00:00:31:06 Software Shop, la empresa líder en la implementación de herramientas analíticas y software especializado en Latinoamérica, les da la bienvenida a esta presentación. Instructora María Camila Jiménez, economista con maestría en Economía de la Universidad Marshall en Francia. Se ha desempeñado como científico de datos y administrador de aplicaciones de minería de datos. Gran interés por temas de econometría aplicada, economía laboral y análisis y procesamiento de información estadística y económica.

00:01:04:21 Actualmente hace parte del Grupo de Instructores del Portafolio Cuantitativo en Software SAP. ¡Bienvenidos! Eh, Buenos, buenos días a todos y bienvenidos a este webcast en el que abordaremos el uno de los métodos de inferencia causal que es emparejamiento. ¿Eh? Y, eh. Bueno, la idea es, eh, introducir, eh, este método y después mirar una aplicación, eh, en el software, eh, Stata.

00:02:08:17 Entonces, para empezar, eh, me gustaría ejemplificar la idea que hay detrás de Matching con un ejemplo muy sencillo. Supongamos que, eh, software. Yo, eh cada año participa en una maratón AM de Huesca y AM. En los últimos años he visto que ha tenido un mal rendimiento. ¿Entonces eh, como pues no quieren tener este mal eh? Rendimiento deciden entonces eh, lanzar un programa eh de entrenamiento en el cual pues todos los trabajadores eh tengan la opción de aplicar y así pues mejorar para eh las siguientes eh carreras eh en nuestro programa pues eh, todos pueden, eh, postularse, pero no todos van a ser eh aceptados, ya que esto pues depende am de de ciertos criterios y

00:02:45:15 am el resultado de de este programa AM fue que de por ejemplo total de candidatos que que aplicaron 150 eh solo 70 fueron seleccionadas y y entrenadas sin embargo pues eh eh eh Software quiere saber si eh necesita seguir contratando un entrenador o si con este entrenamiento AM Eh, ya hay una mejora y la manera pues de medir esta efectividad.

00:03:32:21 ¿Eh eh, de una manera sencilla, pues es tomar una diferencia entre el tiempo eh promedio de las personas que participaron en el programa versus los que no participaron, que en este caso pues son por ejemplo aquellos uh que que corrieron pero que no, pues participaron en el programa eh de participación, de de entrenamiento y a la a la conclusión eh que llega con con esta evaluación es que el programa EH tuvo éxito porque el tiempo promedio de los participantes fue menor que el de los que no participaron, pero tiene esto sentido?

00:04:04:04 Pues la respuesta es que no, No, no tiene sentido. No del todo, porque es muy probable que los participantes sean muy diferentes de los que no fueron aceptados en en el programa. ¿Y una razón, eh? Puede ser que todos los trabajadores que eh aplicaron al programa UH, tengan la característica de estar más comprometidos que, eh eh, que fueron pues los que realmente aplicaron.

00:05:02:04 ¿Y otra razón es que puede haber una, eh, selección de candidatos, pues basada en criterios, por ejemplo, se van a seleccionar pues los mejores de acuerdo a ciertas eh habilidades, eh? El resultado pues, es que los participantes, eh, habrían, eh eh tenido el mismo rendimiento en ausencia de del programa. Es decir, que al tomar una diferencia simple, como hicimos entre el tiempo promedio de los participantes y no participantes, pues no tiene sentido porque tenemos un sesgo eh de selectividad y eh, este problema, pues que ejemplifico con esta situación es un problema eh muy común, sobre todo cuando estamos pues evaluando eh políticas, por ejemplo sociales.

00:05:38:06 AM ya que pues cualquier política, por ejemplo subsidios, becas, etcétera pues eh, no son aleatoriamente eh, no hay una AM asignación aleatoria y por lo tanto pues vamos a tener, eh, un sesgo que puede ser, por ejemplo, relacionado con que los beneficiaros beneficiarios de algún programa se auto seleccionan o hicieron eh eh, un proceso, digamos, para obtener las características que piden, eh El programa.

00:06:28:00 ¿Y pues cuando eh, evaluamos el efecto de algún programa, eh tratamiento, pues eh, vamos a estar eh interesados en la diferencia que hay entre el resultado del grupo tratado y el contrafactual que hubiera pasado en ausencia, eh del tratamiento, eh? Idealmente, pues este contrafactual debería venir pues de los mismos individuos que han sido tratados. Sin embargo, pues el problema en la mayoría de los casos es que este contrafactual eh que eh no se observa y por lo tanto pues tenemos que acudir a algo que sí, eh podemos eh observar y esto es lo que llamamos, pues, el problema fundamental de inferencia que no podemos observar.

00:07:10:03 Ambos escenarios para la para las unidades que son tratadas es decir, tenemos que buscar algo muy parecido y eso, algo muy parecido, es lo que llamamos eh, el grupo de control. Entonces el problema aquí es que no observamos el resultado en ausencia del tratamiento para los individuos que que son tratados. Este sesgo de selectividad, pues, surge cuando eh tratamos de calcular una diferencia simple como la la del ejemplo inicial, es decir, la diferencia entre aquellos que se postularon al programa y fueron seleccionados y aquellos que no se postularon o que no fueron seleccionados.

00:07:40:01 ¿Y como podemos resolver este problema idealmente? Pues lo que nos gustaría es tener una ah aleatorización. Sin embargo, en muchos casos, sobre todo en ciencias sociales, pues esto es muy raro de hacer porque está la aleatorización consiste en eliminar diferencias entre el grupo tratado y el grupo control, es decir, que los individuos son aleatoriamente asignados al grupo control o en tratado de.

00:08:15:19 No hay diferencias sistemáticas, pero esto, por ejemplo, tiene limitaciones éticas si estamos hablando de algún programa asocial, porque esto implicaría hacer una exclusión aleatoria eh de de individuos y eh, otra opción que es más eh realista a cuando estamos sobre todo tratando con temas sociales es el emparejamiento, eh, que es pues el foco de esta sesión. Los estimadores de emparejamiento lo que hacen es tratar de imitar esta asignación eh aleatoria.

00:09:04:00 Y la idea pues, es crear un grupo contrafactual de individuos que sean muy similares en varias características, excepto en el tratamiento que he recibido. Y así pues, la diferencia en los resultados eh eh se debe, pues únicamente eh, al tratamiento, por ejemplo, si queremos evaluar el impacto o la influencia de un programa avanzado de econometría, eh en los salarios, entonces podemos crear, eh, un contrafactual de, eh, un grupo que estamos eh aquí que tenga características muy similares y una opción, por ejemplo, si somos geniales, podría ser al contrafactual de el profesor Heckman.

00:09:11:12 ¿Cada o no, eh?

00:09:49:06 Como todos los métodos. Pues, eh, eh, que hemos visto, eh, Necesitamos, eh, unos supuestos. Y en este caso, pues vamos a hablar de, eh, tres supuestos eh, importantes para eh, saber si, eh, nuestro emparejamiento a tiene una buena calidad. ¿El primero se llama independencia, eh, condicional, eh? Y, eh. Quiere decir que los resultados, eh. Tanto para el grupo tratamiento como el control son independientes.

00:10:45:11 Eh, del tratamiento condicional a las variables. ¿Eh, eh, que estamos considerando? Es decir, que los individuos, eh, eh, individuos con mismas características van a tener pues la la misma probabilidad de ser eh tratados son tratados y controlan por eh, un vector de de variables. Estamos limitando, pues, una selección eh aleatoria. Este supuesto tiene dos implicaciones. ¿La primera es que eh la selección se hace con base a características eh observables y la segunda es que podemos observar todas las variables que afectan el tratamiento y a los resultados eh simultáneamente este supuesto, eh, así como esta es un supuesto fuerte, eh?

00:11:18:00 Para que se satisfaga, eh necesitamos pues tener muy buenos datos. Entonces hay una, eh, versión un poco más, eh, flexible. El segundo supuesto es la condición de soporte, como les como su por condición, que nos dice que para cada valor de X hay una probabilidad de tener ambos grupos El tratado de control es decir que necesitamos tener individuos similares tanto en el grupo control como EH en el tratado.

00:12:08:14 Y el tercer supuesto es el valor del tratamiento estable, que quiere decir que el tratamiento de una unidad no afecta el valor del resultado de otra. ¿Y este supuesto implica que el resultado potencial de cada unidad es estable, es decir, que toma 111 solo valor y no es afectado por el tratamiento recibido EH por otras unidades eh? Este supuesto específicamente, pues no puede ser validado con los datos que debemos, pues siempre como tratar de justificarlo con base eh a una teoría es Estos tres supuestos se satisfacen entonces, eh, podemos recuperar el contrafactual usando información del emparejamiento.

00:12:51:07 Los estados que tienen las mismas características eh de los tratados. Hay un problema con con este método es el, eh, problema de dimensionalidad, porque debemos encontrar para cada unidad tratada una no tratada con el mismo vector de variables eh observadas. Y si este vector pues tiene una dimensión grande, quiere decir que estamos siendo más estrictos con con el emparejamiento, Porque si consideramos muchas más variables, pues estamos, eh, eh, eh, como no generalizando tanto como siendo muy muy específicos.

00:13:28:02 Entonces puede que no encontremos, eh, el match para hacer este emparejamiento. Entonces, eh, hay una serie de pasos. La idea, eh, es empezar, eh, calculando un puntaje de de propensión que está definido como la probabilidad de participar en el tratamiento dado un conjunto de variables eh observadas. Y este puntaje, eh de de propensión que se pueden eh estimar utilizando am modelos.

00:13:59:01 Por ejemplo, si eh. Por ejemplo, uno de los modelos es el probit o pues logit. Y la idea con esto pues es que eh, los individuos se van a emparejar, pues de acuerdo a este puntaje eh de propensión que va a ser pues a la final un número en lugar, pues de un vector. ¿Una vez eh, tenemos, eh o estimamos este este puntaje, podemos seleccionar el algoritmo de de emparejamiento, eh?

00:14:25:22 Y en este caso pues tenemos varias opciones. Y acá pues vale la pena mencionar que eh no existe una mejor que la otra. La idea es probar varias y mirar cuál es el que nos genera mejores resultados. ¡Ah! Una vez hacemos pues, este emparejamiento, tenemos que validar en el supuesto de como support y también evaluar la calidad del emparejamiento.

00:14:57:14 Y finalmente, eh. Pues dado que el propósito es estimar un vector causal, pues podemos calcular eh eh, la, eh, la desviación estándar utilizando métodos como. Entonces el primer paso que es estimar el el puntaje de propensión lo podemos hacer con un Clayton Logit, porque en este caso, pues la variable dependiente es una variable binaria que nos indica eh con uno.

00:15:34:00 Si una persona, por ejemplo hace parte de un programa cero eh, sino y al estimarla pues vamos a obtener la probabilidad de participar en el programa estata todos los programas que que utilicemos, pues nos calcula esta propensión para cada uno de de los individuos. Y acá pues hay que tener en cuenta la elección de las variables, porque de selección, pues tiene que satisfacer el primer supuesto incluir todas las variables que que pensamos que pueden influenciar tanto el tratamos como el resultado.

00:16:07:17 ¿Revisar la teoría económica y estudios previos y las variables pues deben ser, eh, variantes eh? En el. Eh, Como decía, hay varios métodos de emparejamiento, eh, diferentes algoritmos eh, que obviamente pues van a diferir en cómo se definen las unidades de control que se emparejan con las ratas y en los pesos que que asignamos una de ellas es eh, el vecino eh más cercano.

00:16:47:21 Y acá podemos utilizar opciones como reemplazo o más de un vecino. Pero también tenemos otras como el kernel, que es una estimación no paramétrica en la que el contrafactual para cada tratado se va a construir a partir de un promedio ponderado de todas las unidades no tratadas. Y como dije anteriormente, no hay un solo algoritmo, no es mejor que el otro en la práctica, pero siempre podemos ensayar con, eh diferentes opciones y mirar pues cuál, eh, es el mejor para validar eh, la condición de de soporte eh común.

00:17:20:21 Esto lo podemos hacer por ejemplo a través de de un gráfico, de un test y la idea pues es mirar las áreas en la que eh la propensión de ambos grupos eh eh, se se traslapan. Una opción es, por ejemplo, comparar, hacer comparación del mínimo y el máximo y tratar también pues de eliminar, por ejemplo, observaciones con un puntaje de propensión por encima del máximo por debajo de del mínimo del grupo eh opuesto.

00:18:12:06 Y el 4.º paso consiste en evaluar la calidad del emparejamiento. Y para esto, eh, pues podemos utilizar la prueba Theos o o analizar eh, la significancia conjunta o el pseudo r cuadrado. ¿Y la idea es que, pues una vez hemos hecho este emparejamiento de unidades y de control con base pues al puntaje eh deberíamos esperar que los dos grupos sean similar respecto a las variables que estamos considerando, por lo que necesitamos verificar que después del emparejamiento los dos grupos estén balanceado con la prueba T que que se hace para evaluar diferencias medias en las diferentes EH variables que estamos eh considerando?

00:18:59:04 ¿Pues esperamos que estas diferencias sean significativas entre los dos grupos antes del emparejamiento, pero no después, eh? Y con la significancia eh conjunta y el pseudo r cuadrado, lo que se hace es reafirmar este puntaje de propensión después del emparejamiento y hacer la comparación del servidor r cuadrado antes eh y después y ya pues final de. Finalmente, pues, podemos estimar el EH el efecto sobre las unidades tratadas que va a ser, pues la diferencia entre el resultado promedio de las unidades tratadas y el resultado promedio de las unidades que eh estamos en pareja.

00:19:40:07 Entonces para ejemplificar esto, eh podemos aquí en tomar este conjunto eh de datos eh, que tiene eh, información sobre, eh, colegios en los diferentes condados de de Estados Unidos. Entonces por ejemplo acá, eh, podemos ver variables como la proporción de estudiantes maestros, eh, si los colegios, eh, de ese condado ofrecen en refrigerios. ¿Cuántos computadores por alumnos AM tienen?

00:20:19:10 Eh, eh, el resultado de de pruebas. Entonces acá tenemos una serie de variables y al final pues vamos a tener, eh esta variable que es binaria y que nos va a indicar por eh en este caso específico AM Si eh en el condado el condado recibe eh, dinero para invertir en, EH, Technology por ejemplo, computadores, eh. Bueno y otras herramientas que que ayuden al.

00:20:46:07 Eh, eh, en en en temas de de educación el aprendizaje. Entonces, eh, en este caso específico. Pues la idea es mirar si ese programa tiene un efecto en la prueba que los estudiantes presentan. Eh. Al final de EH de bachillerato.

00:20:56:06 ¿Entonces, eh, como dije anteriormente, pues el esta variable policy no?

00:21:32:16 Se refiere a si los condados reciben o no eh dinero para tecnologías como por ejemplo computadores, etcétera y es una variable que toma eh dos valores cero si no uno eh si si no tenemos, eh, valores perdidos y eh tenemos 126 observaciones en la categoría de NO 294 en la categoría, de forma que también podemos, eh, como para mirar algunas diferencias, eh realizar una tabla con el resumen.

00:22:27:11 Por ejemplo, de eh, la proporción de computadores que hay por por estudiante. ¿Entonces acá podemos ver que eh hay más eh? ¿Para los que están en para los que reciben el tratamiento y también podemos eh, mirar acá, eh el promedio de de la prueba y eh Vemos pues que hay una diferencia pequeña a favor, pues de los que eh reciben el el tratamiento, entonces para eh ejecutar eh este este algoritmo, lo primero que debemos decidir son, eh el el grupo de de variables que me van a ayudar a hacer este emparejamiento con base a qué características?

00:23:27:19 ¿Eh, eh? Queremos que estos dos grupos se emparejen y acá vamos a considerar, por ejemplo, variables como eh, la proporción de estudiantes, profesores, el porcentaje de estudiantes eh que aprenden inglés, el gasto por estudiante y el porcentaje, eh de estudiantes que están eh, que tienen las condiciones para aplicar a un programa de búsqueda de de trabajo. Entonces esto lo que voy a hacer es que lo voy a almacenar eh, usando, eh, la macro, sí, de tal manera que después no tengo que escribir cada una de las variables, sino que llamo a esta X como lo llamo A para que eh traiga pues todas estas eh variables y eh, Lo primero que vamos a hacer es

00:24:33:06 mirar si hay diferencias entre el grupo tratado del grupo EH Control, Pues antes de hacer el emparejamiento. Entonces para esto pues utilizo el visor y le pongo acá el summary es tanto de la prueba que no está incluida como de las otras variables que vamos a tener en cuenta. Y acá podemos pues ver algunas, eh diferencias. Por ejemplo, eh los eh, las unidades que están en el grupo eh tratado tienen, eh, un puntaje por encima de las que no eh eh, pero tienen, por ejemplo, también tienen una menor, eh, ratio de estudiantes, eh, profesores, eh, un gasto de por estudiante menor, eh, perdón, un gasto por estudiante, eh, mayor y una proporción menor de estudiantes

00:25:12:20 aplicando, eh, este, eh, programa. Eh, Ahora sí. Pues, podemos, eh, llevar a cabo el primer paso. Entonces, para, eh, obtener la, la la el puntaje de propensión. Eh, Podemos utilizar Este es uno de los comandos más, eh utilizados, pero, eh, toca instalarlo primero. ¿Entonces, para instalarlo, podemos, eh, buscarlo, eh? ¿Cuando lo buscamos? Pues eh, damos clic en la opción correcta y el no nos no lo va a instalar.

00:26:00:05 En mi caso pues ya lo tengo instalado y entonces la idea es eh indicarle cuál es esa variable tratamiento, cuáles son los covariables que vamos a tener en cuenta, cuál es la variable resultado. ¿Y acá, eh, le indicamos, por ejemplo, si vamos a usar el método de del vecino, pues cuántos vecinos vamos a considerar? ¿Y eh, le agregamos como para que podamos ver eh los los estimados de acuerdo o con base pues a al al supuesto de de como Jesús porque nos va a decir pues eh o nos si nos va a decir eh, eh, eh, qué tanto?

00:26:32:03 Pues coincide. Entonces cuando nosotros lo lo ejecutamos, él nos va a mostrar digamos que tres eh, eh, tablas. ¿La primera que nos va a mostrar es el resultado del probit eh? ¿Que pues va a generar esa variable eh? ¿De propensión eh? Después eh, nos va a mostrar aquí una tabla donde podemos ver el el tratamiento, el efecto del tratamiento.

00:27:31:07 Entonces acá la diferencia entre el resultado del control, por ejemplo, es 3.56, lo que significa que en promedio aquellos con que reciben EH fondos para invertir en tecnología está asociado con un incremento en el puntaje del examen. Eh eh, alrededor de 3.56 puntos y después nos va a mostrar aquí una tabla, eh, donde podemos ver, eh, por ejemplo, cuántas unidades están fuera de de ese soporte es con este caso tenemos, eh, 23 tratadas que están por fuera a lo que quiere decir que no encontraron, eh eh, o no están alineadas con la el puntaje eh, de las unidades del del grupo o pues.

00:28:15:23 ¿O sea, No, no, no tratadas, eh? Y una vez tenemos esto, pues podemos, eh, evaluar la calidad, eh, del emparejamiento. Hay opciones gráficas, eh, Como por ejemplo, PC Graph, que lo podemos ejecutar una vez, eh, hemos, eh ejecutado el el comando para crear la los puntajes y acá pues podemos ver con con el color eh azul eh, todas las unidades eh no tratadas con el rojo las tratadas que están en el eh soporte común y eh, las otras que están eh, por fuera.

00:29:06:06 ¿Entonces esto nos da una idea de qué tanto se traslapan estos, eh, eh, puntajes y, eh, de si estamos haciendo bueno, Machin, por ejemplo, acá tenemos zonas en que uno eh, coinciden en Overlap, eh? Y acá también, eh con con esto, sin embargo, pues no podemos eh, interpretar si hay una eh significa digamos, estadística. Entonces para esto pues tenemos otras opciones como el de ese test, que al ejecutarlo, teniendo en cuenta aquí por ejemplo las covariables y el puntaje, pues nos va a brindar eh cierta información.

00:30:01:11 Entonces la tabla nos muestra cada una de las variables que se tuvo en cuenta más en el puntaje y vamos a observar acá, por ejemplo el sesgo. ¿Entonces acá nos va a mostrar el el porcentaje de sesgo para cada una de de estas variables eh? Y este porcentaje pues es una diferencia entre el grupo tratado, el grupo eh control y lo que esperamos es que después del emparejamiento, pues este sesgo eh, tiende a ser eh más pequeño, lo cual indica que hay un buen, eh, balance y, eh, si, si este sesgo digamos que, eh, que es menor por ejemplo a tres o 5%, pues significa que si tenemos, eh, un buen balance, después tenemos cerca

00:30:36:18 ¿la el test del test eh? Porque pues evalúa si las medias de cada eh covariable es estadísticamente diferente del grupo tratado y el grupo eh control eh acá pues si este eh valor P eh tiende ser alto, pues nos sugiere que no es significativo y como decía antes, pues lo que esperamos es que antes del emparejamiento hayan diferencias, pero después que no tengamos estas eh diferencias.

00:31:17:14 Y por último tenemos, eh, un ratio de de varianza que compara, pues la varianza de cada EH covariable en el grupo EH, control o tratamiento. Y cuando este ratio es cercano a uno indica pues que tenemos varianzas eh eh, similares. Entonces esto es lo que nos sirve para evaluar la la calidad. Y ya después, eh, si nosotros queremos, eh pues estimar el latente pues que es el objetivo eh de de muchas políticas, pues podemos acá hacer uso de métodos como Bootstrap.

00:32:03:19 ¿Entonces acá la idea es siempre eh, esto es una simulación, entonces tenemos que establecer, eh, una semilla y pues acá vamos a tener diferentes eh, parámetros como el número de repeticiones, eh? La idea es acá pues por ejemplo, intentar con diferentes eh, métodos de emparejamiento. ¿Por ejemplo, utilicé eh Cali, pero eh acá se hizo solo teniendo en cuenta eh un vecino, mientras que acá eh cinco vecinos y pues interpretar ese ese coeficiente eh?

00:32:34:15 ¿Y eh, pues eh, este es el ejemplo de hoy, eh? Es cortico eh, fue cortico. Este tema eh eh dado pues que era introductorio, pero también porque ustedes ven, tengo un poco enfermo. Entonces no sé si pasamos a la sesión de de preguntas.

00:32:48:21 ¿Listo? ¿Me escuchas?

00:32:57:09 Adelante. María Camila. No hay. Eh. No te estoy escuchando. ¡Eh!

00:33:01:18 ¿Me escuchas? ¿Erika?

00:33:26:21 Ahí. ¿Me escuchas mejor ahora? Sí. ¿Listo? Perfecto. ¿Me puedes repetir, por favor? ¿No, que ya, eh? ¿Podemos dar inicio a a preguntas? ¿Eh? Ah, vale, perfecto. ¿Entonces la la primera pregunta que te realizan acá en el chat es cómo se establece la significancia del tratamiento? ¿Podrías repetirlo por favor?

00:34:10:06 ¿Eh? O sea, después de que para mirar la calidad de del match, la idea es, eh, que antes de del emparejamiento veamos eh diferencias significativas y pues esto lo podemos hacer con una prueba de eh test y eh, lo mismo lo podemos repetir después del emparejamiento como lo tenemos aquí, pero en este caso pues la idea es encontrar, eh eh, que las diferencias pues no sean significativas, o sea, lo contrario.

00:34:45:00 Por acá te pregunto lo siguiente. ¿No entendí cuál es el máximo porcentaje de sesgo cuando hablas entre tratamiento y control de las covariables, eh? ¿Si acá este, este, este sesgo está en porcentaje, entonces eh? Un criterio es que si este sesgo es menor a 3%, podemos eh, concluir que el emparejamiento eh tuvo efecto de que, eh, Pues tenemos un sesgo que por.

00:35:12:20 Perfecto. Bueno, aquí hay un un temita. Hay varias personas que están preguntando por la grabación de la sesión. ¿Les voy a compartir en este momento el enlace para que puedan consultarlo a partir de la próxima semana, eh? ¿Te preguntan también en qué otros casos es posible aplicar este tipo de técnicas o cuando recomiendas eh, trabajar con, EH, el emparejamiento?

00:35:58:10 Esto sirve mucho cuando, eh. ¿Mmm, no sé, por ejemplo, eh, estamos trabajando con otro método diferencias en diferencias, eh? Y por ejemplo en ese caso el supuesto de tendencias paralelas no se cumple porque los grupos son muy diferentes antes de el tratamiento. Entonces una manera AM de que este supuesto se cumpla es haciendo un emparejamiento antes para garantizar que antes del tratamiento, esas unidades tratadas y control uh, son, eh, eh, eh, similares.

00:36:47:00 ¿Entonces, eh, se utiliza mucho para complementar otros métodos que que hemos visto en diferentes webcast como diferencias en diferencias, eh, Regresión discontinua, eh? Porque en la mayoría de casos, pues es, eh, difícil que antes del tratamiento pues tengamos grupos que sean muy muy parecidos. Entonces una forma am de de que esto supuesto de que este supuesto pues se valide es haciendo este tipo o aplicando este tipo eh de técnicas, entonces ayuda más como a complementar otros digamos que eh esa es más como la utilidad de complementar otros otros métodos.

00:37:01:02 Acá tienen una pregunta puntual sobre, eh endogeneidad y se te pregunta que si con este método es posible mitigar, por ejemplo, la endogeneidad en modelos educativos.

00:37:31:14 Eh, sí, sí, sí, digamos que sí. Es una forma de sí de reducir la la endogeneidad que que tenemos pues que parte estando general se debe a esta eh a este sesgo de selectividad. Voy a leerte esta puntual. Como te la pelan bien. ¿Qué tan frecuente es el uso del PCM para encontrar únicamente los grupos de control para luego usar ese control dentro de otros modelos econométricos?

00:38:07:15 Si mi objetivo es únicamente encontrar los controles de un tratado, por ejemplo de un programa estatal, las covariables que uso en el matching pueden ser, eh, las de las reglas de operación del programa. Sí, como como dije antes, este método se utiliza mucho para complementar eh Otro métodos de de de estimación eh. ¿Eh? ¿Pero me puedes repetir la última parte?

00:38:32:16 Si, si, claro. ¿Te preguntan que si las covariables que uso en el matching pueden ser las de las reglas de operación del programa? Si, si, En la mayoría de casos, eh. ¿Se utilizan como esos criterios para ser seleccionado, No? ¿Eh, como variables acá para tratar de controlar si los grupos son parecidos o no?

00:38:54:11 ¿Acá te hacen una consulta más sobre el procedimiento eh? ¿TE te están consultando desde qué versión se pueden aplicar este tipo de métodos, no es así? No, no estoy seguro porque, eh, por ejemplo, en.

00:39:28:05 Eh, pues yo supongo que como, eh, lo estamos instalando, yo creo que eh versiones anteriores acá estoy con la 18, pero en versiones anteriores se puede instalar sin problema, pero no sé si tú sabes eh, Si hay algún conflicto. 16 Pues estoy aquí revisando un par de cuestiones. Mencionan la versión 16 y mencionan la versión 15. Entonces creería que a partir de esas versiones, pero no estoy tan segura de cuál puede hacerla.

00:39:57:06 ¿La versión más antigua lo tanto, quieren ahondar en esto? Nos dejan un crédito ahí en el en la sección de observaciones lo consultamos y les hacemos llegar esta información. Eh, Por acá hay una última pregunta. María Camila Eh Te consultan qué beneficios trae usar, por ejemplo cada ese match en comparación con PS Match dos, Los dos comandos preferidos en este caso.

00:40:19:12 Um, la verdad yo siempre he trabajado con esto. ¿Entonces, eh, se tendría que que hacer la, eh, investigar como que qué diferencias hay? ¿Cuál, cuál? Cuáles son las ventajas y desventajas de cada. Porque aquí solo utilicé.

00:40:43:07 ¿Vale, perfecto, eh? Bueno, nuevamente quienes están consultando por la grabación y el material de esta sesión, recordarles el el enlace que les compartí hace unos minutos. ¿Encontrarán esta información a partir de la próxima semana, Eh? No sé. ¿María Camilo, Si quieres añadir algo más eh? ¿No?

00:41:01:00 Vale, perfecto. Bueno, pues entonces transmitirte por aquí los agradecimientos, las. Ah, bueno, aquí llegó una. Una pregunta adicional. Permíteme dos segundos. Te preguntan si podrías ahondar algún comentario en la parte de Bootstrap y.

00:41:08:17 ¿Eh?

00:41:38:16 Pues la idea, eh. Cuando aplicamos esto es, eh. O sea, la idea de esto también es, eh, averiguar cuál es el efecto, eh, causal. Y el el método que más se utiliza es, eh, para para hacer la estimación es utilizando estos métodos de de de simulación al EH. Sin embargo, pues acá es como jugar mucho con los con los parámetros.

00:42:18:03 Entonces esto sí es como para para ahondar en una En otra sesión la idea era solo mostrar como los pasos de manera introductoria, pero ya si nos queremos enfocar, pues en el efecto sucedió en otra sesión de curso. De Consultant. De pronto no sé si quieres hacer algún comentario sobre esto o si lo dejamos para la sesión que mencionas, pero te consulto que si el AT es el efecto de la política que estás evaluando, en ese caso si ese el efecto del tratamiento sobre las unidades tratadas.

00:42:55:20 Perfecto. Bueno, pues entonces con esto, eh, damos por finalizada entonces la sesión de hoy. Mila nuevamente pues agradecerte eh el espacio, transmitirte las felicitaciones y los comentarios de agradecimiento de los participantes a nuestros participantes. ¿Pues agradecerles su asistencia eh? En este momento están viendo en pantalla este la encuesta de la que les habló Lisa al inicio. ¿Les agradecemos y nos pueden dejar allí sus comentarios y pues eh, las preguntas allí eh relacionadas eh?

00:43:33:01 ¿Y pues bueno, los dejamos entonces invitados a las próximas sesiones que realizaremos eh relacionadas con esta temática, eh? ¿Sin más desearles un feliz día y a ti y a Camila, eh? Pues muchísimas gracias nuevamente por el espacio. Nos vemos entonces en una próxima oportunidad. Hasta pronto. Hasta pronto. Chao. Para mayor información respecto al software o en temas relacionados, no dude en contactarnos a través del correo electrónico entrenamientos, arroba, software, guion, SOP punto com o visitar nuestra página web Triple W punto software guion shop punto com.