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