Evaluacion Econométrica de dos programas de apoyo FOSIS

Facultad de EconomÃ−a y Negocios
EVALUACIÃ N ECONOMÃ TRICA DE DOS PROGRAMAS DE APOYO ECONÃ MICO DE
FOSIS
Tesis para optar al grado de MagÃ−ster en EconomÃ−a Aplicada a PolÃ−ticas Públicas de la
Universidad Alberto Hurtado
Santiago, Chile
2012
Facultad de EconomÃ−a y Negocios
EVALUACIÃ N ECONOMÃ TRICA DE DOS PROGRAMAS DE APOYO ECONÃ MICO DE
FOSIS
Santiago, Chile
2012
Dedicatoria
A mi amada esposa Karina y mis queridos hijos MarÃ−a Fernanda y Francisco, a los cuales les hurte valiosas
horas durante dos años de sus vidas.
Agradecimiento
A la Comisión Nacional de Investigación CientÃ−fica y Tecnológica, CONICYT, por haber financiado el
grado Magister, a través de la Beca asociada al Programa de Formación de Capital Humano Avanzado,
dirigido a funcionarios públicos.
Al Fondo de Solidaridad e Inversión Social, FOSIS, por su patrocino a la realización de esta Tesis y su
constante apoyo en la recopilación de antecedentes y datos para llevar a cabo esta evaluación.
Contenido
Dedicatoria. 3
Agradecimiento. 4
Resumen. 6
Abstract. 6
1. Introducción. 8
2. Literatura previa. 12
2.1. Microcrédito, microfinanzas y microempresa. 12
1
2.2. Evaluación de impacto. 12
2.3. En la elección de un modelo econométrico. 12
3. Marco teórico. 12
3.1. Factores no observables en programas de microcrédito. 12
3.2. Caracterizando los sesgos en la muestra de datos. 12
3.2.1. CaracterÃ−sticas de la muestra PAM. 12
3.2.2. CaracterÃ−sticas conjuntas de muestra PAM - PAAE. 12
3.2.3. Variación en los ingresos autónomos familiares. 12
3.3. Modelos de estimación para evaluación de impacto. 12
3.3.1. Modelo tipo Propensity Score Matching (PSM). 12
3.3.2. Modelo tipo Difference in Differences (DID). 12
4. MetodologÃ−a. 12
4.1. Análisis de las muestras de datos. 12
4.1.1. Propiedades de la muestra de usuarios PAAE. 12
4.1.2. Propiedades de la muestra de usuarios PAM. 12
4.1.3. En la elaboración de un grupo de control alternativo. 12
4.2. Estimación econométrica del impacto del programa. 12
4.2.1. Estrategia de estimación por método PSM. 12
4.2.2. Estrategia de estimación por método DID. 12
5. Discusión de resultados. 12
5.1. Resultado del análisis descriptivo. 12
5.2. Resultado de las estimaciones econométricas. 12
5.2.1. Resultado de las estimaciones por método PSM. 12
5.2.2. Resultado de las estimaciones por método DID. 12
6. Conclusiones. 12
Glosario. 12
2
BibliografÃ−a. 12
Anexos. 12
Anexo A: MetodologÃ−a construcción de datos. 12
Anexo B: Estimaciones y resultados econométricos. 12
Anexo C: Procedimientos con las implementaciones. 12
RESUMEN
La presente tesis se enfocó en hacer un análisis a un programa de subsidio para familias de escasos recursos
económicos, llamado Programa de Apoyo a la Actividad Económica (PAAE), administrado por FOSIS. El
principal objetivo de esta tesis fue, mediante el análisis econométrico de una muestra de datos proveniente
de FOSIS sobre un conjunto de casi 10.000 postulantes, obtener un valor promedio del incremento en el nivel
de ingreso familiar por efecto de la adjudicación del programa PAAE. Para ello se hizo empleo de dos
técnicas econométricas conocidas como Puntaje de predisposición y Emparejamiento (Propensity Score
Matching o PSM) y de Doble Diferencias (o DID). El resultado obtenido fue de un incremento cercano a los $
25.000 por medio del método PSM y de $ 10.000 por medio del método DID. Se percibió una fuerte
correlación entre el número de postulantes mujeres y de muy bajos ingresos con la probabilidad de
asignación del subsidio.
Palabras claves: métodos, microfinanzas, crédito, evaluación impacto, evaluación.
Clasificación JEL: 016,017
ABSTRACT
The present thesis has been focuses in analyzing a subsidy program for low income families, known as
Programa de Apoyo a la Actividad Económica (PAAE), administered by FOSIS, Chile. The objective of this
thesis has been, by means of the econometric analysis over a data set of about 10.000 participants coming
from FOSIS, to obtain an average value of the increment in the income due to the assignment of the program.
In order to accomplish that, two econometric techniques has been used, know as Propensity Score Matching
(PSM) and Difference-in-differences (DID). The result obtained was an increment of about 25 thousand
Chilean pesos for the PSM method and about 10 thousand Chilean pesos. A strong correlation has been
perceived between the number of low income people and women with the probability of assignment.
Keywords: methods, micro-finance, credit, impact assessment, evaluation.
JEL Classification: 016, 017
• INTRODUCCIÃ N
Los microcréditos son una herramienta de inclusión financiera y laboral. Consisten en préstamos a
personas que no disponen de avales ni de suficientes ingresos, para acceder a créditos en las condiciones
normales de operación de mercado. A su vez, fomentan la creación de proyectos de autoempleo. Gracias a
los microcréditos, muchas personas emprendedoras han podido acceder a financiamiento para poner en
marcha una actividad productiva. El préstamo se concede con los únicos avales que representan la
confianza en la persona y en el proyecto, recuperando el sentido etimológico de la palabra crédito. El
negocio que se impulsa gracias al microcrédito, representa una opción de inserción laboral mediante la
modalidad del autoempleo para el emprendedor. AsÃ−, los programas de microcrédito consiguen un doble
3
impacto social. Por una parte, se constituyen en una mejora económica y laboral, ya que permiten que los
emprendedores obtengan un trabajo que les proporcione ingresos y, por otra parte, hacen posible la inclusión
financiera, puesto que ponen el financiamiento a disposición de aquéllos que están excluidos del sistema
financiero.
En ese contexto, el Fondo de Solidaridad e Inversión Social (FOSIS), Servicio Público, dependiente del
Ministerio de Desarrollo Social, en su búsqueda por diseñar e implementar polÃ−ticas innovadoras en la
lucha por la superación de la pobreza, decidió lanzar el año 2009, un programa de incentivo para la
colocación de Microcrédito, orientado a los emprendedores más vulnerables, para que sean atendidos por
distintos tipos de instituciones crediticias como, Fundaciones, Cooperativas de Ahorro y Crédito y Bancos.
La información disponible en FOSIS (2011), da cuenta de una oferta de once instrumentos, los cuales se
agrupan en tres conjuntos: 1° Ômbito Trabajo (con dos instrumentos), 2° Ômbito Emprendimiento (con
cuatro instrumentos) y 3° Ômbito Habilitación Social (con cinco instrumentos).
Esta investigación, se centrará en evaluar el impacto que generó en un grupo de beneficiarios, la
obtención de un microcrédito, como parte del Programa de Acceso al Microcrédito (PAM) y que a su
vez, cumplan con la condición de ser beneficiarios del Programa de Apoyo a Actividades Económicas
(PAAE). Para llevar a cabo la evaluación, se hará uso de una base de datos de usuarios que postularon al
programa de acceso al microcrédito (PAM) y ver cuales de ellos se encuentran en la base de datos del
programa de subsidio (PAAE). Es importante tener en cuenta, que los beneficiarios del programa PAAE, no
tienen impedimento alguno, para postular y acceder al microcrédito vÃ−a PAM. Ambos instrumentos, se
implementan en forma independiente. Se busca al utilizar ambas bases de datos, comprender mejor el
comportamiento de los agentes participantes.
LÃ−neas de acción programa PAAE:
1) Apoyo a las actividades económicas: Cuyo objetivo es que los usuarios egresen con capacidades
económicas vÃ−a iniciativas asociativas y/o individuales.
2) Financiamiento de inversión productiva: Cuyo fin es generar y consolidar emprendimientos y/o
actividades económicas, mediante micro financiamientos.
3) Proyectos de servicios especializados: Cuyo objetivo es aumentar la calificación y capacidades de
trabajo eficiente, eficaz y competitivo.
Para postular al PAAE se exige: i) Personas mayores de 18 años que cuenten con la Ficha de Protección
Social. ii) Que tengan un negocio en funcionamiento con al menos 6 meses de antigüedad. iii) El puntaje
FPS, no deberá ser superior a 8.500 puntos.
La Ficha de Protección Social (FPS) reemplaza a la Ficha CAS, es a su vez la puerta de ingreso a las
prestaciones y beneficios sociales del Estado. Las diferencias entre ambas fichas son: El puntaje CAS duraba
2 años, el puntaje FPS se actualiza mes a mes. La Ficha CAS tenÃ−a un puntaje entre 345 y 750 puntos, la
FPS entre 2.072 y 20.000 puntos. Donde 2.072 puntos son los más pobres y los de 20.000, los menos pobres.
Según cuadro 1 hay 10.782.270 personas en la FPS, las cuales se agrupan en 10 deciles.
Por su parte el programa PAM, consiste en un microcrédito con subsidio del Estado, otorgado por
Instituciones Bancarias, Fundaciones y Cooperativas de Ahorro y Crédito. El programa facilita el acceso al
crédito, a través de un subsidio entregado directamente a la institución intermediaria, la que a su vez,
otorgará el financiamiento. FOSIS, licita a dichas instituciones un fondo, el cual busca incentivar la
colocación de microcréditos en emprendedores, con ventas máximas de 1 millón 500 mil pesos
mensuales. Las instituciones intermediarias, tienen la labor de captar clientes, evaluar sus proyectos de
4
financiamiento, fijar las condiciones del mismo, cursar las operaciones y luego recuperar los créditos. El
subsidio se recibe una vez aprobado y desembolsado cada crédito.
Para postular al PAM se exige: i) Personas mayores de 18 años. ii) Personas cuyos ingresos, provengan de
una o más actividades de autoempleo, con ventas promedio mensuales con tope de 70 UF (últimos 12
meses). Si la actividad es inferior a 12 meses, se considera el promedio de ventas de los meses con actividad,
iii) El puntaje FPS no puede ser superior a 11.734 puntos. Cabe señalar, que el año 2009 se seleccionaron
personas con más de 11.734 puntos, pero que no tenÃ−an ventas superiores a 70 UF.
Los programas PAAE y PAM, se focalizan en los deciles segundo y cuarto respectivamente (ver Cuadro 21
(Anexo)), que son los más pobres, en los cuales hay 8.307.050 personas, un 77% del total cubierto por la
FPS.
FOSIS (2011), establece que el marco de su misión institucional es “Trabajar con sentido de urgencia por
erradicar la pobreza y disminuir la vulnerabilidad en Chile”. La acción institucional se ha dirigido hacia el
objetivo nacional de superar la pobreza, constituyéndose en una iniciativa que promueve el emprendimiento
en segmentos de pocos recursos económicos.
La metodologÃ−a a seguir, analizará la información proveniente de la implementación de los programas
PAAE y PAM. Por un lado, se preparará un conjunto de datos que representen al número de personas que
postularon al programa PAAE, debido a que contiene observaciones previas y posteriores a la asignación del
subsidio, tanto para personas que sÃ− recibieron financiamiento, como para aquellas que no lo recibieron.
Con dicha base se procederá a estimar dos tipos de modelos econométricos. Mientras que para el análisis
descriptivo, se preparará una muestra PAM y una muestra producto de un cruce, de la información de los
programas PAAE y PAM. El cruce entre ambas bases de datos permitirá inferir el comportamiento de los
agentes postulantes durante el periodo en el cual estuvieron tanto en un programa como en otro.
El modelo econométrico que se implementará con el conjunto de datos PAAE cuantificará el impacto
del microcrédito sobre los ingresos promedio de las personas participantes. El modelo considerará las
diferencias que existen entre las caracterÃ−sticas de las personas seleccionadas y las no seleccionadas tanto
antes como después del programa. Se considerarán a las variables presentes antes del programa, aquellas
que han sido ingresadas como en “LÃ−nea base” (LB) y a aquellas después como “LÃ−nea de salida” (LS).
La hipótesis de esta tesis plantea que el impacto de la asignación del microcrédito puede ser cuantificada
usando el modelo de puntaje de predisposición y emparejamiento (Propensity Score Matching o PSM). El
modelo PSM permite medir el impacto sobre un conjunto muestral que no cuenta con un diseño
experimental aleatorio, reemplazando el conjunto de control inicial con un grupo de control cuya distancia es
mÃ−nima para una función de predisposición entre una observación subsidiada y una o más
observaciones de control. Gracias a la estimación PSM, haciendo uso de un segundo modelo, el modelo de
doble diferencia o diferencia en diferencias (Difference in differences o DID), se cuantificará la diferencia
promedio entre una variable de respuesta importante, como el ingreso total autónomo del hogar, entre sus
valores antes y después de la asignación del subsidio.
El objetivo de esta investigación es cuantificar el impacto del programa de microcrédito sobre el ingreso
promedio total autónomo de los hogares reportados por las personas que participaron del programa PAAE.
La información del programa PAM sólo se utilizará de manera descriptiva para entender más claramente
el comportamiento de los agentes económicos. Para la estimación del impacto se emplearán los
métodos PSM y DID con la finalidad capturar los efectos de sesgos propios del ámbito de la elaboración
del programa de apoyo económico en cuestión.
El trabajo está organizado como sigue, en la sección 2 se estudiará la literatura previa. El modelo teórico
y su conceptualización se abordarán en la sección 3. La implementación de los modelos
5
econométricos se abordará en la sección 4. La sección 5 se centrará en los resultados obtenidos de la
modelación econométrica con sus respectivas implicancias de polÃ−tica. Por último, las conclusiones se
analizarán en la sección 6. Al final del texto se encontrarán la bibliografÃ−a consultada, un glosario con
los conceptos expresados en el documento y los anexos con la construcción de los datos de la muestra y las
diversas estimaciones econométricas obtenidas.
• LITERATURA PREVIA
La literatura en evaluación de impacto, usando métodos empÃ−ricos en econometrÃ−a ha ido
evolucionando hacia la adopción de enfoques más unificadores, aplicados y más desafiantes.
Adicionalmente, el aumento de la capacidad de los programas computacionales permite transformar
procedimientos complejos en tareas rutinarias. En econometrÃ−a, según Wooldridge (2001), se han
popularizado conceptos, tales como, el de sesgo por omisión de variable relevante, común en diversos
ámbitos de investigación aplicada en los cuales se cuenta con información incompleta. Mientras que por
el aspecto metodológico, se han hecho más conocidos los modelos no paramétricos, en los cuales no se
estiman los parámetros de una función ya especificada, sino una función de probabilidad propiamente tal,
lo cual implica hacer uso de menos supuestos y restricciones a la hora de investigar.
En esta sección, dividida en tres partes, se hará revisión de casos de aplicación de los modelos
econométricos Propensity Score Matching (PSM) y Difference-in-differences (DID) provenientes de la
literatura previa. En cada caso, se hará una descripción tanto de las definiciones como de las implicancias
sobre el impacto. Adicionalmente, se hará una revisión de conceptos como microcrédito, microempresa,
con la finalidad de comparar el número de evidencias con el contexto chileno actual.
• Microcrédito, microfinanzas y microempresa
El concepto de microcrédito, nació como propuesta del Catedrático de EconomÃ−a Dr. Muhammad
Yunus, quien comenzó su lucha contra la pobreza en 1974 durante la hambruna que padeció la población
de su tierra natal Bangladesh, uno de los paÃ−ses más pobres del planeta. Yunus descubrió que cada
pequeño préstamo podÃ−a producir un cambio sustancial en las posibilidades de alguien sin otros
recursos para sobrevivir, entonces vio la importancia de desarrollar programas dirigidos a ofrecer crédito
sin garantÃ−as para actividades generadoras de ingresos, encaminados a que los pobres superen la lÃ−nea de
la pobreza (Yunus, 1997).
En Chile, la experiencia en el ámbito de las microfinanzas se remonta a 1986, cuando el paÃ−s venÃ−a
saliendo de una fuerte crisis económica que llevó la cesantÃ−a a niveles sobre el 30%. En esa época se
crearon las primeras instituciones dedicadas a financiar créditos orientados al desarrollo de microempresas.
Posteriormente, en el año 2001, durante la visita que Muhammad Yunus realizó a Chile, se formó la Red
para el Desarrollo de las Microfinanzas en Chile. Se trata de un espacio de reflexión y análisis creado por
las instituciones de microfinanzas (IMFs), en el que participan tanto organismos públicos como privados,
con el objetivo de diseñar en conjunto polÃ−ticas, programas e instrumentos que potencien el desarrollo de
las microfinanzas y las microempresas en nuestro paÃ−s.
En conjunto suman más de 20 instituciones, como el Hogar de Cristo a través de su ONG “Fondo
Esperanza”, la Fundación Contigo, la Fundación Banigualdad, FINAM, la Cooperativa Oriencoop, la
Sociedad Financiera Emprende Microfinanzas, los Bancos Estado Microempresa y BCI Nova. De éstas, 15
tuvieron operaciones crediticias durante el año 2009. En conjunto, las IMFs de la Red han otorgado en los
últimos 16 años más de 2.950.000 operaciones de créditos por alrededor de 4.360 millones de
dólares. En la actualidad atienden a alrededor de 300.000 microempresarios con una cartera de cerca de US$
1.280 millones.
6
El microcrédito es la parte esencial del campo de las microfinanzas. El término microfinanzas se refiere a
la provisión de servicios financieros para personas en situación de pobreza, sean emprendedores por cuenta
propia y microempresarios cuyo acceso a los sistemas bancarios tradicionales es limitado o inexistente en
virtud de su condición socioeconómica.
Según datos de la Superintendencia de Bancos e Instituciones Financieras (SBIF), el acceso al crédito en
el sistema financiero es menor en las micro y pequeñas empresas o MIPES (43% en el 2003) que en las
empresas medianas y grandes (75 y 80%, respectivamente). De acuerdo a SERCOTEC (2010), las MIPES
están presentes en todas las actividades económicas del paÃ−s, y con más fuerza en aquellas que
presentan menores barreras de entrada (comercio, servicios, transporte y sector agrÃ−cola).
Cuadro 1: Microempresas según tramos de ventas
TRAMOS DE VENTA
COTA
VENTAS
SUPERIOR
ANUALES [UF]
venta mensual
1er Rango Micro Empresa
0 - 200
355.667
2do. Rango Micro Empresa 200 - 600
1.067.000
3ro. Rango Micro Empresa
600 - 2400
4.267.998
TOTAL PAÃ S
751.825
Fuente: Elaboración propia, en base a estadÃ−sticas del SII 2008.
TOTAL
EMPRESAS
SEGMENTO
MICRO
259.070
155.960
173.374
588.404
%
SEGMENTO
EN TOTAL
34%
21%
23%
78%
Según el SII (datos del Cuadro 1), un 78% de las empresas formalizadas (con iniciación de actividades) y
ventas mayores que cero, corresponden a microempresas (587.731) y se estima, que existen otras 805 que no
estarÃ−an formalizadas (sin iniciación de actividades), lo que sumarÃ−a 1.390.000 microempresas en el
paÃ−s. La participación de este segmento en las ventas agregadas es de un 1,8% mientras, la gran empresa
que representa un 1,4% de las unidades productivas, concentran el 86% de las ventas. Por otra parte, el 41%
del empleo en el paÃ−s es generado por las microempresas, del cual un 56% corresponde a trabajadores por
cuenta propia (SERCOTEC, 2010).
Según la Fundación Kast (2000), a través del emprendimiento, muchas personas logran salir de la
pobreza. En este sentido, la importancia de los programas, como el PAM y PAAE, es fundamental para
promover el emprendimiento en sectores de escasos recursos, transformándose en instrumentos claves para
generar mejores condiciones económicas de estas familias y mejorar su capacidad de competencia, factor
clave para crecer y sostenerse en el tiempo, considerando que Chile posee una economÃ−a oligopólica
(Briones et al., 2000) que hace más difÃ−cil la libre competencia.
• Evaluación de impacto
Actualmente existe un creciente interés en medir el impacto y la viabilidad de los programas de
microcrédito. Hasta la fecha, en general, la evidencia no es nada alentadora. Los resultados son ambiguos y
muchos programas se han mantenido en funcionamiento sólo gracias a las inyecciones de subsidios
gubernamentales (Aroca, 2002).
Definición de impacto
La estimación de impacto establece la diferencia, en alguna variable que se ha escogido como indicador de
resultados de un programa, entre la situación que presenta un individuo, o el cambio en ésta, después de
haber participado en el programa versus la situación en que se encontrarÃ−a, o el cambio en ésta, si no
hubiese sido beneficiario (Aedo, 2005).
7
Alcances del impacto
Son del interés de la evaluación de impacto, las siguientes preguntas: ¿se contribuye a resolver el
problema en la población objetivo del programa? ¿Cuál fue el efecto del programa sobre sus
beneficiarios? ¿Los beneficios recibidos por los participantes en el programa son los que se propuso lograr o
son diferentes a los propuestos? ¿Son estos positivos o negativos?
En caso de un mejoramiento en la situación de sus participantes, ¿Es esto una consecuencia del programa o
se hubiese obtenido de todas maneras? A la luz de los beneficios, directos e indirectos, obtenidos, ¿Se
justificaban los costos del programa? ¿Cuál es la tasa de retorno del programa por unidad monetaria
gastada en el programa?
Dimensiones de la evaluación de impacto
Son 4 las dimensiones involucradas en una evaluación de impacto:
1° Tipo de variable sobre la que se mide el impacto: Según esto, se puede clasificar a las investigaciones en
cuantitativas o cualitativa.
2° Forma de construcción de la muestra: Se clasifican las investigaciones en experimentales y no
experimentales.
3° Forma en que se construye un indicador de impacto: Define la muestra de comparación, dando origen a
cuatro tipos de estimadores:
3.1. El estimador “pre-post”.
3.2. El estimador de “corte transversal”.
3.3. El estimador de “diferencias en diferencias”.
3.4. El estimador “marginal”.
4° Método de estimación utilizado para cuantificar los impactos: Métodos paramétricos y
métodos no paramétricos.
Por otro lado, las 4 dimensiones de la evaluación de impacto, presentadas en el Cuadro 15, plantean que por
medio de la implementación de un modelo econométrico se puede lograr una buena aproximación al
efecto promedio del impacto sobre el grupo de personas intervenidas. Las bases de datos disponibles y los
procedimientos especÃ−ficos del modelo a usar, deben satisfacer dicho objetivo. Se deberá tener presente,
que dicho modelo, debe garantizar una evaluación de impacto consistente, que de cuenta si el programa logra
o no con los objetivos que se propuso.
De acuerdo con el Cuadro 15 (en ANEXOS), las componentes que el modelo a diseñar podrÃ−a utilizar son
potencialmente, las de variables cuantitativas, con una muestra no experimental, cuyo indicador de impacto
debe ser de diferencias en diferencias y bajo un método de estimación no paramétrico.
• En la elección de un modelo econométrico
El movimiento de las microfinanzas ha capturado la imaginación de los académicos, polÃ−ticos y
profesionales. Se ha visto un aumento en el número de préstamos a los hogares pobres y se ha
transformado la visión en los debates sobre la reducción de la pobreza. Sin embargo, pocos programas de
8
microfinanzas han implementado consigo rigurosas evaluaciones estadÃ−sticas sobre la eficacia del
microcrédito. Si lo hacen, se ven complicados, porque existen fuentes de variación que sesgan y dificultan
la evaluación económica de estos programas. Las fuentes de variación pueden deberse a que las
adjudicaciones del programa no son aleatorias y a que los clientes participen de forma inesperada (Blundell y
Costa Dias, 2000), lo que en un caso, irÃ−a en contra de las expectativas de un postulante y, en el otro, irÃ−a
en contra de las expectativas de un financiador, respectivamente.
Los métodos de evaluación adecuados dependen de varios criterios generales:
• La naturaleza del programa - es decir, si es local o nacional, pequeña escala o 'global'.
• La naturaleza de la pregunta a responder - es decir, el impacto global, el efecto del tratamiento sobre los
tratados o la extrapolación a una reforma de nueva polÃ−tica.
• La naturaleza de los datos disponibles. Con respecto a la naturaleza de los datos, hay una serie de
cuestiones. ¿El conjunto de datos contiene información para los individuos antes y después de su
participación en el programa? ¿Son cuestionarios similares? ¿Se administra a los grupos de
comparación potenciales o tenemos que utilizar los datos de otros estudios para la construcción de las
comparaciones? (Blundell y Costa Dias, 2000).
En primer lugar, es importante contar con el uso de registros históricos de datos pre-programa para evaluar la
plausibilidad de los supuestos que subyacen a este enfoque. Contar con datos longitudinales sobre personas de
hasta quince años antes de la introducción del programa permite tener lÃ−mites en torno a los efectos
máximos y mÃ−nimos del programa de base a la experiencia histórica. En segundo lugar, se ha sugerido
que los resultados experimentales de las evaluaciones pueden ser frágiles, lo depende en gran medida de la
forma funcional, los supuestos y la disponibilidad de un adecuado condicionamiento de variables (Blundell et
al., 2004).
Para calcular el impacto, el modelo econométrico debe cumplir con una serie de condiciones, ya sea como
propiedad de la muestra con que se estimará el impacto, o como propiedad del modelo en sÃ−. Una de esas
condiciones es la independencia entre el efecto de la asignación del programa y las caracterÃ−sticas de los
individuos. Dicha condición es común en ámbitos experimentales donde la asignación está dada de
manera que todos los individuos poseen caracterÃ−sticas similares para ser elegibles y el resultado de la
entrega es simplemente aleatorio. Por el contario, el programa FOSIS no cuenta con un diseño aleatorio
experimental. Un programa con diseño experimental tiene un alto costo y es de difÃ−cil implementación.
Si se intenta realizar la evaluación del impacto de un programa con un modelo que no esté bien
especificado y sobre una muestra no experimental, su resultado puede constituirse en un valor sesgado e
inconsistente.
Según estudios hechos en Reino Unido y EE.UU., que han analizado la evolución de los métodos de
evaluación alternativos, la elección adecuada del método de evaluación ha demostrado que dependen de
una combinación de los datos disponibles y del parámetro de polÃ−tica de interés. Los métodos de
evaluación, deben centrarse en los enfoques que no requieran datos experimentales. Bajo un simple
planteamiento de puntaje de predisposición y emparejamiento (PSM) y de diferencia en diferencias (DID), se
ha demostrado que la elección del grupo de control se puede tratar de diferentes maneras para calcular el
parámetro que determina las diversas fuentes de sesgo (Blundell y Costa Dias, 2002).
Existen otras condiciones para que puedan implementarse ambos modelos. La segunda condición del modelo
PSM, es que para cada observación que ha recibido financiamiento exista al menos una observación similar
como contraparte muestral. Esta es la condición de superposición o de soporte común. Las condiciones del
modelo DID, de similar manera que para el modelo PSM, son que exista independencia en al menos una de
las tres condiciones siguientes: entre las observaciones individuales, entre un efecto macroeconómico
común a todos los individuos o entre un efecto temporal individual. Si en los primeros dos casos no se
cumple la independencia, pero en el tercer caso sÃ−, el modelo DID, puede eliminar el efecto de dependencia
9
producido por las caracterÃ−sticas no observables de los primeros dos casos, por ende, haciendo uso del
tercer efecto independiente entre observaciones pre y post asignación en el tiempo (Essama-Nssah, 2006).
• MARCO TEÃ RICO
La presente sección, consta de un marco teórico en el cual, se desarrollan en detalle los elementos
encontrados en la literatura previa y en los casos en donde se implementaron los métodos más
importantes, vinculándolos con las caracterÃ−sticas más importantes como fuentes de variación y sesgo
potencial frente al escenario del programa FOSIS y su respectiva muestra de datos. En el primer apartado, se
analizará en mayor detalle qué define que un programa esté sobre un escenario experimental.
Adicionalmente, se abordará el tipo de información que no está disponible para la modelación
econométrica y cómo su omisión puede causar desviaciones en los supuestos requeridos en la
fundamentación teórica. En el segundo apartado, se hará distinción entre las fuentes de variación que
puedan estar presente en las muestras de datos analizadas, ya sea descriptiva o analÃ−ticamente en este
informe. Adicionalmente, se estudiará la muestra de datos del programa PAM, el comportamiento del cruce
de datos de los programas PAAE y PAM y las variaciones en los ingresos autónomos totales de los hogares
analizados con lo que se concluirá la parte descriptiva y en tercer apartado, se introducirán los métodos
econométricos de estimación del impacto.
• Factores no observables en programas de microcrédito
Mientras que por un lado, la intención inicial de los programas de apoyo económico implica una relación
causa efecto positiva con el resultado en los niveles de ingreso, por el otro, existen factores externos que no
permiten determinar el tipo de relación existente, lo que presenta una mayor dificultad para una adecuada
evaluación haciendo uso de técnicas econométricas. Esto se debe al modo de operar propio de los tres
agentes involucrados en esta instancia: los planificadores o evaluadores de programas de apoyo económico
(i.e., FOSIS), los evaluadores de riesgos (i.e., instituciones financieras) y las personas o pequeñas empresas
quienes constituyen el universo de postulantes. Las expectativas de estos tres tipos de agentes son muy
diferentes entre sÃ−. Por un lado, hay agentes involucrados con el poder de decisión sobre la adjudicación,
mientras que los destinatarios por su parte actúan de acuerdo a sus propias expectativas y pueden cambiar de
tipo de programa de apoyo, abandonarlo, etc. Adicionalmente, las instituciones financieras están
concentradas en minimizar el riesgo asociado a la entrega de créditos. Estas condiciones son de gran
importancia a la hora de estimar el efecto de la asignación del microcrédito.
Desde el punto de vista econométrico, los factores asociados a los agentes que participan en el ámbito de
los programas de apoyo económico constituyen una fuente causal de variaciones que están en relación
directa con la probabilidad de adjudicación del programa. Si dos postulantes están en similares condiciones
de adjudicarse el programa, se dice que las caracterÃ−sticas entre ambos son independientes del resultado de
la asignación y viceversa. Un programa de apoyo económico puede ser de esta naturaleza siempre y cuando
se haya diseñado con el objetivo de otorgar en forma aleatoria a las personas el microcrédito,
garantizando igualdad en los requisitos y en la posición relativa de cada postulante frente al resultado.
Por el contrario, cuando las caracterÃ−sticas sÃ− están correlacionadas con el resultado de la asignación,
la probabilidad de obtención del financiamiento se hace diferente y se configuran grupos con
caracterÃ−sticas distintas entre sÃ−. Este escenario es el más común en el ámbito de los programas de
microcrédito. La terminologÃ−a es la siguiente: cuando existe un diseño aleatorio, se le llama
experimental y las caracterÃ−sticas de ambos grupos, con financiamiento y sin, se distribuyen de forma
similar; por el contrario, cuando no existe un diseño aleatorio, se denomina no experimental, casi
experimental u observacional. Hay un gran número de causas que hacen que la asignación del
microcrédito no pueda hacerse en forma experimental, pero lo más importante está en notar que lo no
experimental no estará presente solamente porque no se ha diseñado de esa manera, sino porque existirá
información que será inaccesible para el investigador.
10
Adicionalmente, un buen experimento natural es aquel en el cual existe una fuente transparente exógena de
variación en las variables explicatorias que determinan la asignación del tratamiento (Meyer, 1995). Una
fuente de variación exógena es lo que se busca como alternativa a aquella información que no es
observable por el investigador. Un elemento exógeno es aquel que no esté influenciado por el ámbito en
cuestión, en el presente caso, una variable que no esté correlacionada con la asignación del
microcrédito.
•
Las fuentes de variación en programas no experimentales están dadas por la combinación del actuar de los
tres agentes involucrados en el proceso. Existen diversas causas de variación que vulneran el supuesto de
independencia entre las caracterÃ−sticas y la probabilidad de asignación. A esas causas, se les denomina
factores no observables, principalmente porque no están a disposición de quien realiza el estudio
econométrico para evaluar el impacto del programa. La ausencia de esta información es señalada en la
literatura como la causa que amenaza la validez de un supuesto (Meyer, 1995).
De este modo, existen fuentes tanto de variación exógena como endógena en el contexto de la
implementación de programas de apoyo. Las fuentes de variación pueden ser empleadas para modelar un
determinado efecto causal entre agentes. No obstante, estudios convencionales tÃ−picamente incluyen todas
las fuentes de variación en proporciones desconocidas y no controlan adecuadamente por las fuentes de
endogeneidad (i.e., el mecanismo de selección o variables omitidas) de los diferentes componentes (Meyer,
1995).
• Caracterizando los sesgos en la muestra de datos
A continuación se analizará el conjunto de datos con la finalidad de inferir las fuentes de sesgo debido a la
forma de operar de los agentes involucrados. El Cuadro 2, muestra 8 filas y 5 columnas. Las filas
corresponden a los individuos que recibieron microcrédito con un total de 314 personas. En las primeras
dos filas, el total de personas se dividió en función de la fecha de asignación del microcrédito en
relación con la fecha de asociación al programa PAAE. El conjunto “Personas Después” corresponde a
las personas cuyas fechas de asignación de microcrédito fueron posteriores a la de asociación al
programa PAAE. Viceversa para el grupo de “Personas Antes”.
Las filas 3 a 8 del Cuadro 2, corresponden a personas después y antes que, aumentaron su nivel de ingreso
autónomo total del hogar entre el momento de entrada al PAAE (Personas Más), lo disminuyeron (Personas
Menos) o lo mantuvieron (Personas Igual). Por otro lado, las columnas contienen la siguiente información.
La columna 1 tiene el número de personas correspondiente a cada subconjunto, las que en total suman 314.
La columna 2, contiene el número de personas cuyas diferencias, entre su ingreso autónomo total del hogar,
declarado en la base PAM y PAAE en salida son, mayores, menores e iguales, respectivamente. La columna
3, contiene el valor del cambio porcentual del ingreso autónomo total entre el momento de salida y de
entrada al PAAE. La columna 4, contiene el valor del cambio porcentual entre las ventas reportadas por el
PAM menos las ventas en lÃ−nea de salida del PAAE. La columna 5, contiene el número de meses
promedio entre la fecha de asignación del microcrédito y de asociación al programa PAAE. En este caso,
se agregaron signos positivos y negativos, para designar cuando los meses están después o antes,
respectivamente.
Cuadro 2: Personas con microcrédito y fechas de otorgamiento
Personas con microcrédito
Tamaño muestra = 314
Personas Después
Personas Antes
Número
Personas
85
229
Número
Personas
85
229
Cambio
Porcentual
41,46
37,34
Cambio
Porcentual
115,99
97,17
Promedio
Meses
(+) 3,09
(-) 3,37
11
Personas Después Más
63
Personas Después Menos
11
Personas Después Igual
11
Personas Antes Más
157
Personas Antes Menos
30
Personas Antes Igual
42
Fuente: Elaboración propia del autor.
54
29
2
139
84
6
67,79
-67,90
0,00
63,92
-53,22
0,00
58,67
634,47
208,63
70,48
153,31
174,39
(+) 3,01
(+) 3,07
(+) 3,45
(-) 3,15
(-) 2,33
(-) 4,71
De la columnas 1 y 2 del Cuadro 2, se puede concluir que el patrón de personas que experimenta tanto un
aumento como una disminución en las ventas es muy similar, ya sea comparando tanto entre montos de
subsidio como entre montos de microcrédito con subsidio. Esto sugiere que la distribución de las personas
en cada subconjunto no es aleatoria. De las columnas 3 y 4, se puede ver el patrón de personas que tuvo un
aumento en el nivel de ventas, entre la fecha de asignación y la de asociación, aquellas que tuvieron una
disminución y aquellas que se mantuvieron. El porcentaje de personas parece mantenerse de manera muy
persistente aunque se compare el aumento con el nivel de microcrédito y el nivel subsidio. Por último, la
columna 5, muestra el número de meses que transcurren entre las dos fechas antes señaladas, poniendo en
evidencia que el número de meses promedio entre aquellas personas que tomaron antes el microcrédito de
aquellas que lo tomaron después que el subsidio, no superó los 6 meses en promedio.
ImplÃ−citamente, estamos en frente de la forma racional en la que uno de los agentes involucrados operó.
Por un lado, el evaluador de riesgo crediticio, ofertó una determinada tasa de interés a medida que fue
seleccionando aquellos postulantes menos riesgosos. La evidencia también sugiere que la intención fue
tratar de encadenar ambos instrumentos en un periodo de tiempo no superior a un año, porque ese fue el
periodo de duración del programa PAAE. Es posible que la intención haya sido que el beneficiario haya
sacado el mejor provecho del dinero. Adicionalmente, al estar la persona dentro del programa, se pudo haber
disminuido más el riesgo en el que puede haber caÃ−do la persona que si se encontrase fuera del programa.
• CaracterÃ−sticas de la muestra PAM
El objetivo de la Sección 3.2.1 es describir y analizar los criterios y polÃ−ticas que habrÃ−an usado los
agentes al otorgar los microcréditos. La muestra PAM, a diferencia de la muestra PAAE, cuenta con un
mayor número de variables para un conjunto de personas mayor. No obstante, las personas participantes
están todas dentro del programa PAM, es decir, no hay más observaciones que sirvan de comparación
para las mismas variables. Los cuadros elaborados con el conjunto de datos PAM, consideran variables
significativas, tales como, monto y tasa de los créditos, sexo de los beneficiarios, puntaje de la FPS, entre
otros.
Cuadro 3: Valores promedios y unitarios de microcréditos, por instituciones
Monto
Instituciones 2009 Crédito
Promedio
1. Bancos
1.125.244
comerciales
2. Cajas y
592.667
cooperativas
3. Sociedades
322.259
financieras
4. Fundaciones
61.244
557.432
Tasa
Cuotas
FPS
Mujeres
Hombres
Personas
2,65
18
6.288
5.579
8.162
13.741
2,28
15
6.920
278
319
597
3,35
12
5.918
376
282
658
3,40
3,04
4
11
6.449
6.374
13.009
19.242
2.446
11.209
15.455
30.451
12
Valor unitario
Fuente: Elaboración propia del autor.
El Cuadro 3, señala que durante el año 2009 se cursaron un total de $ 16.974.362.227, sobre un número
total de 30.451 personas. Esto equivale a un monto unitario por persona de $ 557.432 pesos. Según el
Cuadro 3, todas las instituciones otorgaron créditos a personas con ventas inferiores a las 70 UF.
De los 30.451 beneficiarios, 63% fueron mujeres y 37% hombres. Por otro lado, las fundaciones otorgaron un
51% de los microcréditos, le siguieron los bancos con un 45% de colocación. El 4% restante, se dividió
entre las cajas y sociedades. Las fundaciones otorgaron sus créditos en un 84% a mujeres, mientras que los
bancos, en un 59% a hombres, respectivamente.
El monto promedio de los créditos fue 18 veces mayor, para el caso de los bancos, respecto al otorgado por
las Fundaciones. A nivel de cuotas, los créditos bancarios promediaron un valor de 62.514 pesos y las
fundaciones un valor de 15.311 pesos. En cuanto a las tasas de interés, los bancos cobraron una tasa
mensual un 22% más baja que las fundaciones.
Por último, el puntaje promedio de la FPS no mostró significativas diferencias, ya que los bancos y las
fundaciones seleccionaron personas con puntajes promedio de 6.288 y 6.449, respectivamente. En
consecuencia, no se observó una polÃ−tica divergente, a la hora de evaluar la elegibilidad según puntaje
FPS.
De acuerdo con el Cuadro 15 (en Anexos), los bancos otorgaron montos máximos de créditos por 9,9
millones de pesos. Las fundaciones, lo hicieron con montos máximos por 500 mil pesos. El rango de la tasa
de interés de los bancos osciló entre 0,70% hasta 7,95% mensual, mientras que en las fundaciones la tasa
varió entre 2,96% y 4,38%.
En conclusión, se observó que el 63% de quienes recibieron microcréditos fueron mujeres. El 51% de las
personas beneficiadas, obtuvo su microcrédito mediante fundaciones y un 45% vÃ−a Bancos. Los montos
de los créditos fueron desde los 21 mil pesos hasta los 9,9 millones de pesos, mientras las tasas de interés
desde 0,7 hasta 7,95 mensual. Los puntajes de la FPS fueron desde los 2.079 hasta los 14.688, cubriendo
desde el primero hasta el décimo decil.
• CaracterÃ−sticas conjuntas de muestra PAM - PAAE
El objetivo de la Sección 3.2.2, es acercarse hacÃ−a el comportamiento que tienen los agentes de
microcrédito, frente a una serie de caracterÃ−sticas presentes en la muestra del grupo de intervención
PAM y PAAE. Por medio del cruce de ambas muestras de datos, se analizará en conjunto las
caracterÃ−sticas de los postulantes comunes a ambos programas para sacar conclusiones relativas, tanto al
comportamiento como beneficiados por un lado, como los criterios de elegibilidad de los evaluadores por el
otro.
Cuadro 4: Valores unitarios de microcréditos por instituciones (muestra PAM - PAAE)
Instituciones 2009
Monto
Tasa
Cuotas
FPS
Mujeres
Hombres
Bancos comerciales
Cajas y cooperativas
Sociedades financieras
Fundaciones
Valor Unitario
702.095
476.667
320.786
61.783
323.925
2,45
2,73
3,36
3,42
3,04
16
18
13
4
9
5711
7082
4684
5344
5487
88
4
10
167
269
31
2
4
8
45
Personas
119
6
14
175
314
13
Fuente: Elaboración propia del autor.
El Cuadro 4, muestra que en el año 2009 el grupo de intervención recibió $ 101.712.450 entre 314
personas de dicha muestra. El 86% fueron mujeres. El 56% de los beneficiados, recibió el microcrédito de
fundaciones y un 38% de Bancos. Las fundaciones otorgaron sus créditos en un 95% a mujeres y en el caso
de los Bancos, un 74% lo hicieron a mujeres. Esto acentúa la tendencia de otorgar microcréditos a las
mujeres, de acuerdo a lo observado en la muestra PAM.
Los montos promedios de los créditos otorgados por Bancos fueron 11 veces mayores con relación al
otorgado por las Fundaciones. A nivel de cuotas, los créditos bancarios tuvieron un valor de $ 43.881 y las
fundaciones de $ 15.446. El valor cuota, reflejarÃ−a de mejor manera la capacidad de pago de los
beneficiarios, en ese sentido los valores cuota fueron más cercanos a dicha realidad, que los montos totales
de los créditos. En cuanto a las tasas de interés, los bancos aplicaron una tasa mensual un 28% más baja
que las fundaciones. Exceptuando las cajas y cooperativas, los agentes intermediarios utilizaron un valor
promedio FPS que se ubicó en todos los casos dentro del primer decil (el más pobre).
De acuerdo con el Cuadro 18 (en ANEXOS), a diferencia del análisis hecho sobre la muestra PAM, al
cruzar ambas muestras PAM-PAAE, se observa que todos los agentes cumplieron el criterio de ventas
máximas de 70 UF. Respecto del criterio FPS tope de 11.734, todos lo cumplieron con la excepción de
las sociedades financieras. Los bancos otorgaron montos máximos de créditos por 5,9 millones de
pesos. Las fundaciones, lo hicieron con montos máximos por 200 mil pesos. El rango de la tasa de
interés de los bancos osciló entre 1,20% hasta 7,77% mensual, en las fundaciones la tasa varió
entre 3,31% y 4,38%.
Como se observa en el Cuadro 16 de los ANEXOS, las tasas mÃ−nimas y máximas aplicadas a créditos
de consumo convencional según, i) bancos, ii) divisiones especiales y iii) cooperativas, a diciembre del
2009, para créditos de 500 mil pesos a 24 meses iban desde 0,35% a 2,075% mensual y para créditos de
1 millón de pesos a 24 meses, las cuales oscilaron desde 0,35% a 1,945% mensual.
En resumen, se observó que el 86% de quienes recibieron microcréditos fueron mujeres. El 56% de las
personas beneficiadas, obtuvo su microcrédito mediante fundaciones y un 38% vÃ−a Bancos. Los montos
de los créditos fueron desde los 55 mil pesos hasta los 5,9 millones de pesos, mientras las tasas de interés
variaron desde 1,20 hasta 7,77 mensual. Los puntajes de la FPS fueron desde los 2.079 hasta los 14.546,
cubriendo desde el primer decil hasta el octavo decil.
• Variación en los ingresos autónomos familiares
La Sección 3.2.3, analizará las variaciones de los ingresos autónomos familiares del grupo de
intervención PAM - PAAE. Según el Cuadro 17 (en ANEXOS), la muestra de intervención de 314
beneficiarios, lograron un aumento de los ingresos de 44.464 pesos, equivalente a una diferencia positiva de
21%. Las mujeres, a la salida del programa, lograron un incremento de los ingresos un 3% más que los
hombres.
El Cuadro 20 (en ANEXOS), muestra que fueron 229 las personas que obtuvieron un microcrédito antes
del subsidio. Se observó una variación similar al de la muestra total, donde el grupo mujeres incrementó
sus ingresos en el mismo porcentaje igual a 21%, pero el grupo hombres, sufrió una baja de un 64% con
relación al aumento de la muestra total. A nivel de personas, el aumento en los ingresos fue de 41.352, un
7,5% menos que lo obtenido en la muestra total.
Según el Cuadro 21 (en ANEXOS), fueron 85 las personas que obtuvieron un microcrédito después a la
fecha de asociación al PAAE. En el grupo mujeres, se observó una variación en ingresos similar a la de la
muestra total, mientras que en el grupo hombres, hubo un aumento de un 34%. A nivel muestral, se observó
14
un aumento en los ingresos en 52.851, un 18,9% superior a lo obtenido en la muestra total y un 22% mayor
que para el caso del grupo pre asociación.
Dicho de otro modo, al separar el grupo de control, en función de la fecha de adjudicación del
microcrédito, según haya sido este anterior (pre) o posterior (post), a la fecha de asociación al programa
PAAE, se observó que en la muestra pre, las personas experimentaron una pérdida de crecimiento de un
7,5% respecto de la muestra total y para el caso post, lograron un aumento del 18,9% en el ingreso de la
muestra post asociación frente a la muestra total. Por lo tanto, podemos concluir que la mayor variación o
incremento de los ingresos, se presentó en el grupo que tomó su microcrédito con posterioridad a la
fecha de asociación al programa PAAE.
De acuerdo lo descrito en los apartados anteriores, se destaca que la polÃ−tica de otorgamiento de los
microcréditos, tuvo como criterio principal la variable sexo, siendo las mujeres el grupo objetivo. Las
Fundaciones, atendieron a un mayor número de personas y otorgaron, en correlación a la afirmación
anterior, los microcréditos mayoritariamente a mujeres. Esto es una buena señal, que sigue la lÃ−nea
expresada en diversos estudios y tendencias del microcrédito a nivel global, las que han descrito, que para
la mujer, el acceso al crédito es más difÃ−cil que para el hombre (ganan menos que ellos frente a un
mismo trabajo, los activos o bienes generalmente están a nombre del hombre, etc.). Asimismo, entre los
pobres, las mujeres son las más pobres, siete de cada 10 personas que tienen hambre en estos momentos en
el mundo son mujeres. Según lo planteado en el marco de la conferencia internacional sobre microcréditos
organizada por, Rosahneh Zafar, presidenta de la Fundación Kashf de Bangladesh: "Si una mujer gana un
dólar, gasta el 70% en su familia. Un hombre le dedica el 30%".
• Modelos de estimación para evaluación de impacto
En las secciones anteriores se analizaron las fuentes de sesgo que podrÃ−an dificultar el diseño de una
estimación econométrica. Las fuentes de variación pueden tener origen tanto en el escenario de
implementación de los programas administrados por FOSIS como en las propiedades descriptivas de cada
muestra. Por un lado, la distribución de caracterÃ−sticas de la muestra PAAE, en conjunto con la
información de la muestra PAM, mostraron un patrón sistemático, sugiriendo un criterio de selección
similar entre las fechas de asignación de microcrédito y de asociación al programa. También se
evidenció un patrón sistemático en cuanto a las diferencias entre ingresos de las personas de cada
programa, aquellas personas que tomaron el microcrédito después de la fecha de asociación tuvieron un
mayor incremento que en los demás casos.
Por otro lado, aquellas caracterÃ−sticas que fueron tomadas en consideración por los evaluadores de
financiamiento para la asignación, se constituyen como información no observable para el modelo
econométrico. Este tipo de información se denomina incompleta u omitida en el contexto de la
modelación econométrica. Un ejemplo de esta información podrÃ−an ser las liquidaciones de sueldo,
que eventualmente serÃ−an solicitadas por la institución evaluadora de riesgo, a la persona que postula al
microcrédito. En esta instancia, para una persona no serÃ−a posible dar a conocer un nivel de ingreso
diferente del que realmente tiene. En caso de poder dar a conocer una cifra que no corresponde, se estarÃ−a
en presencia de una fuente de sesgo para el modelo, especÃ−ficamente, de error de medición de dicha
variable. Otro ejemplo, puede ser la declaración mensual del I.V.A., boletas de honorarios, ventas
mensuales, y asÃ− sucesivamente. Desde el punto de vista econométrico, es común que no se cuente con
dicha información por lo que es necesario establecer supuestos sobre aquella información que siendo
relevante, no pueda ser observable. Siguiendo esta lÃ−nea de argumentación, se puede llegar al
planteamiento de una estrategia de estimación, que puede ser de selección en observables o de selección
en no observables (ver Gráfico 1).
Gráfico 1: Estimadores de evaluación alternativos
15
Fuente: Adaptado de Caliendo (2006).
El Gráfico 1, presenta un diagrama que contiene una clasificación de estimadores econométricos para
evaluaciones de impacto de diversos programas de apoyo económico basado en la estructura de datos propia
de cada programa y de los supuestos de cada método. Adicionalmente, el autor Nichols (2007), señala
que hay otros métodos adicionales, tales como, regresión de discontinuidad (Regression Discontinuity o
RD), el cual consiste en implementar una regresión que posea un nivel de salto o discontinuidad en una de
las variables observadas como condición de eligibilidad de la asignación, por ejemplo, una edad mÃ−nima
o máxima para la admisión a un programa, un nivel de ingreso familiar, etc. En el mismo artÃ−culo se
enfatiza que en muchos casos es más conveniente emplear una combinación de métodos, por ejemplo,
emparejamiento con doble diferencias, entre otras alternativas. Por último, el mismo autor señala que el
método RD se clasifica como casi experimental (quasi-experimental), puesto que es usado tanto en
diseños experimentales como en estudios observacionales, para intentar controlar por violaciones al ideal de
la aleatorización de muestras de control (randomization of control trials o RCT).
Según Wooldridge (2001), existen dos tipos de estimadores que caen dentro de la categorÃ−a de la
estimación del efecto promedio de tratamiento (en Inglés, Average Treatment Effect o ATE). La primera
es aquella en la cual, se explota el concepto de ignorabilidad del tratamiento condicional en un conjunto de
co-variables, lo cual puede ser usando variables proxy o variables de control frente a un caso de variable
omitida. Mientras que la segunda categorÃ−a cae dentro del conjunto de estimadores que se pueden
implementar mediante el uso de una o varias variables instrumentales que sean redundantes en la ecuación
de respuesta, pero ayuden a determinar la ecuación de participación. En el presente trabajo, se ha optado
por emplear los métodos de selección en observables, debido a que se cuenta con un mayor número de
herramientas para su implementación y debido a que el número de supuestos es menor que en el caso de
selección en no observables. No obstante, se asume que las muestras poseen fuentes de variación tanto
entre individuos en el mismo periodo, como diferencias entre cada periodo, por lo cual, se considera que el
uso de los métodos usando selección en observables, serán estimados e interpretados con cautela y que el
o los métodos en sÃ−, no eliminarán la totalidad del sesgo.
• Modelo tipo Propensity Score Matching (PSM)
El modelo PSM se compone de dos ecuaciones, una que se estima en una primera etapa, la que se denomina
ecuación de intervención, tratamiento o asignación, y otra que se estima en una segunda etapa, la que se
denomina, ecuación de resultado o de respuesta. Mientras que la primera ecuación es un modelo de
regresión no lineal - tipo probit o logit -, la segunda ecuación es un método no paramétrico que estima
los promedios de las distancias que hay entre las observaciones, de los grupos de control y tratamiento, para el
valor de la probabilidad previamente estimada en la etapa uno. La estimación de la distancia óptima
determina el número de observaciones que pueden ser emparejadas, lo que quiere decir, que aquellas
observaciones emparejadas poseen caracterÃ−sticas más similares entre los participantes y los no
participantes del programa de apoyo económico. Adicionalmente, el método PSM, puede también ser
ajustado por regresión en la segunda etapa, lo que combinarÃ−a una regresión no lineal en la etapa uno con
una regresión lineal en la etapa dos, pero haciendo uso de las observaciones emparejadas (o matched
observations. Ver Monteiro, 2004, citado por Essama-Nssah, 2006).
Un de los supuestos importantes en este método es el de independencia condicional (Conditional
Independence Assumption o Balancing) de las variables pre programa dada la propensión a participar. Está
expresado por, , donde el sÃ−mbolo quiere decir independiente. Esta misma condición puede expresarse de
la siguiente manera, , o bien, , lo que también se conoce como condición Unconfoundedness que es
equivalente a la anterior.
La segunda condición es el llamado supuesto de soporte común (Common support assumption o también
llamado Unconfoundedness assumption), que plantea que para toda observación presente en el grupo
16
asignado, la probabilidad de que exista una observación con caracterÃ−sticas similares debe ser distinta de
cero.
Según Dehejia y Wahba (1998), la variable de respuesta observada para el individuo i está dada por , donde
es el valor del individuo i cuando está expuesto a tratamiento y es el valor cuando no está expuesta a
tratamiento. Donde el efecto de tratamiento para la observación i, está dada por . Lo que también se
puede escribir como: .
• Modelo tipo Difference in Differences (DID)
El modelo doble diferencias o DID, es un tipo de regresión lineal con variables binarias que incluye un
término interactivo, es decir, el producto de dos variables binarias. En el lado izquierdo de la ecuación se
encuentra una variable continua, mientras que en el lado derecho están las variables binarias. Esta ecuación
equivale a la estimación hecha en la segunda etapa del modelo PSM. El valor de los parámetros de esta
estimación sin contar el del término interactivo, representa las primeras diferencias entre los grupos pre y
post tratamiento y control y tratamiento, hechos en forma bis a bis, para cada caso, mientras que el término
interactivo representa la segunda diferencia la que a su vez fue obtenida de las primeras diferencias.
.
En la Ecuación anterior, la variable Y corresponde a la variable de respuesta para el individuo i, la variable T
corresponde a la variable tratamiento para el individuo i, la variable PRE es una variable en régimen
pre-tratamiento para el individuo i, y el término que acompaña a , es el producto entre T y PRE
(término interactivo), el cual contiene el valor de la doble diferencia o DID. Todas las variables del lado
derecho del modelo son binarias, pero puede haber otras variables que sean discretas o continuas, además de
las recién mencionadas.
Cuadro 5: Forma directa de la doble diferencia
Â
Tratamiento Control Â
Pre Programa b
a
(b - a)
Post Programa d
c
(c - d)
((d â b) â
Â
(d - b)
(c - a)
â a))
Fuente: Elaboración propia del autor.
(c
El Cuadro 5, muestra la forma natural en que puede ser representado el valor de la doble diferencia, el que a
su vez está dado por, ((d-b)-(c-a)). En nuestra muestra de datos, un sub conjunto de variables está
disponible tanto en lÃ−nea base, como en lÃ−nea de salida, lo que corresponde a los regÃ−menes, pre y post
programa, respectivamente. Lo mismo ocurre para el caso de las variables del grupo de tratamiento y de
control. La diferencia entre ambos casos está en que las variables de los grupos tratamiento y control son
excluyentes entre sÃ−, o sea, corresponden a personas distintas, mientras que las variables pre y post
programa no lo son, pues una misma persona puede tener variables observadas antes y después del
programa.
Cuadro 6: Modelo DID econométrico, parámetros
Coeficiente
Estimación
a
(c - a)
(b - a)
17
((d â b) â
Fuente: Elaboración propia del autor.
(c â
a))
En el caso del Cuadro 5, los promedios que se obtienen de forma directa, pueden estar sesgados por diversos
motivos que se han consultado en la mayorÃ−a de los artÃ−culos citados. Por este motivo es que se requiere
una estrategia de estimación que tome en cuenta los supuestos, tales como en el caso, del método PSM,
pero esta vez la clave está en las variaciones que se produzcan entre dos puntos en el tiempo que puedan
vulnerar los principios requeridos para la estimación.
• METODOLOGÃ A
En las secciones anteriores hemos analizado los fundamentos teóricos sobre los que descansa la
implementación de una técnica empÃ−rica de evaluación de programas de microcrédito dentro del
ámbito de la evaluación de programas de actividad laboral. Se estudiaron las caracterÃ−sticas de los
escenarios sobre los cuales se implementan los programas, que constituyen restricciones claras para la
implementación de un método de evaluación. En esta sección se desarrollará el método de
estimación desde una elaboración más fina de la estructura de las muestras de datos con las que se cuenta,
de las propiedades de las distribuciones de caracterÃ−sticas, ya sea de conjuntos homogéneos provenientes
de muestras comunes como de conjuntos heterogéneos provenientes de muestras cruzadas. En el primer
apartado, se analizará con mayor detalle cada una de las muestras de datos disponibles para este trabajo. Se
estudiarán las propiedades que debe tener el método en relación con las propiedades de la muestra de
datos. Se presentará el método de estimación en cuanto a sus propiedades teóricas y sus respectivas
implementaciones. Se estudiará en detalle la muestra de datos proveniente de la base del programa PAAE.
Se presentarán sus estadÃ−sticos descriptivos y se hará una completa descripción de las variables que se
usarán en el modelo. Se hará el mismo ejercicio para la muestra de datos proveniente de la base del
programa PAM. Además, se analizarán las propiedades de los cruces entre ambos conjuntos con el objetivo
de analizar el comportamiento de los agentes que han recibido tanto subsidio del programa PAAE como
microcrédito del programa PAM. Finalmente, en el segundo apartado, se desarrollan los dos modelos
econométricos considerando sus supuestos analÃ−ticos y elaborando sus estimaciones.
• Análisis de las muestras de datos
Siguiendo con el diagrama de la tesis, el escenario de los agentes económicos y las propiedades de las
muestras de datos, según lo visto en los apartados de la sección anterior, se analiza aquÃ− con mayor
detalle la información proveniente de esos puntos, previo a realizar las implementaciones metodológicas de
cada modelo.
• Propiedades de la muestra de usuarios PAAE
La muestra de datos del programa PAAE, posee un total de 9.979 usuarios, de las cuales 430 observaciones
corresponden a individuos que recibieron subsidio y capacitación y 9.549 a personas que no recibieron el
apoyo y que constituyen el grupo de comparación o de control.
Cuadro 7: Descripción de la muestra de datos PAAE
Variable
EDAD
SEXO
ECIVIL
EDUC1
EDUC2
Descripción
Edad.
Sexo. Masculino = 1; Femenino = 0.
Estado civil. Casado = 1; Todas las otras (soltero, viudo, conviviente, etc.) = 0.
Educación Al menos básica incompleta y a lo mas básica completa = 1; Todas las otras = 0.
18
Educación Al menos media o técnica media incompletas o media o técnica media
completas = 1; Todas las otras = 0.
EDUC3
Educación Al menos técnica profesional incompleta o completa = 1; Todas las otras = 0.
ETNIA
Etnia. Sin etnia = 0; Todas las otras = 1.
PAIS
Nacionalidad. Chilena = 1; Todas las otras = 0.
Ingresos Totales Autónomos Del Hogar en lÃ−nea base. Cifras en pesos chilenos divididos por
HOGLB
100.000.
Ingresos Totales Autónomos Del Hogar en lÃ−nea de salida. Cifras en pesos chilenos
HOGLS
divididos por 100.000.
AUTLB
Ingreso Autónomo Individual en lÃ−nea base. Cifras en pesos chilenos divididos por 100.000.
Ingreso Autónomo Individual en lÃ−nea de salida. Cifras en pesos chilenos divididos por
AUTLS
100.000.
PHOGLB Número De Integrantes Del Hogar en lÃ−nea base.
JEFELB Jefatura De Hogar en lÃ−nea base. Es jefe de hogar = 1; No es jefe de hogar = 0.
TREAT
Tratamiento. Grupo tratamiento con crédito = 1; Grupo control sin tratamiento = 0.
Fuente: Elaboración propia en base a datos del programa PAAE.
El Cuadro 7, muestra la descripción de las variables de la muestra de datos PAAE. En el caso de las
variables de educación, existen varios niveles que se dividieron en subconjuntos según el nivel de
educación alcanzado. Esta cohorte de variables se ha creado para capturar el nivel de educación por
segmentos, puesto que es común utilizar este tipo de variables indicadoras (o dummies), cuando no se cuenta
con los años de educación que la persona tiene, como dato esencial. Por ejemplo, Aroca (2001) emplea
este tipo de variables dummies para el nivel de educación de los individuos.
De este conjunto de variables, se procederá a determinar un subconjunto que permitirá estimar el modelo
en forma consistente. El subconjunto de variables puede incluir transformaciones de las variables originales,
tales como, variables elevadas al cuadrado, para el caso aquellas variables que poseen valores enteros
positivos, tales como, el nivel de ingreso o la edad. Del mismo modo, las transformaciones pueden incluir
logaritmos, lo cual se evaluará según si contribuye en una mejor estimación de los modelos. En el Cuadro
26 (en ANEXOS), se encuentran los estadÃ−sticos descriptivos de las variables de la muestra PAAE.
• Propiedades de la muestra de usuarios PAM
La muestra de datos del programa PAM, posee un total de 30.451 usuarios de los cuales, 314 observaciones
corresponden a individuos que recibieron tanto el subsidio PAAE como el microcrédito PAM. A diferencia
de la muestra PAAE, la muestra PAM no cuenta con un grupo de control, puesto que la totalidad de este
conjunto recibió el microcrédito y no cuentan con observaciones de comparación. Sin embargo, las
variables presentes en esta muestra son de gran interés y permitirÃ−an realizar un nuevo análisis en
situaciones en que se disponga de un buen conjunto de comparación.
Cuadro 8: Descripción de la muestra de datos PAM
Variable
Descripción y abreviación.
ID
Identificador incremental.
RUT
RUT.
EDAD
Edad en años.
SEXO
Sexo (hombre = 1; mujer = 0).
FPS
FPS (Ficha de protección social).
M4313
m4313 (menos de 4.313 puntos en FPS, no puede superar 11.734 puntos).
19
M8500
m8500 (menos de 8.500 puntos en FPS, no puede superar 11.734 puntos).
COMUNA Código de comuna USO.
REGION
Código de región USO.
CLUGAR Código de número de lugares de trabajo (1 = 0; 2 o 3 = 1).
YEAR
Año.
SUBPAM Monto subsidio otorgado por FOSIS al intermediario divididos por 100.000.
CINST
Código del tipo de institución (fundación, soc. de A. y C. = 0; banco = 1).
MCRED
Monto del crédito divididos por 100.000.
PCRED
Plazo del crédito o cuota en meses.
CFORM
Código de formalización del negocio (no formalizado = 0; formalizado = 1).
VTAPAM Ventas promedio del negocio divididos por 100.000.
FUCRED
Fecha del último crédito entregado.
FORCED
Fecha de otorgamiento del crédito.
FESIST
Fecha de envÃ−o al sistema.
Fuente: elaboración propia en base a datos del programa PAM.
En el Cuadro 8, se encuentran las descripciones de las variables disponibles en la base PAM. En el Cuadro 17
(Anexos) y el Cuadro 18 (Anexos), están los valores extremos de las variables consideradas para ser elegible
en el programa PAM.
• En la elaboración de un grupo de control alternativo
Tal como se ha planteado en Aroca (2002), se puede hacer uso de la Encuesta de Caracterización
Socioeconómica (CASEN) para elaborar un grupo de control alternativo, debido a la similitud de las
variables existentes en dicha base, con las variables presentes en las bases PAAE y PAM. A continuación se
analizará los tipos de variables presentes en la base CASEN del año 2009 para identificar aquellas que
estén presentes en una base o en otra. Las ventajas de poder construir un grupo de control adicional son,
que permite comparar los resultados de la estimación con diversas muestras de control que posean una
distribución de caracterÃ−sticas similares, que se puede medir con mayor precisión la dirección y
magnitud del sesgo de los estimadores entre muestra y muestra, entre otras cosas, tal como es señalado por
Essama-Nssah (2006) y por Dehejia y Wahba (1998).
Por un lado, la encuesta CASEN dispone de variables pre-tratamiento que provienen de un ámbito previo a
la implementación del programa. La encuesta CASEN 2009 cumple con esto puesto que la información se
colectó durante el trienio 2006 - 2008 debido a que se publica cada tres años. La encuesta CASEN 2006, se
elaboró con información del trienio 2003 - 2005 y asÃ− sucesivamente. Sin embargo, la diferencia entre la
base CASEN y la PAAE, es que esta última cuenta además con observaciones post tratamiento,
especÃ−ficamente aquellas que se midieron en lÃ−nea de salida. Con esta carencia por parte de la encuesta se
tiene que los grupos pre y post tratamiento no pueden ser excluyentes, mientras que los grupos tratamiento y
control sÃ− son excluyentes. Por lo tanto, la base CASEN no puede ser usada para estimar el modelo
econométrico en este informe.
Para determinar qué variables pudieran ser empleadas de los tres conjuntos de datos, es necesario
comprobar al menos algunas de ellas estén presentes en las tres muestras y que a su vez estén disponibles
en los cuatro grupos requeridos para la elaboración del modelo: grupo de control pre programa, de
tratamiento pre programa, de control post programa y de tratamiento post programa. En el Cuadro 9, se
muestra la disponibilidad de cada variable en las distintas bases de datos de que se dispone.
Cuadro 9: Presencia de las variables en las distintas bases de datos
20
Variable
PAAE
PAM
CASEN
RUT
SÃ−
SÃ−
No
SEXO
SÃ−
SÃ−
SÃ−
ECIVIL
SÃ−
SÃ−
SÃ−
EDUC1
SÃ−
No
SÃ−
EDUC2
SÃ−
No
SÃ−
EDUC3
SÃ−
No
SÃ−
ETNIA
SÃ−
SÃ−
SÃ−
PAIS
SÃ−
No
SÃ−
HOGLB*
SÃ−
No
SÃ−
HOGLS*
SÃ−
No
No
AUTLB*
SÃ−
No
No
AUTLS*
SÃ−
No
No
PHOGLB*
SÃ−
No
No
JEFELB*
SÃ−
No
No
TREAT
SÃ−
SÃ−
No
EDAD
SÃ−
SÃ−
SÃ−
Fuente: elaboración propia con datos PAAE, PAM y CASEN.
Variable
FPS
M4313
M8500
COMUNA
REGION
CLUGAR
YEAR
SUBPAM
CINST
MCRED
PCRED
CFORM
VTAPAM
FUCRED
FORCED
FESIST
PAAE
No
No
No
SÃ−
SÃ−
No
SÃ−
No
No
No
No
SÃ−
No
No
No
No
PAM
SÃ−
SÃ−
SÃ−
SÃ−
SÃ−
SÃ−
SÃ−
SÃ−
SÃ−
SÃ−
SÃ−
SÃ−
SÃ−
SÃ−
SÃ−
SÃ−
CASEN
No
No
No
SÃ−
SÃ−
No
SÃ−
No
No
No
No
SÃ−
No
No
No
No
Según el Cuadro 9, hay variables que pueden ser obtenidas fácilmente de una base, pero no de otra.
Además, las variables que solamente están en los cuatros grupos necesarios para el modelo, están sólo
presentes en la muestra PAAE, las que corresponden a aquellas que están marcadas con “*”. En resumen, es
posible usar solamente la base PAAE para la implementación de los métodos del presente trabajo y se
dejan las bases PAM y CASEN para futuras implementaciones.
Por último, en relación con el cruce de datos hecho con las bases PAAE y PAM, siguiendo el apartado de la
sección anterior, se presentaron los alcances de las propiedades de los individuos que pertenecen a ambas
muestras de datos, es decir, aquellos que recibieron financiamiento de ambos programas. Los cuadros con los
resultados pueden ser consultados en los Anexos.
El análisis de los datos cruzados, permitió tener una mejor descripción de los agentes participantes en el
proceso, previo a la implementación del modelo econométrico. EspecÃ−ficamente, el Cuadro 18
(Anexos), plantean en mayor detalle las diferencias existentes entre las caracterÃ−sticas de los individuos
elegibles de aquellos que no lo fueron con lo cual se ha comprendido mejor qué tipo de variaciones
podrÃ−an estar presentes o excluidas del modelo.
• Estimación econométrica del impacto del programa
El método econométrico que mide el efecto promedio de la asignación de un programa ya sea de
subsidio como de microcrédito, cae dentro del tipo de modelos que miden un efecto promedio de una
variable de tratamiento (Wooldridge, 2001). Para implementarlo, es necesario analizar y preparar dos
conjuntos de datos que posean caracterÃ−sticas que estén presentes en los dos grupos, tal como se
señaló previamente.
• Estrategia de estimación por método PSM
En el presente trabajo se han analizado varias implementaciones propuestas por investigadores del área
económica. Los autores Becker e Ichino (2002) y Leuven y Sianesi (2003), describen dos implementaciones
del método PSM en el programa Stata, mientras que el autor Essama-Nssah (2006) presenta las mismas
21
implementaciones con variantes con el programa Eviews. Existen otras implementaciones de gran utilidad
para necesidades más especÃ−ficas en cuánto a esta metodologÃ−a, los cuales no se emplearán en este la
presente tesis. En la mayorÃ−a de los casos, las implementaciones proveen de ejemplos haciendo uso de las
muestras de datos provenientes de varios de los artÃ−culos consultados en la literatura, tales como, los datos,
del artÃ−culo Lalonde (1986) como del artÃ−culo Card y Krueger (1994), para los métodos PSM y DID,
respectivamente.
Tal como fue planteado en la sección anterior, el método PSM está constituido de una estrategia de
estimación de dos etapas. Los supuestos requeridos para su estimación están en función de que la
probabilidad de que, el resultado observado de los participantes, condicionado en la asignación y en su
conjunto de caracterÃ−sticas dado por el vector de variables que se incluyan en la ecuación, sea igual al
resultado no observado en los no participantes, dado el valor de la asignación y condicionado en sus
caracterÃ−sticas observadas. El resultado de los participantes, se dice que es no observado, porque al no ser
asignados, se mantiene el supuesto de que sus caracterÃ−sticas sean independientes de la probabilidad de
asignación, para ambos grupos.
Una manera de tener seguridad sobre si la especificación es la adecuada es usar la condición de balance de
la muestra estratificada del valor estimado de la variable de tratamiento. Como señalan los autores Dehejia y
Wahba (1998), en el estimador de estratificación, las caracterÃ−sticas pre-tratamiento están balanceadas
entre las observaciones del grupo de tratamiento y del grupo de control. Esto quiere decir que no es necesario
realizar un análisis de sensibilidad para probar si la especificación de la función de tratamiento
estratificada es adecuada, con lo cual se simplifica el procedimiento de modelación e inferencia.
• Estrategia de estimación por método DID
La necesidad de haber determinado el nivel de impacto promedio del programa PAAE, mediante el empleo
del método de emparejamiento, radica en que el procedimiento involucra la determinación de un grupo de
control proveniente de la estimación, distinto del grupo de control original. Con el grupo de control
emparejado se puede realizar una estimación consistente empleando el método de emparejamiento
ajustado por regresión (Monteiro, 2004). Del mismo modo, esto también es útil para estimar un modelo
DID en forma consistente. Existen menos procedimientos propuestos para la estimación de un método
DID. En este trabajo, se consultaron tres implementaciones alternativas, a saber, la de Dehejia y Wahba
(1998), la de Becker y Ichino (2002) y la de Leuven y Sianesi (2003). De las implementaciones citadas
anteriormente, la del autor Essama-Nssah (2006), señala que es posible obtener las estimaciones DID y
ajustada por regresión haciendo uso de las observaciones emparejadas del modelo PSM en vez del grupo de
control original.
• DISCUSIÃ N DE RESULTADOS
El proceso de estimación consistió en la implementación de los métodos PSM y DID, para una forma
funcional que coincidiera para los dos casos. La ecuación econométrica fue estimada en forma no lineal
usando forma funcional logÃ−stica y la serie estimada fue usada para la obtención de las variantes de
Matching: Nearest-neighbor, kernel gaussiano y kernel epanechnikov. La estimación Matching se realizó
en forma sucesiva para varias submuestras, principalmente para subconjuntos agrupados por género debido
a la fuerte diferenciación que existen entre los indicadores de las mujeres y de los hombres. Cabe mencionar
a modo de recuento que las mujeres son los principales agentes económicos beneficiados por los programas
FOSIS.
• Resultado del análisis descriptivo
El tipo de información proveniente del cruce de datos permitió conocer un poco más el nivel en que se
encuentran los cambios o variaciones entre las muestras, en sus respectivos ámbitos de ocurrencia. En el
22
caso de las variables observadas al inicio del programa y en la lÃ−nea de salida del programa, hubo en su
mayorÃ−a un aumento en la en los niveles de cada variable, mientras que entre los grupos de control y de
tratamiento, se percibió un mayor nivel en el análisis realizado sobre las muestras de datos, nos permitió
tener las siguientes aproximaciones, previo a cualquier implementación estadÃ−stica.
• Resultado de las estimaciones econométricas
• Resultado de las estimaciones por método PSM
En el Cuadro 10, se presenta el resultado del modelo de regresión logÃ−stico para la muestra total con un
número de observaciones total de 9.979 personas. El número de personas con y sin subsidio es de 430 y
9.549, respectivamente. Los valores de las probabilidades de los estadÃ−sticos t estandarizados
(estadÃ−sticos z) son casi todos superiores al 99% siendo el menor de ellos para la variable ETNIA con un
nivel de confianza de 98% y JEFELB también con un 98%. El nivel de probabilidad de la significancia
global, representado por la prueba F, es superior al 99%. Los valores de los coeficientes estimados y sus
magnitudes son coherentes con la estimación. La variable SEXO tiene signo negativo. SEXO toma el valor 1
para hombres y 0 para mujeres. Esto quiere decir que mientras la variable SEXO en promedio tome valores
que tiendan a 1, el efecto será negativo sobre la variable de asignación TREAT. Esto implica que la
variable dependiente TREAT, que corresponde al tratamiento, responde negativamente si el valor de la
variable SEXO en promedio se aproxima a 1.
Cuadro 10: Resultado de la regresión PSM para la muestra total
Variable
Coefficient Std. Error
C
-3,6571
0,1398
SEXO
-0,5510
0,1391
ETNIA
-0,3114
0,1300
HOGLB
0,1221
0,0461
AUTLB
0,2642
0,0840
JEFELB
0,2913
0,1230
Mean dependent var
0,0431
S.D. dependent var
S.E. of regression
0,2025
Akaike info criterion
Sum squared resid
408,8968
Schwarz criterion
Log likelihood
-1740,1162 Hannan-Quinn criter.
Restr. log likelihood
-1772,7143 Avg. log likelihood
LR statistic (5 df)
65,1962
McFadden R-squared
Probability(LR stat)
0,0000
Â
Obs with Dep=0
9549
Total obs
Obs with Dep=1
430
Â
Fuente: Elaboración con programa Eviews.
z-Statistic
-26,1638
-3,9608
-2,3945
2,6489
3,1449
2,3681
Â
Â
Â
Â
Â
Â
Â
Â
Â
Prob.
0,0000
0,0001
0,0166
0,0081
0,0017
0,0179
0,2031
0,3500
0,3543
0,3514
-0,1744
0,0184
Â
9979
Â
Significancia
> 99% ***
> 99% ***
> 95% **
> 99% ***
> 99% ***
> 95% **
En el Cuadro 11, se aprecian los efectos marginales (columna 2) y elasticidades (columna 6) de las variables
explicatorias del modelo PSM presentado previamente. Esta estimación corresponde a la primera etapa de la
estimación. Los efectos marginales se pueden obtener al evaluar el valor promedio de la serie estimada
Ã−ndice del modelo (multiplicado por menos 1) en la función de densidad de probabilidad condicional
logÃ−stica. La serie Ã−ndice es una transformación de la serie estimada que se obtiene en Eviews mediante
el procedimiento Forecast. La interpretación económica se puede extender directamente de los efectos
marginales considerando el valor de sus magnitudes.
Cuadro 11: Efectos marginales y elasticidades para las variables del modelo
23
Variable Coefficient Standard Error b/St.Er.
Constant -0,1411
0,0062
-22,8190
SEXO
-0,0186
0,0040
-4,6150
ETNIA -0,0112
0,0043
-2,5950
HOGLB 0,0047
0,0018
2,6620
AUTLB 0,0102
0,0032
3,1670
JEFELB 0,0106
0,0042
2,5290
Fuente: Elaboración con programa Limdep.
P[Z>z]
0,0000
0,0000
0,0095
0,0078
0,0015
0,0114
Elasticity
Â
-0,0984
-0,0646
0,2219
0,2193
0,1938
Tipo elasticidad
Inelástica negativa
Inelástica negativa
Inelástica positiva
Inelástica positiva
Inelástica positiva
La interpretación de los efectos marginales requiere un paso adicional. Lo que se ha hecho anteriormente ha
sido obtener los efectos marginales de la función de regresión logÃ−stica que es en esencia no lineal. Con
los efectos marginales calculados, sus valores hacen las veces de coeficientes de una función regresión
lineal. Las elasticidades calculadas se han presentado en la quinta columna del Cuadro 11. El procedimiento
seguido para la obtención de las elasticidades fue el del autor Greene (1999), propiamente el método del
capÃ−tulo de modelos con variables dependientes discretas.
La variable CONSTANTE (C o Constant) no posee valor de elasticidad, puesto que la derivada de una
constante es cero. Por otro lado, el valor de la elasticidad para la variable SEXO y ETNIA, es de -0,09 y -0,06,
respectivamente. Tanto la variable SEXO como la variable ETNIA, sugieren que ante un aumento de un 1%
en el nivel de cada una de ellas, habrá una disminución de, -0,09% y -0,06%, en el valor de la probabilidad
de asignación, respectivamente. Esto se explica porque a medida que la variable SEXO se acerca a 1, su
efecto negativo es mayor, puesto que se seleccionó un mayor número de mujeres para los subsidios. Por
otro lado, la variable ETNIA, cuyos valores son 0 para quienes no pertenecen a ninguna grupo étnico y 1
para los que sÃ− pertenecen, el signo negativo, tanto del coeficiente como de la elasticidad, sugiere que
existió en este caso una tendencia segregadora a la hora de consultar por la presencia de ascendencia
étnica en el postulante. Estas dos últimas son variables binarias.
Las variables continuas AUTLB y HOGLB, tienen valores de elasticidades positivas de 0,22 y 0,21,
respectivamente. Esto implica que ante un aumento en 1% en el nivel ambas variables, habrá un aumento de
un 0,22% y 0,21%, en la probabilidad de asignación, respectivamente. Por último, la variable binaria
JEFELB, tiene un valor de elasticidad de 0,19, lo que implica que ante un aumento en un 1% en el valor
promedio de la variable JEFELB, habrá un aumento de un 0,19% en el valor de la probabilidad de
asignación del subsidio. Todos estos valores resultaron tener una interpretación económica coherente
frente al fenómeno que se está analizando. Del mismo modo, la significancia estadÃ−stica resultó ser
adecuada para conducir la segunda etapa de estimación.
Por el lado de la estimación del impacto, se procedió a utilizar el procedimiento para calcular el efecto
promedio del tratamiento (ATE), usando la aplicación del autor Essama-Nssah (2006). El resultado se puede
ver a continuación en el Cuadro 12. Los valores son estimados empleando tres procedimientos diferentes de
los cuales se genera una nueva serie estimada para la variable ingreso total familiar, la que es restada de la
serie ingreso total familiar original y cuya diferencia promediada, da el valor mostrado en el cuadro.
Cuadro 12: Estimaciones del impacto promedio de las asignaciones
Tipo Impacto
Impacto Nearest-Neighbor
Impacto Kernel Gaussiano
Impacto Kernel Epanechnikov
Fuente: Elaboración con programa Eviews.
Valor Impacto
0,2718
0,5072
0,4817
Valor en Pesos
27.177
50.719
48.174
24
En el Cuadro 12, se puede apreciar que los valores están dentro de un rango de los $ 27.177 y $ 50.719. Los
valores corresponden al promedio entre las diferencias entre los grupos de control y tratamiento, pero sobre un
subconjunto de las observaciones de control, aquellas que no fueron excluidas en el procedimiento de
emparejamiento. Estos valores han sido estimados sobre el supuesto de que las diferencias entre los dos
grupos, o las variaciones individuales entre las caracterÃ−sticas de las personas en ambos grupos, fueron
mÃ−nimas. Lo que implica que la diferencia que se obtuvo puede ser considerada como aquella que se
habrÃ−a obtenido para las mismas personas que sÃ− recibieron programa, pero no ellas, sino aquellas del
grupo de control que más se les parecen. Esa es la finalidad de este método y eso radica la consistencia de
las estimaciones obtenidas.
Adicionalmente a la obtención de estos valores de importancia económica, se logró la obtención de un
grupo de control emparejado, el cual minimiza las variaciones entre ambos grupos, lo que garantiza el
cumplimiento de los supuestos del modelo PSM. A continuación, para cumplir con los supuestos del
siguiente método, el modelo DID, se requiere también que las variaciones sean mÃ−nimas, pero entre
observaciones pre y post programa. Siguiendo al autor Rosenbaum (2010), se puede complementar el
método de emparejamiento, con el de doble diferencias, para implementar una estimación cuyas
variaciones entre los dos periodos de tiempo sean mÃ−nimas.
• Resultado de las estimaciones por método DID
En la sección anterior, se analizaron los resultados de la implementación del método PSM. Esto
permitió obtener las magnitudes del impacto económico promedio de las personas que recibieron el apoyo
económico. A continuación, se analizarán los resultados de un procedimiento similar para obtener una
estimación alternativa del impacto, esta vez implementando el método DID. Tal como se ha señalado,
por varios autores, tales como, Essama-Nssah (2006) y Rosenbaum (2010), es posible combinar los
métodos PSM y DID, para obtener una estimación consistente usando sub grupos de control procedentes
del procedimiento de distancias mÃ−nimas en la función de probabilidad de caracterÃ−sticas.
En el procedimiento del autor Essama-Nssah (2006), no se disponÃ−a de una manera de obtener un subgrupo
de control, de manera que se utilizó el propuesto por Hansen (2007) y citado por Rosenbaum (2010), el cual
consiste en una implementación en el programa R, que crea grupos de control emparejados estableciendo
condiciones, tales como, número de controles por observaciones de tratamiento, tamaño del diámetro (o
caliper), con lo cual se pueden cumplir las condiciones de balance entre las dos muestras.
Por medio de este procedimiento, se procedió a realizar una regresión mÃ−nimo cuadrática para estimar
la doble diferencia (o DID), utilizando un grupo de variación mÃ−nima entre individuos, proveniente del
procedimiento PSM. Del mismo modo que en el modelo PSM, se eligió una estrategia de estimación de
selección en observables, puesto que como, señala el autor Nichols (2007), el método DID, puede
particularmente estimarse como un modelo de panel de efectos fijos, pero dicho método implicarÃ−a hacer
uso del supuesto de selección en no observables a través del tiempo. Para tal efecto, podrÃ−a utilizarse un
modelo de panel de efectos aleatorios, haciendo uso de la variación temporal entre individuos, pero como se
señaló, se procedió a elegir la estrategia alternativa.
Cuadro 13: Resultado estimación por método DID
Variable
C
PERIOD
TREAT
PETR
ETNIA
Coefficient
0,9893
0,0950
-0,0773
0,1043
-0,0915
Std. Error
0,0438
0,0231
0,1206
0,0763
0,0289
t-Statistic
22,5705
4,1067
-0,6410
1,3677
-3,1640
Prob.
0,0000
0,0000
0,5215
0,1714
0,0016
Significancia
> 99% ***
> 99% ***
> 99% ***
25
JEFE
-0,1609
0,0259
AUT
1,1751
0,0146
R-squared
0,4150
Mean dependent var
Adjusted R-squared 0,4146
S.D. dependent var
S.E. of regression
1,0662
Akaike info criterion
Sum squared resid
10746,6652
Schwarz criterion
Log likelihood
-14026,3428 F-statistic
Durbin-Watson stat 1,9077
Prob(F-statistic)
Fuente: Elaboración propia con programa Eviews.
-6,2160
80,3724
Â
Â
Â
Â
Â
Â
0,0000
0,0000
2,3067
1,3936
2,9669
2,9722
1117,4953
0,0000
> 99% ***
> 99% ***
N Obs
9460
El Cuadro 13 muestra que el valor del coeficiente que mide la doble diferencia, equivale a 0,1261. Esto
implica que el valor estimado promedio para el efecto de asignación en doble diferencia es de cerca de $
10.500, que cae por debajo de la estimación por el método PSM, pero es en cierto modo aproximado.
EstadÃ−sticamente, hay una buena significancia global y parcial, hay una bondad de ajuste que es del orden
de 0,41, tanto para el R^2 como para el R^2 ajustado, lo que señala una buena contribución de las demás
variables a la regresión. En cuanto a la significancia económica, el valor del coeficiente, está dentro de un
rango aproximación cercana a los obtenidos por el método PSM.
En esta ecuación, la variable SEXO fue excluida debido a su baja significancia parcial, además, porque
dicha variable se encontraba muy correlacionada con la variable TREAT de asignación, por lo que se
excluyó de la regresión. Se optó como estrategia el uso de la sub muestra proveniente del proceso de
matching en la sección anterior, lo cual, según autores como Nichols (2007), presenta mayores ventajas el
uso de modelos hÃ−bridos. EspecÃ−ficamente en este caso, la sub muestra dio una bondad de ajuste superior
a la de la muestra total la que fue de 0,39. Las magnitudes no obstante como los signos de los coeficientes
estimados, se mantuvieron en forma similar.
Como resultado, se concluye de esta sección que las dos metodologÃ−as empleadas, haciendo uso de
supuestos estadÃ−sticos y de implementaciones computacionales de uso rutinario, se pudo obtener dos
estimaciones de un mismo fenómeno de manera aproximada y la complementación de los métodos PSM
y DID, resultó oportuna tanto a la hora de la estrategia de estimación como para la manipulación de las
variables para estimación. Las magnitudes económicas mostraron que las diferencias promedios entre los
ámbitos pre y post programa como para las personas no y si asignadas, resultó mostrar en promedio
aproximaciones alternativas al mero ejercicio de promediar las diferencias observadas de muestras
completamente disÃ−miles en sus distribuciones de probabilidades.
• CONCLUSIONES
En esta Sección presentan las principales conclusiones que resultaron de la elaboración de este trabajo. Se
concluyeron las siguientes ideas tanto de los análisis descriptivos, como de las estimaciones
econométricas.
• En el caso de la participación de las mujeres en el programa, por un lado, en las evidencias
pertinentes al análisis de las muestras, se observó una mayor participación femenina en el
programa PAAE. A su vez, los modelos econométricos mostraron alta significancia estadÃ−stica
en relación con la variable SEXO, mostrando un efecto negativo en la medida que dicha variable
aumentaba desde el valor para mujer (cero) hacia el valor para hombre (uno), corroborando la
evidencia anterior. En las dos situaciones, se observó una relación entre la variable mujer y la
elegibilidad del programa.
• Por un lado, los dos principales agentes intermediarios dentro de los programas de financiamiento,
resultaron ser las Fundaciones y los Bancos, mientras que a su vez, los mismos se caracterizaron por
26
tener un mecanismo crediticio muy distinto el uno del otro. Mientras que las fundaciones utilizaron
una frecuencia mayor en la circulación de sus créditos, los bancos se enfocaron en menores
frecuencias, con tasas más altas y mayores montos. A pesar de esta diferencia de enfoque, una
mirada más profunda mostró que ambos mecanismos se igualaban al cabo de unos meses y que
ambos agentes lograban el mismo objetivo en términos de fomentar la actividad económica en el
mediano y largo plazo.
• En relación con la implementación por el método PSM, se obtuvo un nivel de aumento promedio
en las personas que recibieron el programa del orden de $ 27.000, $ 45.000 y $ 50.000, para los tres
métodos respectivamente. Estos montos aproximados entre sÃ−, corresponden al valor promedio
del incremento obtenido en el conjunto de personas beneficiadas, por efecto de adjudicarse el subsidio
de FOSIS, dentro del periodo en que se observó la información contenida en la muestra.
• En cuanto a la implementación por el método DID, a pesar de haber usado una especificación
lineal, siguiendo una estrategia similar a la anterior, se obtuvo un valor del impacto de $ 10.400, si
bien menor, es aproximado a los resultados anteriores.
• Ambos métodos resultaron eficaces en la estimación de un valor aproximado del efecto de
incremento promedio de las personas que recibieron el subsidio PAAE, tomando en cuenta las
diferencias entre el universo de postulantes y unas adecuadas observaciones de comparación, con
mÃ−nimas distancias a la función de probabilidad como relación causal de la asignación.
• Una implementación usando un esquema de selección en no observables podrÃ−a ser una
alternativa que podrÃ−a arrojar quizás resultado diferentes en cuanto a las propiedades
estadÃ−sticas de cada modelo.
• El método de emparejamiento puede usarse de manera más eficiente para crear sub muestras de
distintos tamaños en virtud de su similaridad entre ambos grupos. Tanto esto, como lo señalado en
la conclusión anterior, podrÃ−a ser de gran interés, y podrÃ−a entregar distintos valores y
propiedades estadÃ−sticas.
GLOSARIO
• Corte transversal: conjunto de datos cuyas observaciones están disponibles a nivel individual o
desagregado una sola vez en el tiempo.
• DID: Difference-in-differences o double differences, diferencia en diferencias o doble diferencias.
• Endogeneidad: dependencia de una variable sobre otra en un modelo econométrico lo que vulnera
la propiedad de independencia del supuesto del modelo PSM o de un modelo convencional.
• Exogeneidad: independencia de una variable sobre otra en un modelo econométrico. Se dice que
una variable exógena puede ser usada como instrumento para la estimación de un modelo de varias
etapas (ver variable instrumental).
• Experimental: caracterÃ−stica de aleatoriedad en la asignación de un programa de apoyo a un grupo
de postulantes. Se usa aquÃ− tanto en programa experimental como en muestra o conjunto
experimental.
• Ficha de protección social (FPS): cuestionario empleado por varias instituciones para la pesquisa de
un indicador de nivel socio económico de las personas que se atienen a alguno de las lÃ−neas de
financiamiento de las instituciones del sector público y privado.
• FOSIS: Fondo de solidaridad e inversión social.
• Grupo de control: conjunto de observaciones que constituyen aquellos individuos que no recibieron el
apoyo económico. Está expresada por una variable indicador que toma el valor 0 para las
observaciones que son de este grupo y 1 para las del grupo de tratamiento.
• Grupo de tratamiento: conjunto de observaciones que constituyen aquellos individuos que recibieron
27
el apoyo económico. Está expresada por una variable indicador que toma el valor 1 para las
observaciones que son de este grupo y 0 para las del grupo de control.
• Kernel: Método de estimación no paramétrica que consiste en la estimación de una función
de distribución de probabilidad que se asemeja a un histograma y difiere de este en que puede tener
longitudes de segmento variables y distintas especificaciones funcionales.
• Kernel Gaussiano: Kernel cuya función de distribución de probabilidad se estima como una
distribución normal. Se emplean dos parámetros para la función normal, media y varianza, pero
difieren de los parámetros de un modelo de regresión paramétrico.
• Kernel Epanechnikov: Kernel cuya función de distribución de probabilidad es simétrica y cuyo
valor de longitud de segmento o ventana es conocido e igual a una constante.
• Linealidad: forma del modelo de regresión paramétrica cuya especificación es lineal en los
parámetros o coeficientes.
• Longitudinal: conjunto de datos cuyas observaciones están disponibles a nivel individual o
desagregado más de una vez en el tiempo. Sinónimo: datos de panel.
• Matching: Emparejamiento o método de emparejamiento.
• No paramétrico: Método de estimación econométrico basado en función de distribución de
probabilidad.
• No experimental: caracterÃ−stica de no aleatoriedad en la asignación de un programa de apoyo a un
grupo de postulantes. Se usa aquÃ− tanto en programa no experimental como en muestra o conjunto
no experimental. Sinónimo: observacional, no aleatorio.
• No observables: caracterÃ−sticas de los agentes del estudio que no están disponibles para ser
medidas o analizadas en forma numérica dentro de la muestra del estudio. Sin embargo, dichas
caracterÃ−sticas sÃ− están presentes en el modelo, en la parte de los residuos del modelo, esto
dependiendo de la especificación.
• Paramétrico: Método de estimación econométrico basado en parámetros o coeficientes de
regresión.
• PAAE: Programa de apoyo a la actividad económica.
• PAM: Programa de acceso al microcrédito.
• PSM: Propensity score matching o método de puntaje de predisposición y emparejamiento.
• Soporte común: condición que debe cumplir el método matching para garantizar que exista una
contraparte muestral con similares caracterÃ−sticas en el grupo de control correspondiente a cada
datos del grupo de tratamiento. Sinónimo: condición de superposición, condición de traslape o
condición de balance (o common support condition).
• Variable instrumental: variable que no está influenciada por el ámbito de las demás variables del
modelo econométrico. Puede emplearse en un modelo de más de una etapa si se conoce que es
influenciada sólo por una de las etapas pero no por las dos. En inglés se abrevia como IV
(Instrumental variable).
• Variable omitida: caracterÃ−stica que no puede ser incluida en el modelo econométrico, dado que
no está presente en la muestra en forma numérica. Su ausencia puede causar sesgo e
inconsistencia en el modelo econométrico.
BIBLIOGRAFÃ A
Aedo, C. (2005). “Evaluación del impacto”. CEPAL, División de Desarrollo Económico. Naciones
Unidas. México.
Aroca, P. (2002). “Microcrédito, Evaluación de Impacto Casos: Brasil y Chile”. Universidad Católica del
Norte Antofagasta. Chile.
Becker, S. y A. Ichino. (2002). “Estimation of average treatment effects based on propensity scores”. Stata
Journal, 358-377.
28
Blundell, R., M. Costa Dias, C. Meghir y J. Van Reenen (2004). “Evaluating the employment impact of
mandatory job-search asistanse. The UK New Deal Gateway”, Journal of the European Economic Association
2(4):569-606.
Blundell, R. y M. Costa Dias (2002). “Alternative Approaches to Evaluation in Empirical Microeconomics”,
The Journal of Human Resources, 564-640.
Blundell, R. y M. Costa Dias (2000). “Evaluation methods for non experimental data”, Fiscal Studies
21(4):427-468.
Briones, R. H. Bosselin y C. Briones (2000). “Modelo Economico-Social y Competencia en los Mercados
Chile: Un Caso de Oligopolio y Asistencialismo”. Universidad de Chile. Chile.
Caliendo, M. (2006). Microeconometric Evaluation of Labour Market Policies. Springer-Verlag. EE.UU.
Card, D. y A. Krueger (1994). “Minimum Wages and Employment: A Case of the Fast-Food Industry of in
New Jersey and Pennsylvania”, The American Economic Review, 772-793.
Dehejia, R., y S. Wahba (1998). “Causal Effects in Non-Experimental Studies: Re-evaluating the Evaluation
of Trainning Programs”, NBER Working Paper Series. EE.UU.
Essama-Nssah, B. (2006). “Propensity Score Matching and Policy Impact Analysis: A Demonstration in
Eviews.” World Bank Policy Research Working Paper 3877. 1-60.
Fundación Kast. (2000). Capacidad de emprender, clave para superar la pobreza. Santiago, Chile.
Greene, W. (1999). Análisis Econométrico. Prentice Hall. EE.UU.
Hansen, B. (2007). “Optmatch: Flexible, optimal matching for observational studies”, R News, 18-24.
Lalonde, R. (1986). “Evaluating the econometric evaluations of trainning programs with experimental data”,
The American Economic Review, 604-620.
Leuven, E., y Sianesi, B. (2003). “PSMATCH2: Stata module to perform full Mahalanobis and propensity
score matching, common support graphing, and covariate imbalance testing.” Boston College Department of
Economics. EE.UU.
Meyer, B. (1995). “Natural and Quasi-Experiments in Economics”, Journal of Business & Economic Statistics
13(2), JBES Symposium on Program and Policy Evaluation, 151-161.
Monteiro, N. (2004). “Using propensity matching estimators to evaluate the impact of privatisation on
wages”, Working Paper Series 12 Universidade do Minho. Portugal.
Nichols, A. (2007). “Causal Inference with Observational Data”, Stata Journal, 507-541.
Rosenbaum, P. (2010). Design of Observational Studies. EE.UU.
SERCOTEC (2010). “La Situación de la Micro y Pequeña Empresa en Chile.” Santiago, Chile.
Wooldridge, J. (2001). “Econometric Analysis of Cross Section and Panel Data Models.” The MIT Press.
EE.UU.
29
Yunus, M. (1997). “Hacia un Mundo sin pobreza”, EE.UU.
ANEXOS
Anexo A: MetodologÃ−a construcción de datos
Cuadro 14: Distribución de población por decil ficha protección social
Decil Puntaje
FPS
Tramo de
Puntaje FPS
Personas
en FPS
%FPS
% Acumulado % Población
FPS
paÃ−s
1
2072 - 6035
3.768.130 35%
35%
2
6036 - 8500
1.942.800 18%
53%
3
8501 - 10320 1.529.580 14%
67%
4
10321 - 11734 1.066.540 10%
77%
5
11735 - 12666 733.610
7%
84%
6
12667 - 13484 606.530
6%
89%
7
13485 - 14236 469.540
4%
94%
8
14237 - 14557 357.590
3%
97%
9
14558 - 14597 223.530
2%
99%
10
> 14598
84.420
1%
100%
Â
Total
10.782.270 100%
Â
Fuente: Informe Final, Comité de Expertos, FPS Octubre 2010.
22%
11%
9%
6%
4%
4%
3%
2%
1%
0%
63%
% Acumulado
población
paÃ−s
22%
33%
42%
49%
53%
56%
59%
61%
63%
63%
Â
Cuadro 15: Dimensiones del impacto y componentes del modelo
Dimensiones
Componente del Modelo
1° Tipo de variable sobre la que se mide el impacto Cuantitativas
2° Forma de construcción de la muestra
No experimentales
3° Forma en que se construye un indicador de
Diferencias en diferencias
impacto
4° Método de estimación utilizado para
No paramétricos
cuantificar los impactos
Fuente: Elaboración del autor, en base a Baker (2000).
•
Cuadro 16: Promedio tasas interés área metropolitana
PROMEDIO DE TASAS DE INTERÃ S INFORMADAS POR
Â
BANCOS Y COOPERATIVAS EN LOS CRÃ DITOS DE CONSUMO
Semana del 21 al 24
de diciembre de
Â
Â
Â
 Â
Â
Â
Â
Â
2009
(% anual) Â Â
Â
Â
Â
 Â
Â
Â
Â
Â
 Â
 0,35 2,075 Â
Â
 0,35 1,945 Â
Â
Â
Monto del préstamo:
Monto del préstamo:
 Â
Â
Â
Â
$500.000
$1.000.000
Â
Â
Â
Â
Â
Â
Â
Â
Â
Â
Â
Â
Â
Â
Â
Â
Monto del préstamo:
$3.000.000
30
 Â
 24 meses
Bancos (*)  MÃ−n Máx
 Â
 Â
Â
Banco de
 n/o
n/o
Chile
Banco de
Crédito
 13,68 27,12
e
Inversiones
Banco del
Estado de  10,80 30,60
Chile
Banco
 12,12 30,24
Falabella
Banco
 28,01 46,68
Paris
Banco
 17,52 46,56
Ripley
Banco
Santander  8,40 31,20
Chile
Banco
 n/o
n/o
Itaú Chile
BBVA
 10,95 22,56
Banco
Corpbanca  15,00 27,48
Scotiabank
 18,09 20,16
Chile
 Â
 Â
Â
Divisiones
Especializadas
 Â
Â
(**)
 Â
 Â
Â
Banco
 27,00 47,64
Condell
Banefe
 23,88 47,40
Banco
 33,48 49,80
Credichile
Banco
 30,30 47,70
Nova
Banco del
 22,68 32,40
Desarrollo
 Â
 Â
Â
Cooperativas
 Â
Â
 Â
 Â
Â
Coopeuch  16,32 32,40
Coocretal  22,80 35,88
36 meses
 24 meses
36 meses
 24 meses
36 meses
MÃ−n Máx  MÃ−n Máx MÃ−n Máx  MÃ−n Máx MÃ−n Máx
Â
Â
 Â
Â
Â
Â
 Â
Â
Â
Â
n/o
n/o
 13,08 26,64 13,32 27,48  10,56 18,36 11,16
19,20
14,04 28,08 Â 13,68 27,12 14,04 28,08 Â 11,16 26,04 11,88
26,16
10,80 25,92 Â 8,40
23,40 10,80
23,52
12,24 30,48 Â 10,92 27,24 11,04 27,60 Â 10,08 25,20 10,20
25,44
28,01 46,68 Â 25,85 43,08 25,85 43,08 Â 17,93 29,88 17,93
29,88
17,52 46,56 Â 16,32 42,96 16,32 42,96 Â 15,60 34,80 15,60
34,80
8,40
31,20 Â 8,40
31,20
n/o
n/o
28,20 10,80 25,92 Â 8,40
31,20 8,40
31,20 Â 8,40
31,20 8,40
 14,16 26,40 15,36 27,48  12,72 22,20 13,92
12,02 24,46 Â 10,95 22,56 12,02 24,46 Â 9,90
22,20
20,41 10,69
22,13
15,48 28,20 Â 15,00 26,64 15,00 27,48 Â 10,68 23,52 12,60
23,64
18,70 20,76 Â 18,09 20,16 18,70 20,76 Â 16,91 18,84 17,51
19,44
Â
Â
 Â
Â
Â
Â
 Â
Â
Â
Â
Â
Â
 Â
Â
Â
Â
 Â
Â
Â
Â
Â
Â
 Â
Â
Â
Â
 Â
Â
Â
Â
26,52 48,12 Â 24,96 46,44 26,52 47,16 Â 24,12 35,64 24,12
37,92
23,88 48,00 Â 23,88 45,60 23,88 47,40 Â 23,88 36,00 23,88
37,80
33,48 49,80 Â 29,88 46,68 29,88 46,68 Â 25,68 45,48 25,68
45,48
31,02 48,42 Â 30,30 46,00 31,02 47,12 Â 21,70 36,40 22,42
38,22
22,93 32,76 Â 22,34 31,92 22,60 32,28 Â 18,14 25,92 18,40
26,28
Â
Â
Â
22,32
22,80
Â
Â
Â
28,08
35,40
Â
Â
Â
32,40
35,40
Â
Â
Â
Â
Â
Â
Â
Â
14,28
22,80
Â
Â
Â
28,08
35,88
Â
Â
Â
19,56
22,80
Â
Â
Â
28,08
35,40
Â
Â
Â
Â
Â
Â
Â
Â
14,28
22,80
Â
Â
Â
28,08
35,88
Â
Â
Â
19,56
22,80
31
Oriencoop  16,56 30,36 16,56 30,36  16,56 30,36 16,56 30,36  15,48 26,04 15,48 26,04
Capual
 15,71 19,93 15,46 19,67  15,30 19,50 15,17 19,38  15,02 19,22 14,98 19,18
(***)
Detacoop  29,40 35,40 29,40 35,40  29,40 35,40 29,40 35,40  26,40 26,40 26,40 26,40
 Â
 Â
Â
Â
Â
 Â
Â
Â
Â
 Â
Â
Â
Â
Tasa de interés máxima convencional para operaciones no reajustables menores a UF200: 50,22%
anual desde el dÃ−a 15 de diciembre de 2009.
Fuente: SBIF.
Cuadro 17: Valor máximo y mÃ−nimo de microcrédito por instituciones (PAM)
Instituciones
Venta
Venta
2009
Máxima MÃ−nima
1. Bancos
1.460.264 8.333
comerciales
2. Cajas y
1.400.000 23.333
cooperativas
3. Sociedades
2.100.000 45.833
financieras
4. Fundaciones 1.420.000 1.111
Promedio
1.595.066 19.653
Fuente: Elaboración propia del autor.
Crédito Crédito Tasa
Tasa
FPS
FPS
Máximo MÃ−nimo Máxima MÃ−nima Máxima MÃ−nima
7.687.553 100.517
7,95
0,70
14.679
2.072
9.900.000 21.646
3,80
0,70
14.632
2.072
1.500.000 80.000
3,60
3,20
14.571
2.072
500.000 45.000
4.896.888 61.791
4,38
4,93
2,96
1,89
14.688
14.643
2.072
2.072
Cuadro 18: Valor máximo y mÃ−nimo de microcrédito por instituciones (grupo intervención,
PAM - PAAE)
Instituciones Venta
Venta
Crédito
2009
Máxima MÃ−nima Máximo
Bancos
1.360.000 100.000
5.946.928
comerciales
Cajas y
800.000 200.000
1.050.000
cooperativas
Sociedades
1.350.000 300.000
780.000
financieras
Fundaciones 1.000.000 25.000
200.000
Promedio
1.127.500 156.250
1.994.232
Fuente: Elaboración propia del autor.
Crédito Tasa
Tasa
FPS
MÃ−nimo Máxima MÃ−nima Máxima
FPS
MÃ−nima
101.220
7,77
1,20
14546
2144
200.000
2,85
2,35
13344
3011
135.000
3,40
3,30
8502
2225
55.000
122.805
4,38
4,60
3,31
2,54
14381
12.693
2079
2.365
Cuadro 19: Ingreso autónomo familiar en lÃ−nea base y salida, según sexo
Grupo
Ingreso LÃ−nea
Intervención
Base
Mujeres
207.165
Hombres
258.944
Personas
214.586
Fuente: Elaboración propia del autor.
Ingreso LÃ−nea
Salida
251.239
305.743
259.050
Variación Promedio Edad
0,21
0,18
0,21
43
49
44
Número
Personas
269
45
314
32
Cuadro 20: Ingreso autónomo familiar en lÃ−nea base y salida, según fecha adjudicación pre
asociación
Muestra Pre
Ingreso LÃ−nea
Asociación
Base
Mujeres
202.563
Hombres
269.833
Personas
211.375
Fuente: Elaboración propia del autor.
Ingreso LÃ−nea
Salida
245.608
299.948
252.727
Variación
0,21
0,11
0,20
Promedio
Edad
43
48
43
Número
Personas
199
30
229
Cuadro 21: Ingreso autónomo familiar en lÃ−nea base y salida, según fecha adjudicación post
asociación
Muestra Post
Ingreso LÃ−nea
Asociación
Base
Mujeres
220.249
Hombres
237.167
Personas
223.234
Fuente: Elaboración propia del autor.
Ingreso LÃ−nea
Salida
267.246
317.333
276.085
Variación
0,21
0,34
0,24
Promedio
Edad
45
50
46
Número
Personas
70
15
85
Cuadro 22: Variación ingresos personas atendidas por bancos
Ingreso
Ingreso
LÃ−nea
LÃ−nea Base
Salida
Mujeres
209.095
258.464
Hombres
247.984
294.885
Personas
219.226
267.952
Fuente: Elaboración propia del autor.
Bancos
Variación
Promedio
Edad
Número
Personas
0,24
0,19
0,22
46
49
46
88
31
119
De la muestra total, un 38% de los beneficiarios de microcrédito obtuvo uno a través de los bancos. Las
mujeres presentan una mayor variación positiva con un 24%. A nivel de personas, aumento el ingreso en
48.726 equivalentes a un 22%, levemente superior 1% al incremento presentado en la muestra total.
Cuadro 23: Variación ingresos personas atendidas por cajas y cooperativas
Ingreso
Ingreso
LÃ−nea
LÃ−nea Base
Salida
Mujeres
186.500
209.000
Hombres
370.000
433.500
Personas
247.667
283.833
Fuente: Elaboración propia del autor.
Cajas y Coop.
Variación
Promedio
Edad
Número
Personas
0,12
0,17
0,15
38
52
42
4
2
6
De la muestra total, un 2% de los beneficiarios de microcrédito obtuvo uno a través de las Cajas y
Cooperativas. Los hombres presentan la mayor variación positiva con un 17%. A nivel de personas, aumento
el ingreso en 36.166 equivalentes a un 15%, inferior en un 6% al incremento presentado en la muestra total.
Cuadro 24: Variación ingresos personas atendidas por sociedades financieras
33
Ingreso
Ingreso
LÃ−nea
LÃ−nea Base
Salida
Mujeres
215.000
309.500
Hombres
193.750
237.500
Personas
208.929
288.929
Fuente: Elaboración propia del autor.
Soc. Financieras
Variación
Promedio
Edad
Número
Personas
0,44
0,23
0,38
41
51
44
10
4
14
De la muestra total, un 4% de los beneficiarios de microcrédito obtuvo uno a través de las Sociedades
Financieras. Las mujeres presentan una mayor variación positiva con un 44%. A nivel de personas, aumento
el ingreso en 80.000 equivalentes a un 38%, superior en un 17% al incremento presentado en la muestra total.
Cuadro 25: Variación ingresos personas atendidas por fundaciones
Ingreso
Ingreso
LÃ−nea
LÃ−nea Base
Salida
Mujeres
206.174
244.954
Hombres
306.250
350.000
Personas
210.749
249.756
Fuente: Elaboración propia del autor.
Fundaciones
Variación
Promedio
Edad
Número
Personas
0,19
0,14
0,19
42
48
43
167
8
175
De la muestra total, un 56% de los beneficiarios de microcrédito obtuvo uno a través de las Fundaciones.
Las mujeres presentan una mayor variación positiva con un 19%. A nivel de personas, aumento el ingreso en
39.997 equivalentes a un 19%, inferior en un 2% al incremento presentado en la muestra total.
En resumen, se observa que ni los bancos ni las fundaciones serÃ−an las más eficaces a la hora de
incrementar los ingresos de los beneficiarios, si no que serÃ−an las Sociedades Financieras las que
otorgarÃ−an mejores condiciones y créditos. AhÃ− vemos el mayor incremento en uno de los grupos con
un 44% de crecimiento en el caso de mujeres. Todas las demás agentes, presentaron débiles Ã−ndices, en
especial las Cajas y Cooperativas y en segundo lugar las Fundaciones, en relación con la muestra total. Los
Bancos lograron un incremento un 1% en los ingresos de la muestra, por sobre el de la muestra total.
•
Anexo B: Estimaciones y resultados econométricos
Cuadro 26: Media y desviación estándar de grupos tratamiento, control y total
Variable
Media
Stdev
N
Media
Stdev
N
Media
Stdev
N
AUTLB
1,05
0,73
430
0,86
0,68
9549
0,86
0,68
9979
AUTLS
1,27
0,77
430
1,01
0,78
9549
1,02
0,78
9979
ECIVIL
0,42
0,49
430
0,43
0,50
9549
0,43
0,50
9979
EDAD
44,82
10,75
430
45,12
11,41
9549
45,11
11,39
9979
EDUC2
0,57
0,50
430
0,52
0,50
9549
0,52
0,50
9979
EDUC3
0,04
0,20
430
0,04
0,20
9549
0,04
0,20
9979
ETNIA
0,18
0,38
430
0,24
0,42
9549
0,23
0,42
9979
HOGLB
2,21
1,31
430
1,88
1,23
9549
1,89
1,23
9979
HOGLS
2,67
1,48
430
2,15
1,42
9549
2,17
1,43
9979
34
Variable JEFELB PAIS PHOGLB SEXO
Media 0,78
0,97
3,89
0,12
Stdev
0,41
0,18
1,67
0,32
N
430
430
430
430
Media 0,73
0,97
3,86
0,19
Stdev
0,44
0,18
1,61
0,39
N
9549
9549
9549
9549
Media 0,74
0,97
3,86
0,19
Stdev
0,44
0,18
1,61
0,39
N
9979
9979
9979
9979
Fuente: Elaboración propia del autor.
TREAT
1,00
0,00
430
0,00
0,00
9549
0,04
0,20
9979
UAUTLB
0,01
0,08
430
0,04
0,19
9549
0,04
0,19
9979
UAUTLS
0,03
0,18
430
0,10
0,30
9549
0,10
0,30
9979
UHOGLB
0,00
0,05
430
0,02
0,15
9549
0,02
0,15
9979
UHOGLS
0,03
0,17
430
0,09
0,29
9549
0,09
0,29
9979
HOGLS
26,6505
21,4882
24,1172
0,1709
0,1809
AUTLS
12,7068
10,1340
11,6092
0,1392
0,1861
JEFELS
0,7628
0,6821
0,7193
0,0993
0,0814
Cuadro 27: Diferencias estandarizadas pre y post matching
Variable
Promedio Tratamiento Pre Matching
Promedio Control Pre Matching
Promedio Tratamiento Post Matching
Diferencia estandarizada Pre Matching
Diferencia estandarizada Post Matching
Fuente: Elaboración propia del autor.
SEXO
0,1535
0,2158
0,1528
0,0019
0,1631
ETNIA
0,1744
0,2354
0,1744
0,0000
0,1515
Anexo C: Procedimientos con las implementaciones
En el caso del modelo PSM, se utilizaron 4 procedimientos en forma complementaria. El primero de ellos es
el procedimiento pscore en Stata. El segundo psmatch2 en Stata, el tercero en Eviews y el cuarto en R.
*=================================================:
* Comandos Stata, “pscore” Becker e Ichino (2002)
* y “psmatch2” Leuven y Sianesi (2003):
*=================================================:
pscore treat sexo etnia hoglb autlb jefelb , pscore(p_score01) blockid(m_block01) comsup numblo(5)
level(0.005) logit
attnd hogls treat sexo etnia hoglb autlb jefelb , comsup boot reps(100) dots logit
psmatch2 treat sexo etnia hoglb autlb jefelb , pscore(p_score01) blockid(m_block01) comsup numblo(5)
level(0.005) logit
'=================================================:
' Comandos Eviews, “pscore” Essama-Nssah (2006):
'=================================================:
35
'DEFINE SUBROUTINES FOR THE PRODUCTION OF MATCHED OUTCOMES
'***Arguments:
'(1) CS=Common Support,
'(2) VP=Vector of Propensity Scores for the Treated,
'(3) PS=Propensity Scores for the Nontreated,
'(4) Y=Outcomes for the Nontreated,
'(5) MO=Matched Outcomes
'***Nearest-Neighbor
SUBROUTINE LOCAL NEIGHBOR(VECTOR VP, SERIES PS, SERIES Y, VECTOR MO)
SMPL @ALL 'No common support imposed
!NT=@ROWS(VP) 'Total number of treated
FOR !K=1 TO !NT
SERIES U{!K}= ABS(VP(!K) - PS)
SCALAR M{!K}=@MIN(U{!K})
SERIES NDIJ{!K}=(U{!K}=M{!K}) 'Indicator of a match
SCALAR DNO{!K}=@SUM(NDIJ{!K}) 'Number of matches
SERIES YNWIJ{!K} 'To hold matched outcomes
IF DNO{!K} THEN
YNWIJ{!K}=(NDIJ{!K}/DNO{!K})*Y
ENDIF
MO(!K)=@SUM(YNWIJ{!K}) 'Matched outcomes for participant !k
NEXT
ENDSUB
'***Gaussian Kernel
SUBROUTINE LOCAL GAUSS(SERIES CS, VECTOR VP, SERIES PS, SERIES Y, VECTOR MO)
!BW=0.06 'Bandwidth, same as the one used by
36
!NT=@ROWS(VP) 'Becker and Ichino (2002) on the same data set.
SMPL @ALL IF CS 'Impose common support
FOR !K=1 TO !NT
SERIES U{!K}= ABS(VP(!K) - PS)/!BW
SERIES KIJ{!K}=@DNORM(U{!K}) 'Gaussian kernel
SERIES YWIJ{!K}=(KIJ{!K}/@SUM(KIJ{!K}))*Y
MO(!K)=@SUM(YWIJ{!K}) 'Matched outcomes
NEXT
ENDSUB
'***Epanechnikov Kernel
SUBROUTINE LOCAL EPAN(SERIES CS, VECTOR VP, SERIES PS, SERIES Y, VECTOR MO)
!BW=0.06 'Bandwidth
!NT=@ROWS(VP)
SMPL @ALL IF CS 'Common support
FOR !K=1 TO !NT
SERIES U{!K}= ABS(VP(!K) - PS)/!BW
SERIES ED{!K}= U{!K}<=1 'Indicator function for 'the Epanechnikov kernel
SERIES EKIJ{!K}=(1-U{!K}^2)*ED{!K} 'Epanechnikov kernel '(no need to include the 'constant factor 3/4)
SCALAR DNO{!K}=@SUM(EKIJ{!K})
SERIES YEWIJ{!K}
IF DNO{!K} THEN
YEWIJ{!K}=(EKIJ{!K}/DNO{!K})*Y
ENDIF
MO(!K)=@SUM(YEWIJ{!K}) 'Matched outcomes
NEXT
ENDSUB
37
'START PROGRAM EXECUTION
MODE QUIET
DB PSM
WFOPEN NSWDATA 'Data from the National Supported Work Demonstration
'GROUP ZGRP C AGE AGE2 EDU EDU2 MARRIED BLACK HISP RE74 RE75 RE742 RE752
BLACKU74
'COMPUTE PROPENSITY SCORES
'Invoke the Binary and Fit Commands
PAGESELECT base2009
d logitab
EQUATION LOGITEQ.BINARY(d=L, m=1000, c=1e-10, showopts) TREAT ZGRP
'ZGRP contains pre-treatment attributes
FREEZE(LOGITAB) LOGITEQ.OUTPUT
LOGITEQ.FIT PSHAT 'Genera serie estimada
STORE LOGITEQ LOGITAB 'Guarda objetos a disco
'DETERMINE REGION OF COMMON SUPPORT BASED ON THE SCORES OF THE trat2009
SMPL @ALL IF TREAT=1 'Restrict the sample to the treated
SCALAR MINPS = @MIN(PSHAT)
SCALAR MAXPS = @MAX(PSHAT)
SMPL @ALL
SERIES COMSUP=(PSHAT>=MINPS AND PSHAT<=MAXPS)
'VECTOR COMSUP CONTIENE PUROS 1 (n=185)
'SEPARATE PARTICIPANTS FROM NONPARTICIPANTS
'HASTA AQUI ESTABAN JUNTOS
'ORDEN: 1) COMBINED (SIN NOMBRE) 2) trat2009 3) COMPARISON
'AL HACER PAGECOPY, SE SELECCIONA LA PAGINA CREADA
'PAGECOPY(PAGE=trat2009, SMPL=@ALL IF TREAT=1)
38
'This corresponds to observations in NSWRE74_trat2009
STOM(PSHAT,VPSP) 'VPSP is a vector of propensity scores for participants
'STOM convierte serie PSHAT a vector VPSP (n=185)
STORE VPSP 'Guarda vector a disco
PAGESELECT COMBINED
'PAGECOPY(PAGE=COMPARISON, SMPL=@ALL IF TREAT=0)
PAGESELECT cont2009
FETCH VPSP 'El mismo vector del grupo tratamiento (185 obs)
!T=@ROWS(VPSP) 'Number of treated equals the size of the vector VPSP
FOR %V YCN YCG YCE
VECTOR(!T) {%V}
NEXT
'CREATE VECTORS YCN YCG AND YCE WITH SIZE EQUAL TO NUMBER OF trat2009
'*** The vectors will hold matched outcomes from nearest-neighbor,
'*** Gaussian and Epanechnikov matching methods.
'COMPUTE NEAREST-NEIGHBOR-MATCHED OUTCOMES
CALL NEIGHBOR(VPSP, PSHAT, HOGLS, YCN)
'COMPUTE GAUSSIAN KERNEL-MATCHED OUTCOMES
CALL GAUSS(COMSUP, VPSP, PSHAT, HOGLS, YCG)
'COMPUTE EPANECHNIKOV KERNEL-MATCHED OUTCOMES
CALL EPAN(COMSUP, VPSP, PSHAT, HOGLS, YCE)
'STORE RESULTS TO BE USED LATER
STORE YCN YCG YCE
'COMPUTE TREATMENT EFFECTS
PAGESELECT trat2009
FOR %V %S %D YCN YNNB NNB YCG YGAUSS GSS YCE YNIKOV EPN
39
FETCH {%V}
MTOS({%V}, {%S}) 'Convert vector into series
SERIES {%D}=(HOGLS-{%S}) 'Individual gain=(outcome after treatment
'minus estimated counterfactual)
NEXT
VECTOR(3) ATET
!T=1
FOR %D NNB GSS EPN
ATET(!T)=@MEAN({%D})
!T=!T+1
NEXT
FREEZE(IMPACT) ATET
SETLINE(IMPACT, 3)
!ROW=4
FOR %RLB NNBR GSSK EPNK
SETCELL(IMPACT, !ROW, 1, %RLB, "L")
!ROW=!ROW + 1
NEXT
'END OF PROGRAM
'-----------------------------------------------------------------------#==========================================================
# Programas en R (Hansen 2007), (Rosenbaum 2010).
#==========================================================
dat2<-read.csv('tgprepos1r.csv', header=TRUE, sep=",", dec=".")
#p<-glm(dat2$period~dat2$treat + dat2$sexo + dat2$etnia + dat2$hog + dat2$aut + dat2$jefe,
family=binomial)$fitted.values
p<-glm(dat2$period~dat2$hog + dat2$aut + dat2$jefe, family=binomial)$fitted.values
40
#Xb <- as.matrix(cbind(dat2$treat, dat2$sexo, dat2$etnia, dat2$hog, dat2$aut, dat2$jefe))
Xb <- as.matrix(cbind(dat2$hog, dat2$aut, dat2$jefe))
period <- dat2$period
source("rfx.smahal.R")
source("rfx.addcaliper.R")
#source("r.fitvaldid.R")
dmat <- smahal(period,Xb)
dmat <- addcaliper(dmat,period,p)
library(optmatch)
m2<-fullmatch(dmat,min.controls=1,max.controls=1, omit.fraction=4730/9460)
o2<-matched(m2)
library(car)
o2=recode(o2, "'TRUE'=1;'FALSE'=0", as.factor.result=FALSE)
write.csv(o2, file="to2.csv")
#write.csv(m2, file="tm2.csv")
#==========================================================
# Subrutinas en R (Hansen 2007), (Rosenbaum 2010).
#==========================================================
smahal=
function(z,X){
# Rank based Mahalanobis distance.
X<-as.matrix(X)
n<-dim(X)[1]
rownames(X)<-1:n
k<-dim(X)[2]
m<-sum(z)
41
for (j in 1:k) X[,j]<-rank(X[,j])
cv<-cov(X)
vuntied<-var(1:n)
rat<-sqrt(vuntied/diag(cv))
cv<-diag(rat)%*%cv%*%diag(rat)
out<-matrix(NA,m,n-m)
Xc<-X[z==0,]
Xt<-X[z==1,]
rownames(out)<-rownames(X)[z==1]
colnames(out)<-rownames(X)[z==0]
library(MASS)
icov<-ginv(cv)
for (i in 1:m) {
out[i,]<-mahalanobis(Xc,Xt[i,],icov,inverted=T)}
out
}
#==========================================================
addcaliper =
function(dmat,z,p,caliper=0.2,penalty=1000){
sdp<-sd(p)
adif<-abs(outer(p[z==1],p[z==0],"-"))
adif<-(adif-(caliper*sdp))*(adif>(caliper*sdp))
dmat<-dmat+adif*penalty
dmat
}
#==========================================================
42
FOSIS realizó una reestructuración de sus lÃ−neas de acción, lo cual tuvo lugar durante la elaboración
de esta sección de la tesis. La fuente en su sitio web fue consultada en dos ocasiones, primero en Noviembre
2011 y luego en Enero 2012.
Los programas PAAE y PAM, vigentes hasta Diciembre 2011, sufrieron una reorganización dentro del
FOSIS, por lo que cambiaron sus nombres y estructuras. No obstante, debido a la fecha de obtención de la
base de datos con la que se cuenta, se seguirá haciendo mención a los nombres PAAE y PAM.
Fuente: http://www.fosis.gob.cl/opensite_20090403114742.aspx
Abreviada de ahora en adelante como FPS.
Fuente: http://www.fichaproteccionsocial.gob.cl. Consultado en Enero 2012.
Fuente: Informe Final, Comité de Expertos, FPS Octubre 2010.
Fuente: http://www.fosis.gob.cl/opensite_det_20090525132736.aspx. Consultado en Enero 2012.
Fuente: http://www.sii.cl/pagina/actualizada/noticias/2009/040809noti01rv_pm.htm. Consultado en Enero
2012.
Fuente: www.redmicrofinanzas.cl. Consultado en Enero 2012.
Fuente: Informe Estado de las Microfinanzas en Chile 2009, Informe elaborado para la Red para el Desarrollo
de las Microfinanzas en Chile A.G.
Se utiliza el concepto amplio de pobreza establecido por United Nations Committee on Social, Economic and
Cultural Rights, 2001 como “una condición humana caracterizada por una crónica privación de los
recursos, capacidades, opciones, la seguridad y el poder necesarios para disfrutar de un nivel de vida adecuado
y otros derechos civiles, económicos, culturales polÃ−ticos y sociales”.
Dato longitudinal es aquel que cuenta con registros para más de un momento en el tiempo. En el glosario
adjunto al final del documento se puede consultar la definición de este y otros conceptos.
Su fórmula es la siguiente: Valor=(ingreso_salida - ingreso_entrada)/(ingreso_entrada)*100. Son sólo
valores PAAE.
Su fórmula es la siguiente: Valor=(ingreso_pam - ingreso_salida)/(ingreso_salida)*100. Son valores PAM y
PAAE.
Fuente: http://www.sbif.cl. Consultado en Enero 2012.
FUENTE: Field, E. y Torero, M. 2000. Diferencias en el Acceso de las Mujeres al Micro Crédito en el
Perú y el Impacto de la Tenencia del TÃ−tulo de Propiedad. Grupo de Análisis para el Desarrollo
(GRADE).
Fuente: http://www.unwomen.org/. Consultado en Enero 2012.
Fuente: http://www.aecid.es. Agencia Española de Cooperación Internacional para el Desarrollo.
Las bases de datos PAAE y PAM, pueden ser solicitadas al autor. Mientras que la base CASEN, se encuentra
disponible en el portal de Mideplan.
43
El mismo procedimiento, fue comparado con Stata, en el cual figuraba el número de observaciones del sub
grupo de control, que en el caso del estimador Nearest-Neighbor resultó ser de 2760. El procedimiento
corresponde al de los autores Becker e Ichino (2002). Otra alternativa es emplear el programa R,
especÃ−ficamente el paquete Fullmatch (Hansen, 2007).
Se procedió a crear un grupo de control emparejado y se estimaron las diferencias estandarizadas para
comparar los promedios antes de emparejar y después de emparejar, pero no se vio una disminución en las
diferencias después del emparejamiento. Se adjunta el Cuadro 27 en el anexo.
El valor estimado para esta muestra de 9.460 personas fue de $ 10.500, mientras que el valor estimado para la
muestra total de 19.958 personas, fue de $ 12.600. La muestra empleada corresponde a aquella proveniente
del método PSM, resultando en una combinación de ambos métodos. En la muestra original el
coeficiente DID, resultó ser significativo al 95%.
2
Tipo de Datos
No Experimental
Experimental
Selección en no observables
Selección en observables
Modelos Selección
Métodos VI
Matching
Regresión
- Modelos de selección tratan de modelar el proceso de selección completo. Sin restricciones de exclusión,
la identificación puede ser problemática.
- Métodos VI requieren una fuente de variación independiente. DifÃ−cil es encontrar buenos
instrumentos.
- Métodos VI tienen problemas con heterogeneidad, mientras que los de selección no.
- Ambos asumen CIA.
- Matching resalta la condición de soporte común y evita el uso de forma funcional.
- Si la forma funcional es conocida el método es más eficiente.
- Matching tiene ventajas si el efecto de tratamiento es heterogéneo.
44