0 Introducciónalcurso

Vista previa del material en texto

Tópicos de Econoḿıa Aplicada
Introducción
1 / 37
Presentación
I La econoḿıa aplicada: utilización de teoŕıa y métodos para
atacar un tema espećıfico, para brindar una recomendación o
realizar un diseño de una poĺıtica.
I Ante este objetivo no sirve sólo tener cualitativamente un
efecto o un trade-off entre variables relevantes. Se trata de
tener una idea cuantitativa de estos efectos (de tener la
medida más adecuada posible de los efectos).
I En las recomendaciones no sólo hace falta brindar “grandes
lineamientos” sino concretar en los detalles de la
implementación, sobre la base del análisis económico, los
antecedentes, la experiencia y la experimentación.
2 / 37
Presentación
“Propongo un nuevo método para la econoḿıa del desarrollo, un método
que denomino “econoḿıa cĺınica” para subrayar las similitudes entre la
buena econoḿıa del desarrollo y la buena medicina cĺınica.
— Jeffrey Sachs, The end of poverty
Enfrentando el reto de usar las herramientas económicas para
brindar recomendaciones sobre poĺıticas, programas, proyectos
sociales, se utilizan la teoŕıa económica, los datos y el análisis
necesarios aplicados al caso. La econoḿıa aplicada adapta los
métodos para el caso en cuestión.
1. una teoŕıa como gúıa
2. se aplica la teoŕıa a al caso particular
3. se contrasta con los hechos observados y se toman nuevos
datos
4. si es necesario se modifican los detalles de la teoŕıa para
incluir aspectos relevantes para este caso
Si la aplicación es exitosa esta iteración converge
3 / 37
Presentación
“El seguimiento y la evaluación son esenciales para el éxito del
tratamiento.”
— Jeffrey Sachs, The end of poverty
La teoŕıa es importante, pero también la medición. Hace falta
tener una cuantificación ex-ante de los mecanismos, un monitoreo
ex-durante y una evaluación ex-post de los efectos.
1. hace falta ver la relevancia cuantitativa de cada efecto que
surge de un modelo teórico
2. recurrimos a los datos, evaluando este efecto a partir de la
mejor medición posible que sea implementable
3. es relevante evaluar los efectos de las poĺıticas
cuantitativamente para realizar un seguimiento y para luego
sacar conclusiones para futuros diseños de poĺıtica
Si el proceso es exitoso lleva a una acumulación de conocimiento
sobre qué poĺıticas son efectivas
4 / 37
Presentación
“Once you hear the details of
victory, it is hard to
distinguish it from a defeat.”
Jean-Paul Sartre
Pero una vez que tenemos “la poĺıtica” hace falta concretar el
bosquejo en una implementación concreta
I los detalles exactos de implementación importan mucho
I los modelos ayudan poco en esto; los antecedentes, la
experiencia y la experimentación ayudan más
Una propuesta de poĺıtica debe basarse en los antecedentes y
evaluaciones de poĺıticas realizadas en el pasado
As economists increasingly help governments design new policies and
regulations, they take on an added responsibility to engage with the details
of policy making and, in doing so, to adopt the mindset of a plumber.
— Esther Duflo, 2017, The Economist as Plumber, AER
5 / 37
Presentación
En la práctica hay fuertes restricciones poĺıticas en el proceso de
diseño e implementación de la poĺıtica económica o programas
públicos
I el diseño de las organizaciones y competencias al interior del
Estado influyen fuertemente en la posibilidad de implementar
poĺıticas o realizar reformas
I los incentivos poĺıticos y las capacidades de presión, lobby,
protesta, etc. son parte de la preocupación del que diseña las
poĺıticas
I fuertes restricciones legales sobre lo que puede hacer el Estado
6 / 37
Presentación
Entonces, la econoḿıa aplicada utiliza tanto teoŕıa y como datos.
En las aplicaciones
1. se usan (o construyen?) las herramientas anaĺıticas con un
objetivo concreto o una recomendación concreta.
2. luego mide resultados espećıficos de esa recomendación (para
un seguimiento y para un aprendizaje)
3. luego intenta comprender los detalles que pueden mejorar el
objetivo final de la intervención
7 / 37
Presentación
En este curso vamos a
1. centrarnos en analizar desde un punto de vista teórico el
mercado laboral y la distribución del ingreso
2. (+) utilizar datos que nos ayuden a comprender los problemas
y medir los efectos
3. (=) comprender y utilizar métodos estad́ısticos y
econométricos para vincular la teoŕıa con los datos, y concluir
sobre cuestiones del mercado laboral y sus poĺıticas
Para una panorámica del curso, ver Programa en el campus virtual.
8 / 37
Tabla de contenidos
Por qué estudiar el mercado laboral?
Las preguntas y el análisis emṕırico
Descripción de variables y relaciones entre las variables
Regresión
Relación causal
9 / 37
Por qué estudiar econoḿıa laboral?
Qué tiene de diferente el mercado laboral del mercado de trigo?
El mercado laboral implica la intervención de una persona. Esto
hace que haya muchos aspectos en juego, incluyendo el riesgo
(f́ısico), aspectos morales (qué es aceptable).
El mercado laboral requiere de los trabajadores capacidades,
habilidades y de caracteŕısticas muy diśımiles. Los puestos de
trabajo son también muy diferentes (conocimientos requeridos,
ocupación, localización, horario, ambiente). Por ello, no es fácil
encontrar un trabajador para un puesto
10 / 37
Por qué estudiar econoḿıa laboral?
El mercado laboral está muy regulado. (Contrato indefinido,
Salario ḿınimo, horas de trabajo, actividades por ocupación, etc.)
Además,
Most of us will allocate a substantial fraction of our time
to the labor market. How we do in the labor market helps
determine our wealth, the types of goods we can affort to
consume, with whome we associate, where we vacation,
which schools our children attend, and even the types of
persons who find us attractive. As a result we are all
eager to learn how the labor market works.
Borjas, Labor Economics, Ch.1.
El mercado de trabajo es importante para el problema individual
(ocio-consumo), para la macro (desempleo), la productividad
(asignación de factores) y el crecimiento (capital humano).
11 / 37
Por qué el mercado laboral?
La econoḿıa laboral tiene caracteŕısticas particulares:
I Mercados con fricciones
I Fuerte vinculación con microdatos
12 / 37
El economista emṕırico
El economista emṕırico busca contestar preguntas con los datos
Las preguntas económicas pueden ser:
I ¿Cuánto aumenta el ingreso el terminar la universidad en
comparación con no terminarla?
I ¿En qué medida afecta la indemnización por despido a la
demanda de empleo?
I ¿Cuál es el efecto del seguro de desempleo sobre los salarios?
13 / 37
El economista emṕırico: datos
Para enfrentar estas preguntas debe utilizar datos de diferente tipo:
I Corte transversal (cross-section), observaciones de individuos
(personas, hogares, firmas, páıses) generalmente provenientes
de una muestra aleatoria (o incluso de un censo)
I Series de tiempo (time-series), observaciones de un individuo
(persona, hogar, firma, páıs) a lo largo del tiempo
I Longitudinales (panel data), en donde para un mismo
individuo i hay disponibles varias observaciones
t = 1, 2, ...,T , donde cada individuo puede ser una persona,
un hogar, una firma, un páıs, y donde t es t́ıpicamente el
tiempo (también pueden ser trabajadores, t, en firmas, i). En
general los individuos i son una muestra aleatoria.
14 / 37
El economista emṕırico
Ejemplo de encuesta: Encuesta Permanente de Hogares (EPH) Releva
viviendas, hogares y personas en aglomerados urbanos de Argentina.
Repite cada vivienda 4 trimestres (no consecutivos): corte transversal o
micro datos de panel (corto). Si se construyen series de tiempo de
variables agregadas (por ejemplo tasa de desempleo) por grupos (por
ejemplo por ciudad) se pueden armar datos de panel (largos). La muestra
de esta encuesta está diseñada para estimar la tasa de desempleo. Los
hogares no tienen igual probabilidad de ser encuestados. Lavariable de
ponderación es la cantidad de hogares que cada hogar encuestado
representa en el universo (inversa de la probabilidad de ser encuestado).
[http://www.indec.gov.ar/bases-de-datos.asp]
Diseño de Registro y Estructura 
para las bases de microdatos 
Individual y Hogar
Versión: Noviembre de 2009
Permanente
de Hogares
Encuesta
[link al diseño de registro] [link]
15 / 37
http://www.indec.gov.ar/bases-de-datos.asp
https://dl.dropboxusercontent.com/u/6851291/temp/1_EPH_disenoreg_09.pdf
C:/Users/hruffo/Dropbox/DeUTDT/TEA/clases/slides/Otherslides/pdf/statass.pdf
El economista emṕırico
El economista emṕırico t́ıpitcamente tiene un modelo (teórico o
no) del comportamiento de los agentes económicos
Este es el modelo de comportamiento del universo
Suponemos que los datos son una muestra t́ıpicamente aleatoria de
este universo
Trabajamos con el universo para comprender como realizar
estimaciones y qué implican estas estimaciones
Trabajamos con la muestra para implementar estos estimadores
16 / 37
Análisis emṕırico
I Pregunta emṕırica:
I ¿Aumenta el salario con un t́ıtulo universitario? La pregunta
emṕırica es también ¿en cuánto? Una variable relevante de
resultado, y , es el salario. Una caracteŕısticaes también el
nivel educativo, x1, pero también otra serie de caracteŕısticas
del individuo que pueden afectar al salario más allá de la
educación, x2, x3, .. que pueden ser observables, y una serie de
inobservables que se resumen en una variable, u.
I Descripción: Una primera forma de explorar esta pregunta es
hacer una descripción de estas variables y de sus relaciones.
I (Más adelante veremos un modelo de la decisión de estudiar y
de los efectos de la educación.)
17 / 37
Análisis emṕırico - Descripción de los datos
Supongamos que x es una variable aleatoria. El valor xj es una
realización de x .
I La distribución de esta variable está caracterizada por la función de
distribución acumulada
F (x0) = Pr (x ≤ x0)
que mide la probabilidad de que la realización de x sea menor o
igual al valor x0.
I Si la variable aleatoria es discreta, esta función de distribución se
puede describir con la función de probabilidad
fx (x0) = Pr (x = x0) .
I Si la variable aleatoria es continua entonces
Fx (b)− Fx (a) =
∫ b
a
fx (x) dx
y en los puntos derivables, la derivada de la distribución acumulada
es la densidad
fx (x0) =
dF (x)
dx
18 / 37
Análisis emṕırico - Descripción de los datos: muestra
Apliquemos estos conceptos a una muestra. EPH, ingresos
individuales (en logaritmo), nivel educativo. En STATA abrimos la
base [link]:
. use Individual t414.dta, clear
I La variable aleatoria nivel educativo es discreta. Podemos describir
la proporción de la población que tiene cada nivel educativo
I En STATA es tabular los datos (como es una encuesta con
ponderadores los incluimos como fw)
. tab nivel ed [fw=pondera]
I Un histograma es una representación gráfica de esta distribución
. hist nivel ed [fw=pondera], discrete width(1)
start(1)
I La variable logaritmo del ingreso es continua, se representa
graficando percentiles. Genera la variable y calcula percentiles y
grafica:
. gen ling = log(p47t)
. xtile px ling = ling, n(100)
. twoway scatter px ling ling
19 / 37
https://dl.dropboxusercontent.com/u/6851291/temp/Individual_t104.dta
Análisis emṕırico - Descripción de los datos
I La esperanza (o media) de una variable discreta es
E (X ) = ∑
j
xj fX
(
xj
)
donde fX es la función de probabilidad y mide la proporción de
observaciones en las que ocurre la realización xj .
I La esperanza de una variable continua es
E (X ) =
∫ ∞
−∞
xfX (x) dx
o también puede escribirse
E (X ) =
∫ ∞
−∞
xdFX (x)
I En la muestra se computa un promedio
x̄ =
1
n ∑
j
xj
I La EPH tiene ponderadores; es necesario ponderar cada observación.
. mean p47 [pw=pondera]
20 / 37
Análisis emṕırico - Descripción de los datos
I La varianza de una variable discreta es
Var (X ) = ∑
j
(
xj −E (X )
)2
fX
(
xj
)
I La varianza de una variable continua es
Var (X ) =
∫ ∞
−∞
(
xj −E (X )
)2
fX
(
xj
)
dx
I El desv́ıo es
σ (X ) =
√
Var (X )
I Skewness (asimetŕıa):
S (X ) =
1
σ (X )3
∑
j
(
xj −E (X )
)3
fX
(
xj
)
I Curtosis (forma):
K (X ) =
1
σ (X )4
∑
j
(
xj −E (X )
)4
fX
(
xj
)
En STATA:
. sum p47t [fw=pondera], det
21 / 37
Nota aclaratoria: ponderación en STATA
I Para ponderar en STATA (en una muestra con N
observaciones, con variable de ponderación pondera con
valores enteros)
I [pweight=pondera] inversa de la probabilidad de que la
observación sea incluida (STATA mantiene a N como numero
de observaciones)
. mean p47 [pw=pondera]
Mean Number of obs = 32362
Mean Std. Err. [95% Conf. Interval]
p47t 5234.901 47.01991 5142.741 - 5327.062
I [fweight=exp] cantidad de observaciones duplicadas (STATA considera
que la cantidad de osbervaciones es ∑i ponderai )
. mean p47 [fw=pondera]
Mean Number of obs = 14171408
Mean Std. Err. [95% Conf. Interval]
p47t 5234.901 1.510543 5231.941 - 5237.862
I Regla: usar fw para medias y desv́ıos estándar; usar pw para
error estándar; usar pw o no ponderar en regresiones
22 / 37
Análisis emṕırico - Descripción de los datos - Dos variables
I Si X e Y son dos variables aleatorias no sólo se puede caracterizar
cada una sino también su distribución conjunta.
I Un indicador relevante aqúı es la covarianza:
Cov (X ,Y ) = E ((X −E (X )) (Y −E (Y )))
= E (XY )−E (X )E (Y )
I En una muestra
cxy =
1
n ∑
i
(xi − x̄) (yi − ȳ)
I La correlación es
Corr (X ,Y ) =
Cov (X ,Y )
σ (X ) σ (Y )
I En STATA
. correlate ling aniosedu [fw=pondera]
I Una propiedad importante
Var (a+ bX + cY ) = b2Var (X ) + c2Var (Y ) + 2bcCov (X ,Y )
23 / 37
Análisis emṕırico - Descripción de los datos - Esperanza
condicional
I Cuando tenemos dos variables también podemos computar una
media condicional
I Supongamos X es discreta:
E (Y |X = x) =
∫ ∞
−∞
yfY |X (y |x) dy
donde fY |X (y |x) =
fX ,Y (x ,y )
fX (x)
es la distribución de y condicionada
en X = x . Importante:
∫ ∞
−∞ fY |X (y |x) = 1.
I En una muestra es la media pero restringiendo la muestra a todas
las observaciones con X = x
I Por ejemplo, el log del ingreso promedio de los graduados
universitarios
. sum ling if nivel ed==6 [fw=pondera]
I La distribución condicionada es la distribución del ingreso por
educación (para los graduados universitarios)
I Cuando la variable X es continua el concepto es idéntico pero en la
implementación en una muestra se usan otros métodos (que
veremos más adelante)
24 / 37
Análisis emṕırico - Descripción de los datos - Esperanza
condicional
I La esperanza condicionada puede verse como una función:
Conditional Expectation Function (CEF) o función de
esperanza condicionada
µ(x) = E (Y |X = x)
I La esperanza condicional nos ayuda a la comprensión y a la
predicción. Veremos varios usos y propiedades.
I La ley de esperanzas iteradas es útil
E (Y ) = E (E (Y |X ))
donde
E (E (Y |X )) =
∫
E (Y |X ) fX (x) dx
I En una muestra, el promedio total es igual que un promedio
(ponderado) de un promedio para cada grupo (ejemplo
ingreso por grupo)
25 / 37
Análisis emṕırico - Descripción de los datos - Esperanza
condicional
I Independencia: Dos variables y , x son independientes en
media si
E (y) = E (y |x)
I Dos variables independientes en media serán incorrelacionadas
cov(y , x) = 0.
I Llamamos ortogonales a dos variables independientes en
media: y ⊥ x
I Independencia condicional. Ejemplo: salarios y conciencia
ambiental estan correlacionados. Sin embargo, la relación es
porque los más educados tienen mayor conciencia ambiental y
más salarios. Controlando por educación, estas dos variables
no correlacionan (salarios y conciencia ambiental son
independientes, condicional en educación): y ⊥ x |z .
26 / 37
Análisis emṕırico - Descripción de los datos - Dos variables
I La esperanza condicional puede ser aproximada por una recta.
I Supongamos que es el caso y que
Y = a+bX + U
donde a y b son parámetros y U es una variable aleatoria.
Entonces,
E (Y |X ) = E (a+ bX + U |X )
= a+ bX + E (U |X )
I Cuando E (U |X ) = 0 entonces el CEF es lineal.
27 / 37
Regresión lineal. Cómo?
Regresión y predicción en STATA:
. regress p47t aniosedu [pw=pondera]
. predict p47hat, xb
Incluyendo controles
. regress p47t aniosedu edad edad2 sexo
28 / 37
La estimación de relaciones causales
Una segunda pregunta, mucho más avanzada y dif́ıcil, es la de la
relación causal entre las variables de interés (salarios y educación,
por ejemplo).
¿Qué relaciones u objetos son de interés? En general el objeto de
interés es
∂E (y |X )
∂x1
(si x es una variable continua) es decir, cuánto aumenta el
resultado cuando cambia un input, sólo uno, dejando constante
todas las demás variables, incluso los inobservables (en el ejemplo,
cuánto aumenta el salario cuando aumenta la educación).
Este efecto puede ser medido según las medias condicionadas o
según una regresión.
29 / 37
Problema de variables omitidas
Sin embargo, el resultado de una regresión lineal no necesariamente
será un efecto causal.
Supongamos que calculamos E (yi |xi1), a partir de los datos.
Una de las formas de implementar esto es tener la media de los salarios
según años de educación o también por nivel educativo (universitario
incompleto, universitario completo).
Si computamos β̂1 = E (yi |xi1 = UC )−E (yi |xi1 = UI ) podŕıamos
tener un estimador del objeto de interés. Sin embargo, si y depende de
muchas otras variables, por ejemplo x2 (educación del padre), y x2
cambia con la educación (la educación de un individuo se correlaciona
con la educación de la siguiente generación) entonces la estimación del
parámetro de interés estará sesgada.
Lo importante es que la derivada de interés debe responder a la
pregunta de: ¿cuál será el salario si un individuo pasa de no
estudiar la universidad a terminar una carrera? Si todo el mayor
salario de un individuo universitario viene porque su padre es
universitario y esto le genera más contactos y oportunidades
laborales entonces en realidad conviene que sólo los individuos con
padres universitarios estudien!
30 / 37
Problema de variables omitidas
Una analoǵıa matemática... si las variables fueran continuas
podŕıamos asociarlo a medir un diferencial total en vez de una
derivada parcial:
y = g (x1, x2)
Entonces,
dy
dx1
=
∂g (x1, x2)
∂x1
+
∂g (x1, x2)
∂x2
∂x2
∂x1
En este caso, el efecto que quisiéramos medir es el primer término
∂g (x1,x2)
∂x1
, dejando fijo el valor de x2, pero si tenemos variables
omitidas y sólo observamos x1, vamos a calcular
dy
dx1
porque no
vamos a poder separar el efecto indirecto de x1 a través de x2.
31 / 37
Problema de variables omitidas
Supongamos que yi = β1xi1 + β2xi2 + ui , con u ortogonal a las x ,
pero también xi2 = δxi1 + ε icon ε i es ortogonal a ui .
Supongamos que observamos yi , xi1 pero no x2, entonces la media
condicionada es
∂E (yi |xi1)
∂xi1
= β1 + β2δ
porque condicionamos sólo a lo observable.
En el ejemplo anterior, β2 > 0 y δ > 0, por lo que hay un sesgo de
estimar el coeficiente observando solamente x1 y este sesgo es a
sobre-estimar el efecto de esta variable sobre y .
Notar que si observamos tanto x1 como x2, condionamos sobre
ambas variables y
∂E (yi |xi1, xi2)
∂xi1
= β1
porque E (xi2|xi1, xi2) = x2.
32 / 37
Supuestos
¿Qué tiene que ocurrir para que el coeficiente de la regresión sea el
efecto causal?
I Los inobservables deben ser independientes de la variable x1,
E (ui |xi ) = 0, o también ui ⊥ xi (u y x son ortogonales).
I Los inobservables son independientes e idénticamente
distribuidos, ui ∼ iid .
33 / 37
Relación causal y métodos experimentales
Puede ocurrir que (seŕıa ideal que) los datos de los individuos
surgieran de una muestra especialmente diseñada para encontrar
una causalidad.
Este es el caso de los experimentos, por ejemplo de las ciencias
médicas, pero también en econoḿıa.
El ”tratamiento”se asigna aleatoriamente y un grupo es tratado y
otro no tratado. Este segundo será el grupo de comparación o de
control.
Aqúı la relación causal, si se cumple con esta aleatoriedad, la
muestra es grande y balanceada (todas las caracteŕısticas son
comunes en los dos grupos), el efecto causal puede estimarse como:
∂E (yi |xi )
∂xi1
= E (yi |xi1 = 1)−E (yi |xi1 = 0)
porque todos los otros xi son comunes entre los dos grupos.
34 / 37
Resumen
El estudio del mercado de trabajo, la desigualdad de ingresos y la
pobreza usa intensivamente micro datos y busca resolver preguntas
como “cuál es el efecto de alcanzar un nivel educativo sobre los
ingresos laborales?”
Primero
I Describimos los datos con estad́ısticos como media y varianza
I Estimamos la función de esperanzas condicionadas
I Podemos considerar a la regresión como una aproximación
lineal a esa función
Pero como la pregunta es finalmente causal la vinculación entre
ingresos y educación no es suficiente
I Variables omitidas
I Endogeneidad
Idealmente estos problemas se resuelven con asignaciones
aleatorias.
Cuando esto no es posible necesitamos métodos para corregir la
endogeneidad
35 / 37
Referencias
Leer:
Angrist & Pischke, ”Mostly Harmless Econometrics: An empiricit’s
Companion”, Cap 1
36 / 37
	Por qué estudiar el mercado laboral?
	Las preguntas y el análisis empírico
	Descripción de variables y relaciones entre las variables
	Regresión
	Relación causal