Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
TRADUCIENDO LA INVESTIGACIÓN EN ACCIÓN Inferencia Causal y Diseños Experimentales Ryan Cooper J-PAL Latinoamérica y el Caribe povertyactionlab.org 1. Problema de Atribución Causal 2. Qué es una Evaluación Experimental 3. ¿Ética? Ejemplo Evaluación UTPMP 4. Cómo realizar una evaluación experimental 2 Inferencia Causal y Eval Experimental 2 TRADUCIENDO LA INVESTIGACIÓN EN ACCIÓN povertyactionlab.org I – El Problema de Atribuir Causalidad • Ciencias Sociales buscan medir: CAUSA-EFECTO. • Ej: Cura de enfermedad / aumentar productividad laboral • Preguntas de política pública => RELACIONES CAUSALES. 4 Relaciones Causales 4 • Ejemplos de preguntas causales en Ciencias Sociales: ¿Cuál es el Efecto de(l): 1. Transferencias condicionadas en educación 2. La provisión de agua potable en reducción mort infantil 3. tamaño de la clase (n° alumnos) en la rendimineto niños 4. encarcelamiento en la reincidencia criminal 5 Preguntas causales 5 • Ejemplo 1: Alumno con bajas calificaciones. Causa: pocas horas de estudio? -Otros factores? Circunstancias particulares que llevaron a mala performance; desmotivación por bajas notas anteriores a pesar de haber estudiado mucho… • Ejemplo 2: Paciente con enfermedades respiratorias. Causa: fumar? - Otros factores? Vida sedentaria; antecedentes familiares… En general podemos asociar un presunto efecto a múltiples causas. ¿Cómo Atribuir Causalidad? 6 Problema de Atribuir Causalidad 6 Complejidad de medición causal Tipo Colegio Simce Aporte Padres Educación Padres Ingresos Repitencia Pre-Básica NO OBSERVABLES -0.2 6.8 7.4 13.4 8.1 16.6 18.2 • Condiciones Atribuir Causalidad (John Stuart Mill): • A es la presunta causa del efecto B si: 1. A sucede antes que B. 2. Variación en A => consecuente variaciones en B. 3. No hay otra explicación a efecto B, que la causa A. En esta clase ¿qué método nos asegura las 3 condiciones? 8 Problema de Atribuir Causalidad 8 Condiciones de Stuart y nuestro Ej • Analizar CAUSALIDAD es contestar la pregunta: ¿qué hubiera pasado si las unidades bajo “Tratamiento” no lo hubieran recibido? Se requiere estimar el contrafactual. 10 Problema de Atribuir Causalidad 10 • El Problema Fundamental de la Inferencia Causal es que el contrafactual no es observable. – Ej. ¿resultado niño de clase pequeña SI HUBIESE ido a una clase con más alumnos? – Notar: es “el mismo niño” el que debemos observar. Problema de Atribuir Causalidad iii YY 01 El problema es que es imposible observar y simultáneamente. 10 días de enfermedad 30 días de enfermedad Impacto de 20 días de enfermedad. iii YY 01 Problema de Atribución 10 días de enfermedad 30 días de enfermedad ¿Impacto de 20 días de enfermedad? ¿Qué ocurre en la realidad? ESTE RESULTADO NO SERÍA CONFIABLE!!!!! Problema de Atribución BUENA NOTICIA!? • Es posible estimar EFECTO PROMEDIO. • Resultado promedio: GRUPOS T y C. • El GRUPO de CONTROL busca recrear • El RESULTADO O ESCENARIO CONTRAFACTUAL. 14 Problema de Atribuir Causalidad 14 10 días de enfermedad - 30 días de enfermedad Impacto Promedio de 20 días de salud. G1 G2 (promedio) (promedio) )1/( 1 ii TYE - )0/( 0 ii TYE Solución • Un buen contrafactual: • Grupo de C igual en promedio a grupo de T: • Esto incluye: – Características observables y medibles. – Características NO observables y NO medibles. • Única diferencia entre T y C debería ser la intervención. 16 Importancia del Grupo Control 16 El Invisible Contrafactual Tiempo In g re so l ab o ra l Impacto Capacitación Laboral 17 Impacto: Escenario #2 Tiempo In g re so L ab o ra l Impacto Capacitación laboral 18 Impacto: Escenario #3 Tiempo In g re so L ab o ra l Impacto Capacitación Laboral 19 Impact - Contrafactual - Grupo Control R es u lt ad o p ri m ar io Impacto Intervención G2 G2 G2 G1 G2 Pero MUY difícil… …Estimar el contrafactual Porque típicamente… Sesgo de Selección • Individuos toman decisiones y eligen bs y servicios. • Gobiernos y ONGs seleccionan a personas. • Quienes deciden por A o B, generalmente diferentes. • Seleccionados vs. No seleccionados no son iguales. • Ej. : ¿Por qué una empresa solicita un crédito? – Problemas económicos… – Buenas expectativas… • Ej2: comparar encarcelados y no encarcelados • ¿que nos llevaría a concluir? Problema de Selección 22 G1 G2 Sesgo de Selección Impacto Real Intervención Sesgo Selección 24 Métodos de Evaluación de Impacto 24 Todos los métodos buscan lo mismo: 1. Estimar qué hubiera pasado sin programa 2. Creación de Grupo de comparación o de control. 3. Estimar diferencia entre grupo control y tratamiento. Principal diferencia: cómo recrean el contrafactual. 25 Métodos de Evaluación de Impacto 25 1. Evaluaciones Experimentales: • Se asignan unidades al programa aleatoriamente (al azar). • En probabilidad las unidades de ambos grupos son iguales. • Estudios Prospectivos. 2. Estudios Observacionales o Cuasi-Experimentales: • Asignación del programa NO es por sorteo. • Diferentes métodos para elegir grupo comparación. • Generalmente Estudios Retrospectivos. 26 Métodos de Evaluación de impacto TRADUCIENDO LA INVESTIGACIÓN EN ACCIÓN II – ¿Qué es una evaluación aleatoria? Diferentes Definiciones Evaluación Aleatoria Evaluación Aleatorizada Evaluación Experimental Estudio Controlado Aleatorio RCT Experimento Aleatorio 28 ¿Qué es una evaluación aleatoria? Evaluación donde el programa se asignan aleatoriamente. Grupo de tratamiento – se le ofrece programa Grupo de control – no recibe progrma 29 Método experimental El ÚNICO MÉTODO que garantiza tener grupos comparables y estimada contrafactual es la asignación aleatoria (Estudios Experimentales). 30 Método Cuasi experimental 31 Ejemplo Cuasi Experimental Cuando la asignación de un tratamiento no es aleatoria el problema de identificación se hace realmente relevante. )0()0/()1()1/( )0()0/()1()1/( 00 11 iiiiii iiiiii TpTYETpTYE TpTYETpTYE No conozco No conozco Conozco Conozco Tratados No Tratados Ejemplo Cuasi Experimental Cuando la asignación de un tratamiento no es aleatoria el problema de identificación se hace realmente relevante. )0()0/()1()1/( )0()0/()1()1/( 00 11 iiiiii iiiiii TpTYETpTYE TpTYETpTYE No conozco No conozco Conozco Conozco Tratados No Tratados Ejemplo Cuasi Experimental ¿Cómo estimo ? Lo puedo estimar mediante la técnica de Matching o Pareamiento Grupo Tratado Población No Tratada 1/0 DYE i Ejemplo Cuasi Experimental )/()/1(Pr)( iiiii XDEXDobXp iiiii XXXXp 3423121)( Con el modelo anterior se computar una probabilidad para cada individuo del grupo de tratamiento y de control. Luego se hace el matching: 0.75 0.8 0.82 0.53 0.61 0.54 0.53 0.22 0.4 0.1 0.54 0.8 0.73 0.24 0.31 0.14 0.09 0.61 0.80 - - - - - - = = = = = = 10 20 15 29 16 27 IMPACTO PROMEDIO = 19,5 Experimental Cuasi Experimental 36 G1 G2 Pasos claves para realizar un experimento 37 1 . Lin ea d e b ase 2. DIVISION ALEATORIA 2. INTERVENCIÓN 4 . M ed ició n fin al POBLACIÓN META 3. STATUS QUO TRADUCIENDO LA INVESTIGACIÓN EN ACCIÓN III – ¿Ética?: Ejemplo UTPMP povertyactionlab.org “Llegar a los Pobres de los Pobres”UTPMP intuye que la mediagua sirve como un primer paso…. Voluntarios en acción The Model www.untechoparamipais.org Construcción masiva de viviendas mínimas Habilitación social Vivienda definitiva Costa Rica El Salvador Guatemala Ecuador Nicaragua Rep. Dominicana Argentina Uruguay Colombia Paraguay Perú Brasil México Chile 474 1437 84 201 39 9 928 1283 1141 82 2897 185 753 32618 5 Total Houses Built: 42.136 La Casa o 18 m2 o Madera o aluminio o Piso levantado del suelo o Protección del clima o Mejor ventilación o Se construye en 1-2 días / 6-12 voluntarios o Cost o de materiales: US$ 1000 o Beneficiarios contribuyen el 10% www.untechoparamipais.org Beneficiary Selection www.untechoparamipais.org Focalización: “Llegar a Pobres de los Pobres” Evaluación: “Entregar casas por sorteo” Desafío Inicial www.untechoparamipais.org Desafío Inicial Selección de Beneficiarios www.untechoparamipais.org Peras con Manzanas Focalización relativamente débil Manzanas con Manzanas Mejor focalización TRADUCIENDO LA INVESTIGACIÓN EN ACCIÓN IV - ¿Cómo aleatorizar? povertyactionlab.org Muestreo Aleatorio Vs Asiganción aleatoria 50 Muestreo aleatorio vs. Asignación aleatoria Muestra aleatoria es para representar a la población 51 Asignar aleatoriamente a tratamiento y control es para evitar sezgos de selección Muestreo aleatorio vs. Asignación aleatoria 52 Muestreo aleatorio vs. Asignación aleatoria Población Muestra Grupo Control Grupo Tratamiento Aleatorización Aleatorización 1 ra Etapa: Asegura que el resultado de la muestra va a representar el resultado de la población, dado un nivel de error de muestreo Validez Externa 2 da Etapa: Asegura que el efecto observado en la variable de resultado se debe a algún aspecto del Tratamiento y no a otros factores Validez Interna 53 Población Elegible Unidad de aleatorización: ¿individual? 54 Unidad de aleatorización: ¿individual? 55 Unidad de aleatorización: ¿unidades agrupadas? “Grupos de personas”: Estudio aleatorio en unidades agrupadas 56 Unidad de aleatorización: ¿clase? 57 Unidad de aleatorización: ¿clase? 58 Unidad de aleatorización: ¿escuela? 59 Unidad de aleatorización: ¿escuela? 60 1. Método de exceso de demanda (lotería) 2. Método de Introducción Progresiva: 3. Aleatorización en punto de corte (o en la burbuja) 4. Aleatorización por sub-grupos Estrategias de aleatorización 61 • …la mecánica es simple. • Comandos en Stata y Excel. Asignación aleatoria en la práctica 62 62 • Si no es posible tener una lista podemos usar otros métodos menos rigurosos como: – Sacar papeles de una urna – Usar la primera letra del nombre • Siempre verifique que el resultado final parezca aleatorio (e.g. pruebas de medias o de distribuciones entre los grupos). – Estratificación Asignación aleatoria en la práctica 63 Tratamintos Múltiples 64 • A veces la pregunta central es decidir entre diferentes intervenciones posibles. 65 Tratamientos múltiples • ¿Cuáles son los mecanismos relevantes? • ¿Cuál es la combinación más económica? • Puede ser clave para la definición de políticas. Tratamiento 1 Tratamiento 2 Tratamiento 3 Tratamientos múltiples 66 • Una forma de definir los distintos tratamientos es separando los componentes de un programa, y estableciendo diferentes combinaciones. • ¿Cuál es la combinación más económica? • Ventaja: situación gana-gana para operaciones, pueden ser útiles para responder preguntas más allá del simple “impacto”. Tratamientos múltiples 67 • En un programa de capacitación laboral, un grupo recibo el “tratamiento” completo: capacitación en aulas y pasantías. • A otro grupo sólo se les da la capacitación en las aulas. • Otro grupo sólo recibe la pasantía. • Además de medir impacto, nos ayuda a identificar mecanismos. Tratamientos Múltiples 68 Estratificación 69 • Realizar aleatorización por sub grupos. • Notas: • Estratificar en variables que podrían tener un impacto. • Estratificar en subgrupos que le interesan 70 Estratificación Estratificación Vulnerable Más Pobre Pobre 1. Problema de Atribución Causal 2. Qué es una evaluación Experimental 3. ¿Ética? Ejemplo Evaluación UTPMP 4. Cómo realizar una evaluación experimental 72 Inferencia Causal y Eval Experimental 72 ¡Gracias! 73
Compartir