Propensity Score Matching - precesam

Metodología para laEvaluación de ImpactoPropensity Score MatchingFabiola Rivera Ramírezfrivera@colmex.mx

• Objetivo de la Evaluación de Impacto:Determinar si el programa produjo los efectosdeseados y si esos efectos son atribuibles a laintervención.• La pregunta fundamental a responder:¿Qué habría pasado si el programa/intervenciónno se hubiera llevado a cabo? (escenariocontrafactual)• Para determinar el escenariocontrafactual:Grupo de control

Determinación del escenariocontrafactual Diseños experimentales: Distribución aleatoria delprograma.Ventaja: Crea grupos de tratamiento y controlcomparables.Desventaja: No todos los calificados para recibir elprograma lo reciben Diseños cuasi-experimentales (no aleatorios): Segeneran grupos de comparación similares al grupode tratamiento en las características observablesusando diferentes metodologías econométricasVentaja: Se basa en datos existentesDesventaja: Metodología menos sólida, métodoscomplejos y existe sesgo de selección.

Propensity Score Matching Objetivo: Encontrar un grupo de nobeneficiarios (control) comparable con el grupode beneficiarios (tratamiento) con base encaracterísticas observables.

Propensity Score MatchingPasos1. Contar con una encuesta representativa con información departicipantes y no participantes2. Con la muestra de beneficiarios y no beneficiarios estimar unmodelo logit o probit de la participación en el programa- Cálculodel Propensity Score3. Restringir la muestra a la región de soporte común4. Para cada individuo de la muestra de tratamiento buscar unaobservación en la muestra de control que tenga el propensityscore más cercano (matching)5. Comparar los indicadores de resultados, la diferencia es laestimación de la ganancia debido al programa para esaobservación6. Calcular la media de las ganancias de los individuos paraobtener la ganancia promedio total

Propensity Score MatchingMétodos de MatchingNearest Neighbor:Realiza el matching de cadaindividuo del grupo de tratamiento con elindividuo del grupo de control que tiene elpropensity score más cercano. Problema-ladistancia entre propensity scores puede ser muygrandeRadius Matching: A diferencia del métodoanterior, éste define una vecindad acotada por unradio, limita las diferencias que debe haber en lospropensity scores para hacer el matching.

Propensity Score MatchingMétodos de Matching Kernel Matching: Los hogares de tratamiento secomparan con un promedio ponderado de losindividuos de control. Los ponderadores soninversamente proporcionales a la distancia entrelos propensity scores del grupo de tratamiento yde control Stratification Matching: Este método agrupa lospropensity scores en categorías (quintiles). Dentrode cada quintil se busca el matching entreindividuos de tratamiento y control.

Propensity Score MatchingComandos de stata (Becker e Ichino,2002)Para calcular el Propensity score:pscore treatment [varlist] [weight] [if exp] [in range], pscore(newvar)[blockid(newvar) detail logit comsup level(#) numblo(#)]Se calcula el propensity score y se prueba la condición de equilibriode las variables, esto es, que las características de los tratados ylos de control sean parecidas para las observaciones con elmismo propensity score.Ejemplo en stata: Propensity score para el créditoinformal

Propensity Score MatchingComandos de stata (Becker e Ichino,2002)Para calcular el efecto promedio de tratamiento sobre lostratados:Nearest Neighborattnd outcome treatment [varlist] [weight] [if exp] [in range][,pscore(scorevar) logit index comsup detail bootstrap reps(#)noisily dots]attnw outcome treatment [varlist] [weight] [if exp] [in range][,pscore(scorevar) logit index comsup detail bootstrap reps(#)noisily dots]Ejemplo en stata: Impacto del crédito informal en lapobreza

Propensity Score MatchingComandos de stata (Becker e Ichino,2002)Radius Matchingattr outcome treatment [varlist] [weight] [if exp] [in range][,pscore(scorevar) logit index radius(#) comsup detail bootstrapreps(#) noisily dots]Kernel Matchingattk outcome treatment [varlist] [weight] [if exp] [in range][,pscore(scorevar) logit index epan bwidth(#) comsup detailbootstrap reps(#) noisily dots]Stratification Matchingatts outcome treatment [varlist] [if exp] [in range], pscore(scorevar)blockid(blockvar) [comsup detail bootstrap reps(#) noisily dots]Ejemplo en Stata

BibliografíaBecker, Sascha e Ichino, Andrea (2002), "Estimation of AverageTreatment Effects Based on Propensity Scores", en The StataJournal, vol. 2, no. 4.Dehejia Rajeev H. y Wahba, Sadek (2002), “Propensity Score-Matching Methods for Nonexperimental Causal Studies”, TheReview of Economics and Statistics, Vol. 84, No. 1, Febrero, pp.151-161.Ravallion, Martin and Jyotsna Jalan, (2003), “Estimating theBenefit Incidence of an Antipoverty Program by Propensity ScoreMatching”, Journal of Business and Economic Statistics, AmericanStatistical Association.Rosenbaum, Paul R. y Rubin, Donald B. (1983), “The CentralRole of Propensity Score in Observational Studies for CausalEffects”, Biometrika, Vol. 70, No.1,pp.41-55.