Introducción Efectos de Tratamiento Relación con Regresión Diseños Cuasi-Experimentales Variables Instrumentales TEMA 2. Análisis de Causalidad y Evaluación de Políticas Públicas. Profesor: Pedro Albarrán Pérez Universidad de Alicante. Curso 2010/2011. Introducción Efectos de Tratamiento Relación con Regresión Diseños Cuasi-Experimentales Variables Instrumentales Contenido 1 Introducción 2 Efectos de Tratamiento 3 Conexión entre Efectos de Tratamiento y Regresión. Matching Causalidad en un contexto de regresión. Selección en Observables. Matching 4 Diseños Cuasi-Experimentales Diferencias en Diferencias (DD) Discontinuidad en la Regresión (DR) 5 Variables Instrumentales Introducción Efectos de Tratamiento Relación con Regresión Diseños Cuasi-Experimentales Variables Instrumentales Causalidad y Análisis Experimental Muchas preguntas en la vida diaria requiere la identicación y medida de efectos causales. ¾El tabaco provoca cáncer? ¾La aspirina reduce el riesgo de infarto? ¾Los cursos de formación para desempleados ayudan para encontrar empleo? ¾Cuál es el impacto del salario mínimo sobre el empleo? ¾Afectan los subsidios salariales o los impuestos a la oferta de trabajo de los individuos? ¾Y a la inversión de las empresas? Podemos medir la correlación estadística, pero ésta NO implica que exista causalidad En ciencias naturales y estudios bio-médicos, se utiliza el análisis experimental para estudiar la existencia de causalidad Discutiremos en qué sentido y bajo qué condiciones puede ser útil este enfoque Introducción Efectos de Tratamiento Relación con Regresión Diseños Cuasi-Experimentales Variables Instrumentales Resultados Potenciales. Contrafactual Resultados Potenciales de un Tratamiento Para cada unidad i de una población (i = 1, . . . , N ); Di = estado del tratamiento d yi Di = 1, si la unidad i ha sido expuesta al tratamiento Di = 0, si la unidad i NO ha sido expuesta al tratamiento = resultados potenciales (contrafactuales) de Y según el tratamiento 1 yi 0 y i es el resultado para i en caso de tratamiento es el resultado para i en caso de NO tratamiento Para cada unidad i tenemos nalmente un único resultado observado Yi = Di yi1 + (1 − Di ) yi0 Introducción Efectos de Tratamiento Relación con Regresión Diseños Cuasi-Experimentales Variables Instrumentales Resultados Potenciales. Contrafactual Problema Fundamental de la Inferencia Causal Para el mismo individuo i , no se puede observar a la vez Di la vez Di si si =1 0 e y 1) i =0 y a (ni yi Di = 1, se observa Yi = yi1 Di = 0, se observa Yi = yi0 Este enfoque requiere pensar en términos de contrafactuales El efecto causal del tratamiento Di sobre el resultado Yi αi = yi1 − yi0 resulta lógicamente imposible de idencar y medir En otras palabras, no existe evidencia contrafactual del tratamiento Si se recibe el tratamiento, ¾qué hubiera sucedido en ausencia del tratamiento? Si se NO recibe el tratamienteo, ¾qué hubiera sucedido aplicando el tratamiento? Introducción Efectos de Tratamiento Relación con Regresión Diseños Cuasi-Experimentales Variables Instrumentales Resultados Potenciales. Contrafactual Efecto Medio del Tratamiento Bajo determinados supuestos, se puede identicar al menos el efecto causal medio para la población (o algunos sub-grupos relevantes) Efecto medio del tratamiento (Average Treatment Eect, ATE) αATE = E 1 0 yi − yi =E 1 yi −E 0 yi Efecto medio del tratamiento sobre los tratados (Average Treament Eect on Treated, ATT) αATT = E 1 0 yi − yi |Di = 1 = E 1 yi |Di =1 −E 0 yi |Di =1 La cuestión principal consiste en determinar cuando son estos efectos relevantes Efecto de un curso de idioma español en parados Efecto de un tratamiento de ovulación sobre la fertilidad Introducción Efectos de Tratamiento Relación con Regresión Diseños Cuasi-Experimentales Variables Instrumentales Resultados Potenciales. Contrafactual En general, la comparación directa del resultado por estado de tratamiento ofrecerá resultados sesgados: E (Yi |Di = 1) − E (Yi |Di = 0) = = E (Yi |Di = 1) − E (Yi |Di = 0) = = 1 − E yi0 |Di = 0 1 0 E yi |Di = 1 − E yi |Di = 1 + E yi0 |Di = 1 − E yi0 |Di = 0 α + E yi0 |Di = 1 − E yi0 |Di = 0 E 1 yi |Di La parte izquierda de la igualdad se puede estimar (porque es observable), PERO diere del verdadero efecto del tratamiento, α La diferencia se denomina sesgo de selección muestral. El problema radica en que los resultados potenciales sin tratamiento no son iguales en la situación contrafactual de no-tratamiento. Introducción Efectos de Tratamiento Relación con Regresión Diseños Cuasi-Experimentales Variables Instrumentales Experimentos Aleatorios Datos Experimentales Un experimento aleatorio se considera como el diseño ideal para la inferencia causal los estudios con datos observaciones se consideran más especulativos En un experimento controlado, el estado de tratamiento se asigna aleatoriamente por tanto, se garantiza la independencia estadística por construcción yi1 , yi0 ⊥ Di Esto implica que la función de densidad condicional de los resultados es independiente del tratamiento: F F 1 yi |Di =1 0 yi |Di = 1 = F = F = E = E 1 yi |Di =0 =F 0 yi |Di = 0 = F 1 yi 0 yi Por tanto, E E 1 yi |Di =1 0 yi |Di = 1 1 yi |Di =0 =E 0 yi |Di = 0 = E 1 yi 0 yi Introducción Efectos de Tratamiento Relación con Regresión Diseños Cuasi-Experimentales Variables Instrumentales Experimentos Aleatorios En este contexto, la simple comparación de resultados entre los tratados y los no tratados proporciona el efecto causal: efecto medio del tratamiento (ATE) αATT = E yi1 − yi0 |Di = 1 = = E yi1 |Di = 1 − E yi0 |Di = 1 E yi1 |Di = 1 − E yi0 |Di = 0 efecto medio del tratamiento sobre los tratados (ATT). αATE = E yi1 − yi0 = = E yi1 − E yi0 E yi1 |Di = 1 − E yi0 |Di = 0 La aleatorización implica que los individuos del grupo de control (no tratados) realmente pueden considerarse una imagen de lo que hubiese sucedido a los individuos del grupo de tratamiento en el contrafactual de no-tratamiento (y viceversa). Introducción Efectos de Tratamiento Relación con Regresión Diseños Cuasi-Experimentales Variables Instrumentales Causalidad en un contexto de regresión. Relación con Regresión Simple El resultado observado es Yi = Di yi1 + (1 − Di ) yi0 Los resultados potenciales pueden denirse como donde E 1 ui =E Por tanto, Yi Yi 0 ui yi 1 = yi 0 = µ1 + ui1 µ0 + ui0 =0 = µ1 Di + µ0 − µ0 Di + ui1 + ui0 − ui0 Di µ0 + µ1 − µ0 Di + i = β0 + β1 Di + i = Si los supuestos de regresión lineal son válidos, el coeciente coincide con el efecto medio del tratamiento β1 = = E (Yi |Di = 1) − E (Yi |Di = 0) 1 yi − E yi0 = αATE µ1 − µ0 = E β1 Introducción Efectos de Tratamiento Relación con Regresión Diseños Cuasi-Experimentales Variables Instrumentales Selección en Observables. Matching Datos Experimentales y Datos Observacionales En los datos experimentales, el tratamiento se asigna de manera controlada por el investigador (de manera aleatoria y, por tanto, exógena). En muchas situaciones, no se pueden diseñar experimentos aleatorios serían muy caros no factibles o cuestionables éticamente En Economía, se disponible habitualmente de datos observacionales: La condición de independencia 1, y 0 yi i ⊥D no resulta plausible las condiciones del estudio no han sido controladas muchas variables, en particular la asignación al tratamiento, resultan de la decisión de los individuos Sin embargo, veremos que en ocasiones se puede considerar que se replica o se está de una situación (cuasi)-experimental Introducción Efectos de Tratamiento Relación con Regresión Diseños Cuasi-Experimentales Variables Instrumentales Selección en Observables. Matching Cochran (1968): tasas de mortalidad anuales, en tanto por mil Canada UK US Non-smokers 20.2 11.3 13.5 Cigarretes 20.5 14.1 13.5 Cigars/pipes 35.5 20.7 17.4 La conclusión sería .... Pero los grupos dieren en otras características además de sus hábitos de fumar; en particular, edad (media) Canada UK US Non-smokers 54.9 49.1 57.0 Cigarretes 50.5 49.8 53.2 Cigars/pipes 65.9 55.7 59.7 Controlando por edad (grupos de menos y más de 50 años) Canada UK US Canada UK US Non-smokers 15.1 7.7 9.2 25.5 15.0 18.0 Cigarretes 23.2 9.0 12.8 34.5 18.5 23.7 Cigars/pipes 16.0 7.8 9.5 25.8 15.4 18.5 Introducción Efectos de Tratamiento Relación con Regresión Diseños Cuasi-Experimentales Variables Instrumentales Selección en Observables. Matching Selección en Observables Una condición menos exigente que asignación aleatoriaes suponer selección en observables o independencia condicional: 1 yi , yi0 ⊥ D |X Se supone que los tratados y los no tratados pueden ser diferentes en función de una serie de características observables X la probabilidad de ser tratados es mayor para individuos con determinadas características PERO, para dos individuos con las mismas características ex-ante, el hecho de ser tratado o no es aleatorio. Independencia condicional implica que : E E 1 yi |Di 0 yi |Di = 1, X = E = 1, X = E 1 yi |Di = 0, X = E 0 yi |Di = 0, X = E yi 1 ,X yi 0 ,X Introducción Efectos de Tratamiento Relación con Regresión Diseños Cuasi-Experimentales Variables Instrumentales Selección en Observables. Matching Efecto Medio del Tratamiento Se puede calcular el efecto medio del tratamiento (ATE o ATT) para individuos con las mismas características X x E yi1 − yi0 |Di = 1, X = x x E yi1 − yi0 |X = x αATT ( ) = αATE ( ) = =x E yi1 |Di = 1, X = x − E yi0 |Di = 1, X = x = E yi1 |Di = 1, X = x − E yi0 |Di = 0, X = x = E yi1 |X = x − E yi0 |X = x = E yi1 |Di = 1, X = x − E yi0 |Di = 0, X = x = para la población en general, como media ponderada para cada combinación de caracteristicas αATT = αATE = X X x x x x ω ( ) αATT ( ) ω ( ) αATE ( ) Introducción Efectos de Tratamiento Relación con Regresión Diseños Cuasi-Experimentales Variables Instrumentales Selección en Observables. Matching Matching La literatura de matching enfatiza las comparaciones directas de individuos. El supuesto de independencia condicional implica que: Para un individuo tratado podemos utilizar como control un individuo similar X = x representa un Un no-tratado con las mismas características contrafactual adecuado de un tratado Supongamos que X toma J valores diferentes con n j 1 j J x ,...,x ,...,x observaciones en cada celda Se pueden calcular diferencia entre tratados y no tratados para cada celda j Y1 y nalmente b ATE = α J X j j =1 j −Y0 Y1 j −Y0 j n n Introducción Efectos de Tratamiento Relación con Regresión Diseños Cuasi-Experimentales Variables Instrumentales Selección en Observables. Matching Se puede generalizar a varias variables: J será el número total de combinaciones de diferentes valores de todas las variables Problema cuando las variables son continuas y/o J aumenta: puede haber pocos individuos para hacer las comparaciones (se tiene poca precisión) incluso puede no haber nadie con quien comparar (los mismos valores en todas las variables X ). Se puede utilizar algún supuesto de forma funcionar para extrapolar/predecir el contrafactual por ejemplo, una forma lineal para E (Yi |Xi , Di ) Se utiliza el método del Propensity Score Introducción Efectos de Tratamiento Relación con Regresión Diseños Cuasi-Experimentales Variables Instrumentales Selección en Observables. Matching Propensity Score La selección en el tratamiento no es aleatoria: depende de las características X del individuo i Es decir, la probabilidad de tratamiento es una función de X π (x ) = Pr (Di = 1|Xi = x ) Dos individuos con la misma probablidad de tratamiento son similares un caso extremo ya visto: cuando tienen las misma características Todos los individuos con el mismo π (x ) = π no dieren en su probabilidad ex-ante de ser asignados a tratamiento (aunque tenga algunas características diferentes) PERO son observados ex-post (asignados aleatoriamente) como Di =0 o Di =1 Introducción Efectos de Tratamiento Relación con Regresión Diseños Cuasi-Experimentales Variables Instrumentales Selección en Observables. Matching Por tanto, se puede demostrar que si se cumple 1 yi , yi0 ⊥ D |X Es suciente condicionar en un valor del propensity score π (x ) = π para obtener el ATE o ATT E (Y |D = 1, π (X ) = π)−E (Y |D = 0, π (X ) = π) = E Sólo es necesario utilizar una medida, π ( X ), y 1 − y 0 |π (X ) = π en lugar de todas las combinaciones de valores de X En general, no se podrá hacer matching exacto: no resulta probable encontrar (sucientes) individuos con exactamente el mismo valor de π (X ) Se pueden utilizar individuos con para comparar. π (X ) sucientemente próximo Introducción Efectos de Tratamiento Relación con Regresión Diseños Cuasi-Experimentales Variables Instrumentales Selección en Observables. Matching Matching y regresión múltiple Especicando la esperanza condicional de Y , E (Y |D , X ), como una regresión lineal sobre D y X E (Y |D , X ) = β0 + β1 D + β2 X + β3 D ∗ X se pueden estimar fácilmente los parámetros del modelo de regresión. El efecto del tratamiento sería el efecto ceteris paribus de la variable D en el modelo de regresión: E (Y |D = 1, X = x ) − E (Y |D = 0, X = x ) = β1 + β3 x (para los individuos con las mismas características X = x) Se puede extender trivialmente a múltiples variables observables X1 , . . . , Xk . Para el conjunto de la población, se puede tener además el efecto medio del tratamiento (ATE) y el efecto medio del tratamiento sobre los tratados (ATT) αATE = β1 + β3 E (X ) αATT = β1 + β3 E (X |Di = 1) Introducción Efectos de Tratamiento Relación con Regresión Diseños Cuasi-Experimentales Variables Instrumentales Diferencias en Diferencias (DD) Ejemplo: Salarios Mínimos y Empleo Marzo de 1992: incremento del salario mímino en Nueva Jersey en un 19 % su vecina Pennsylvania lo mantuvo constante Se quiere analizar el efecto causal sobre el empleo (variable de resultado Y ) del tratamiento subida del salario mínimo El modelo de competencia perfecta predice que un aumento del salario mínimo reduce el empleo. Card y Krueger (1994) analizaron este cambio con datos de 400 restaurantes de comida rápida. (los puestos de trabajo son homogéneos y los salarios bajos) Se tienen: dos periodos: t = 1 (anterior a la subida del salario mínimo) y t = 2 (posterior al tratamiento) dos estados: en NJ se aplica el tratamiento y en PEN no se aplica Introducción Efectos de Tratamiento Relación con Regresión Diseños Cuasi-Experimentales Variables Instrumentales Diferencias en Diferencias (DD) Dos potenciales medida del efecto de la subida del salario mínimo: 1 El cambio en el empleo sólo en NJ (entre t =1 y t = 2) NO ofrece un efecto causal si existen otros factores entre ambos periodos de tiempo además del cambio legislativo 2 La diferencia en el empleo de NJ y Pennsylvania sólo en el segundo periodo NO ofrece un efecto causal si existen diferencias sistemáticas en el nivel de empleo entre ambos estados. Sin embargo, se puede obtener el efecto causal mediante el método de Diferencias en Diferencias el cambio promedio en el empleo en NJ relativo al cambio en el empleo en Pennsylvania [E (YNJ ,2 ) − E (YNJ ,1 )] − [E (YPEN ,2 ) − E (YPEN ,1 )] la diferencia en el empleo en t =2 entre NJ y PEN relativo a las diferencias que originalmente existían (en t = 1) [E (YNJ ,2 ) − E (YPEN ,2 )] − [E (YNJ ,1 ) − E (YPEN ,1 )] Introducción Efectos de Tratamiento Relación con Regresión Diseños Cuasi-Experimentales Variables Instrumentales Diferencias en Diferencias (DD) Tratamiento (D=1) Y C D E A B Control (D=0) t=1 (pre-) Tiempo t=2 (post-) Introducción Efectos de Tratamiento Relación con Regresión Diseños Cuasi-Experimentales Variables Instrumentales Diferencias en Diferencias (DD) En el gráco anterior, el efecto causal sería C pero D NO se observa − D, El método trata de ofrecer un contrafactual adecuado: C − A − [E − B ] = [E (YNJ ,2 ) − E (YNJ ,1 )] − [E (YPEN ,2 ) − E (YPEN ,1 )] C − E − [A − B ] = [E (YNJ ,2 ) − E (YPEN ,2 )] − [E (YNJ ,1 ) − E (YPEN ,1 )] El supuesto clave para dar una interpretación causal a este resultado es que el efecto temporal en ausencia de intervención sea el mismo. Card y Krueger encontraron que el aumento del salario mínimo incrementó el empleo (en algunas de sus comparaciones), pero en ningún caso lo redujo. Introducción Efectos de Tratamiento Relación con Regresión Diseños Cuasi-Experimentales Variables Instrumentales Diferencias en Diferencias (DD) Formalización de DD Se observan resultados en t =1 y t = 2, antes y después del tratamiento PERO la comparación puede estar contaminada por otros eventos (distintos del tratamiento) que ocurren entre los dos periodos Se puede usar a los que nunca son tratados para identicar la variación de resultados entre periodos distinta del tratamiento. Para la unidad i en el periodo t , t = 1, 2: yitd =resultado potencial con (d = 1) o sin tratamiento (d = 0) Yit =resultado observado Yi 1 = yi01 Yi 2 = Di yi12 + (1 − Di ) yi02 El supuesto crucial para identicar el efecto causal E 0 yi 2 − yi01 |Di = 1 = E siempre se observa 0 yi 2 − yi01 |Di = 0 yi01 , pero para los tratados yi02 es un contrafactual. Introducción Efectos de Tratamiento Relación con Regresión Diseños Cuasi-Experimentales Variables Instrumentales Diferencias en Diferencias (DD) Comentarios Sea la regresión de los resultados sobre dummies de tratamiento y de periodo. Yit = β0 + β1 Ti + β2 Pt + δ (Ti ∗ Pt ) + it donde y Ti = 1, si i ha sido nalmente tratada (en t=2) Ti = 0, si i NO ha sido nalmente tratada (en t=2) Pt = 1, en el periodo t posterior al tratamiento Pt = 0, en el periodo t anterior al tratamiento El coeciente δ de la interacción ofrece el efecto de DD Esta formulación permite controlar por otras variables adicionales El supuesto fundamental se puede generalizar: sólo necesita ser cierto condicional en esas variables Introducción Efectos de Tratamiento Relación con Regresión Diseños Cuasi-Experimentales Variables Instrumentales Diferencias en Diferencias (DD) En determinados casos de estudio, NO existe un único control claro: se puede construir un grupo de control sintético Abadie & Gardeazabal (2003, AER): Comparan el PIB del País Vasco con el PIB de un País Vasco sintético sin terrorismo: compuesta como combinación de varias regiones de España Encuentran que el terrorismo ha reducido en un 10 % el PIB del País Vasco. Introducción Efectos de Tratamiento Diferencias en Diferencias (DD) Relación con Regresión Diseños Cuasi-Experimentales Variables Instrumentales Introducción Efectos de Tratamiento Relación con Regresión Diseños Cuasi-Experimentales Variables Instrumentales Discontinuidad en la Regresión (DR) Discontinuidad en la Regresión La asignación al tratamiento depende de si se satisfacen unas condiciones conocidas denidas en términos de una o unas variables observables previamente a la intervención Ejemplos: una beca se concede a quienes superan una nota en una prueba se reciben clases de apoyo si la nota media es inferior a un límite una política se implementa si se vota por más del 50 % de los electores la sentencia es mayor si el criminal es adulto, etc.... En el entorno del valor umbral, con el que se selecciona para el tratamiento, se puede pensar que tenemos un experimento puro (aleatorio). La comparación de resultados medios para participantes y no-participantes en el margen permite controlar por otros factores e identica el impacto de la intervención (localmente). Introducción Efectos de Tratamiento Relación con Regresión Diseños Cuasi-Experimentales Variables Instrumentales Discontinuidad en la Regresión (DR) La renta salarial futuraY depende de la nota W . además, si la nota supera un umbral de w0 , los/as alumnos/as realizan prácticas en empresas. ¾Es la renta es mayor si, dada la misma nota, se realizan prácticas en empresas?. E (Y |W , P ) = β0 + β1 W + β2 P : β2 = 0 vs H1 H0 : β2 > 0 Introducción Efectos de Tratamiento Relación con Regresión Diseños Cuasi-Experimentales Variables Instrumentales Discontinuidad en la Regresión (DR) E(y│W) E(y|W,D=1) E(y|W,D=0) β2 w0 W Introducción Efectos de Tratamiento Relación con Regresión Diseños Cuasi-Experimentales Variables Instrumentales Discontinuidad en la Regresión (DR) Supuestos de identicación: E (Y |W , P = 1) y E (Y |W , P = 0) continuas entorno a w0 . Esto garantiza que no hay un salto en el resultado Y entorno a son w0 , salvo por el tratamiento. En la formulación lineal anterior es trivial, pero la función de regresión podría no ser lineal... Sólo se identica un efecto local: no tenemos información sobre si las prácticas no son útiles a los alumnos con poca formación (nota) previa. E (Y |W , P ) = β0 + β1 W + β2 P + β3 W ∗ P Introducción Efectos de Tratamiento Relación con Regresión Diseños Cuasi-Experimentales Variables Instrumentales Discontinuidad en la Regresión (DR) E(y│W) E(y|W,D=1) E(y|W,D=0) w0 W Introducción Efectos de Tratamiento Relación con Regresión Diseños Cuasi-Experimentales Variables Instrumentales Identicación de Efectos Causales con VI. Introducción Una variable instrumental, Z , ofrece una fuente de variación exógena permite identicar el efecto de una variable explicativa endógena sobre un resultado Y. X Ejemplo clásico: Z indica la asignación al tratamiento en un diseño experimental y 1 , y0 ⊥ Z El tratamiento efectivo, D , puede diferir de Z por la existencia de non-compliers algunos individuos del grupo de tratamiento deciden no tratarse algunos del grupo de control encuentran forma de tratarse Z y D seguirán, en general, correlacionados El tratamiento resulta de una decisión de los individuos (no asignación aleatoria) depende de los resultados potenciales que esperan obtener cuanto mayor benecio se espera, más intentarán ser tratados (y al revés). Introducción Efectos de Tratamiento Relación con Regresión Diseños Cuasi-Experimentales Variables Instrumentales Identicación de Efectos Causales con VI. Identicación Caso particular: Z = {0, 1} 1 la variable instrumental es binaria 2 no consideramos explícitamente otras variables explicativas del tratamiento D X , aparte La variable Z es una fuente de variación exógena en D en el sentido de que satisface el supuesto de independencia (condicional en y 1, y 0 ⊥ Z |X satisface el supuesto de relevancia: Z dep. D |X NO podemos suponer independencia condicional 6 D |X (y 1 , y 0 ) ⊥ X) Introducción Efectos de Tratamiento Relación con Regresión Diseños Cuasi-Experimentales Variables Instrumentales Identicación de Efectos Causales con VI. Efectos Homogéneos Si el efecto causal es el mismo para todos los individuos 1 yi − yi0 = α la disponibilidad de una VI permite identicar Yi = yi0 + 0 Teniendo en cuenta yi 1 yi − yi0 Di α. = yi0 + αDi ⊥ Zi E (Yi |Zi = 1) E (Yi |Zi = 0) = = 0 E (yi 0 E (yi ) + αE (Di |Zi = 1) ) + αE (Di |Zi = 0) Restando ambas expresiones y despejando se obtiene α= que identica α E (Yi |Zi E (Di |Zi = 1) − E (Yi |Zi = 0) = 1) − E (Di |Zi = 0) siempre que E (Yi |Di = 1) 6= E (Yi |Di = 0) Introducción Efectos de Tratamiento Relación con Regresión Diseños Cuasi-Experimentales Variables Instrumentales Identicación de Efectos Causales con VI. α= E (Yi |Zi E (Di |Zi = 1) − E (Yi |Zi = 0) = 1) − E (Di |Zi = 0) El estimador IV calcula la diferencia en el resultado de los que se tenía la Z = 1 (a diferencia de los tratados, D = 1) intención de tratar, ajustado por las diferencias en la probabilidad de ser tratado. Intuitivamente, el efecto de D sobre Y puede medirse a través de Z porque hemos supuesto que Z sólo afecta a Y a través de D . Introducción Efectos de Tratamiento Relación con Regresión Diseños Cuasi-Experimentales Variables Instrumentales Identicación de Efectos Causales con VI. Efectos Heterogéneos Si el efecto causal varía entre individuo, las Variables Instrumentales no son sucientes para identicar un efecto causal (promedio). se necesita algún supuesto adicional Por ejemplo, para identicar el efecto medio del tratamiento sobre los tratados (ATT), se puede exigir una regla de elegibilidad del tipo: Pr(D = 1|Z = 0) = 0 (se niega el tratamiento a los individuos con Z = 0). Otro supuesto adicional alternativo es una condición de monotonicidad: Cualquier persona que estuviera dispuesta a ser tratada si fuera asignada al grupo de control, también estaría dispuesta a ser tratada si fuera asignada al grupo de tratamiento grupo. La plausibilidad de los supuestos depende del contexto de la aplicación. Introducción Efectos de Tratamiento Relación con Regresión Diseños Cuasi-Experimentales Variables Instrumentales Identicación de Efectos Causales con VI. El supuesto de monotonicidad parece sucientemente general en la mayoría de contextos Equivale a que no existen los llamados deers: Z=1 D=1 D=0 D=1 always-taker deer D=0 complier neve-taker Z=0 Bajo monotonicidad, el coeciente de VI estima el efecto medio del tratamiento local (local average treatment eect, LATE) es el efecto del tratamiento SÓLO sobre los compliers Es decir, el LATE es el efecto medio del tratamiento para aquellos cuyo valor de D cambiaría cuando cambiase el valor de Z (inducidos al tratamiento por la variable instrumental). Diferentes variables instrumentales ofrecen diferentes efectos locales (individuos inducidos al tratamiento por diferentes causas). Introducción Efectos de Tratamiento Relación con Regresión Diseños Cuasi-Experimentales Variables Instrumentales Ejemplos Ejemplos Angrist (1990): ¾Han sido compensados adecuadamente los veteranos de guerra por sus servicios? Problema: una relación negativa entre renta y estatus de veterano no implica que ésta sea la causa de menor renta los individuos con menor potencial de renta ex-ante probablemente eligen ir al ejército Solución: usar la elección por sorteo durante la guerra de Vietnam como experimento natural Pero siempre se podía ir voluntario (always-takers) o evitar el servicio por estudios u otras causas (never-takers). Respecto a los no veteranos, los veteranos blancos sufrieron una pérdida en el ingreso anual de $3500 (1990), un 15 % anual de las compensaciones originales a los veteranos. Los efectos de ir a la guerra para los no-blancos no son estadísticamente signicativos. Introducción Efectos de Tratamiento Relación con Regresión Diseños Cuasi-Experimentales Variables Instrumentales Ejemplos Estimación de los rendimientos a la educación: Card (1995) usando como instrumento la proximidad a una universidad. Angrist & Krueger (1991) usando como instrumento el trimestre de nacimiento. ¾Instrumento relevante? Los que nacen en los primeros trimestres pueden abandonar la educación obligatoria antes (cumplir 16 años) y acaban teniendo hasta casi un año de educación menos. Efecto muy local (para los que se quedan unos meses queriendo abandonar la escuela). Angrist & Evans (1998): efecto de tener hijos sobre la oferta laboral femenina. Instrumento binario: la pareja tiene dos hijos previos del mismo genero.