Economía de las Políticas

Sociales

Programas contra Pobreza y

Evaluación
 Crecimiento y Distribución
• Hay una relación causal entre mayor
crecimiento y menor pobreza.
• Desigualdad es sin embargo hace que la
reducción de pobreza de mayor
crecimiento sea menos eficiente.
 Transferencias Condicionadas
• Lo más recientes son CCT: conditional cash
transfer programs: Progresa (méxico), Bolsa
Familia (Brazil).
• Un programa parecido, pero no igual es Chile
Solidario.
• “the approach is highly efficient in inducing a
change in behavior among parents toward child
human capital development when the objective
is not extreme poverty reduction”
 Evaluando el impacto de
programas contra la pobreza
• Nuevos desarrollos se focalizan en el
diseño de los programas sociales.
• Experimentos y Quasi-experimentos.
Experimentos y Quasi-
Experimentos

• Experim
ideal pa
Términos: experimentos y quasi-
experimentos

• Un exper
investigad
Diferentes tipos de experimentos:
tres ejemplos

• Medicina
• Y = ni
 Nuestro tratamiento de
experimentos: un resumen

• Por qué lo
efectos ca
Experimentos Idealizados y Efectos
Causales

• Un experi
individuo
Estimación de un experimento aleatorio
controlado

• Asignac
βˆ1
βˆ1

Y treated Y control
Problemas Prácticos Potenciales con
Experimentos

1. Falla en
George Elton Mayo el Experimento
Hawthorne
 Otros problemas:

1. Muestra
2. Tratami
Estimadores de regresión del efecto
causal con datos experimentales

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

diferencias
El estimador de diferencias-en-
diferencias

• Supongam
systemáti
Yi before
Yi after
Yi after Yi before
 El estimador de dif-en-dif
βˆ1diffs −in −diffs Y treat ,after Y treat ,before Y control ,after Y control ,before

=
 El estimador de dif-en-dif

(1) Formul
Yi after Yi before

βˆ1
 El estimador de dif-en-dif

(2) Regresi
βˆ1 Y
Incluyendo otras características
individuales (W’s)

• Típicam
individu
Yi after Yi before
Estimación experimental de tamaño de la
clase: El Experimento Tennessee

Proyecto ST
• 4-años,
Desviaciones del diseño experimental

• Comprom
• 10% d
 Análisis de regresión

• El modelo
Y =
Estimadores en diferencias (sin
W’s)
 Variables de Control

Cuál es la d
una variabl
Independencia Media Condicional
Independencia Media Condicional

• Con dat
significa
Implicancia de Independencia
Media Condicional
Implicancias de Independencia
Media Condicional

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

E(
∆x
 Implicancias de Independencia
Media Condicional

βˆ1
Y
βˆ2

βˆ1
Entonces, qué es una variable de
control?

Una variab
satisfaciend
 Un ejemplo de independencia media
condicional STAR: experiencia del profesor

Proyecto ST
• Profesor
Independencia Media Condicional

• En un a
• En S
Independencia Media Condicional

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

entonces u i
Ejemplo: efecto de la experiencia
del profesor

• Sin efecto
experienc
 Por qué necesito incluir W’s en una
regresión de VI?

Buena preg
tenemos un
 Por qué necesito incluir W’s en una
regresión de VI?

3. Pero esta
variables
 Por qué incluir los W’s en una
regresión de VI

Ejemplo 1:
Esto es hip
 Quasi-Experimentos

Un quasi-e
de randomi
Dos tipos de quasi-experimentos

(a) Trat
en algunos
 Métodos Econométricos

(a) Tratam
βˆ1 Estima
El estimador diffs-in-diffs se simplifica a
estimador diffs-en-diffs de“cambios”
cuando T = 2

Yit = β0
 Diferencias en diferencias con
variables de control

Yit = β0 + β
(b) Una va
“como
Amenazas a Quasi-Experiments

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

1. Muestra
2. “Tratam
Experimentos y Quasi-Experimentos
Estimadores en Poblaciones
Heterogeneas

• Hemos di
 Heterogeneidad de efectos
causales

Cuando el e
dice que la
 Modelo de regresión poblacional
con efectos causales heterogeneos

Y
El efecto causal promedio

Y
El efecto causal promedio

Y
OLS con efecto causal
heterogeneo

Y treated
βˆ1 Y treated Y control
Y
La matemá
βˆ1 Y treated Y control

Entonces
p
βˆ1 →
 OLS con efecto tratamiento
heterogeneo: X con E(ui|Xi) = 0
s XY p σ XY cov( β 0i + β 1i X i + ui , X i )
βˆ1 → 2
sX2
σX var( X i )
cov( β 0i , X i ) + cov( β 1i X i , X i ) + cov(ui , X i )

=
var( X i )
cov( β 1i X i , X i )
var( X i )
p
βˆ1 →
(b) Ahora h
aleatori
La matemá
p cov( β 1i X i , X i )   cov( β1i X i , X i ) 
βˆ1 → E E  | β 1i  
var( X i )   var( X i ) 
 cov( X i , X i )   var( X i ) 
E  β1i  E  β1i 
 var( X i )   var( X )
i 
Regresión VI con efectos causales
heterogeneos

Suponga
del instru
Regresión VI con efectos causales
heterogeneos

Y
 La matemática…

Y
X
p
E ( β1iπ 1i )
βˆTSLS
→
E (π 1i )
1
El Local Average Treatment Effect
(LATE):
p
E ( β1iπ 1i )
βˆTSLS
→
E (π 1i )
1

E ( β1iπ 1i )
E (π 1i )
 LATE, ctd
p
E ( β1iπ 1i )
βˆ TSLS
→
E (π 1i )
1

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

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

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

cov( β1i ,π 1i )
E (π 1i )
 LATE, ctd
cov( β1i ,π 1i )
E (π 1i )

cov( β1i , π 1i ) E (π 1i )
 LATE, ctd.

Cuando hay
depende en
Cuando TSLS estima efectos
causales?

cov( β1i ,π 1i )

X
p
βˆ
TSLS
→
E (π 1i )
1

p
βˆ1TSLS →

βˆ1TSLS
 LATE, ctd:

Ejemplo #1
Efectos causales heterogeneos:
resumen

• Efectos ca
efecto var
Resumen: Experimentos y Quasi-
Experimentos

Experimen
• Efectos
 Resumen

Quasi-expe
• Quasi-e
 Resumen, ctd.

Dos temas
• Qué es un
 Resumen, ctd.

• Que estim
heterogéne