cont rol . Al primero de ellos se les aplica int encionalment e el
t rat amient o del est udio, mient ras que al segundo no recibe el
t rat amient o. Cuando el experiment o es aplicado a seres humanos,
usualment e al grupo de cont rol se les ent rega un placebo absolut ament e
inofensivo
10
( por ej emplo, una pldora de similar caract erst ica a la
recibida por los t rat ados) , con el fin de evit ar cualquier desviacin en la
conduct a t ant o de los t rat ados como de los no t rat ados.

9
En las aplicaciones a la economa hemos llamado grupo beneficiario al grupo
t rat amient o.
10
El placebo podra no ser necesario si se t rat a de experiment os en animales o plant as.

19

En est e procedimient o, el t rat amient o es independient e
est adst icament e hablando de los result ados pot enciales y de las
caract erst icas observables y no observables de los individuos, los cuales
deberan est ar est adst icament e balanceados ent re ambos grupos. Por t al
razn, los result ados del grupo no t rat ado simulan bien el escenario
cont rafact ual en donde los t rat ados no reciben el t rat amient o. Tal
propiedad le da validez int erna al est udio pues el result ado de la
evaluacin de impact o est ara libre de sesgos. Asimismo, si la muest ra de
individuos del anlisis fue obt enida de manera aleat oria de la poblacin
de int ers, est os result ados son generalizables a t oda la poblacin lo que
le da validez ext erna al est udio.
11

De ahora en adelant e, usaremos el t rmino grupo de cont rol o grupo C
a aqul conj unt o de individuos no t rat ados que pueden represent ar bien
el escenario cont rafact ual sin t rat amient o. En el caso de los experiment os
aleat orios cont rolados, los grupos de no t rat ados ( grupo N) y cont rol
( grupo C) son exact ament e iguales.

En lo que se refiere a la aplicacin de est os experiment os a economa,
dado que se est udia el impact o aislado de una variable sobre ot ra, est e
procedimient o es ideal para est udiar el efect o causal ent re est as
variables. Por ello no necesit a el desarrollo de modelos t ericos que
modelen la conduct a de los agent es en el mundo real
12
, al ser sus
implicancias absolut ament e parciales
13
y reducidas a dos variables. Est a
alt a precisin en la medicin del impact o es a su vez una desvent aj a si el
obj et ivo es t ener una idea ms complet a del comport amient o de los
agent e, es decir, de los det erminant es de los result ados observados.

11
Debe t enerse en cuent a que hay dos et apas de aleat orizacin: la primera ocurre en la
seleccin de la muest ra a ser suj et a de est udio de la poblacin, y la segunda ocurre
cuando el t rat amient o es asignado aleat oriament e a un subgrupo de la muest ra.
12
Est o no significa de ninguna manera que se ignore a los modelos econmicos y a los
modelos probabilst icos subyacent es, quienes darn luz sobre el efect o que se espera y
su explicacin.
13
Ent indase el t rmino parcial en el sent ido ut ilizado en economa en el anlisis de
est t ica comparat iva.

20

La aplicacin de est e procedimient o result a muy at ract iva. No obst ant e
para la evaluacin de programas surgen algunos inconvenient es
report ados en la lit erat ura
14
. Acerca de la validez int erna del
procedimient o, usualment e es difcil encont rar un equivalent e al placebo
ut ilizado en medicina por lo que en algunos casos es casi inevit able que
los suj et os no solo not en que est n siendo suj et os al experiment o sino
que not en a qu grupo pert enecen ( B o C) . Por ej emplo, si se t rat ara de
un programa de capacit acin laboral, sera muy ext rao que se ot orguen
charlas de capacit acin complet ament e int iles a los miembros del grupo
C con el fin que no not en que son beneficiarios. Est e hecho puede
provocar algunas problemas como la aut oseleccin en los programas
( pues es difcil que se pueda obligar a las personas a acept ar un
t rat amient o, el cual es normalment e volunt ario) , y al desgast e ocurrido
( no al azar) por el abandono de algunos individuos a seguir en el
programa. Exist en ot ros problemas de orden t ico si se t rat a de
programas que podran t ener consecuencias en el largo plazo. Por
ej emplo, si se pret endiera aplicar est e procedimient o a programas que
ot organ crdit o educat ivo, para aquellas personas que no lo reciban
podran t ener consecuencias negat ivas muy grandes por el rest o de sus
vidas ( debido a la prdida de oport unidades) . Algo similar podra ocurrir
con programas aliment arios. Todo est o genera serios cuest ionamient os
de orden t ico para la aplicacin de experiment os de est e t ipo para
evaluar programas.

Pese a est as razones, en los lt imos aos se ha aplicado est a t cnica en
est udios de evaluacin de impact o, principalment e de polt icas
econmicas. Algunos ej emplos son: Gert ler ( 2004) quien analiza el
impact o del programa mexicano de t ransferencias condicionales de dinero
conocido ent onces como PROGRESA en el la salud de los nios. En la
implement acin de est e programa se seleccion a 505 villas de zonas
pobres de Mxico, en donde en una primera et apa se escogi al azar a

14
St ock y Wat son ( 2003) en su capt ulo 11 cit a algunos inconvenient es que se pueden
encont rar en la prct ica.

21

320 poblaciones como beneficiarias y 185 como cont rol. Est a forma de
seleccin y el hecho que el grupo de cont rol no fue informado que sera
en el fut uro t ambin beneficiario del programa le da caract erst icas al
experiment o de ser muy parecido a un experiment o aleat orio cont rolado.
Con ello se cumple que est adst icament e hablando los grupos de
beneficiarios y no beneficiarios se encuent ren balanceados en sus
caract erst icas observables y no observables, lo que convence al aut or
para est imar el efect o causal mediant e una regresin con una variable
dummy indicando la part icipacin o no en el programa. Gert ler menciona
que adems cont rola en la regresin por caract erst icas socioeconmicas
con el fin de mej orar el poder de las est imaciones y reducir la variacin
idiosincrt ica en la poblacin.

En un est udio similar, Hoddinot t y Skoufias ( 2003) t ambin est udian el
mismo programa pero est a vez para calcular el impact o sobre el consumo
de aliment os. A diferencia de Gert ler, est os aut ores son caut elosos con
respect o a la aplicacin inmediat a de la diferencia de medias como
est imador del efect o causal, al encont rar problemas de no cumplimient o
en la muest ra de beneficiarios ( muchos hogares de localidades
beneficiarias no recibieron t rat amient o) y al haber significat ivas
diferencias en cuant o a composicin por gnero, t amao del hogar y edad
de los part icipant es ent re los grupos de beneficiarios y no beneficiarios.
Sugieren que mt odos de regresin cont rolando por est as variables son
una mej or alt ernat iva a la simple e incondicional diferencia de medias.

En ot ro est udio como el de Angrist y Lavy ( 2002) se ut iliza la ext ensin
de est a met odologa cuando la aleat orizacin se hace a niveles de
grupos
15
y no de individuos, exist iendo ent onces dos niveles de
aleat orizacin. Est a met odologa es usada ampliament e en medicina y
psicologa, y se aplica especialment e cuando se selecciona al azar a
grupos ( como por ej emplo, comunidades, hospit ales, escuelas, et c.) , y

15
Conocido en ingls como Group Randomized Trials. Apunt es sobre la met odologa se
pueden encont rar en Donner, Brown y Basher ( 1990) .

22

luego en una segunda et apa se selecciona a individuos dent ro de cada
grupo. Est a met odologa ha demost rado ser menos cost osa en su
implement acin pero present a menor poder est adst ico que los muest reos
aleat orios simples, principalment e debido a la correlacin ent re los
grupos, ent re ot ras deficiencias
16
. En el est udio de est os aut ores se
analiza el efect o de un programa de premios monet arios a est udiant es
sobre el rendimient o en una prueba acadmica especfica ( el Bagrut ) en
I srael, y para ello conducen dos experiment os, uno donde la
aleat orizacin se hace a nivel de individuos, y ot ro en donde se realiza a
nivel de escuelas. Cabe resalt ar en est e t rabaj o que los aut ores t uvieron
inconvenient es en el moment o de implement ar la aleat orizacin a nivel
de individuos debido a preocupaciones de los direct ivos educat ivos sobre
la eleccin de los miembros del grupo beneficiario. Debido a est o se
ut iliz un mecanismo que adems de ut ilizar al azar se t omaba en cuent a
el est at us socioeconmico de los est udiant es. Tambin exist ieron
problemas para implement ar el experiment o a nivel de escuelas,
debiendo suspenderse en su primer ao de aplicacin debido a serias
cont roversias desat adas en los medios y la opinin pblica. Est e es un
claro ej emplo de las dificult ades que est e t ipo de est udios experiment ales
debe enfrent ar en el moment o de su implement acin prct ica.

Exist en numerosos ej emplos que ut ilizan dat os experiment ales, de los
cuales solo mencionaremos a algunos por razones de espacio. Por
ej emplo, Banerj ee et al ( 2004) realizan dos est udios aleat orizados
evaluando el impact o de programas de asist encia educat iva a est udiant es
con baj o rendimient o sobre el aprendizaj e medido como punt aj e
promedio de sus pruebas acadmicas. En ot ro t rabaj o, Angrist et al
( 2002) , est udian el efect o de la ent rega de cupones a est udiant es
secundarios sobre el rendimient o y la asist encia escolar en Colombia.
Aunque est e est udio no podra cat alogarse est rict ament e hablando como
un experiment o cont rolado, exist i en l una asignacin aleat oria

16
La aleat orizacin de los grupos no garant iza el balanceo de las caract erst icas a nivel de
individuos, como s lo hacen las aleat orizaciones de individuos. Para ms observaciones,
vase por ej emplo, Donner y Klar ( 2004) .

23

( mediant e un sort eo) de los cupones, lo que le dio el carct er de
experiment o nat ural y facilit el clculo del impact o. En la siguient e
seccin se explica en qu consist en est os experiment os nat urales y los
cuasiexperiment os.

4. 2. Est udios observacionales

Lo que hace que un experiment o sea verdadero y t enga el poder de
medir correct ament e el impact o de una variable sobre ot ra es la
aleat orizacin en la seleccin de la muest ra del est udio y en la
aleat orizacin del t rat amient o, ambos baj o el cont rol del invest igador.
Como ya se explic ant eriorment e, est a caract erst ica garant iza que los
grupos de beneficiarios y cont rol sean comparables. Como hemos vist o en
la seccin ant erior, en muchas ocasiones es difcil garant izar que el
t rat amient o se asigne en forma aleat oria de la forma como lo plane el
invest igador. Normalment e suceden inconvenient es que afect an la
validez int erna del est udio. En ot ras ocasiones, por cuest iones prct icas
es imposible asignar el t rat amient o en forma aleat oria. Cada vez que
t engamos un est udio en donde el t rat amient o ha sido asignado en forma
no aleat oria sino que se basa en observaciones fuera del cont rol del
invest igador t endremos un est udio observacional.

Los est udios observacionales no son en si mismos experiment os aunque
de alguna manera pret enden simularlos en el sent ido que buscan elucidar
una relacin causal ent re dos variables. En est os casos, si bien es posible
dist inguir una variable de t rat amient o y una o ms variables de
result ados como posible consecuencia, t al t rat amient o no ha sido
asignado baj o el cont rol del invest igador. Por ej emplo, el t rat amient o
pudo ser result ado de cambios en la legislacin que afect a ciert o sect or
de la poblacin pero no a ot ro, a aspect os administ rat ivos, o quizs a
cuest iones purament e nat urales ( fenmenos at mosfricos, t elricos, et c. )

24

En ocasiones, el t rat amient o puede haber sido asignado en una forma no
sist emt ica que se asemej a bast ant e bien a lo que hubiera sido un
experiment o cont rolado. En t al caso se suele hablar de un experiment o
nat ural . En cambio si el t rat amient o est lej os de haber sido asignado
en forma aleat oria pero el est udio realiza un import ant e esfuerzo por
asegurar la comparabilidad de los t rat ados versus los no t rat ados,
ent onces t enemos un cuasiexperiment o
17
.

Una caract erst ica frecuent e de los cuasiexperiment os ( aunque no
necesariament e indispensable para su definicin) es que los grupos de
beneficiarios y cont rol ya exist en como grupos definidos ant es del
t rat amient o.

El hecho de que los dat os se basen en observaciones genera un pot encial
problema de validez ext erna del procedimient o pues no hay la seguridad
que t ales dat os represent en a la poblacin t ot al. Por ej emplo, los dat os
provenient es de programas de capacit acin para el empleo podran no
represent ar a la poblacin t ot al de desempleados si la evaluacin del
programa se concent ra en det erminadas reas geogrficas ( grandes
ciudades, por ej emplo) , o si cuent an con medios de informacin para
est ar al t ant o del programa.

Asimismo, una asignacin del t rat amient o fuera del cont rol del
invest igador present a un pot encial problema de validez int erna si es que
est e t rat amient o no es asignado en forma aleat oria
18
. Como vimos en la
seccin ant erior, est o represent ara una violacin al supuest o ( I ) ( y por
ende al ( I I ) ) de la seccin 3. 2, lo cual invalidara el clculo del ATE
mediant e la diferencia de medias pues no habra la garant a que los
grupos B y N sean comparables. Es por ello que se requiere de un
t rat amient o est adst ico muy cuidadoso con el fin de replicar o simular una

17
Vase Rosenbaum ( 2009) , pginas 4- 6. Es frecuent e encont rar en la lit erat ura que los
t rminos experiment os nat urales y cuasiexperiment os son usados como sinnimos.
18
Sin embargo no se descart a que en algunos casos excepcionales de cuasi experiment os,
el t rat amient o s haya sido asignado en forma aleat oria por pura cuest in del azar.

25

sit uacin de t rat amient o aleat orio, o en ot ro caso, habindose ent endido
las razones para la no aleat orizacin, t omarlas en cuent a con el fin de
obt ener est imaciones vlidas.
19

A pesar de est as dificult ades, exist en numerosos est udios que ut ilizan
dat os cuasiexperiment ales que buscan replicar los result ados de los
experiment os cont rolados, debido fundament alment e a las vent aj as que
est os est udios t ienen en t rminos de acceso a dat os y a que podran no
sufrir algunos de los efect os perversos que cont aminan a los
experiment os aleat orios cont rolados
20
. Est os est udios son de diferent e
nat uraleza, algunos en si mismo pueden ser parecidos a los experiment os
aleat orios cont rolados, mient ras que ot ros pueden ser bast ant e dist int os.
En las siguient es secciones veremos est rat egias est adst icas que se
adapt an a diversos problemas present ados a la hora de evaluar el
impact o cuando se t iene est e t ipo de dat os.

5. DI SEO DE REGRESI N DI SCONTI NUA AGUDA

En un dest acado paper, Angrist y Lavy ( 1999) est udiaron una manera
como ident ificar el efect o del nmero de est udiant es por aula en escuelas
de I srael sobre el rendimient o educat ivo ut ilizando dat os observacionales.
Los aut ores est udiaron la regla de los Maimonides en la cual ninguna
escuela de I srael debera t ener aulas con ms de 40 alumnos. Si la
mat rcula excede ese nmero, inmediat ament e se divide el aula en dos
secciones con algo ms de 20 alumnos por aula. En ese sent ido, la regla
est ara seleccionando ( casi al azar) a un grupo de est udiant es a est udiar
en aulas cercanas ( por la izquierda) a los 40 alumnos y a ot ro grupo de

19
Tal como menciona Campbell ( 1969) pgina 412, sobre est e problema: The general
et hic, here advocat ed for public administ rat ors as well as social scient ist s, is t o use t he
very best met hod possible, aiming at t rue experiment s wit h random cont rol groups.
But where randomized t reat ment s are not possible, a self- crit ical use of quasi-
experiment al designs is advocat ed. We must do t he best we can wit h what is available
t o us.
20
Por ej emplo la llamada react ividad que se refiere al cambio en la conduct a de las
personas suj et as al est udio como el Hawt horne Effect .

26

similares caract erst icas a est udiar en clases de menor t amao.
Asumiendo que la mat rcula t ot al no est relacionada con las
caract erst icas de los est udiant es, la nica diferencia ent re los dos grupos
mencionados sera el t amao del aula promedio. Con ello se lograra
ident ificar el efect o t rat amient o promedio al menos localment e alrededor
de la discont inuidad en el t amao de la clase.

Aunque el paper original de Angrist y Lavy muest ra que t al discont inuidad
en la prct ica no est t an clarament e definida como lo seala la regla ( lo
cual requiere algunas correcciones adicionales que veremos ms
adelant e) , la import ancia de est a nueva corrient e est riba en que se puede
ident ificar el efect o t rat amient o promedio al menos localment e alrededor
de la discont inuidad de una variable, siempre y cuando se cumplan
algunas condiciones bsicas. Est as son: las ent idades se encuent ran
ordenadas en forma cont inua con respect o a una variable ndice ( en est e
caso la mat rcula) , la variable result ado ( en est e caso, el rendimient o
escolar) t ambin est relacionada cont inuament e con la variable ndice, y
adems se observa una asignacin del t rat amient o con respect o a un
umbral definido sobre la variable ndice, lo cual genera una discont inuidad
en el result ado observado en funcin del ndice. Debido a la similit ud de
los individuos por encima o debaj o del umbral, el salt o en el result ado es
el efect o t rat amient o promedio alrededor del umbral. Est a es la base
general de los diseos de regresin discont inua aguda.

Los diseos de regresin discont inua son un caso especial de
experiment os nat urales en donde es posible ident ificar el efect o promedio
del t rat amient o al menos localment e. En la lit erat ura recient e de
evaluacin de programas se ha venido aplicando est a t cnica de
regresin discont inua, la cual ha sido desarrollada y sist emat izada en
dcadas recient es por Hahn, Todd y Van der Klaauw ( 2001) y ot ros
21
.

21
Un par de document os clsicos que muest ran el uso de est e enfoque en los 60s son los
de Thist let hwait e y Campbell ( 1960) y Campbell ( 1969) , pero recin en aos recient es
est e mt odo ha recobrado popularidad. Pueden consult arse algunas referencias
dest acables como I mbens y Lemieux ( 2007) .

27

Formalizando lo mencionado en los prrafos ant eriores
22
, en el cont ext o
del modelo de result ados pot enciales de Neyman- Rubin, supongamos que
el vect or de variables observables para cada ent idad i se compone de
) , (
i i
Z X donde
i
X es un escalar y
i
Z es un vect or de las dems
caract erst icas observables de i que se asume que no han sido afect adas
por el t rat amient o. A la variable X ( la cual debe ser una variable
cont inua) se le conoce como forcing variable y es la variable ndice que
se mencion lneas arriba pues los valores del t rat amient o
i
d se
encuent ran complet ament e det erminados por los valores de X si se
encuent ran a un lado o al ot ro de un umbral fij o c.

La idea general es que dado est e punt o de cort e, si la relacin ent re X y
los result ados pot enciales
j
y es suave, cualquier discont inuidad
observable en ] | [ X y E ser el efect o del t rat amient o en el punt o c.

En est e caso, ocurrir que ] [ 1 c X d
i i
= donde 1 es el operador que ot orga
el valor de 1 si es verdad la condicin mencionada y 0 en ot ro caso, y c
es un punt o de cort e definido exgenament e. Es frecuent e que la variable
X sea re- escalada con t al que el punt o de cort e se ubique en cero.

Evident ement e est e es un caso ext remo de seleccin en observables pues
los grupos B y C difieren absolut ament e en la variable X , y por lo t ant o
la diferencia de las medias de grupo no es un est imador apropiado del
efect o del t rat amient o. Por el cont rario, la idea del mt odo es poder
ident ificar el efect o t rat amient o al menos localment e alrededor de c.

Grficament e, las lneas punt eadas indican la esperanza condicional de
los result ados pot enciales dado X , ] | [ X y E
j
para j = 0, 1. Mient ras
t ant o, la lnea cont inua indica la esperanza condicional del result ado
observado, el cual mat emt icament e es:

22
Aqu seguimos el desarrollo de I mbens y Lemieux, y el de Lee ( 2005) .

28

] | 1 Pr[ ] , 1 | [ ] | 0 Pr[ ] , 0 | [ ] | [ X d X d y E X d X d y E X y E = = + = = =

En el grfico 1, el efect o t rat amient o es el salt o en la esperanza
condicional de y dado X .
] | [ lim ] | [ lim x X y E x X y E
i i
c x
i i
c x
= =

Es ilust rat ivo dibuj ar t ambin la relacin ent re X y la probabilidad de
recibir el t rat amient o dado X , o sea ] | [ X d P . Est a relacin se muest ra en
el grfico 2.

X
P[d|X]
0
1
c
Grfico 2
X
y
c
E(y
0
| X)
Grafico 1

29

En est e cont ext o de regresin discont inua aguda, seguimos asumiendo
que se cumple ( I I ) pero ya no se est cumpliendo el supuest o de
mat ching o overlaping , 1 ) | ( 0 < < X d P .

La violacin de est e supuest o genera algunos inconvenient es en la
ident ificacin el efect o del t rat amient o. El efect o t rat amient o promedio en
el punt o c es:

] | [ ] | [ ] | [
0 1 0 1
c X y E c X y E c X y y E ATE = = = = =

El primer t rmino es est imable con ciert a dificult ad pues se requiere que
exist a un nmero significat ivo de observaciones de c X = , lo cual puede
no cumplirse pues X es cont inua. En el caso del segundo t rmino, no hay
dat os de
0
y para c X = por definicin. Se hace ent onces imperioso que la
ident ificacin de est os efect os se haga localment e alrededor de c.

Es por ello que se hacen dos supuest os de Regresin Discont inua Aguda
que permit en ident ificar el efect o ( adicionales al supuest o ( I I ) ) :

Cont inuidad de la funcin de regresin condicional: ] | [ x X y E
j
= es
cont inua en x , para j = 0, 1.

Cont inuidad de la funcin de dist ribucin condicional: Sea
) | Pr( ) | (
|
b X a y b a F
j X y
j
= < = , asumimos que ) | (
|
b a F
X y
j
es cont inua en a
para t odo b, para j = 0, 1.

Baj o cualquiera de est os dos supuest os,
] | [ lim ] , 0 | [ lim ] | [ lim ] | [
0 0 0
X y E X d y E X y E c X y E
c X c X c X
= = = = =

y similarment e
] | [ lim ] , 1 | [ lim ] | [ lim ] | [
1 1 1
X y E X d y E X y E c X y E
c X c X c X
= = = = =

30

Luego, el ATE es:
] | [ lim ] | [ lim X y E X y E ATE
c X c X
=

El hecho de afirmar que el efect o t rat amient o es ident ificable localment e
alrededor de c indica que est amos suponiendo que los individuos
alrededor de c son comparables, t ant o en sus caract erst icas observables
como no observables ( balanceo en ambas caract erst icas) . Es decir, es
como si el t rat amient o se hubiera asignado aleat oriament e alrededor de
c, lo cual le da el carct er de experiment o nat ural a est e diseo. A est e
supuest o t ambin se le conoce como el supuest o de int ercambiabilidad .
Est e supuest o podra no cumplirse ( lo cual invalidara la ident ificacin del
ATE) si los individuos pudieran alt erar su informacin observable de X
con el fin de recibir o no el t rat amient o. Por ej emplo, si se t rat ara de un
programa de ayuda para individuos con ciert os ingresos por debaj o de un
umbral c. Si aquellos individuos que est uvieran apenas por encima de c
alt eraran su ingreso report ado reducindolo para hacerse beneficiarios del
programa, ocurrira ent onces que por debaj o de c se agruparan
individuos con ciert as caract erst icas no observables, quedando por
encima de c a ot ros individuos que difcilment e seran comparables con
los de abaj o .

Finalment e, el ATE se puede ident ificar mediant e una regresin semi-
lineal del t ipo
i i i d i
u X g d y + + = ) (

donde ) (
i
X g es una funcin cont inua en c X = . Aqu se cumple que
d
c X c X
X y E X y E ATE = =

] | [ lim ] | [ lim

En resumen, hemos most rado cmo es posible ident ificar el efect o
t rat amient o en el caso de la regresin discont inua aguda. No obst ant e,
los supuest os de est e modelo podran no cumplirse en la realidad
especialment e cuando se t rat a del cumplimient o de la regla de asignacin

31

del t rat amient o. Es decir, es frecuent e que el umbral que define al
t rat amient o no sea t an claro como se menciona aqu sino que algunas
ent idades no cumplan con la regla, exist iendo ciert a probabilidad de
recibir el t rat amient o est ando por debaj o del umbral, o de no recibirlo
est ando por encima de l. El desarrollo de est e caso se present a en la
seccin 7.

Exist en algunos ej emplos de la aplicacin de regresin discont inua aguda
en est udios de impact o. En la lit erat ura de elecciones, se ha encont rado
que en elecciones aj ust adas ( donde las dos opciones a elegir se
encuent ran alrededor del 50%) se crea una discont inuidad aguda ( o
det erminst ica) que puede ser explot ada para la ident ificacin local del
impact o. Ej emplos de est a lit erat ura son Lee, Moret t i y But ler ( 2004)
quienes est udian la conduct a ( como congresist as) de diput ados del
Part ido Demcrat a de los Est ados Unidos que han sido elegidos en
elecciones aj ust adas, en cont rast e con diput ados del Part ido Republicano
que t ambin han sido elegidos en elecciones con escasa diferencia.
Asumiendo que en est e t ipo de elecciones aj ust adas, una variabilidad
nat ural hace que a veces gane uno u ot ro candidat o ( lo cual most rara
que la fuerza de cada part ido en su dist rit o es ms o menos similar) , se
observa que las vot aciones en el Congreso de esos diput ados elegidos no
se acerca a la media, sino que ellos adopt an posiciones ya sea un t ant o
ms de izquierda para los Demcrat as y de derecha para los
Republicanos ( est o lt imo medido mediant e un ndice) . Es decir,
encuent ran una significat iva discont inuidad en el record de vot aciones de
est os diput ados, lo cual muest ra que al ser elegidos los polt icos no
represent an la volunt ad de la poblacin que los eligi sino que siguen sus
propios designios ideolgicos y los de su part ido.

En ot ro t rabaj o que aplica est a met odologa, DiNardo y Lee ( 2002)
est udian el efect o de la sindicalizacin de empresas sobre la
supervivencia de las mismas. Los aut ores explot an el hecho que las
empresas se sindicalizan si consiguen al menos el 50% ms 1 de los

32

vot os de los t rabaj adores. Con ello, muest ran con dat os que las empresas
con porcent aj es de vot acin a favor de la sindicalizacin alrededor del
50% t ienen caract erst icas observables muy similares, con lo cual se
puede at ribuir el hecho de de est ar sindicalizado o no a fact ores
aleat orios. Encuent ran que el efect o de la sindicalizacin sobre la
supervivencia de las empresas es muy pequeo.

En ot ro t ipo de est udios econmico- sociales, Barrera, Linden y Urquiola
( 2007) encuent ran que el programa colombiano Grat uidad, el cual libera
del pago de derechos acadmicos a est udiant es segn ciert os niveles
socioeconmicos pre- est ablecidos, present a dat os que pueden ser
est udiados mediant e regresiones discont inuas. La discont inuidad se ubica
en los niveles socioeconmicos discret os ( nivel I , nivel I I , et c. ) definidos
sobre un ndice de pobreza cont inuo llamado Sisben. En t al sent ido,
individuos alrededor de los cort es ( por ej emplo, alrededor de los 11
punt os de Sisben) pueden ser considerados muy similares, sin embargo,
aquellos a la izquierda de 11 se benefician del programa, pero aquellos a
la derecha de 11 punt os no reciben el beneficio. Se considera ent onces
que la nica diferencia ent re est e grupo alrededor de los 11 punt os es el
programa, lo cual ident ifica el efect o causal. Encuent ran que part icipar en
el programa increment a en 3% la probabilidad de mat ricularse en la
escuela para el grupo de est udiant es de educacin bsica.

6. EL MTODO DE PAREO O MATCHI NG

El mt odo de pareo es una t cnica muy popular usada en el anlisis de
polt icas a t ravs de dat os no experiment ales. A diferencia del diseo de
regresin discont inua aguda en donde los grupos de t rat ados y no
t rat ados se encuent ran complet ament e separados segn la variable
ndice, en est e caso se cumple el supuest o overlapping o mat ching
( ver seccin 3. 4) y por ello los individuos de los grupos B y N compart e
ciert as caract erst icas en un rango comn.

33

Si bien es ciert o que es una t cnica est adst ica relat ivament e ant igua
23
,
en aos recient es ha t enido import ant es avances y perfeccionamient os
( por ej emplo, vase Heckman, I chimura y Todd ( 1997, 1998) ) . En
t rminos generales, busca evit ar el problema del confounder en
est udios con dat os observacionales ( vase seccin 0) que ocurre cuando
el efect o del t rat amient o sobre el result ado no puede ser dist inguido del
efect o de una t ercera variable relacionada con las dos primeras, debido al
desbalance de est a variable en los grupos B y N. Para lograr ese obj et ivo,
el mt odo del pareo, mediant e la conformacin de parej as, busca definir
un subgrupo de no beneficiarios ( grupo de cont rol C) t al que cualquier
variable confundidora quede balanceada ent re los t rat ados y los
cont roles. Sin embargo, el mt odo solo logra evit ar el sesgo generado por
variables confundidoras observables.

Est a t cnica es especialment e t il cuando:
( 1) Se busca est imar el ATET
( 2) Se posee un nmero grande de individuos en el conj unt o N.
( 3) Se posee un conj unt o rico de variables observables, en especial
ant es de la aplicacin del t rat amient o.

Observando el ) 1 | ( ) 1 | ( ) 1 | (
0 1 0 1
= = = = = d y E d y E d y y E ATET . Como se
mencion ant es el t rmino ) 1 | (
0
= d y E no es observable. Adems si el
t rat amient o no ha sido asignado en forma aleat oria como suele ser el
caso en los cuasiexperiment os no podemos ut ilizar a un est imador de
) 0 | (
0
= d y E como una aproximacin de ) 1 | (
0
= d y E pues nada garant iza
que las caract erst icas observables y no observables se encuent ren
balanceadas ent re los grupos de beneficiarios y no beneficiarios.

Ant e est e problema de ident ificacin, el mt odo propone unos supuest os
ident ificadores , baj o los cuales sera posible calcular el ATET.

23
Vase por ej emplo, Cochran y Rubin ( 1973) , Rubin ( 1973) en donde se compara est a
t cnica con la de regresin aj ust ada por sesgo.

34

Asumamos que x d y y | ) , (
1 0
y que 1 ) | Pr( 0 < < x d . En t rminos int uit ivos el
primer supuest o quiere decir que si cont rolamos a los individuos segn
sus caract erst icas observables ( por ej emplo, su gnero) , en cada
subgrupo que corresponde a valores especficos de x el t rat amient o es
independient e de los result ados, es decir ha sido asignado de forma
similar a una asignacin aleat oria. El segundo supuest o afirma que para
cada valor de caract erst icas observables x , exist en individuos que han
sido t rat ados y ot ros que no han recibido el t rat amient o.

En caso que est os supuest os se cumplan
24
, condicionado a x podemos
ut ilizar al grupo no beneficiario N como el escenario cont rafact ual
buscado ( grupo de cont rol, C) . Ent onces,

) 0 , | ( ) 1 , | ( |
0 1
= = = d x y E d x y E x ATET

Si x es discret o, el est imador de pareo de ATET incondicional es
= = =
x
i i
d x x x ATET ATET ) 1 | Pr( |
Cabe mencionar que si hay caract erst icas no observables de los
individuos que no est n balanceadas, ent onces la diferencia de medias
condicionada a x no sera un buen est imador del efect o t rat amient o
promedio. Est a suele ser la principal deficiencia de est a t cnica.

Pero asumiendo que se cumple las condiciones de st rong ignorabilit y , la
discusin rest ant e es cmo encont rar dent ro de los no t rat ados a un
grupo de cont rol que compart a las mismas caract erst icas que el grupo
beneficiado y que pueda ser ut ilizado como el escenario cont rafact ual.

24
Est os supuest os son conocidos como st rong ignorabilit y . La principal debilidad de est e
mt odo es j ust ament e el cumplimient o en la realidad de est os supuest os. Decir que el
balanceo se produzca en observables no asegura que t al balanceo t ambin se cumpla
en no observables.

35

6. 1. Pareo exact o e inexact o

La respuest a a la int errogant e plant eada nos lleva a pregunt arnos si
efect ivament e exist irn individuos que t engan las mismas caract erst icas
pero que pert enezcan a grupos dist int os segn la recepcin del
t rat amient o.

Una primera forma de hacer est a bsqueda es mediant e el pareo exact o.
Para cada unidad B i con caract erst icas
i
x , se busca una unidad N j
que posea las mismas caract erst icas, es decir
j i
x x = . Los pares de cada
unidad i t omando como base a las caract erst icas x son aqul grupo
{ }
j i i
x x N j x A = = | ) ( . Luego el grupo de cont rol es la unin de t odos los
conj unt os
i
A , es decir
i
B i
A C
= .

Est a forma de hacer pareo t iene un problema conocido como el problema
de la dimensionalidad . Puest o que en los est udios con dat os
microeconmicos los individuos suelen t ener muchas caract erst icas
observables, es posible que para muchas unidades i no exist a su par
exact o j que compart a t odas esas caract erst icas ( por ej emplo, la edad,
el sexo, el nivel educat ivo, et c.) y por lo t ant o el grupo de cont rol C
podra t ener muy pocos element os o quizs ninguno.

Una alt ernat iva a la versin exact a del pareo es la llamada inexact a , en
donde se busca a unidades que sean parecidas a las t rat adas, aunque no
lleguen a t ener exact ament e las mismas caract erst icas. Para ello se
definen unos crit erios de cercana. En est e cont ext o los pares de la
unidad i son el grupo { } ) ( | ) (
i j i
x v x N j x A = donde ) (
i
x v define a una
vecindad cercana a
i
x .

Las unidades cercanas a i podran ser numerosas, por ello se suele
simular al escenario cont rafact ual
0
y con el promedio de est as unidades

36

cercanas
25
. Para realizar est e clculo se acost umbra promediarlos usando
ponderadores ) , ( j i con 1 ) , ( 0 j i , y 1 ) , ( =
i
A j
j i . Normalment e los
ponderadores est arn relacionados con la cercana de j a i , dndole
mayor peso a los que se encuent ren ms cerca.

Es import ant e not ar en est e moment o que el pareo podra hacerse con
reemplazo o sin reemplazo. Si se hace sin reemplazo, una unidad j no
beneficiaria no puede ser ut ilizada para reconst ruir el escenario
cont rafact ual de dos unidades B i dist int as. Puest o que est o t rae
problemas con prdidas de observaciones, el pareo con reemplazo s
permit e que una unidad j pueda ser ut ilizada ms de una vez, siendo de
especial ut ilidad cuando se t ienen pocas observaciones ( Dehej ia y Wahba,
2002) .

En cualquier caso, la frmula general del est imador de ATET con pareo
inexact o es

|
|
.
|
\
|
=
B i A j
j i
B i
y j i y
n
T E AT
0 1
) , (
1

Veamos a cont inuacin algunos casos especiales de pareo inexact o, los
cuales difieren ya sea en la conformacin del grupo
i
A a t ravs de la
definicin de vecindad, o difieren en los pesos asignados en ) , ( j i .

Un caso muy comn de pareo es aqul que se realiza segn el vecino
ms cercano ( nearest neighbor) . Se escoge a la unidad j que est ms
cerca de i usando la dist ancia eucldea. En est e caso
{ }
j i j i
x x j x A = min | ) (

25
Tal como sealan Dehej ia y Wahba ( 2002) , el hecho de t ener un grupo de comparacin
unit ario o numeroso no es un asunt o t rivial. Tener muchas unidades de comparacin
increment a la precisin de la est imacin del escenario cont rafact ual pero genera sesgos
debido a que se ut ilizan unidades que podran ser muy diferent es a la unidad t rat ada.

37

Normalment e est e conj unt o debera t ener solament e un element o
( 1 ) , ( = j i para el j ms cercano y 0 ) , ( = j i para cualquier ot ra unidad) ,
aunque podra t ener a ms de uno. Asimismo el invest igador puede
definir una dist ancia mnima ( llamada caliper ) como primer filt ro, con el
fin de hacer un pareo con individuos que est n realment e cercanos.

6. 2. Pareo mediant e el propensit y score .

Una forma alt ernat iva de resolver el problema de la dimensionalidad es
creando un punt aj e o propensit y score que resuma en una sola variable
a t odas las caract erst icas x de los individuos. En t rminos ms
especficos, el propensit y score es la est imacin de la probabilidad de ser
beneficiario del programa, ) | 1 Pr( ) ( x d x P = = . En un est udio muy celebrado,
Rosenbaum y Rubin ( 1983) demost raron que si x d y y | ) , (
0 1
, ent onces se
cumple que ) ( ) , (
0 1
x P y y . Est e result ado es de mucha import ancia pues
permit e que el pareo se pueda hacer con base en el propensit y score
( Dehej ia y Wahba, 1999, 2002) .

En la prct ica, el propensit y score es est imado mediant e regresiones logit
o probit . Una vez hecha est a est imacin, se puede hacer un pareo
mediant e, por ej emplo, el vecino ms cercano en t rminos de est e
punt aj e. En est e caso, t endramos que el conj unt o de unidades pares a
una unidad beneficiaria i es:
{ } ) (
) (
min | )) ( ( x P x P N j x P A
j i i
=

Normalment e est e conj unt o ser unit ario pues el propensit y score es una
variable cont inua que cuent a con un nmero ilimit ado de decimales. Al
igual que ant es es posible definir una dist ancia mnima, < ) (
) (
x P x P
j i
,
pudiendo ent onces ser el conj unt o ) (x A
i
vaco.

38

Una alt ernat iva es la conocida como radius mat ching, en donde

{ } r P N j x P A
j i
< =
i
P | )) ( (

A diferencia del vecino ms cercano, en el caso de radius mat ching el
conj unt o )) ( ( x P A
i
puede t ener ms de un element o. El ATET se est ima
considerando el promedio simple de los result ados y de los element os de
)) ( ( x P A
i
.

Un problema con los mt odos del vecino ms cercano y radius mat ching
es que consumen mucha informacin y pierden muchas observaciones,
las cuales podran cont ener informacin valiosa en la est imacin de los
escenarios cont rafact uales. Una alt ernat iva propuest a en la lit erat ura es
que se permit a que las unidades del grupo de comparacin )) ( ( x P A
i
sean
muchas alrededor del valor de x , pero ponderndolas segn una funcin
ponderadora llamada kernel
26
que da ms peso a unidades cercanas y
menor peso a las alej adas
27
. Luego el ponderador ) , ( j i es:
=
N j
i j
j i
h
P P
k
h
P P
k
j i
) (
) (
) , (

donde P es el propensit y score, ) ( k es un kernel
28
y h es el ancho de la
vent ana el cual det ermina cuant os valores
j
P alrededor de
i
P sern
incluidas en el clculo del promedio, es decir h define implcit ament e a

26
Un kernel es una funcin ) (x k que cumple algunas propiedades especficas. ( i) ) (x k es
simt rica alrededor de 0 y cont inua; ( ii)
=1 ) ( dz z k ,
= 0 ) ( dz z zk , <
dz z k ) ( ; ( iii)
0 ) ( = z k si
0
z z para un
0
z definido, o 0 ) ( z k z cuando z ; y ( iv)
< =
k dz z k z ) (
2
.
27
Vase Heckman, I chimura, Smit h y Todd ( 1998) .
28
Algunos ej emplos de funciones kernel muy ut ilizadas son la uniforme donde
] 1 [ 1 ) 2 / 1 ( ) ( < = z z k , la t riangular con ] 1 [ 1 ) 1 ( ) ( < = z z z k , la Epanechnikov donde
] 1 [ 1 ) 1 ( ) 4 / 3 ( ) (
2
< = z z z k , y la Gaussiana donde ) 2 / exp( ) 2 ( ) (
2 2 / 1
z z k =

.

39

una vecindad. Est a especificacin significa que el escenario cont rafact ual
es est imado a t ravs de la est imacin de la esperanza condicional de y
sobre x mediant e una regresin no paramt rica de y sobre x para las
unidades del grupo no beneficiario. Est a regresin no paramt rica calcula
el promedio simple de y en el int ervalo seleccionado h . Una alt ernat iva
usada es la regresin lineal local, la cual calcula no solo un int ercept o
sino t ambin una pendient e localment e en la vecindad.

En cualquiera de los dos casos, en la eleccin del ancho de la vent ana h
exist ir un t rade- off ent re eficiencia y sesgo, pues una vent ana ms
amplia abarca ms observaciones lo cual genera una mayor eficiencia en
las est imaciones, pero increment a el sesgo que se origina en la
est imacin al suavizarse una curva
29
. En el ext remo caso que h , el
valor de la regresin no paramt rica simplement e ent regara el promedio
de los valores de y del grupo no beneficiario, lo cual est ara alej ado de la
media condicional de y dado x . Por ot ro lado, si h es muy pequeo, se
cont ara con muy pocas observaciones lo cual rest a confiabilidad a las
predicciones.

Tal como sealan Heckman, I chimura, Smit h y Todd ( 1998) , una not able
diferencia ent re est a t cnica en comparacin con los experiment os
aleat orios cont rolados es en el grupo de cont rol que se genera. Mient ras
que en los experiment os, dada la nat uraleza del proceso, se garant iza
que las caract erst icas observables y no observables t ienen la misma
dist ribucin ent re los beneficiarios y cont roles, en el caso de dat os no
experiment ales nada garant iza que eso ocurra. Por ello es frecuent e que
el propensit y score no t enga el mismo soport e que ent re beneficiarios y
no beneficiarios. Por t al razn, y con el fin de excluir a individuos que no
t ienen un par en el ot ro grupo, se suele definir a un rango o soport e
comn ( common support ) , que es la int erseccin de los soport es de los

29
En Caliendo y Kopeinig ( 2005) se pueden encont rar algunos consej os prct icos a t omar
en cuent a para la implement acin del propensit y score mat ching.

40

beneficiarios y no beneficiarios en sus scores. El pareo se va a realizar
finalment e solament e ent re aquellos individuos que t engan un score
dent ro de dicho rango comn, eliminndose a t odos los individuos que
queden fuera de l.

Cuando se realiza un pareo de uno- a- uno ( como en el caso del vecino
ms cercano) despus de la definicin del soport e comn, la dist ribucin
del score ent re los beneficiarios y el grupo de cont rol debera ser muy
parecida. Si el rango en comn es muy pequeo o inexist ent e ent re los
propensit y scores de los beneficiarios y no beneficiarios, no se podr
realizar el pareo y adems ser una seal clara que los dos grupos no son
comparables.

Finalment e la expresin general del est imador del ATET con la definicin
del soport e comn es:

|
|
.
|
\
|
=
CS B i CS A j
j i
B i
y j i y
n
T E AT
0 1
) , (
1

donde CS hace referencia a que solo se t oma en cuent a a individuos que
pert enecen al soport e comn.

Las aplicaciones del mt odo de pareo en economa son numerossimas y
los campos en los que se ut iliza crecen da a da. En economa laboral, en
especial en lo que se refiere a programas de desempleo y ent renamient o,
pueden consult arse por ej emplo los mencionados t rabaj os de Heckman,
I chimura y Todd ( 1997) , Dehej ia y Wahba ( 2002) , Lechner ( 2000) y
Burga ( 2003) en el caso del programa peruano PROJOVEN.

Exist en algunos t emas adicionales acerca del Mt odo de Pareo que no se
present arn aqu. Un t ema crucial es la principal desvent aj a del mt odo
propuest o en su incapacidad para cont rolar el sesgo en no variables no
observables. Para evit ar est e inconvenient e la lit erat ura se ha apoyado en

41

el mt odo t radicional de diferencias en diferencias, el cual
desarrollaremos ms adelant e. Acerca de la eleccin ent re los algorit mos
propuest os para la const ruccin del escenario cont rafact ual, algunos
est udios los han comparado encont rando algunas vent aj as o desvent aj as
ent re ellos
30
. Un resumen de est as comparaciones se puede encont rar en
Vinha ( 2006) . Sobre el t ipo de t rat amient o, es posible ext ender el
procedimient o para el caso de t rat amient os mlt iples no binarios, en
donde es import ant e la int ensidad o het erogeneidad del mismo. Algunos
est udios han desarrollado est e anlisis que aun es relat ivament e nuevo
en economa ( vase por ej emplo Joffe y Rosenbaum, 1999; I mbens,
2000; Lechner, 2002) .

7. ENDOGENEI DAD DEL TRATAMI ENTO: EL MTODO DE
VARI ABLES I NSTRUMENTALES.
31

En ocasiones aun si los programas son diseados para ser asignados en
forma aleat oria ent re la poblacin obj et ivo, en la prct ica la recepcin o
no del t rat amient o est en manos de las personas quienes podran decidir
no recibirlo o logran recibirlo sin haber sido pre- seleccionados. En t al
sit uacin, las decisiones de las personas influyen en la variable
t rat amient o d , por lo cual se le debe considerar como una variable
endgena. De est a manera no se cumplen los supuest os ident ificadores
del ATE debido a la aut oseleccin generada- por lo que la diferencia de
medias
ni la est imacin por mnimos cuadrados ordinarios

d
en
i i d i
u d y + + =
0
son est imadores consist ent es del ATE.

La variable d podra no expresar plenament e el obj et ivo de la polt ica
pues algunas personas podran decidir part icipar o no en ella; es decir, d

30
Un resumen de est as comparaciones se puede encont rar en Vinha ( 2006) .
31
Una revisin muy int uit iva del mt odo de variables inst rument ales se encuent ra en
Angrist y Krueger ( 2001) .

42

dependera de algunas variables no observables de preferencias, las
cuales est n capt uradas en el t rmino de error u .

A manera de ej emplo
32
, imaginemos que y es algn result ado ( por
ej emplo, el nivel educat ivo alcanzado por una persona i) y d indica si el
individuo part icip o no en el servicio milit ar. Est a variable d no ocurre al
azar ent re los individuos pues la part icipacin depende de la decisin de
ellos.

Supongamos que exist e una variable binaria z relacionada con d pero
que no con u. Por ej emplo, z podra represent ar un sort eo para designar
a los elegidos para el servicio milit ar. No t odos los sort eados hacen el
servicio milit ar ni t odos los que hacen el servicio fueron sort eados pero es
claro que exist e una asociacin ent re el sort eo y la part icipacin en el
servicio. Est e no cumplimient o de lo que indica el sort eo puede deberse a
muchas razones, como problemas de salud o mot ivacin. El no
cumplimient o de la int ervencin genera endogeneidad en la variable d .
Es bast ant e claro que en aplicaciones a la economa, en especial en
programas sociales, est e problema del no cumplimient o es de suma
import ancia.
33

Luego, si z cumple las condiciones usuales de las variables
inst rument ales ( est correlacionada con d pero no con u) , ent onces
podemos ident ificar y est imar al parmet ro
d
como el ATE en el modelo
i i d i
u d y + + =
0
. Calculando ) , cov( ) , cov( ) , cov(
0
z d z u d z y
d d
= + + = ,
t endremos que el parmet ro poblacional ) , cov( ) , cov( z d z y
d
= . Un anlogo
muest ral de est a expresin es un est imador de variables inst rument ales
del efect o t rat amient o promedio
d
.

32
Un ej emplo similar desarrolla Angrist ( 1990) . Vase t ambin Angrist , I mbens y Rubin
( 1996) .
33
En la lit erat ura mdica se propone un anlisis de la int encin del t rat amient o ( int ent ion-
t o- t reat analysis) en donde se compara el result ado promedio de aquellos seleccionados
por el programa versus el de aquellos no seleccionados por el programa, sin import ar si
cumplieron o no con el t rat amient o.

43

El rol de z en la ident ificacin del ATE mediant e variables inst rument ales
se ubica en que ext rae aquella variabilidad de d que no est relacionada
con u , y la asocia con la variabilidad de y relacionada a z . Si bien es
ciert o que est a est rat egia economt rica es t il t iene un cost o en t rminos
de la prdida de informacin que cont ienen las variables y y d .

Para est udiar est e lt imo aspect o, vale la pena pregunt arse qu es lo
que logra ident ificar exact ament e el est imador de variables
inst rument ales?
34
La respuest a a est a pregunt a se basa en el anlisis de
la het erogeneidad de las respuest as de los individuos ant e el
inst rument o. Siguiendo con el ej emplo del servicio milit ar, en la siguient e
t abla se muest ra los valores de d ( en las filas) condicionados a valores
de z ( por columnas) . Se dist inguen cuat ro t ipos de individuos

z = 1 z = 0 Ti po
Val ores de d 1 0 Cumplidores
1 1 Siempr e t omadores
0 0 Nunca t omador es
0 1 Desafiant es

Los cumplidores hacen lo que dice el programa. Los siempre t omadores
part icipan en el programa salgan o no sort eados. Los nunca t omadores
deciden no part icipar en cualquiera de las cont ingencias. Los desafiant es
hacen siempre lo cont rario.

Most raremos la est rat egia est ndar en la lit erat ura para est udiar la
relacin ent re el inst rument o propuest o z y las variables d e y , con el
fin de ident ificar el efect o t rat amient o promedio ATE. Observando los
valores de d condicionados a lo que obt engamos de z , se puede
descomponer a d en dos variables dummy, d
1
y d
0
, las cuales son
cont ingent es a los valores de z . Ambas variables t oman el valor de 1 si
el individuo part icipa en el programa y 0 si no part icipa. Aunque

34
Un desarrollo ms general se encuent ra en I mbens y Angrist ( 1994) . En est a part e
seguiremos las exposiciones simplificadas que son est ndares en la lit erat ura ( Lee
2005, Wooldridge 2001) .

44

aparent ement e ambas dummies sean iguales, en la realidad solo son
observables parcialment e. Si part icipa en el programa, ent onces vemos
que 1
1
= d , si no part icipa en el programa observaremos que 0
0
= d .

Est a relacin ent re d y z se puede modelar para cualquier unidad i
como
i i i i i
d z d z d
1 0
) 1 ( + =

A su vez, la variable result ado y se relaciona con d mediant e la ecuacin
) ( ) 1 (
0 1 0 1 0 i i i i i i i i i
y y d y y d y d y + = + =

donde clarament e
i i
y y
0
= si
i i
d d
0
= , e
i i
y y
1
= si
i i
d d
1
= . Reemplazando la
ecuacin de
i
d en
i
y de la pgina ant erior y con un poco de algebra se
obt iene ( omit iendo el subndice i ) :

) )( ( ) (
0 1 0 1 0 1 0 0
y y d d z y y d y y + + =

Si se asume que z es independient e de y
1
, y
0
, d
1
y d
0
,

)) )( (( )) ( ( ) ( ) 1 | (
0 1 0 1 0 1 0 0
y y d d E y y d E y E z y E + + = =
)) ( ( ) ( ) 0 | (
0 1 0 0
y y d E y E z y E + = =

Luego, comparando la esperanza de los dos result ados dado que ocurre
algn valor especfico de z obt enemos

)) | ( ) (( )) )( (( ) 0 | ( ) 1 | (
0 1 0 1 0 1 0 1 0 1
d d y y E d d E y y d d E z y E z y E = = = =

Como d
1
d
0
t iene t res posibles result ados: 1, 0 y - 1,

) 1 Pr( ) 1 | ( 1 ) 0 | ( ) 1 | (
0 1 0 1 0 1
= = = = = d d d d y y E z y E z y E
) 1 Pr( ) 1 | ( 1 ) 0 Pr( ) 0 | ( 0
0 1 0 1 0 1 0 1 0 1 0 1
= = = = + d d d d y y E d d d d y y E

45

Si asumimos que
0 1
d d , supuest o conocido como monot onicidad ,
ent onces 0 ) 1 Pr(
0 1
= = d d con lo cual se elimina el t ercer t rmino de la
lt ima ecuacin. Con ello la expresin se reduce a:

) 1 Pr( ) 1 | ( ) 0 | ( ) 1 | (
0 1 0 1 0 1
= = = = = d d d d y y E z y E z y E

Dados los t res valores mencionados de que puede t omar
0 1
d d , la
probabilidad se puede desmembrar de la siguient e forma:

) 0 | ( ) 1 | ( ) ( ) ( ) ( ) Pr(
0 1 0 1 0 1
= = = = = z d E z d E d E d E d d E d d
) 0 | 1 Pr( ) 1 | 1 Pr( = = = = = z d z d

Aqu es necesario hacer el supuest o que ) 0 | 1 Pr( ) 1 | 1 Pr( = = = = z d z d el
cual t iene sent ido si el inst rument o z afect a a d .
35
Reemplazando est a
lt ima ecuacin en la penlt ima y despej ando t enemos

d sobre z de Efecto
y sobre z de Efecto
) 0 | ( ) 1 | (
) 0 | ( ) 1 | (
) 1 | (
0 1 0 1
=
= =
= =
= =
z d E z d E
z y E z y E
d d y y E

Se puede comprobar
36
que

d
z d
z y
z d E z d E
z y E z y E
= =
= =
= =
) , cov(
) , cov(
) 0 | ( ) 1 | (
) 0 | ( ) 1 | (

en donde vemos que el rol de z ha sido de ident ificar el efect o de la
variacin de d sobre la variacin de y ( el parmet ro
d
) . Sin embargo,
est e valor solo mide la ganancia promedio de los cumplidores pues para
ellos 1
0 1
= d d . No se puede calcular el efect o de los siempre t omadores
pues no se observa variabilidad en su conduct a, ni el efect o de los nunca
t omadores. Debido a que solo se est ident ificando el efect o en un

35
Es la condicin de relevancia que debe cumplir el inst rument o.
36
Lee ( 2005) , pgina 37.

46

subgrupo de la poblacin, a est e impact o se le llama efect o t rat amient o
promedio local ( LATE)
37
.

El est imador de variables inst rument ales de
d
( t omando como
inst rument os a z y la const ant e de unos) es el anlogo muest ral de la
razn de covarianzas. Est e es,

=
i i i i
i i i i IV
d
z d z d n
z y z y n

Ot ro est imador de variables inst rument ales que es el anlogo muest ral de
la razn de diferencias de esperanzas condicionales ( t ambin conocido
como el est imador de Wald) que muest ran Angrist , I mbens y Rubin
( 1996) es,
0 1
0 1
1
) 1 (
) 1 (
) 1 (
) 1 (
d d
y y
z
z d
z
z d
z
z y
z
z y
i
i i
i
i i
i
i i
i
i i Wald
d
=
|
|
.
|
\
|

|
|
.
|
\
|

Donde el numerador de la expresin ant erior es el est imador int ent ion-
t o- t reat del efect o de z sobre y , y el denominador el est imador
int ent ion- t o- t reat del efect o de z sobre d . Tant o
IV
d
como
Wald
d
son
est imadores I V consist ent es de LATE, la diferencia promedio de los
cumplidores.

Exist en algunas aplicaciones int eresant es del mt odo de variables
inst rument ales en el anlisis de inferencia causal. Por ej emplo, Angrist y
Krueger ( 1991) analizan el efect o de los aos de educacin sobre los
ingresos en Est ados Unidos, en donde los aos de educacin son un
regresor endgeno. El inst rument o ut ilizado por est os aut ores es el
t rimest re de nacimient o, el cual predice bast ant e bien ( debido a los
reglament os y leyes en el sist ema educat ivo nort eamericano) la cant idad
de aos que un est udiant e finalment e est udiar.

37
Por Local Average Treat ment Effect en ingls

47

En el est udio mencionado sobre la regla de las Maimonides, Angrist y
Lavy ( 1999) encuent ran que el t amao de la clase no coincide
exact ament e con lo que predice la regla de los Maimonides debido a la
presencia de ciert a variabilidad en la det erminacin del nmero de
est udiant es por aula. Sin embargo, ut ilizando a la regla de los
Maimonides como un inst rument o obt iene est imadores consist ent es del
efect o del t amao de la clase sobre el rendimient o escolar en I srael.

En un ej emplo de la aplicacin de est a t cnica para t rat amient os binarios,
Shady y Arauj o ( 2008) est udian el impact o del programa Bono de
Desarrollo Humano de Ecuador el cual es un programa de
t ransferencias condicionadas de dinero sobre la asist encia a la escuela.
Si bien el programa se asign en forma aleat oria ent re la poblacin
obj et ivo debido a problemas presupuest arios, en la prct ica hubieron
problemas de cumplimient o de los est ablecido por el sort eo, exist iendo
aut oseleccin en el t rat amient o. Para superar est e problema, los aut ores
est iman el efect o del programa por variables inst rument ales,
considerando a la asignacin aleat oria como un inst rument o.

8. DI SEO DE REGRESI N DI SCONTI NUA DI FUSA

Volviendo al t rabaj o de Angrist y Lavy sobre la regla de las Maimonides,
los aut ores proponen que el impact o de la variacin abrupt a del t amao
de clase sobre el rendimient o escolar puede medirse localment e alrededor
de la discont inuidad. Sin embargo, en algunas escuelas la mat rcula en un
det erminado grado no det ermina exact ament e si las aulas sern part idas
o no, ni que las aulas divididas t engan el mismo nmero de alumnos,
exist iendo casos en donde no se llev a cabo la part icin o en donde la
part icin se realiz ant es de llegar a lo est ipulado por la regla. En ese
sent ido, el diseo de regresin discont inua aguda discut ido en la seccin
5 podra no funcionar.

48

Est a misma sit uacin podra repet irse en ot ros programas en donde la
asignacin del t rat amient o ( recibirlo o no) dependa del valor un indicador
cont inuo. La het erogeneidad en las respuest as de los individuos ant e la
asignacin del t rat amient o puede generar problemas de no cumplimient o
del mismo. Por ej emplo, en un programa de crdit o educat ivo para
alumnos que alcancen un rendimient o dado , habr algunos alumnos
con rendimient o superior al umbral que no solicit arn crdit o as como
habr individuos por rendimient o ligerament e por debaj o de que
podran solicit ar y recibir crdit o si su sit uacin familiar fuera muy crt ica.
Tambin podra ocurrir que el comit evaluador de crdit o podra ser
flexible en algunos casos baj o crit erios no cont rolados por el invest igador.

En t rminos ms generales y cont inuando con la discusin de la seccin
5, suele ocurrir en algunos casos que la variable asignadora X ( aquella
cuyos valores det erminarn la asignacin del beneficio del programa,
como la mat rcula por grado en el ej emplo mencionado) no det ermina
exact ament e la part icipacin o no en el programa aunque si podra alt erar
la probabilidad de que part icipe en el mismo. En est e caso diremos que la
part icipacin en el t rat amient o es endgena, en el sent ido que depende
de la decisin de los agent es part icipant es.

En casos como el descrit o ocurrir que

<
= =
c X si X
c X si X
X d
i i
i i
i i
) (
) (
) | 1 Pr(
0
1

donde ) ( ) (
0 1 i i
X X y ) ( ) (
0 1 i i
X X > . Con est o decimos que para los
individuos que est n a la derecha de c es ms probable que obt engan
t rat amient o que aquellos que est n a la izquierda de c.

Tomando los grficos que muest ran I mbens y Lemieux ( 2007) , en el
grfico 3 se muest ra la discont inuidad en la probabilidad de recibir

49

t rat amient o, y el efect o de est a diferencia sobre los result ados
observables pueden apreciarse en el grfico 4.

La consecuencia de est o en el modelo es que t endremos endogeneidad en
el t rat amient o
i
d , al ser est e no aleat orio sino dependient e de variables
no observables:

X
y
c
E(y
0
| X)
E(y
1
| X)
Grfico 4
X
P[d|X]
0
1
c
Grfico 3

50

i i i d i
u X g d y + + = ) (

en donde ahora
i
d est correlacionado con
i
u , mas no
i
X .

Baj o el supuest o que ) (
i
X g es cont inua y dado que 0 ) | ( lim =
X u E
c X
,
ent onces podemos t omar el lmit e por la derecha del esperado de la
expresin ant erior:

) | ( lim ) ( lim ) | ( lim ) | ( lim X u E X g X d E X y E
c X c X c X
d
c X
+ + =

mient ras que el lmit e por la izquierda es

) | ( lim ) ( lim ) | ( lim ) | ( lim X u E X g X d E X y E
c X c X c X
d
c X
+ + =

Luego,

( ) ) | ( lim ) | ( lim ) | ( lim ) | ( lim X d E X d E X y E X y E
c X c X
d
c X c X
=

despej ando,

) | ( lim ) | ( lim
) | ( lim ) | ( lim
X d E X d E
X y E X y E
c X c X
c X c X
d

=

el cual es el valor de ATE.

Siendo cuidadosos con lo que ident ifica est e est imador, analicemos con
cuidado lo que dice el denominador de la expresin ant erior. Nt ese que
) | ( X d E indica el t rat amient o esperado para cada valor de X .
Supongamos que t enemos individuos het erogneos en la poblacin, en
donde cada individuo t endr una respuest a dist int a de part icipacin en el
t rat amient o ant e un valor de su propio
i
X . Los grupos mencionados en la
seccin 7 se definen en el cont ext o act ual como:

51

Cumplidores: ( ) c X si d c X si d
i i i i
< = = 0 , 1 I ndividuos que acept an el
t rat amient o si su X
i
se ubica a la derecha de c, no lo t oman si X
i
est a la
izquierda de c.
Siempre t omadores: ( ) c X si d c X si d
i i i i
< = = 1 , 1 Siempre part icipan.
Nunca t omadores: ( ) c X si d c X si d
i i i i
< = = 0 , 0 Nunca part icipan.

En el caso de los siempre t omadores y los nunca t omadores, el
denominador es cero pues no hay variabilidad en d para X alrededor de
c. Por lo t ant o, el ATE mencionado arriba, al igual que el est imador de
variables inst rument ales, solo est ident ificado para los individuos
cumplidores alrededor del punt o c.

En la aplicacin prct ica del mt odo de regresin discont inua aguda o
difusa, hay varias cuest iones a t omar en cuent a. En primer lugar se
debera dist inguir a qu caso de regresin discont inua corresponde el
problema que est amos analizando. En est a et apa, un anlisis grfico de
los dat os suele ser de bast ant e ut ilidad. Algo muy import ant e que se
debe verificar ant es de empezar es que el salt o en la variable result ado y
se deba nicament e a los valores de X alrededor del umbral. Si X
provoca salt os en ot ros det erminant es de y , se dist orsionara el efect o
del t rat amient o. Algo que debe observarse t ambin es que la dist ribucin
de las observaciones de X a ambos lados de c deberan ser simt ricas. Si
se observa una discont inuidad o fuert es asimet ras, se podra pensar que
los individuos han manipulado sus valores de X con el fin de est ar a un
lado de c ( para recibir o no el t rat amient o) . Si est o ocurre, se invalidara
el supuest o de int ercambiabilidad de los individuos alrededor de c.

El mt odo t ambin present a algunas limit aciones import ant es. Una de
ellas t iene que ver con la validez ext erna. Tant o el diseo de regresin
discont inua aguda como difusa ident ifican al ATE nicament e alrededor
de X= c. I ncluso el diseo difuso se limit a a una subpoblacin an ms
pequea, los cumplidores. Cualquier ext rapolacin de est os result ados a

52

ot ras subpoblaciones debe hacerse con cuidado. Ot ra limit acin
import ant e es el nmero de observaciones con que se cuent a alrededor
del cort e. Se requiere de muchas observaciones para t ener est imadores
confiables y precisos.

9. EL MTODO DE DI FERENCI AS EN DI FERENCI AS

Como se mencion en la seccin 6, el principal problema del mt odo de
pareo en la est imacin del ATET es que no puede cont rolar las
caract erst icas no observables de los individuos, con lo cual exist e un
serio riesgo de sesgo en la est imacin de est e valor. Sin embargo,
veremos en est a seccin que podemos plant ear un mt odo que baj o
ciert os supuest os es capaz de remover aqul component e no
observable de los dat os con el fin de t ener est imaciones confiables. En
snt esis, apoyndonos en la exist encia de dat os de panel de los individuos
ant es y despus de recibir el t rat amient o y asumiendo que las
caract erst icas no observables son invariant es en el t iempo podemos
obt ener est imaciones confiables del efect o t rat amient o.

El t radicional mt odo de diferencias en diferencias es un refinamient o del
mt odo de diferencias de Rubin de la seccin 3. 1 considerndose no solo
la diferencia promedio de los result ados ent re los individuos de los grupos
B y C sino t ambin la diferencia de la variable result ado ant es y despus
del t rat amient o. La idea de est e procedimient o est en que se pret ende
eliminar cualquier component e sist emt ico y comn a ambos grupos que
vaya cambiando en el t iempo, el cual podra dist orsionar el efect o del
programa si se pret ende medirlo como la diferencia de los result ados pos-
t rat amient o. Asimismo, la diferencia t ambin puede eliminar cualquier
ot ro component e individual no observable de cada grupo. De est e modo
la diferencia en diferencia es una est rat egia ident ificadora del efect o
t rat amient o promedio como most ramos a cont inuacin.

53

Los result ados pot enciales en est e cont ext o dependern no solo del
individuo sino del t iempo,
jit
y , donde 1 , 0 = j muest ra la exposicin
pot encial o no al t rat amient o al igual que en la seccin 3- , 1 , 0 = t indica
el t iempo, donde 0 es el periodo ant es del t rat amient o y 1 despus del
t rat amient o, e i indica a la unidad i . Con el fin de evit ar una not acin
engorrosa, hacemos
j
t jit
y y = en donde se omit ir el subndice i . Nt ese
que el indicador del result ado pot encial se encuent ra ahora como un
superndice. Por su part e, el result ado observado es
t it
y y = . Para la
variable del t rat amient o se escribir
t it
d d = . Est a variable no solo indica la
recepcin del t rat amient o en cada periodo para la unidad i sino que
t ambin indica si est amos hablando del grupo beneficiario ( 1
1
= d ) o del
grupo no beneficiario ( 0
1
= d ) en cualquiera de los dos periodos.

El efect o t rat amient o promedio sobre los t rat ados se define como

) 1 | ( ) 1 | (
1
0
1 1
1
1
= = = = d y E d y E ATET
T

donde puede verse que el segundo t rmino ) 1 | (
1
0
1
= d y E no es observable
pues es el result ado promedio que hubieran obt enido los beneficiarios en
caso no hubieran recibido el t rat amient o.

Se podra pensar en el grupo no beneficiario como el cont rafact ual del
beneficiario. Sin embargo, en est e cont ext o la diferencia de medias de los
beneficiarios y no beneficiarios en el periodo 1 ( pos- t rat amient o) no
ident ifica al ATET. Veamos,
) 0 | ( ) 1 | ( ) 0 | ( ) 1 | (
1
0
1 1
1
1 1 1 1 1
= = = = = d y E d y E d y E d y E

Sumando y rest ando ) 1 | (
1
0
1
= d y E se obt iene
) 0 | ( ) 1 | ( ) 0 | ( ) 1 | (
1
0
1 1
0
1 1 1 1 1
= = + = = = d y E d y E d y E d y E
T

54

La expresin ) 0 | ( ) 1 | (
1
0
1 1
0
1
= = d y E d y E muest ra la diferencia en los
result ados pot enciales en ausencia de t rat amient o ent re los dos grupos
en el periodo 1. Si se mant iene el supuest o que el t rat amient o es
independient e en medias condicionales con
0
y , ent onces t al diferencia
sera igual a cero. Si no se cumple, ent onces la diferencia en medias
post - t rat amient o no ident ifica el ATE. Esa diferencia capt ura aquel
component e individual que no est balanceado ent re los dos grupos.

Anlogament e, la diferencia en medias en el periodo cero para los dos
grupos es
) 0 | ( ) 1 | ( ) 0 | ( ) 1 | (
1
0
0 1
0
0 1 0 1 0
= = = = = d y E d y E d y E d y E

la cual debera ser cero ant e aleat orizacin del t rat amient o o menos
rigurosament e cuando d y
0
. Cuando no se cumple est o, capt ura las
diferencias en el result ado pot encial 0 para ambos grupos en el periodo 0.

Si t ales diferencias ent re los beneficiarios y no beneficiarios se mant ienen
en 0 = t y 1 = t , ent onces ocurrir que
d d y E d y E d y E d y E = = = = = ) 0 | ( ) 1 | ( ) 0 | ( ) 1 | (
1
0
0 1
0
0 1
0
1 1
0
1

Luego la diferencia de la diferencia ident ifica al ATET.
| | | |
T
d y E d y E d y E d y E = = = = = ) 0 | ( ) 1 | ( ) 0 | ( ) 1 | (
1 0 1 0 1 1 1 1

Ot ra forma de obt ener el mismo result ado es la siguient e. La diferencia
en result ados observables ant es y despus del t rat amient o para el grupo
B ( 1
1
= d ) es,
) 1 | ( ) 1 | ( ) 1 | ( ) 1 | (
1
1
0 1
1
1 1 0 1 1
= = = = = d y E d y E d y E d y E

Sumando y rest ando ) 1 | (
1
0
1
= d y E se obt iene
) 1 | ( ) 1 | (
) 1 | ( ) 1 | ( ) 1 | ( ) 1 | (
1
0
0 1
0
1
1
1
0 1
0
1 1 0 1 1
= = + =
= = + = = =
d y E d y E
d y E d y E d y E d y E
T
T

55

En donde se ha t omado en cuent a que ant es del t rat amient o,
) | ( ) | (
1
0
0
0
d y E d y E = . La expresin ) 1 | ( ) 1 | (
1
0
0 1
0
1
= = d y E d y E capt ura el efect o
t emporal sobre
0
y para los beneficiarios. No hay ninguna razn para
asumir que t al efect o es cero, ni siquiera en experiment os aleat orios.

Para el grupo N ( ) 0
1
= d , la diferencia de medias ant es y despus es:
) 0 | ( ) 0 | ( ) 0 | ( ) 0 | (
1
0
0 1
0
1 1 1 1 1
= = = = = d y E d y E d y E d y E

donde est a diferencia muest ra el efect o del t iempo sobre
0
y para los no
beneficiarios. Nada garant iza que est e efect o t emporal sobre
0
y sea igual
a aqul de los beneficiarios. En est e punt o se requiere asumir que t ales
efect os t emporales son iguales para B y N ( ambos siguen la misma
t endencia)

t d y E d y E d y E d y E = = = = = ) 0 | ( ) 0 | ( ) 1 | ( ) 1 | (
1
0
0 1
0
1 1
0
0 1
0
1

Luego la diferencia de la diferencia ident ifica el ATET

| | | |
T
d y E d y E d y E d y E = = = = = ) 0 | ( ) 0 | ( ) 1 | ( ) 1 | (
1 0 1 1 1 0 1 1

Ut ilizando anlogos muest rales, un est imador consist ent e de ATET es

( ) ( )
0 , 1 , 0 , 1 ,
^
= = = =
=
t N i t N i t B i t B i
T y y y y

En el grfico 5 se puede apreciar el efect o de la doble diferenciacin. En
la figura se t oma como base al periodo 0 = t en donde se cuent a con
observaciones de y para ambos grupos, y se t iene informacin en el
periodo 1 = t despus de la aplicacin del t rat amient o, t ambin para
ambos grupos. Los punt os negros indican valores realizados mient ras que
el punt o blanco indica el result ado pot encial no observable.

56

Puede not arse que el supuest o acerca del mismo efect o t emporal en
0
y
se cumple al ser paralelas las rect as )] 0 | ( ), 0 | ( [
1
0
1 1
0
0
= = d y E d y E y la rect a
)] 1 | ( ), 1 | ( [
1
0
1 1
0
0
= = d y E d y E . Si t al paralelismo no se cumple, el est imador de
diferencias en diferencias sera un est imador incorrect o de de ATET.

El grfico ant erior muest ra clarament e que el est imador de diferencias en
diferencias es el ATET y no el ATE. Es decir el clculo no es vlido
ext ernament e para ot ros grupos dist int os a los beneficiarios.

En t rminos de regresiones, se puede obt ener el est imador de diferencias
en diferencias de la regresin
it t i it d it
d y + + + =

donde
it
y es el valor observado del result ado,
i
muest ra un efect o
individual ( efect o fij o) no observable que afect a a la variable result ado,
t

es un component e t emporal no observable que genera el efect o periodo
y
it
es un t rmino de error de media cero, varianza condicional
const ant e y no correlacionado con ninguna de las dems variables ni con
) 1 (
1
|
1
1
= d y E
) 1 (
1
|
0
1
= d y E
) 0 (
1
|
0
1
= d y E ) 1 (
1
|
0
0
= d y E

) 0 (
1
|
0
0
= d y E
Tiempo
y
t = 0 t = 1
T

t

d

Grfico 5

57

ningn ot ro error. Se puede comprobar sin mayor dificult ad que la
diferencia en diferencia

) 0 | ( ) 1 | (
0 0 1 1 0 1
= = d y y E d y y E
i i i i

es igual al parmet ro
d
, el cual es el efect o causal que se desea
est imar.

No hemos mencionado nada acerca del cont rol en variables x . Sin
embargo, se puede ext ender el anlisis condicionando a diferent es
valores de est as variables de cont rol. Baj o la exist encia en un soport e
comn en las caract erst icas x , y baj o el supuest o de iguales t endencias
de
0
it
y en los t rat ados y no t rat ados condicional a valores de x , se puede
emplear el mt odo de pareo para calcular el ATET. Una met odologa
usada en dat os observacionales en donde no se aprecie una clara
aleat orizacin del t rat amient o es el mt odo de pareo en diferencias en
diferencias condicional ( Heckman et al 1997) . Est e est imador es ( sin
omit ir el subndice i del individuo o unidad de anlisis) :

( ) ( )

|
|
.
|
\
|
=
CS B i CS A k
k k i i
B i
y y k i y y
n
T E AT
0
0
0
1
0
0
1
1
) , (
1

Donde
i
A es el grupo comparable a la unidad i que t iene las
caract erst icas comunes con los beneficiarios, y los ponderadores ) , ( k i
son los que se present aron en la seccin 0.

Exist en numerosas aplicaciones del mt odo de diferencias en diferencias
en est udios observacionales y t ambin en experiment ales
38
. Por ej emplo,
Chong y Galdo ( 2006) est udian el impact o del programa de capacit acin

38
Se puede comprobar que en el caso de est udios experiment ales exist e una ganancia en
eficiencia cuando se ut iliza el est imador de diferencias en diferencias, en comparacin
con la diferencia simple de los beneficiarios y el grupo de cont rol en el periodo post -
t rat amient o.

58

j uvenil PROJOVEN sobre los salarios ganados y ut ilizan el est imador de
pareo en diferencias en diferencias condicional, aunque los aut ores
aj ust an el est imador con el fin de analizar variaciones en la calidad del
programa.

En est udios que t rabaj an con modelos de regresin lineal con efect os
fij os, Di Tella y Schargrodsky ( 2004) calculan el impact o de la presencia
policial en la reduccin del crimen, t omando dat os de un experiment o
nat ural surgido de un at ent ado t errorist a en la ciudad de Buenos Aires.
Tras el at ent ado, se reforz la seguridad alrededor de los locales de 45
inst it uciones j udas y musulmanas en la ciudad. Aplicando el mt odo de
diferencias en diferencias a t ravs de regresiones con dat os de panel,
encuent ran un efect o significat ivo de una mayor presencia policial en el
nmero promedio de aut os robados en comparacin con vecindarios de
similares caract erst icas socioeconmicas pero que no cont aban con
presencia policial adicional. En ot ro document o, Galiani, Gert ler y
Schargrodsky ( 2005) est udian el impact o de la privat izacin en el
suminist ro de agua en Argent ina sobre la mort alidad infant il. Habiendo
verificado que la mort alidad infant il mant ena una misma t endencia ant es
de la aplicacin de la polt ica ( lo cual sust ent ara el supuest o de iguales
t endencias de los result ados pot enciales sin t rat amient o en los grupos
beneficiarios y no beneficiarios) , la regresin con efect os fij os encuent ra
que la mort alidad infant il se reduj o como consecuencia de la
privat izacin.

10. CONSI DERACI ONES FI NALES

El obj et ivo de est e document o ha sido most rar los mt odos ms
populares ut ilizados para ident ificar y est imar el efect o causal de una
polt ica con t rat amient o binario, sobre un result ado. El nfasis se ha
puest o en t rminos de la ident ificacin de dicho efect o, la cual depender

59

de una serie de supuest os que se aj ust an a los dat os que se t iene
disponible.

La eleccin final del mt odo debe basarse en la problemt ica de est udio,
pero debe en t odo moment o t enerse en cuent a los supuest os baj o los
cuales t al mt odo realment e ident ifica al efect o t rat amient o promedio
buscado.

60

BI BLI OGRAF A

Angrist , Joshua D.
( 1990) The effect of vet eran benefit s on vet erans educat ion and
earnings. Nat ional Bureau of Economic Research, Working
Paper N 3492.

Angrist , Joshua, Eric Bet t inger, Erik Bloom, Elizabet h King, Michael
Kremer.
( 2002) Vouchers for Privat e Schooling in Colombia: Evidence from a
Randomized Nat ural Experiment . The American Economic
Review, Vol. 92, No. 5, pp. 1535- 1558.

Angrist , Joshua, Guido W. I mbens y Donald B. Rubin.
( 1996) I dent ificat ion of causal effect s using inst rument al variables.
Journal of t he American St at ist ical Associat ion, Vol. 91, N 434
( Junio 1996) , pp. 444- 455.

Angrist , Joshua D. y Alan B. Krueger.
( 2001) I nst rument al variables and t he search for ident ificat ion: from
supply and demand t o nat ural experiment s. The Journal of
Economic Perspect ives, Vol. 15, No. 4 ( Aut umn, 2001) , pp. 69-
85.

Angrist , Joshua D. y Vict or Lavy.
( 1999) Using Maimonides rule t o est imat e t he effect of class size on
scholast ic achievement . The Quart erly Journal of Economics,
Vol. 114 N2 ( May, 1999) , pp. 533- 575.

( 2002) The effect of high school mat riculat ion awards: evidence from
randomized t rials . Nat ional Bureau of Economic Research
Working Paper N 9389. ht t p: / / www. nber. org/ papers/ w9389.

Banerj ee, Abhij it , Shawn Cole, Est her Duflo, and Leigh Linden.
( 2004) Remedying Educat ion: Evidence from t wo randomized
experiment s in I ndia. Mimeo, MI T

Barrera- Osorio, Felipe, Leigh L. Linden y Miguel Urquiola.
( 2007) The effect s of user fee reduct ions on enrollment : evidence
from a quasi- experiment . Mimeo, Columbia Universit y.
ht t p: / / www.col umbi a.edu/ ~ ll2240/ Grat ui dad%20Draft %202007- 01.pdf

Burga, Cybele.
( 2003) Re- evaluando PROJOVEN: propensit y score mat ching y una
evaluacin paramt rica. Consorcio de I nvest igacin Econmica
y Social ( CI ES) . www. cies. org. pe/ files/ act ive/ 0/ Pb0112. pdf.

61

Caliendo, Marco y Sabine Kopeinig.
( 2005) Some Pract ical Guidance for t he implement at ion of propensit y
score mat ching. I ZA Discussion Paper N 1588. The I nst it ut e
for t he St udy of Labor.

Campbell, Donald T.
( 1969) Reforms as experiment s. American Psychologist , 24: 409- 429.

Cochran, William G.
( 1965) The planning of observat ional st udies of human populat ions.
Journal of t he Royal St at ist ical Societ y. Series A ( general) ,
Vol. 128, N2, pp. 234- 255.

Cochran, William G. y Donald B. Rubin.
( 1973) Cont rolling bias in observat ional st udies: a review. Sankhya:
The I ndian Journal of St at ist ics. Series A, Vol. 35 N4, pp. 417-
446.

Chong, Albert o y Jos Galdo.
( 2006) Training qualit y and earnings: t he effect s of compet it ion on t he
provision of public- sponsored t raining programs. Banco
I nt eramericano de Desarrollo. Working Paper N. 555.

Dehej ia, Raj eev H. y Sadek Wahba.
( 1999) Causal effect s in nonexperiment al st udies: reevaluat ing t he
evaluat ion of t raining programs. Journal of t he American
St at ist ical Associat ion, Vol. 94, N 448, pp. 1053- 1062.

( 2002) Propensit y Score- Mat ching Met hods for Nonexperiment al
Causal St udies. The Review of Economics and St at ist ics, Vol.
84, No. 1 ( Feb. , 2002) , pp. 151- 161

Di Nardo, John y David S. Lee.
( 2002) The impact of unionizat ion on est ablishment closure: A
regression discont inuit y analysis of represent at ion elect ions.
Nat ional Bureau of Economic Research, Working Paper N 8993,
Junio 2002.
ht t p: / / www.nber. org/ papers/ w8993

Di Tella, Rafael y Ernest o Schargrodsky.
( 2004) Do police reduce crime? Est imat es using t he allocat ion of policy
forces aft er a t errorist at t ack. The American Economic Review,
Vol. 94. N1, pp. 115- 133.

Donner, Allan y Neil Klar.
( 2004) Pit falls of and cont roversies in clust er randomizat ion t rials .
American Journal of Public Healt h, 94, 3: 416- 422.

62

Donner, Allan, St ephen Brown y Penny Brasher.
( 1990) A met hodological review of non- t herapeut ic int ervent ion t rials
employing clust er randomizat ion, 1979- 1989 . I nt ernat ional
Journal of Epidemiology. Vol. 19, N4, pp. 795- 800.

Galiani, Sebast ian, Paul Gert ler and Ernest o Schargrodsky.
( 2005) Wat er for life: t he impact of t he privat izat ion of wat er services
on child mort alit y. The Journal of Polit ical Economy, Vol. 113,
No. 1 ( Feb. , 2005) , pp. 83- 120.

Gert ler, Paul.
( 2004) Do condit ional cash t ransfers improve child healt h? Evidence
from PROGRESAs cont rol randomized experiment , American
Economic Review: Papers and Proceedings, 94( 2) : 336- 34.

Goldberger, A.
( 1972) St ruct ural Equat ions Met hods in t he Social Sciences .
Economet rica Vol. 40, N 6 ( Noviembre) , pp. 979- 1002.

Haavelmo, Trygve.
( 1943) The st at ist ical implicat ions of a syst em of simult aneous
equat ions. Economet rica, Vol. 11, No. 1 ( Enero) , pp. 1- 12.

( 1944) The probabilit y approach in economet rics. Economet rica, Vol.
12, Supplement ( Julio) , pp. iii- 115.

Hahn, Todd y Van der Klaauw.
( 2001) I dent ificat ion and Est imat ion of t reat ment effect s wit h a
regression- discont inuit y design , Economet rica, Vol. 69, N1
( January, 2001) , 201- 209.

Heckman, James J. , Hidehiko I chimura y Pet ra E. Todd.
( 1997) Mat ching as an economet ric evaluat ion est imat or: evidence
from evaluat ing a j ob t raining programme. The Review of
Economic St udies, Vol. 64, No. 4, Special I ssue: Evaluat ion of
Training and Ot her Social Programmes ( Oct ubre) , pp. 605- 654.

( 1998) Mat ching as an economet ric evaluat ion est imat or. The Review
of Economic St udies, Vol. 65, No. 2 ( Abril) , pp. 261- 294.

Heckman, James, Hidehiko I chimura, Jeffrey Smit h y Pet ra E. Todd.
( 1997) Charact erizing select ion bias using experiment al dat a.
Economet rica, Vol. 66, No. 5 ( Sept iembre) , pp. 1017- 1098.

Hoddinot t , John y Emmanuel Skoufias.
( 2003) The impact of Progresa on food consumpt ion. FCNF Discussion
Paper N 150. Washingt on: I FPRI .

63

Holland, Paul W.
( 1985) St at ist ics and causal inference. Journal of t he American
St at ist ical Associat ion. Vol. 81, N 396, Theory and Met hods, pp.
945- 960.

I mbens, Guido.
( 2000) The role of t he propensit y score in est imat ing dose- response
funct ions. Biomet rika, Vol. 87, No. 3 ( Sep. , 2000) , pp. 706-
710.

I mbens, Guido y Joshua D. Angrist .
( 1994) I dent ificat ion and est imat ion of local average t reat ment
effect s. Economet rica, Vol. 62, N 2 ( Marzo 1994) , pp. 467-
475.

I mbens, Guido y Thomas Lemieux.
( 2007) Regression discont inuit y designs: a guide t o pract ice . Nat ional
Bureau of Economic Research, Working Paper N 13039,
ht t p: www.nber. org/ papers/ w13039.

Joffe, Marshall M. y Paul R. Rosenbaum.
( 1999) Propensit y scores. American Journal of Epidemiology. Vol. 150
N4, pp. 327- 333.

Lalonde, Robert J.
( 1986) Evaluat ing t he economet ric evaluat ions of t raining programs
wit h experiment al dat a. The American Economic Review, Vol.
76, No. 4 ( Sep) , pp. 604- 620.

Lechner, Michael.
( 2000) An evaluat ion of public- sect or- sponsored cont inuous vocat ional
t raining programs in East Germany. The Journal of Human
Resources, Vol. 35, No. 2 ( Spring, 2000) , pp. 347- 375

Lechner, Michael.
( 2002) Program het erogeneit y and propensit y score mat ching: an
applicat ion t o t he evaluat ion of act ive labor market policies.
The Review of Economics and St at ist ics, Vol. 84, No. 2 ( May,
2002) , pp. 205- 220.

Lee, Myoung- Jae.
( 2005) Micro- economet rics for policy, program, and t reat ment effect s.
Oxford: Oxford Universit y Press, 2005

Lee, David S. , Enrico Moret t i y Mat t hew J. But ler.
( 2004) The Quart erly Journal of Economics, Vol. 119, No. 3 ( Aug. ,
2004) , pp. 807- 859.

64

Neyman, Jerzy Splawa.
( 1990) On t he applicat ion of probabilit y t heory t o agricult ural
experiment s. Essay on principles. Sect ion 9. St at ist ical
Science, Vol. 5, N 4, 465- 480, 1990. Traduccin del original
publicado en Roczniki Nauk Rolniczych Tom X ( 1923) 1- 51
( Annals of Agricult ural Sciences) .

Pearl, Judea.
( 2000) Causalit y: Models, Reasoning and I nference. Cambridge:
Cambridge Universit y Press.

( 2009) Causal inference in st at ist ics: an overview. St at ist ics Surveys,
Vol. 3, pp. 96- 146.

Rosenbaum P. R. y Donald B. Rubin.
( 1983) The cent ral role of t he propensit y score in observat ional
st udies for causal effect s. Biomet rika, Vol. 70 N1, pp. 41- 55

Rubin, Donald B.
( 1973) Mat ching t o remove bias in observat ional st udies. Biomet rics,
29: 159- 183.

( 1974) Est imat ing causal effect s of t reat ment s in randomized and
nonrandomized experiment s , Journal of Educat ional Psychology
66, pp. 688- 701.

Shady, Norbert y Maria Claridad Arauj o.
( 2008) Cash t ransfers, condit ions, and school enrollment in Ecuador.
Economa ( Journal of t he Lat in American and Caribbean
Economic Associat ion) . Vol. N8, N 2 Spring.

St ock, James y Mark Wat son.
( 2003) I nt roduct ion t o Economet rics. Primera Edicin. Bost on: Addison
Wesley. 2003.

Thist let hwait e, Donald L. y Donald T. Campbell.
( 1960) Regression- Discont inuit y Analysis: An alt ernat ive t o t he ex
post fact o experiment . Journal of Educat ional Psychology 51
( 6) : 309317.

Vinha, Kat j a.
( 2006) A primer on propensit y score mat ching est imat ors.
Document o CEDE N 2006- 13. Universidad de los Andes.

Wooldridge, Jeffrey.
( 2001) Economet ric Analysis of Cross Sect ion and Panel Dat a. London:
The MI T Press, 2001.

Econometría de Evaluación de Impacto

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Econometría de Evaluación de Impacto

Cargado por

Copyright:

Formatos disponibles

DEPARTAMENTO

es el anlogo muest ral de ) 0 | ( ) 1 | ( = = d y E d y E ,

es un buen est imador de

podra est imar correct ament e a

. Nt ese que est e

que se obt endra de la est imacin por

que es la diferencia de los

ser sesgado al querer est imar a ATE o a ATET. El

sea un est imador de ATE

. Supongamos que solo exist e una caract erst ica x

es un est imador consist ent e de ATE.

ni la est imacin por mnimos cuadrados ordinarios

También podría gustarte