Variable instrumental Supuestos RD

Tenemos linformación dentro del sistemal 1) Discontinuidad del tratamiento entorno la variable
endigeno
·

regresor running
un se a
genem correlacionados
=>
Variable importante de predicción omitida en la ecuación. Ti Bot,
-

Xi
egenze Un buen instrumento
relevante:Cov(Xi, zi) Fo, altacorrelación X, z

zi! E
li Zi es una variable si

↳ endógena Exogeno:COVCMi, zil 0

=

(Notesteable)
Minimo cuadrado 2
etapas 2) No manipulación de la variable
en
running
etapa:Regresion captur la info de observada
1 sobre la variable endigena y
z en su

explicación de X. Xi= To+Zi+Vi

2
etapa:Utilizo la predicción de X por explicar los efectos sobre Y. Yi=Bot, +M:
Sin relevancia:COV(xi, zi) 0 B, Estimador sobreestimado
B, CV (Yi, zi) 3)Continuidad covariables observables
=

=
=
0. .
* =
=)
COV(Xi, zi) Sin en
exogeneidad: sesgado Estimador
Sitenemos muchos instrumentos (Z., zz, zn) Usamos todos ...
en la fetopa:Xi=Hottiz,t.Tan
Si
queremos
agregar podemos ambas etapas
covariables
en hacerlo
a interpretación de la estimación de variables instrumentales puede
* ser leide como

un efecto local condicional a la variable instrumental que usamos pierde validez

interna y los errores estandar seron mayores.
El efecto de variables instrumentales puede 4) Continuidad de resultados potenciales (por que sean
compumbles)
ser interpretado como un CACE Di=
12 Efecto del
Resumen de supuestos Di= or tratamiento en la variable dep
·................
1) Instrumento correlación entre Xy Z
relevante:Alta
2) Exogeneidad: El instrumento no debe estor correlacionado con el error

sumos
*

3)Restricción Exclusion:El instrumento debe afectar la variable indepen- Si

* cercanos al plje. de corte, mejor volidez
grupos
a

diente y no a la dependiente interna.Amayor muestra, validezexterna pero compurmos sujetos menos

Modelo Diffin Diff comparables

·

Diseño casi experimental. Intención de estudiar intervención los datos Chequeo de robustez:Probur otas relaciones nolineales
pumasegur
una con

obtenidos después del tratamiento uls antes que haya discontinuidad. Probur
rungos
de vecindad
·

Ver data
antes y despues de la intervención Supuestode independenciacondicional
Tenemos la diferencia entre las diferencias Una incorporadas las la
significativa covariables
que explican
·

que
que
ver sea vez
asignacion un a

Estudiar el impacto de recibir el tratamiento tratamiento, asumiremos que

la
existe independencia de variable de asignad
SSDit,
Tie
Ti:variable temporal Ti.Di =

con los resultados potenciales

Di:Variable tratamiento IE(YIDi=1) -lE(Y, (Di d
=
Metodo Matching
·
Debemos la diferencia presente deba al tratamiento Si los controles regresion capturan los efectos dejando
esperar que se
agregamos
·

se a una
que y

Supuestos necesarios
para
calcular el estimador de limpio el efecto del tratamiento, se puede compar
el tratamiento dejando
1) Las tendencias de weamiento de ambos paralelas todo lo demas constante.
grupos
son

2) Al comparar entre 2
puntos la comparación es lineal Propensity score: Probabilidad de el sujeto sea
asignado al de
que grupo
3)Podemos la duta histórica de los tratamiento dadas
chequear con info
grupos
sus covariables.

Ambos grupos deben

*
comparables (parecidos variables observables Sebusen sujetos s similar pero esten en I
grupos
ser en
emparejar a con
que
ITE Y Y con

en
↳ impacto Bos
=

Y Bot,TitzDittitEi
=

nearest
*
neighbour:Selecciona pum
todo sujeto;a aquellos vecinos
Ho EstimadorDID del la distancia
g......
control que entre el sujeto
ctrl. grupo de minimicen en p.s.

Usar una
regresion nos
permiteestimar tratado el
y grupo que
estamos definiendo
T2
T1
estandar y info de la variable dependiente Distancia ratio del wal
=

errores t maxima: Corresponde fijar

=

nos
a un maximo
queremos
El estimador
* DID
para proveer explicaciones
es bueno
causales distancor
del tratamiento elimina las diferencias no observables entre .
Una se obtiene este el con. Teniendo
grupos, grupo se
escoge mejor
vez eso
porque
Ya que compar a un grupo consigo mismo antes ydespues del tratamiento Podemos calcular el ATE
covariables reduce los errores estandar
*
Agregor Para
que el procedimiento de matching funcione, tiene que existir
*

region de covariables una can

observaciones comparables y similares que estene n ambos grupos Region de soporte comin
Regresion discontinua (RD -

Frecuencia

La variable de determinada
asignación queda
Problemas: El

internet
exige que las variables utilizadas describen claramente
·

e
.
supuesto

.
!
relevantes para el
Sean de
asignacion, pero esto no puede testearse
- por el puntije. Z, causa Di proceso
empiricamente. Muchos grados de Liberbol purparmentos sesgo manipulable
·

y
RD puede usada situaciones donde el tratamiento
·

ser en

o
es
asignado por un puntije de corte
-
 Recordatorios
·
RVarianza, no causalidad
·
Aleatorio => Causalidad
lineal -lineal:Sixaumente 1, y aumenta,

lineal-log:Si X aumenta 11, Yaumente unidades

log-lineal: e 10,1: Si X aumente 1, y aumente , %. B0,:100(exp(B)-1) y

log-log:Si X aumental, y aumenta,

Teorema G-M:Estimadores:lineales,
insesgados y con varianza minima

ATE E(Y, -Y) ITT EIY(z 1,du)]

=

=
-

EIY(z0,d(0)) =

ITT E[di(ll] -E[diCol]

=

CACE Elild) -Yldd (dill) 1]

=

--
dado complicores
promedio
efecto
ATE: Promedio del resultado
esperado en

la diferencia de Yentre el grupo de Ho.Y control ITT:intencion de trator

CACE: Efecto de recibir el to. Efecto
causal
promedio de los cumplidores
Machine Lorning
Aprendizaje: Un
programa aprende a través de experiencial
una con

respecto a una tarea yuna medida de rendimiento P, si el

rendimiento
mejora
Ingredientes dave: Setde datos
·

con historia. Setde funciones que haga la mejor

coincidencia de los datos. Medidas que nos direiel mejor ajuste para evaluar
que tan bien cada candidato se ajusta a la dat

Aprendizaje supervisado:Necesita etiquetados.Datos de datos

entrada y salida (clasificación regresion) y

Aprendizaje no supervisado:Procesa datos no etiquetolos

(clustering)
Accuracy/precision: %total de elementos clasificados correctamente
Nfunciona bien enclases desbalanceddas Ita*
Recall/sensibilidad: Node elementos identificados correctamente como (H
TP

Tatifidad.Node elementos identificados TP

correctamente como El F
Precision:"verdadermente (1) TPF
ITP
FI- score:Media armonica entre precipny recall ZAPAPAIN

Underfiting:Modelo muysimple, datos insufcentes. El modelo capaz no es

de obtener lo suficientemente bajo en el conjunto cerain)

un error

Overfting:Modelo Xtraint x est

muycomplejo, aprendiodememoria
O

Cross validation:Particionar
subconjuntos. K-fold:train- K-l particiones
en

testing restante. Leave-one-out: K=n, entrenar n-1 muestras testar y

con unze