Академический Документы
Профессиональный Документы
Культура Документы
Febrero 2009
Ev. Impacto
Febrero 2009
1 / 30
Introduccin
Introduccin
Ev. Impacto
Febrero 2009
2 / 30
Introduccin
Introduccin
Ev. Impacto
Febrero 2009
2 / 30
Introduccin
Introduccin
Ev. Impacto
Febrero 2009
2 / 30
Introduccin
Introduccin
Paralelamente, la denicin de "resultado" se reere a el cambio en
las condiciones o valores de la variable de inters en comparacin al
perodo anterior al tratamiento. Al igual que la denicin de
intervencin, la denicin de resultado tambin puede variar
dependiendo del contexto.
En lnea con las intervenciones anteriores, algunos ejemplos de
resultados podran ser:
I
Ev. Impacto
Febrero 2009
3 / 30
Introduccin
Introduccin
Paralelamente, la denicin de "resultado" se reere a el cambio en
las condiciones o valores de la variable de inters en comparacin al
perodo anterior al tratamiento. Al igual que la denicin de
intervencin, la denicin de resultado tambin puede variar
dependiendo del contexto.
En lnea con las intervenciones anteriores, algunos ejemplos de
resultados podran ser:
I
I
Ev. Impacto
Febrero 2009
3 / 30
Introduccin
Introduccin
Paralelamente, la denicin de "resultado" se reere a el cambio en
las condiciones o valores de la variable de inters en comparacin al
perodo anterior al tratamiento. Al igual que la denicin de
intervencin, la denicin de resultado tambin puede variar
dependiendo del contexto.
En lnea con las intervenciones anteriores, algunos ejemplos de
resultados podran ser:
I
I
I
Ev. Impacto
Febrero 2009
3 / 30
Supuestos
Ev. Impacto
Febrero 2009
4 / 30
Marco Conceptual
Ev. Impacto
Febrero 2009
5 / 30
Marco Conceptual
Sea (yi , xi , Di ; i = 1, ..., N ) un vector de observaciones de una variable
de resultado yi , un vector de variables observables xi , y una variable
binaria que sirve de indicador de tratamiento Di . Por simplicidad,
asumimos que no es posible dejar de participar en el experimento
(para ambos grupos).
Denominamos a la variable resultado del individuo tratado como y1 y
la perteneciente al grupo de control como y0 .
Una vez recogidos los datos, quisiramos saber una medida de la
diferencia de impactos entre los hogares que recibieron el tratamiento
con aquellos que no.
La primera medida sera tomar la diferencia entre el promedio del
resultado de los individuos que recibieron tratamiento y aquellos que
no.
Al momento de estimar los impactos, asumimos que no existen efectos
de equilibrio general. Es decir, el tratamiento no impactar sobre
otras variables que en el modelo son consideradas como exgenas.
Luis Bendez Medina (OSINERGMIN)
Ev. Impacto
Febrero 2009
6 / 30
Independencia Condicional
Para hacer comparaciones efectivas entre los grupos de control y
tratamiento, es necesario realizar algunos supuestos.
El primero de ellos es el de independencia condicional, que sostiene
que, condicional a x, los resultados son independientes del
tratamiento. Es decir:
y0 , y1 ? D j x
Es decir, la participacin en el programa no depende de los resultados
esperados, luego de controlar por las variables contenidas en x.
Bajo asignacin completamente aleatoria, incluso no es necesario
controlar por x, dado que la aleatorizacin no ocurre nicamente con
respecto a y , sino con el par (y , x):
y0 , y1 ? D j x
Luis Bendez Medina (OSINERGMIN)
Ev. Impacto
Febrero 2009
7 / 30
Independencia Condicional
Ev. Impacto
Febrero 2009
8 / 30
Independencia Condicional
x0
D j D ] = 0.
Ev. Impacto
Febrero 2009
9 / 30
Independencia Condicional
Un supuesto ms dbil es:
y0 ? D j x
que implica independencia condicional respecto de la participacin y
y0 . Este supuesto sirve para identicar el efecto del tratamiento en
los tratados. Este supuesto tambin es conocido como
"unconfoundedness" (Imbens, 2005) o supuesto de ignorabilidad
(Rubin, 1978).
De ser vlido, tendramos que no existe un sesgo de variable omitida
luego de incluir a x en la regresin.
O, en otras palabras, la asignacin al tratamiento ignora los
resultados.
Este supuesto es relevante si se quiere que la variable de tratamiento
sea considerada como exgena, lo cual simplica el proceso de
estimacin.
Luis Bendez Medina (OSINERGMIN)
Ev. Impacto
Febrero 2009
10 / 30
Supuesto de Matching
Ev. Impacto
Febrero 2009
11 / 30
Ev. Impacto
Febrero 2009
12 / 30
Propensity Score
Ev. Impacto
Febrero 2009
13 / 30
Propensity Score
Un supuesto adicional en el que se basa el propensity score es la
propiedad de balanceo, que sostiene:
D ? x j p (x)
Es decir, para dos individuos con el mismo propensity score, la
asignacin al tratamiento es aleatoria y deberan, por lo tanto, ser
iguales en trminos de x. Esta hiptesis puede ser vericable.
Otro resultado relacionado con la independencia condicional dado
p (x ) dice que (Rosenbaum y Rubin, 1983):
y0 , y1 ? D j x =)y0 , y1 ? D j p (x)
Esto implica que el supueto de independencia condicional dado x
implica independencia condicional dado p (x) .
Luis Bendez Medina (OSINERGMIN)
Ev. Impacto
Febrero 2009
14 / 30
Propensity Score
=
=
=
=
=
E [E [D j y0 , y1 , p (x) , x] j y0 , y1 , p (x)]
E [E [D j y0 , y1 , x] j y0 , y1 , p (x)]
E [E [D j x] j y0 , y1 , p (x)]
E [p (x) j y0 , y1 , p (x)]
p (x)
Ev. Impacto
Febrero 2009
15 / 30
Estimadores de Inters
Denamos como la diferencia entre el resultado de los estados de
tratamiento y no tratamiento:
= y1
y0
Ev. Impacto
Febrero 2009
16 / 30
Estimadores de Inters
donde NT = N
i = 1 Di .
d = 1
ATE
NT
[ i ]
i =1
NT
[ i j Di = 1 ]
i =1
Ev. Impacto
Febrero 2009
17 / 30
Estimadores de Inters
Ev. Impacto
Febrero 2009
18 / 30
Estimadores de Inters
Para considerar el problema fundamental de la evaluacin de impacto,
consideremos el ATE:
ATE
=
=
=
=
E [ j X = x]
E [y1
y0 j X = x]
E [y1 j X = x]
E [y1 j x, D = 1]
E [y0 j X = x]
E [y0 j x,D = 0]
Ev. Impacto
Febrero 2009
19 / 30
Estimadores de Inters
=
=
=
=
E [y1 j x, D = 1]
1 (x )
1 (x )
1 (x )
E [y0 j x, D = 0]
0 (x ) + E [u1 j x, D = 1]
0 (x ) + E [u1 j x]
0 (x )
Ev. Impacto
E [u0 j x, D = 0]
E [u0 j x]
Febrero 2009
20 / 30
Ev. Impacto
Febrero 2009
21 / 30
= 1 (x) + u1
= 0 (x) + u0
Ev. Impacto
Febrero 2009
22 / 30
D ) y0
= D (1 (x) + u1 ) + (1 D ) (0 (x) + u0 )
= 0 (x) + D (1 (x) 0 (x) + u1 u0 ) + u0
Ev. Impacto
Febrero 2009
23 / 30
Ev. Impacto
Febrero 2009
24 / 30
Ev. Impacto
Febrero 2009
24 / 30
Seleccin en Observables
Con datos observacionales, el problema de seleccin en observables es
resuelto utilizando mtodos de regresin y matching.
El estimador de funcin de control se basa en el supuesto de que
existe un conjunto de variables z que determinan D y que podran
estar correlacionadas con el resultado. Considrese el caso particular
que:
0
yi = xi + D + ui
Mientras que el trmino de error viene dado por:
E [ui j xi , Di ] = E [ui j xi , Di , zi ]
En el caso de seleccin en observables, tenemos que E [ui j zi ] 6= 0.
En este caso, la esperanza condicional de y dado x, D y z es:
E [yi j xi , Di , zi ] = xi0 + D + E [ui j xi , zi ]
Luis Bendez Medina (OSINERGMIN)
Ev. Impacto
Febrero 2009
25 / 30
Seleccin en Observables
A n de solucionar esta violacin del supuesto de ortogonalidad, es
preciso incorporar un estimador de funcin de control, basado en la
estimacin de la ecuacin por MCO o MCG.
La idea detrs de este mtodo radica en introducir todas las variables
correlacionadas con ui en la regresin y estimarla va MCO:
yi = Ci0 + Di + fui
E [ui j Di , Ci ]g
Ev. Impacto
Febrero 2009
26 / 30
Seleccin en no Observables
Considrese el caso en el que la decisin de participacin en el
tratamiento es endgena.
Este modelo es de especial relevancia cuando se consideran datos
observacionales. En estos casos es difcil mantener el supuesto de
independencia condicional, lo cual impide estimar el modelo va MCO.
Supongamos el siguiente proceso de decisin:
y1i
y0i
Di
= xi0 1 + u1i
= xi0 0 + u0i
= zi0 + i
1 si Di > 0
0 si Di
0
Ev. Impacto
Febrero 2009
27 / 30
Seleccin en no Observables
Las variables z pueden incluir elementos de x, pero se asume que al
menos un elemento de z, llamado z1 se encuentra determinando la
decisin de participacin de forma no trivial. Es decir, z1 sera una
variable instrumental que est correlacionada con la variable de
tratamiento Di , pero no est correlacionada directamente con los
resultados. (y0 , y1 ) .
Ahora se asume que (u1i , u0i , i ) sigue una distribucin normal
multivariada con media cero y matriz de varianza-covarianza dada
por:
2
3
11 10 1
= 4 10 00 0 5
1 0 1
Luis Bendez Medina (OSINERGMIN)
Ev. Impacto
Febrero 2009
28 / 30
Seleccin en no Observables
Los parmetros 1 y 0 reejan la endogenidad de la variable de
tratamiento. El parmetro de covarianza 10 reeja la covarianza
entre los resultados. Dado que nunca se observa al individuo en
ambos estados, este parmetro no puede ser identicado y suele
igualarse a cero. La varianza de se hace igual a uno para poder
identicar el modelo
Dada esta especicacin, el modelo puede estimarse segn los
modelos de sesgo de seleccin presntados anteriormente.
As, en este contexto, los parmetros de inters son:
ATE = y1i
E [y0i j Di = 1] = y1i
Ev. Impacto
xi0 + 0
(zi0 )
1 (zi0 )
Febrero 2009
29 / 30
Seleccin en no Observables
Que tambin puede representarse como:
E [y1i j Di = 1]
E [y0i j Di = 1] = xi0 ( 1
0 ) + (0
1 )
(zi0 )
(zi0 )
(z0 )
Ev. Impacto
Febrero 2009
30 / 30