Programasyevaluacion

Economía de las Políticas Sociales Programas contra Pobreza y Evaluación

Crecimiento y Distribución • Hay una relación causal entre mayor crecimiento y menor pobreza. • Desigualdad es sin embargo hace que la reducción de pobreza de mayor crecimiento sea menos eficiente.

Transferencias Condicionadas • Lo más recientes son CCT: conditional cash transfer programs: Progresa (méxico), Bolsa Familia (Brazil). • Un programa parecido, pero no igual es Chile Solidario. • “the approach is highly efficient in inducing a change in behavior among parents toward child human capital development when the objective is not extreme poverty reduction”

Evaluando el impacto de programas contra la pobreza • Nuevos desarrollos se focalizan en el diseño de los programas sociales. • Experimentos y Quasi-experimentos.

Experimentos y QuasiExperimentos

• Experim ideal pa

Términos: experimentos y quasiexperimentos

• Un exper investigad

Diferentes tipos de experimentos: tres ejemplos

• Medicina • Y = ni

Nuestro tratamiento de experimentos: un resumen

• Por qué lo efectos ca

Experimentos Idealizados y Efectos Causales

• Un experi individuo

Estimación de un experimento aleatorio controlado

• Asignac βˆ1

βˆ1

Y treated

Y control

Problemas Prácticos Potenciales con Experimentos

1. Falla en

George Elton Mayo el Experimento Hawthorne

Otros problemas:

1. Muestra 2. Tratami

Estimadores de regresión del efecto causal con datos experimentales

• Focalizado

• A menudo

Estimadores del efecto de tratamiento β 1 usando datos es experimentales (X = 1 si tratado, 0 si control)

Estimadores con datos experimentales

diferencias

El estimador de diferencias-endiferencias

• Supongam systemáti Yi before Yi after

Yi after

Yi before

El estimador de dif-en-dif βˆ1diffs −in −diffs

Y treat ,after Y treat ,before

Y control ,after Y control ,before

=

El estimador de dif-en-dif

(1) Formul Yi after

βˆ1

Yi before

El estimador de dif-en-dif

(2) Regresi Y βˆ1

Incluyendo otras características individuales (W’s)

• Típicam individu Yi after

Yi before

Estimación experimental de tamaño de la clase: El Experimento Tennessee

Proyecto ST • 4-años,

Desviaciones del diseño experimental

• Comprom

• 10% d

Análisis de regresión

• El modelo Y =

Estimadores en diferencias (sin W’s)

Variables de Control

Cuál es la d una variabl

Independencia Media Condicional

Independencia Media Condicional

• Con dat

significa

Implicancia de Independencia Media Condicional

Implicancias de Independencia Media Condicional

• La med E( E (Yi | X i = x + ∆x,Wi ) − E (Yi | X i = x,Wi ) ∆x

Implicancias de Independencia Media Condicional

Y

βˆ1

βˆ2 βˆ1

Entonces, qué es una variable de control?

Una variab satisfaciend

Un ejemplo de independencia media condicional STAR: experiencia del profesor

Proyecto ST • Profesor

Independencia Media Condicional

• En un a • En S

Independencia Media Condicional

• Sin emb

escuela,

Estimar β 1 cuando E(u|X,W) = E(u| W) y W es binaria:

entonces u i

Ejemplo: efecto de la experiencia del profesor

• Sin efecto experienc

Por qué necesito incluir W’s en una regresión de VI?

Buena preg tenemos un

Por qué necesito incluir W’s en una regresión de VI?

3. Pero esta variables

Por qué incluir los W’s en una regresión de VI

Ejemplo 1: Esto es hip

Quasi-Experimentos

Un quasi-e de randomi

Dos tipos de quasi-experimentos

(a) Trat en algunos

Métodos Econométricos

(a) Tratam Estima βˆ1

El estimador diffs-in-diffs se simplifica a estimador diffs-en-diffs de“cambios” cuando T = 2

Yit = β0

Diferencias en diferencias con variables de control

Yit = β0 + β

(b) Una va “como

Amenazas a Quasi-Experiments

Las amena las mismas

Las amenazas del validez externa son iguales a las de estudios con datos observacionales

1. Muestra 2. “Tratam

Experimentos y Quasi-Experimentos Estimadores en Poblaciones Heterogeneas

• Hemos di

Heterogeneidad de efectos causales

Cuando el e dice que la

Modelo de regresión poblacional con efectos causales heterogeneos

Y

El efecto causal promedio

Y

El efecto causal promedio

Y

OLS con efecto causal heterogeneo

βˆ1 Y treated

Y treated

Y control

Y

La matemá Entonces βˆ1

p

βˆ1 →

Y treated

Y control

OLS con efecto tratamiento heterogeneo: X con E(ui|Xi) = 0 βˆ1

s XY p σ XY cov( β 0i + β 1i X i + ui , X i ) → 2 2 sX σX var( X i ) cov( β 0i , X i ) + cov( β 1i X i , X i ) + cov(ui , X i ) var( X i ) cov( β 1i X i , X i ) var( X i ) p

βˆ1 →

=

(b) Ahora h aleatori

La matemá p

βˆ1 →

cov( β 1i X i , X i ) var( X i )

  cov( β1i X i , X i )  E E  | β 1i      var( X i )

 cov( X i , X i )  E  β1i  var( X ) i  

 var( X i )  E  β1i  var( X ) i  

Regresión VI con efectos causales heterogeneos

Suponga del instru

Regresión VI con efectos causales heterogeneos

Y

La matemática…

βˆ

TSLS 1

E ( β1iπ 1i ) → E (π 1i ) p

Y X

El Local Average Treatment Effect (LATE): βˆ

TSLS 1

E ( β1iπ 1i ) E (π 1i )

E ( β1iπ 1i ) → E (π 1i ) p

LATE, ctd

βˆ

TSLS 1

E ( β1iπ 1i )

E ( β1iπ 1i ) → E (π 1i ) p

E ( β1i ) E (π 1i )

cov( β1i ,π 1i )

E ( β1iπ 1i ) E ( β1i ) E (π 1i ) + cov( β1i ,π 1i ) E (π 1i ) E (π 1i ) cov( β1i ,π 1i ) E ( β1i ) + E (π 1i ) cov( β1i ,π 1i ) E (π 1i )

LATE, ctd cov( β1i ,π 1i ) E (π 1i )

cov( β1i , π 1i )

E (π 1i )

LATE, ctd.

Cuando hay depende en

Cuando TSLS estima efectos causales? βˆ

TSLS 1

cov( β1i ,π 1i ) E (π 1i )

p

→ p

βˆ1TSLS →

βˆ1TSLS

X

LATE, ctd:

Ejemplo #1

Efectos causales heterogeneos: resumen

• Efectos ca efecto var

Resumen: Experimentos y QuasiExperimentos

Experimen • Efectos

Resumen

Quasi-expe • Quasi-e

Resumen, ctd.

Dos temas • Qué es un

Resumen, ctd.

• Que estim heterogéne