Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Introducción Impacto del Tratamiento Estrategias de Identificación Referencias Econoḿıa Pública Repaso Econometŕıa Sebastián Castillo Ramos Instituto de Econoḿıa, PUC Sebastián Castillo Ramos Econoḿıa Pública Introducción Impacto del Tratamiento Estrategias de Identificación Referencias 1 Introducción 2 Impacto del Tratamiento 3 Estrategias de Identificación Variables Instrumentales Efecto Fijo y Aleatorio Diferencias en Diferencias Regresión Discontinua 4 Referencias Sebastián Castillo Ramos Econoḿıa Pública Introducción Impacto del Tratamiento Estrategias de Identificación Referencias Índice 1 Introducción 2 Impacto del Tratamiento 3 Estrategias de Identificación Variables Instrumentales Efecto Fijo y Aleatorio Diferencias en Diferencias Regresión Discontinua 4 Referencias Sebastián Castillo Ramos Econoḿıa Pública Introducción Impacto del Tratamiento Estrategias de Identificación Referencias Introducción ¿Para qué sirve la econometŕıa? 1 ¿Cuál es la relación causal de interés? Contaminación ⇒ Salud infantil Aumento Caridad ⇒ Bienes Públicos Subsidio Laboral ⇒ Oferta Laboral 2 ¿Cuál es el mejor experimento que captura el efecto casal de interés? ¿Existe un experimento ideal? ¿Alguna poĺıtica se acerca a lo que se desea? ¿Debemos realizar un experimento? Sebastián Castillo Ramos Econoḿıa Pública Introducción Impacto del Tratamiento Estrategias de Identificación Referencias Introducción ¿Para qué sirve la econometŕıa? 3 ¿Cuál es la estrategia de identificación? Diferencias en Diferencias. Variables Instrumentales Estudio de Eventos. Estudio de un RD. 4 ¿Cuál es el modo en que se realizará inferencia estad́ıstica? ¿Qué supuestos validan la estrategia? ¿Cómo se verifica la veracidad de lo obtenido? ¿Es robusta mi estimación? ¿Es válida interna y/o externamente? Sebastián Castillo Ramos Econoḿıa Pública Introducción Impacto del Tratamiento Estrategias de Identificación Referencias Índice 1 Introducción 2 Impacto del Tratamiento 3 Estrategias de Identificación Variables Instrumentales Efecto Fijo y Aleatorio Diferencias en Diferencias Regresión Discontinua 4 Referencias Sebastián Castillo Ramos Econoḿıa Pública Introducción Impacto del Tratamiento Estrategias de Identificación Referencias Problema Básico Para obtener el efecto causal debemos tener, a lo menos, dos grupos: tratados y controles. ⇒ participantes y no participantes. Problema Principal: Identificar las diferencias en resultado entre am- bos grupos. Esto será el efecto tratamiento/participación del progra- ma/poĺıtica. Modelo de resultado potencial o de Roy-Rubin: τi = Yi (Di = 1)− Yi (Di = 0) Dificultad: Los datos sólo muestran Yi (Di = 1) ó Yi (Di = 0). ⇒ No podemos estimar el efecto individual, debemos intentar es- timar el efecto promedio. Sebastián Castillo Ramos Econoḿıa Pública Introducción Impacto del Tratamiento Estrategias de Identificación Referencias Estimación del Efecto ATE = Average Treatment Effect. τATE = E(τi ) = E(Yi (Di = 1)− Yi (Di = 0)) En una regresión lineal, tenemos que Yi = β0 + τiDi + εi donde ti = Yi (1)− Yi (0), y Yi (0) = E(Yi (0)) + εi = β0 + εi . τATE se interpreta como el cambio promedio en la variable dependiente (resultado) cuando un individuo escogido al azar pasa de ser participante a ser no participante. Sebastián Castillo Ramos Econoḿıa Pública Introducción Impacto del Tratamiento Estrategias de Identificación Referencias Estimación del Efecto Tenemos dos medidas relevantes adicionales: ATT = Average Treatment on the Treated. τATT = E(τi | Di = 1) = E [Y1(1) | Di = 1]− E [Y1(0) | Di = 1] Acá el contrafactual es el efecto de tratamiento en los tratados, si es que no hubiesen recibido el tratamiento. ATU = Average Treatment on the Untreated. τATU = E(τi | Di = 0) = E [Y1(1) | Di = 0]− E [Y1(0) | Di = 0] En este caso, el contrafactual es el efecto promedio en los no participantes, si hubieran participado en el programa. Sebastián Castillo Ramos Econoḿıa Pública Introducción Impacto del Tratamiento Estrategias de Identificación Referencias Variables Instrumentales Efecto Fijo y Aleatorio Diferencias en Diferencias Regresión Discontinua Índice 1 Introducción 2 Impacto del Tratamiento 3 Estrategias de Identificación Variables Instrumentales Efecto Fijo y Aleatorio Diferencias en Diferencias Regresión Discontinua 4 Referencias Sebastián Castillo Ramos Econoḿıa Pública Introducción Impacto del Tratamiento Estrategias de Identificación Referencias Variables Instrumentales Efecto Fijo y Aleatorio Diferencias en Diferencias Regresión Discontinua Variables Instrumentales Método que permite solucionar el sesgo por variable omitida o pro- blemas de endogeneidad. Sea el siguiente modelo Yi = β0 + β1Di + X ′ α + εi Donde E(εi | Di ) 6= 0. Este problema impide que el estimador de MCO sea consistente e insesgado, por lo que no podremos capturar el efecto causal. Solución: Encontrar una variable auxiliar (instrumental) para obtener estimadores consistentes e insesgados. Sebastián Castillo Ramos Econoḿıa Pública Introducción Impacto del Tratamiento Estrategias de Identificación Referencias Variables Instrumentales Efecto Fijo y Aleatorio Diferencias en Diferencias Regresión Discontinua Variables Instrumentales La variable instrumental, que denominaremos Zi , debe cumplir con dos caracteŕısticas Cov(Di ,Zi ) 6= 0 Cov(εi ,Zi ) = 0 A la segunda caracteŕıstica se le denomina restricción de exclusión. En el caso que tengamos variables omitidas, como por ejemplo habi- lidad (Hi ), también exigimos que Cov(Hi ,Zi ) = 0. Debido a que el efecto se estima a partir de un subconjunto de indi- viduos, dados por el instrumento, lo que se estima es un efecto local (LATE), en vez de un promedio total (ATE). Sebastián Castillo Ramos Econoḿıa Pública Introducción Impacto del Tratamiento Estrategias de Identificación Referencias Variables Instrumentales Efecto Fijo y Aleatorio Diferencias en Diferencias Regresión Discontinua Variables Instrumentales Mediante covarianzas Supongamos el siguiente modelo Yi + β0 + β1Di + εi Tomando covarianza con respecto a Zi tenemos cov(Yi ,Zi ) = cov(β0,Zi ) + β1cov(Di ,Zi ) + cov(εi ,Zi ) Asumiendo que se cumplen las dos caracteŕısticas del instrumento, tenemos β1 = cov(Yi ,Zi ) cov(Di ,Zi ) Sebastián Castillo Ramos Econoḿıa Pública Introducción Impacto del Tratamiento Estrategias de Identificación Referencias Variables Instrumentales Efecto Fijo y Aleatorio Diferencias en Diferencias Regresión Discontinua Variables Instrumentales 2SLS Supongamos el siguiente modelo Yi + β0 + β1Di + β2X1i + · · ·+ βk+1Xki + εi El procedimiento en dos etapas es el siguiente: (i) En la primera etapa se estima una regresión del indicador de tratamiento sobre el instrumento y todas las variables observables: Di = α0 + α1Zi + α2X1i + · · ·+ αk+1Xki + ui Se obtiene la predicción para la variable Di . (ii) En la segunda etapa se estima el primer modelo, pero se reemplaza la variable de tratamiento por su predicción obtenida en la primera etapa. Dado la forma en que se estima el modelo, se le clasifica como una estimación de un modelo estructural. Sebastián Castillo Ramos Econoḿıa Pública Introducción Impacto del Tratamiento Estrategias de Identificación Referencias Variables Instrumentales Efecto Fijo y Aleatorio Diferencias en Diferencias Regresión Discontinua Efecto Fijo y Aleatorio El ambiente básico es de datos de panel. Tenemos una variables ob- servables, que podemos seguir en el tiempo, para un número de indi- viduos. El modelo básico se puede escribir Yit = β0 + β1Xit + εit La pregunta es si el error tiene algún tipo de estructura particular, por ejemplo εit = µi + υit Esta estructura se conoce como one-way error component model. Si el error, además incluye un término temporal igual para todos los agentes i, sedenomina two-way error component model. Sebastián Castillo Ramos Econoḿıa Pública Introducción Impacto del Tratamiento Estrategias de Identificación Referencias Variables Instrumentales Efecto Fijo y Aleatorio Diferencias en Diferencias Regresión Discontinua Efecto Fijo y Aleatorio Efecto Fijo Asumimos que el error es del tipo one-way error component model. La parte individual del error, se asume determińıstica e invariante en el tiempo. Adicionalmente asumimos E(υit | X , µ) = 0. El estimador se conoce como estimador ḿınimo cuadrático de varia- bles dummy (LSDV). Cuidado: Al estimar por efectos fijos, cualquier variable invariante en el tiempo será cancelada. Sebastián Castillo Ramos Econoḿıa Pública Introducción Impacto del Tratamiento Estrategias de Identificación Referencias Variables Instrumentales Efecto Fijo y Aleatorio Diferencias en Diferencias Regresión Discontinua Efecto Fijo y Aleatorio Efecto Aleatorio Asumimos que los efectos individuales son una variable aleatoria e independientes del error. La estimación se realiza mediante ḿınimos cuadrados generalizados factibles FGLS. Tres formas “comunes” de estimación: Máxima Verosimilitud. FGLS en dos etapas. Estimador “entre grupos”. Sebastián Castillo Ramos Econoḿıa Pública Introducción Impacto del Tratamiento Estrategias de Identificación Referencias Variables Instrumentales Efecto Fijo y Aleatorio Diferencias en Diferencias Regresión Discontinua Diferencias en Diferencias Este modelo es una extensión del modelo de efecto fijo para un grupo más grande de agentes, o sea, donde el efecto fijo es a nivel grupal y no individual. El supuesto clave, es que el grupo de tratados y controles tienen tendencias pararelas antes del tratamiento. Necesitamos datos de panel para su implementación, debido a que debemos tener una diferencia temporal para la estimación. Adicionalmente, es necesaria una variación exógena, por ejemplo im- plementación de una poĺıtica. Debemos tener cuidado con la antici- pación al tratamiento. Sebastián Castillo Ramos Econoḿıa Pública Introducción Impacto del Tratamiento Estrategias de Identificación Referencias Variables Instrumentales Efecto Fijo y Aleatorio Diferencias en Diferencias Regresión Discontinua Diferencias en Diferencias Sebastián Castillo Ramos Econoḿıa Pública Introducción Impacto del Tratamiento Estrategias de Identificación Referencias Variables Instrumentales Efecto Fijo y Aleatorio Diferencias en Diferencias Regresión Discontinua Diferencias en Diferencias El estimador del efecto causal es τDD = (4Ȳ | D = 1)− (4Ȳ | D = 0) Calculamos la diferencia en el resultado antes y después de la poĺıtica, entre tratados y controles. En una regresión, la estimación seŕıa Yi = β0 + β1Pt + β2Di + β3(Pt × Di ) El término de interés es β3. Se debe tener cuidado con caer en la trampa de las dummy, si es que la variable de poĺıtica y de tratamiento es una dummy. Sebastián Castillo Ramos Econoḿıa Pública Introducción Impacto del Tratamiento Estrategias de Identificación Referencias Variables Instrumentales Efecto Fijo y Aleatorio Diferencias en Diferencias Regresión Discontinua Regresión Discontinua Selección al tratamiento es una función discontinua de una variable observada. El modelo que buscamos estimar es: yi = y1idi + y0i (1− di ) donde 1 es por recibir el tratamiento y d es el indicador de si el individuo i fue tratado o no. Lo que buscamos obtener es yi = y0i + αidi donde αi = y1i − y0i es el efecto tratamiento. Sebastián Castillo Ramos Econoḿıa Pública Introducción Impacto del Tratamiento Estrategias de Identificación Referencias Variables Instrumentales Efecto Fijo y Aleatorio Diferencias en Diferencias Regresión Discontinua Regresión Discontinua Sharp Design: di = f (xi ), con f una función determińıstica de la variable xi y continua por tramos, por ejemplo di = { 1 si x > x0 0 si x ≤ x0 Fuzzy Design: La probabilidad de asignación al tratamiento, P(di = 1 | x) es discontinua en un punto x0. Sebastián Castillo Ramos Econoḿıa Pública Introducción Impacto del Tratamiento Estrategias de Identificación Referencias Variables Instrumentales Efecto Fijo y Aleatorio Diferencias en Diferencias Regresión Discontinua Regresión Discontinua Sebastián Castillo Ramos Econoḿıa Pública Introducción Impacto del Tratamiento Estrategias de Identificación Referencias Índice 1 Introducción 2 Impacto del Tratamiento 3 Estrategias de Identificación Variables Instrumentales Efecto Fijo y Aleatorio Diferencias en Diferencias Regresión Discontinua 4 Referencias Sebastián Castillo Ramos Econoḿıa Pública Introducción Impacto del Tratamiento Estrategias de Identificación Referencias Referencias Joshua D Angrist and Jörn-Steffen Pischke. Mostly harmless econometrics: An empiricist’s companion. Princeton university press, 2008. Joshua D Angrist and Jörn-Steffen Pischke. Mastering’metrics: The path from cause to effect. Princeton University Press, 2014. Raquel Bernal and Ximena Peña. Gúıa práctica para la evaluación de impacto. Ediciones Uniandes-Universidad de los Andes, 2011. A Colin Cameron and Pravin K Trivedi. Microeconometrics: methods and applications. Cambridge university press, 2005. Sebastián Castillo Ramos Econoḿıa Pública Introducción Impacto del Tratamiento Estrategias de Identificación Variables Instrumentales Efecto Fijo y Aleatorio Diferencias en Diferencias Regresión Discontinua Referencias
Compartir