Cap 7 STATA Tópicos de Micro - Clase 6

Vista previa del material en texto

Diferencias en Diferencias
Tópicos de Microeconoḿıa
Juan Pablo González
(jpg512@nyu.edu)
Universidad de Buenos Aires
1 / 40
Introducción
▶ Diferencias en diferencias 2x2
▶ Múltiples momentos en el tiempo
▶ Tendencias paralelas y cómo validar el supuesto de identificación
▶ Aplicaciones en Stata
▶ Galiani et al (2005)
2 / 40
El método de diferencias en diferencias
▶ John Snow y el estudio del cólera en Londres
▶ Diseño de investigación más común en econoḿıa aplicada
▶ Idea básica es combinar comparaciones entre individuos (sesgadas) y en el tiempo
(sesgadas) para estimar parámetros causales
3 / 40
El método de diferencias en diferencias
Figure 1: Cunningham (2021)
4 / 40
El método de diferencias en diferencias
▶ Tendencias paralelas
▶ Asumir mismo T para todas las unidades
▶ Supuesto de identificación
▶ Cuya credibilidad determina cuán créıbles son nuestros resultados
▶ No se puede demostrar
5 / 40
DD 2x2
▶ Caso más simple: dos grupos en dos momentos en el tiempo
▶ yit = α+ β Ti + γ Postt + δ (Ti ∗ Postt) + ϵit
▶ δ es el parámetro de interés
▶ Los controles son el contrafáctico de lo que hubiese ocurrido con los tratados en
ausencia del tratamiento
6 / 40
DD 2x2
Figure 2: James A. Cannavino Library
7 / 40
Card y Krueger (1994)
▶ Una de los primeras y más famosas aplicaciones de DD en econoḿıa
▶ Efectos del salario ḿınimo
▶ En los modelos clásicos, aumentos del salario ḿınimo generan desempleo
▶ Cuestión emṕırica
▶ ¿Cómo estimar este efecto?
▶ Problemático comparar una provincia con un salario ḿınimo alto contra otra con
salario ḿınimo bajo
▶ Problemático comparar una provincia antes y después de decidir aumentar el salario
ḿınimo
8 / 40
Card y Krueger (1994)
▶ Pennsylvania vs New Jersey (aumento del salario ḿınimo)
▶ Yits = α+ γ NJs + λ Dt + δ (NJ ∗ D)st + ϵits
▶ donde:
▶ PA pre: α
▶ PA post: α+ λ
▶ NJ pre: α+ γ
▶ NJ post: α+ γ + λ+ δ
▶ i : locales de comida rápida (n), t: años (2), s: estados (2)
9 / 40
Card y Krueger (1994)
Figure 3: Cunningham (2021)
10 / 40
Card y Krueger (1994)
Figure 4: Cunningham (2021)
11 / 40
DD múltiples peŕıodos
▶ DD se puede extender sin problemas al análisis de muchos peŕıodos
▶ yit = α+ β Ti + γ Postt + δ (Ti ∗ Postt) + ϵit
▶ yit = α+ β Ti + γ Postt + δ (Ti ∗ Postt) + θ Xit + ϵit
▶ Es un panel, aśı que podemos incluir efectos fijos y temporales
▶ yit = δ (Ti ∗ Postt) + θ Xit + αi + βt + ϵit
12 / 40
DD múltiples peŕıodos
Figure 5: Gertler et al (2016)
13 / 40
Supuesto de identificación
▶ La validez de DD descansa en el supuesto identificación
▶ Supuesto de identificación de tendencias paralelas:
▶ Tratados y controles hubieran seguido la misma trayectoria de no existir el
tratamiento
▶ No hay otro evento contemporáneo que pueda explicar la diferencia entre tratados y
controles
▶ No observable, pero podemos presentar evidencia para defenderlo
▶ Tener en cuenta que siempre podemos estimar el coeficiente de DD, que sea
causal depende del supuesto de identificación
14 / 40
Tendencias paralelas
▶ Graficar la evolución de los controles y los tratados antes y después del
tratamiento
▶ Podemos encontrarnos con distintas situaciones:
▶ DD 2x2 iguales en nivel
▶ DD 2x2 diferencias en nivel
▶ Múltiples peŕıodos e iguales en nivel
▶ Múltiples peŕıodos y diferencias en nivel
▶ Tendencias no paralelas
▶ El diseño de DD es más fuerte si además de tendencias paralelas tenemos mismos
niveles previos al tratamiento (aunque no es necesario)
15 / 40
Tendencias no paralelas
Figure 6: Gertler et al (2016)
16 / 40
Tendencias paralelas
▶ ¿Qué ocurre cuando las tendencias no son paralelas?
▶ Tendencias paralelas con otras formas funcionales
▶ Si nuestro outcome ajusta mejor, por ejemplo, en forma logaŕıtmica, podemos usar
log(y) en lugar de y como dependiente
▶ Los gráficos ayudan y sirven para convencer, pero no son un test estad́ıstico
17 / 40
Tendencias paralelas
▶ Si tenemos igualdad en niveles, podemos estimar si el efecto del tratamiento antes
de que se asigne.
▶ Estimación por DD:
▶ yit = δ (Ti ∗Postt)+ θXit +αi + βt + ϵit , incluyendo peŕıodos pre y post tratamiento
▶ Estimación pre tratamiento:
▶ yit = δ Ti + θ Xit + αi + βt + ϵit , incluyendo el peŕıodo pre tratamiento
▶ ¿Por qué no usar (Ti ∗ Postt) en la última ecuación?
18 / 40
Checks de placebo
▶ La idea básica de los checks de placebo es mostrar que algo que no debeŕıa ocurrir
si nuestro supuesto identificación fuese cierto, de hecho, no ocurre
▶ Cambiar el momento del tratamiento por otros anteriores
▶ Estimar nuestro DD con Postt−k en lugar de Postt
▶ Tenemos que crear nuevas variables
▶ Usar otros grupos que no debeŕıan ser afectados por el tratamiento
▶ El salario ḿınimo no debeŕıa tener efectos sobre el empleo en sectores de altos
salarios
▶ Usar otros outcomes que no debeŕıan ser afectados por el tratamiento
19 / 40
Otros checks
▶ Comparación de observables entre tratados y controles
▶ First stages effects
▶ Usar distintas formas de medir las variables, sub-muestras, etc.
▶ Segunda parte del supuesto: ocurrió algo relevante en el momento que se asignó
el tratamiento?
20 / 40
Inferencia
▶ DD es un panel
▶ Valen las mismas conclusiones en términos de inferencia
▶ Cunningham (2021):
▶ Clusters a nivel de asignación del tratamiento
▶ Block bootstraping puede ser útil si tenemos muy pocos clusters (Card y Krueger,
1994)
▶ Agregar datos a dos peŕıodos tiene muchas otras implicancias, no recomendable a
menos que sea motivado por la pregunta de investigación
21 / 40
Stata
▶ En Stata necesitamos datos en panel
▶ xtset state year
▶ Una variable que tome el valor de 1 para todas las unidades tratadas (treated), y
otra que tome el valor de 1 a partir del momento en que se asigna el tratamiento
(treatment)
gen did = treated*treatment
▶ Estimamos el modelo con la interacción
▶ xtreg outcome did treated treatment control 1 control 2 i.year, fe
▶ donde did es el estimador de DD
22 / 40
Stata
▶ González (2022): efecto de la industria del fracking sobre la regulación
medioambiental
▶ En el año 2005 el fracking se vuelve económicamente viable
▶ Análisis de siete estados en USA que concentran más del 90% de la producción
▶ Unidad de análisis: zipcode/año
▶ Peŕıodo: 1990 - 2014
23 / 40
Stata
▶ Fracked : valor de 1 para todos los zipcodes que registran al menos un pozo de
fracking en toda la muestra
▶ Treatment: valor de 1 para todos los años desde 2005
▶ Did : el producto de ambas variables
▶ Empecemos con un gráfico:
▶ lgraph lnaction year, by(fracked) xline(2005)
24 / 40
Stata
Figure 7: González (2022)
25 / 40
Stata
▶ Para la estimación le avisamos a Stata que nuestros datos son paneles con xtset
▶ xtreg lnaction treatment fracked did i.year, fe robust
▶ El estimador de diferencias en diferencias es did
▶ Podemos hacer esto para distintas variables dependientes y meter todo en una
misma tabla con outreg2
26 / 40
Stata
Figure 8: González (2022)
27 / 40
Stata
▶ xtdidregress para regresiones DD en panel
▶ xtdidregress (y1 x1 x2) (did), group(group) time(time)
▶ Efectos fijos y temporales, errores estándar clustereados en group
▶ Tendencias paralelas:
▶ estat trendplot
▶ estat ptrends
28 / 40
Stata
29 / 40
Stata
30 / 40
Stata
31 / 40
Abdul-Razzak et al (2020)
▶ Consecuencias electorales del dinero en la poĺıtica
▶ Diferencias en diferencias usando el caso de Citizens United
▶ Elecciones estatales
▶ Bipartisan Campaign Finance Reform Act (2002) prohibe outside spending
▶ Citizens United (2010): Corte Suprema deja sin efecto las restricciones
32 / 40
Citizens United
Figure 9: Abdul-Razzak et al (2020)
33 / 40
Diferencias en diferencias
▶ Tratados (restricciones previas) vs controles (sin restricciones)
▶ Previos a CU, 23 estamos teńıan restricciones y 27 no
▶ Muestra de 48 estados entre 1990 a 2018
▶ Compararla trayectoria de ambos grupos antes y después de CU
34 / 40
Diferencias en diferencias
▶ RepVSst = β (BanStatei ∗ CinUnt) + αs + δt + ϵst
▶ s y t, estados y años, respectivamente
▶ RepVSst : % votos a Republicanos (otras medidas como ideoloǵıa o polarización)
▶ BanStatei : igual a 1 para estados eventualmente tratados
▶ CinUnt : igual a 1 para todos los años desde CU
▶ αs y δt : efectos fijos y temporales
▶ Errores estándar clusteareados a nivel estatal
35 / 40
Tendencias paralelas
Figure 10: Abdul-Razzak et al (2020)
36 / 40
Tendencias paralelas
Figure 11: Abdul-Razzak et al (2020)
37 / 40
Resultados principales
Figure 12: Abdul-Razzak et al (2020)
38 / 40
Otros resultados
▶ Otros eventos alrededor de CU
▶ Gran Recesión y presidencia de Obama
▶ Auge del Tea Party: controlar por asistentes a protestas del Tea Party
▶ REDMAP (estrategia estatal de Republicanos): controlar por gasto de REDMAP
▶ Red Wave y contribuciones de campaña: controlar por ĺımites electorales y
contribuciones de campaña
▶ Con mismo DD:
▶ Legislaturas estatales más conservadoras
▶ No encuentran efectos sobre polarización en las legislaturas estatales
▶ Mayores efectos en los estados donde las corporaciones están más alineadas con el
partido Republicano
39 / 40
Bibliograf́ıa
▶ Cunningham (2021) Cap. 9
▶ Galiani et al (2005)
40 / 40
	Introducción
	El método de diferencias en diferencias
	DD 2x2
	DD múltiples períodos
	Supuesto de identificación
	Inferencia
	Stata
	Abdul-Razzak et al (2020)
	Bibliografía