Browsing by Author "Rivera, Gonzalo"

Now showing 1 - 2 of 2

Identificando efectos de tratamiento al combinar bases de datos con factores no observables
(Universidad del Pacífico, 2015) Rivera, Gonzalo; Lavado, Pablo
En el presente documento se considera la identificación de efectos de tratamiento cuando las variables de resultado y las de control no se encuentran en una misma base de datos. Los modelos de inferencia ecológica, en los cuales se combina información agregada de las variables de resultado con información demográfica a nivel individual, son un ejemplo común de esta clase de situaciones. En este contexto, no es posible identificar de manera puntual las distribuciones contra-factuales ni, por tanto, los efectos de tratamiento. Sin embargo, estudios recientes proveen límites inferiores y superiores para identificar de manera parcial los efectos causales. A diferencia de estos trabajos, se adoptará el supuesto de selección en no observables, es decir, la asignación no es totalmente aleatoria hasta que se controle por la heterogeneidad no observada constante en el tiempo. Se utilizan datos de panel en un modelo lineal en los factores no observables para obtener la identificación. Para ilustrar el funcionamiento de los límites, se complementa el análisis con una simulación.
Identifying treatment effects and counterfactual distributions using data combination with unobserved heterogeneity
(Universidad del Pacífico. Centro de Investigación, 2015) Lavado, Pablo; Rivera, Gonzalo
This paper considers identification of treatment effects when the outcome variables and covari-ates are not observed in the same data sets. Ecological inference models, where aggregate out-come information is combined with individual demographic information, are a common example of these situations. In this context, the counterfactual distributions and the treatment effects are not point identified. However, recent results provide bounds to partially identify causal effects. Unlike previous works, this paper adopts the selection on unobservables assumption, which means that randomization of treatment assignments is not achieved until time fixed unobserved heterogeneity is controlled for. Panel data models linear in the unobserved components are con-sidered to achieve identification. To assess the performance of these bounds, this paper provides a simulation exercise.