UNIVERSIDAD NACIONAL DEL ALTIPLANO

FACULTAD DE INGENIERIA ECONOMICA

ESCUELA PROFESIONAL
INGENIERIA ECONOMICA

TRABAJO ENCARGADO
EVALUACION DE IMPACTO DE PROGRAMAS SOCIALES
PROGRAMA: CAPACITACION AGRICOLA

CURSO: ELECTIVO

III

SEMESTRE

: IX

DOCENTE: ING. RENE PAZ PAREDES

PRESENTADO POR:
ROQUE SUCASACA, Edgar
QUISPE CARRILLO, Rossel Percy
QUISPE VELSQUES ,Juan Pastor
COLQUE FIGUEROA, Roger

Puno - Per
2016

RESUMEN

Este documento analiza la estrategia competitiva del sector agrario en la

economa peruana, centrndose en las mejoras en productividad y su
competitividad. Describimos brevemente la teora econmica acerca de aumentos
en la productividad de los factores de produccin y el incremento de la produccin
como el resultado de esos aumentos. Tambin analizamos brevemente los
eventos histricos de las ltimas dcadas que moldearon la realidad agrcola
actual en el Per, basada bsicamente en la fragmentacin de las unidades
agrarias. Luego describimos donde estamos ahora en trminos de realidad agraria
y donde vamos, de acuerdo a las tendencias internacionales y economas
globalizadas.

INTRODUCCION

Desde hace un ao la Direccin Regional Agraria viene coordinando, desde el

Comit Regional de Gestin Agraria (COREGA) con los organismos adscritos al
Ministerio de Agricultura (SENASA, INIA, AGRORURAL, ALAs, PSI Y PELT),
ONGs (FAO, CIRMA) y los Proyectos Especiales del Gobierno Regional (PECSA,
PRADERA, PRORRIDRE); a ello se suma la Universidad Nacional del Altiplano
(Escuelas Profesionales de Agronoma, Economa, Veterinaria, Trabajo Social);
con la Finalidad de articular el trabajo del sector agrario para brindar en forma
organizada la provisin de bienes (infraestructura productiva) y servicios
(asistencia tcnica, capacitacin y gestin), va las organizaciones de los
productores que desde el 2006 vienen conformando las mesas de trabajo de:
Camlidos, Lcteos, Haba, Papa Nativa (tunta), Charqui Chalona y Cuyes. Tal es
as que el pasado ao se tuvo la presentacin de CONALPACA, a quienes se les
informo y comprometi para que se integren y fortalezcan la mesa de camlidos
que viene funcionando. En cuyo acto se vio que los productores demostraron, la
existencia de una instancia de coordinacin como ente, que evite la duplicidad de
acciones en la regin. De igual manera SIERRA EXPORTADORA, hizo su
presentacin en Puno, quienes tambin luego de informarse de la existencia de

mesas temticas de los principales productos de la regin decidieron incorporarse

a las correspondientes mesas, quedando como tarea formar la mesas de
productos tropicales, considerando que poco se ha trabajado en la regin Selva de
Puno. As mismo debemos informar la constitucin de los Comits Provinciales de
Gestin Agraria (COPROGA), que tienen la funcin de articular el sector agrario
en cada una de las 13 Agencias Agrarias, con la finalidad de organizar el trabajo,
evitar el asistencialismo, la duplicidad de acciones, en vista de que los resultados
obtenidos a la fecha son escasos y quiz de alto costo. Qu falta? Fortalecer la
articulacin en los 3 niveles de gobierno, especficamente con los gobiernos
locales, quienes en la actualidad poseen el mayor porcentaje de presupuesto de
inversin. Trabajar con el enfoque del Programa Presupuestal por Resultados
(PPR). Articular de manera intersectorial con la Direccin de Produccin y la
Direccin de Industria y Turismo. Con un enfoque de desarrollo territorial. Los que
permitir, lograr el desarrollo del sector agrario.

EVALUACION DE IMPACTO STATA

La base de datos capacitacin contiene informacin sobre la evaluacin de un
programa piloto de

capacitacin agrcola, cuyo

fin es mejorar la

productividad de los predios (pequeos y medianos).

El impacto del programa se mide a travs del ingreso mensual promedio
del hogar posterior a la capacitacin (Ingreso).
Desafortunadamente, la asignacin al tratamiento fue aleatoria:

Una variable dictoma que es igual a la unidad si el jefe del

hogar es un hombre (Jefe_hogar)
El nmero de hijos que an viven en el hogar (Num_hijos),
Un ndice de calidad del suelo de cada una de las fincas
(ICS),
Los aos de educacin del jefe del hogar (anhos_educ) E
El nmero de hectreas disponibles para cultivo de cada
uno de los hogares (hect_cultivo).
Evaluar el impacto del programa por los diferentes grupos?

Para empezar el mtodo ms simple para calcular el efecto tratamiento promedi

del programa de colocacin en los pueblos. Ese se hace usando el comando
ttest de stata. Lo cual compara el resultado entre el grupo de tratamiento y el
grupo de control.
Este comando nos muestra el efecto del programa de incremento de ingreso en la
hogares por la participacin de capacitacin sobre agricultura para mejorar los
ndices de vida de la poblacin.
. gen ling=ln(1+ing)

. gen cult=ln(1+htcult/100)
. gen dim=aosedu*2+numh
. gen cult=ln(1+htcult/100)
. gen dim=aosedu*2+numh
. egen progdim=max(jefeho), by(dim)
. ttest ling, by(progdim)
Two-sample t test with equal variances
Group

Obs

Mean

0
1

513
487

combined

1000

diff

Std. Err.

Std. Dev.

[95% Conf. Interval]

6.013936
6.281294

.0187567
.0131184

.4248301
.2894973

5.977086
6.255519

6.050785
6.30707

6.144139

.0122942

.3887755

6.120014

6.168265

-.267359

.0231079

-.3127047

-.2220133

diff = mean(0) - mean(1)

Ho: diff = 0
Ha: diff < 0
Pr(T < t) = 0.0000

t = -11.5700
degrees of freedom =
998
Ha: diff != 0
Pr(|T| > |t|) = 0.0000

Ha: diff > 0

Pr(T > t) = 1.0000

Los resultados de aplicacin muestran que las diferencias del resultado en el

grupo de control y tratamiento es significativo eso significa que el programa de
implementacin de charlas sobre el manejo de tierras y cultivo consigui
incrementar los ingresos de los hogares participantes esto viendo desde el punto
del genero del jefe de hogar como variable condicional.
Ahora de forma alterna podemos correr una regresin simple con el ingreso contra
la variable dummy creada anteriormente en funcin al gnero del jefe de hogar,
que representa el programa de capacitacin en el pueblo.

. reg ling progdim

Source

SS

df

MS

Model
Residual

17.8581238
133.137117

1 17.8581238
998 .133403925

Total

150.995241

999 .151146388

ling

Coef.

progdim
_cons

.267359
6.013936

Std. Err.
.0231079
.016126

t
11.57
372.94

Number of obs
F( 1, 998)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

1000
133.87
0.0000
0.1183
0.1174
.36525

P>|t|

[95% Conf. Interval]

0.000
0.000

.2220133
5.982291

.3127047
6.04558

En la regresin el resultado indica el mismo efecto (0.267), lo cual es significativo.

Desde la situacin de una variable dependiente (jefeho) jefe de hogar.
. egen progdim=max(jefeho), by(dim)
. ttest ling, by(progdim)
Two-sample t test with equal variances
Group

Obs

Mean

0
1

776
224

combined

1000

diff

Std. Err.

Std. Dev.

[95% Conf. Interval]

5.990125
6.677688

.0104135
.0084947

.2900873
.1271367

5.969683
6.660948

6.010567
6.694428

6.144139

.0122942

.3887755

6.120014

6.168265

-.6875627

.0199178

-.7266483

-.6484771

diff = mean(0) - mean(1)

Ho: diff = 0
Ha: diff < 0
Pr(T < t) = 0.0000

t = -34.5200
degrees of freedom =
998
Ha: diff != 0
Pr(|T| > |t|) = 0.0000

Ha: diff > 0

Pr(T > t) = 1.0000

Los resultados de aplicacin muestran que las diferencias del resultado en el

grupo de control y tratamiento es significativo en un (0.687) eso significa que el
programa de implementacin de charlas sobre el manejo de tierras y cultivo

consigui incrementar los ingresos de los hogares participantes esto viendo

desde el punto de participacin en el programa como variable condicional.
Ahora de forma alterna podemos correr una regresin simple con el ingreso contra
la variable dummy creada anteriormente en funcin al gnero del jefe de hogar,
que representa el programa de capacitacin en el pueblo.

. reg ling progdims

Source

SS

df

MS

Model
Residual

82.1739861
68.821255

1 82.1739861
998 .068959173

Total

150.995241

999 .151146388

ling

Coef.

progdims
_cons

.6875627
5.990125

Std. Err.
.0199178
.0094268

t
34.52
635.43

Number of obs
F( 1, 998)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

1000
1191.63
0.0000
0.5442
0.5438
.2626

P>|t|

[95% Conf. Interval]

0.000
0.000

.6484771
5.971627

.7266483
6.008624

El resultado obtenido es de (0.687) igual que en la estimacin anterior lo cual hace

referencia al grado de significancia del programa.
Como se denota en ambas situacin y estimacin y regresiones los resultados en
ambos casos son significativos lo cual explica que el programa insertado consigui
su objetivo. Que es el de incrementar los niveles de ingreso de los hogares. Este
resultado cambiaria si incluimos otra variables de inters en la regresin. Ahora,
regresionamos el ingreso per capita contra la dummy creada con el programa,
ms otros factores que pueden afectar el ingreso.

. reg ling progdims jefeho aosedu cult numh [pw=ics]

(sum of wgt is 4.8911e+02)
Linear regression

Number of obs
F( 5, 502)
Prob > F
R-squared
Root MSE

ling

Coef.

progdims
jefeho
aosedu
cult
numh
_cons

.5611921
.3065268
-.0092398
4.270701
.1270549
5.334206

Robust
Std. Err.
.0167706
.0175855
.0087178
.7446189
.015094
.0705369

t
33.46
17.43
-1.06
5.74
8.42
75.62

P>|t|
0.000
0.000
0.290
0.000
0.000
0.000

=
=
=
=
=

508
476.35
0.0000
0.8482
.15814

[95% Conf. Interval]

.5282428
.2719765
-.0263677
2.807748
.0973996
5.195622

.5941414
.3410771
.007888
5.733654
.1567102
5.47279

Los resultados muestran que el programa de capacitacin si genera efectos

positivos sobre el ingreso de los hogares, con la dummy creada en funciona ala
participacin en el programa.

. reg ling progdim jefeho aosedu cult numh [pw=ics]

(sum of wgt is 4.8911e+02)
note: jefeho omitted because of collinearity
Linear regression

ling
progdim
jefeho
aosedu
cult
numh
_cons

Number of obs
F( 4, 503)
Prob > F
R-squared
Root MSE

Coef.

Robust
Std. Err.

.2300048 .0285828
0 (omitted)
-.0168581 .0147681
10.71053 1.143762
.2100687 .0213885
4.986682 .1059855

=
508
= 83.70
= 0.0000
= 0.5884
= .26015

P>|t|

[95% Conf. Interval]

8.05

0.000

.1738483

.2861613

-1.14
9.36
9.82
47.05

0.254
0.000
0.000
0.000

-.0458727
8.463394
.1680468
4.778453

.0121566
12.95767
.2520906
5.194911

En esta situacin con la dummy creada en funciona al jefe de hogar. Los

resultados muestran que el programa de capacitacin si genera efectos positivos
sobre el ingreso de los hogares.

METODO
IMPACTOS DEL PROGRAMA POR
COMUNIDADES DEL PROGRAMA

PARTICIPAR

EN

LAS

En la presente mtodo la situacin de programa de los hogares que estn

recibiendo el tratamiento en la comunidad. Comenzando con el modelo simple,
restringir la muestra a los pueblos del programa.

. . reg ling jefeho if progdims==1 [pw=ics]

(sum of wgt is 1.3493e+02)
Linear regression

Number of obs
F( 1, 130)
Prob > F
R-squared
Root MSE

ling

Coef.

jefeho
_cons

.1822368
6.625119

Robust
Std. Err.
.0173948
.0083067

t
10.48
797.56

=
=
=
=
=

132
109.76
0.0000
0.5478
.07952

P>|t|

[95% Conf. Interval]

0.000
0.000

.1478233
6.608685

.2166504
6.641553

El resultado muestra que el impacto de la participacin hogar en el programa de

capacitacin en agricultura para incrementar el ingreso de los hogares, es positivo
la participacin en el programa incrementa el ingreso per capita percibido en los
hogares en los pueblos del programa en un 18.22%.
. reg ling selec if progdim==1 [pw=ics]
(sum of wgt is 2.3430e+02)
Linear regression

Number of obs
F( 1, 251)
Prob > F
R-squared
Root MSE

ling

Coef.

selec
_cons

.6234366
6.183919

Robust
Std. Err.
.02067
.0139778

t
30.16
442.41

=
=
=
=
=

253
909.71
0.0000
0.6947
.16625

P>|t|

[95% Conf. Interval]

0.000
0.000

.5827278
6.156391

.6641453
6.211448

El resultado muestra que el impacto de la participacin del jefe de hogar en el

programa de capacitacin en agricultura para incrementar el ingreso de los
hogares, es positivo la participacin del jefe de hogar incrementa el ingreso
percapita percibido en los hogares en los pueblos del programa en un 62.34%.
ahora en este punto solo nos centraremos desde una sola situacion y trabajarmos
con la dummy asignada en funcion a la variable de participacion en el programa
(selec)

Con un modelo extendido (con variables que afecten el ingreso percapita).

. reg ling selec aosedu cult numh if progdim==1 [pw=ics]
(sum of wgt is 2.3430e+02)
Linear regression

Number of obs
F( 4, 248)
Prob > F
R-squared
Root MSE

ling

Coef.

selec
aosedu
cult
numh
_cons

.4576306
-.0030642
3.285661
.1322686
5.663204

Robust
Std. Err.
.0270437
.0085218
.6562924
.0124666
.0673842

t
16.92
-0.36
5.01
10.61
84.04

P>|t|
0.000
0.719
0.000
0.000
0.000

=
=
=
=
=

253
339.88
0.0000
0.8638
.11173

[95% Conf. Interval]

.404366
-.0198486
1.993043
.1077146
5.530486

.5108953
.0137202
4.578278
.1568225
5.795923

Al incluir otras variables en la regresin, se puede ver que el programa de

participacin o no genera un impacto positivo de 45.76% para un nivel de 17% de
significancia.
Impacto del programa de participacin.
(situacin 1: jefe de hogar jefeho)
. ttest ling, by(jefeho)
Two-sample t test with equal variances
Group

Obs

Mean

mujer
hombre

513
487

combined

1000

diff

Std. Err.

Std. Dev.

[95% Conf. Interval]

6.013936
6.281294

.0187567
.0131184

.4248301
.2894973

5.977086
6.255519

6.050785
6.30707

6.144139

.0122942

.3887755

6.120014

6.168265

-.267359

.0231079

-.3127047

-.2220133

diff = mean(mujer) - mean(hombre)

Ho: diff = 0
Ha: diff < 0
Pr(T < t) = 0.0000

t = -11.5700
degrees of freedom =
998

Ha: diff != 0
Pr(|T| > |t|) = 0.0000

Ha: diff > 0

Pr(T > t) = 1.0000

De forma alternativa podemos correr un modelo lineal simple (ling) contra la

variable de jefe de hogar (jefeho)
. reg ling jefeho
Source

SS

df

MS

Model
Residual

17.8581238
133.137117

1 17.8581238
998 .133403925

Total

150.995241

999 .151146388

ling

Coef.

jefeho
_cons

.267359
6.013936

Std. Err.
.0231079
.016126

t
11.57
372.94

Number of obs
F( 1, 998)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

1000
133.87
0.0000
0.1183
0.1174
.36525

P>|t|

[95% Conf. Interval]

0.000
0.000

.2220133
5.982291

.3127047
6.04558

La regresin ilustra que el efecto de la participacin de los jefe de hogar en el

programa sobre el ingreso es 26.73%
(Situacin 2: participacin en el programa selec)
. ttest ling, by(selec)
Two-sample t test with equal variances
Group

Obs

Mean

seleccio
no selec

776
224

combined

1000

diff

Std. Err.

Std. Dev.

[95% Conf. Interval]

5.990125
6.677688

.0104135
.0084947

.2900873
.1271367

5.969683
6.660948

6.010567
6.694428

6.144139

.0122942

.3887755

6.120014

6.168265

-.6875627

.0199178

-.7266483

-.6484771

diff = mean(seleccio) - mean(no selec)

Ho: diff = 0
Ha: diff < 0
Pr(T < t) = 0.0000

t = -34.5200
degrees of freedom =
998

Ha: diff != 0
Pr(|T| > |t|) = 0.0000

Ha: diff > 0

Pr(T > t) = 1.0000

De forma alternativa podemos correr un modelo lineal simple (ling) contra la

variable de participacin en el programa (selec).

. reg ling selec

Source

SS

df

MS

Model
Residual

82.1739861
68.821255

1 82.1739861
998 .068959173

Total

150.995241

999 .151146388

ling

Coef.

selec
_cons

.6875627
5.990125

Std. Err.
.0199178
.0094268

t
34.52
635.43

Number of obs
F( 1, 998)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

1000
1191.63
0.0000
0.5442
0.5438
.2626

P>|t|

[95% Conf. Interval]

0.000
0.000

.6484771
5.971627

.7266483
6.008624

La regresin ilustra que el efecto de la participacin de los que participaron en el

programa sobre el ingreso es 68.75%,
MEDICION DE LOS EFECTOS DESBORDAMIENTO (SECUNDARIO) DE LA
ASIGNACION DEL PROGRAMA.
. reg ling progdim if selec==0 [pw=ics]
(sum of wgt is 3.5418e+02)
Linear regression

Number of obs
F( 1, 374)
Prob > F
R-squared
Root MSE

ling

Coef.

progdim
_cons

.3866322
5.797287

Robust
Std. Err.
.0300526
.0266137

t
12.87
217.83

=
=
=
=
=

376
165.51
0.0000
0.4168
.22893

P>|t|

[95% Conf. Interval]

0.000
0.000

.3275389
5.744956

.4457255
5.849618

El resultado muestra efectos directos positivos sobre el ingreso.

Modelo de regresin extendido.

. reg ling progdim aosedu cult numh if selec==0 [pw=ics]

(sum of wgt is 3.5418e+02)
Linear regression

Number of obs
F( 4, 371)
Prob > F
R-squared
Root MSE

ling

Coef.

progdim
aosedu
cult
numh
_cons

.3500337
-.003639
5.432314
.1434096
5.183446

Robust
Std. Err.
.0212514
.0112508
1.1358
.0229503
.0979632

t
16.47
-0.32
4.78
6.25
52.91

P>|t|
0.000
0.747
0.000
0.000
0.000

=
376
= 78.65
= 0.0000
= 0.6692
= .1731

[95% Conf. Interval]

.3082454
-.0257624
3.198901
.0982806
4.990813

.391822
.0184844
7.665726
.1885387
5.376079

Como se puede verse en la salida que sigue la asignacin del programa en los
pueblos no muestra ningn efecto secundario, despus de controlar con otras
variables.

. reg ling progdims if jefeho==1 [pw=ics]

(sum of wgt is 2.3430e+02)
Linear regression

Number of obs
F( 1, 251)
Prob > F
R-squared
Root MSE

ling

Coef.

progdims
_cons

.6234366
6.183919

Robust
Std. Err.
.02067
.0139778

t
30.16
442.41

=
=
=
=
=

253
909.71
0.0000
0.6947
.16625

P>|t|

[95% Conf. Interval]

0.000
0.000

.5827278
6.156391

.6641453
6.211448

. reg ling progdim aosedu cult numh if selec==1 [pw=ics]

(sum of wgt is 1.3493e+02)
Linear regression

Number of obs
F( 4, 127)
Prob > F
R-squared
Root MSE

ling

Coef.

progdim
aosedu
cult
numh
_cons

.1743909
-.0041081
2.501123
.0667333
6.247799

Robust
Std. Err.
.0086492
.0035577
.3571234
.0071736
.0358716

t
20.16
-1.15
7.00
9.30
174.17

P>|t|
0.000
0.250
0.000
0.000
0.000

=
=
=
=
=

132
405.29
0.0000
0.9038
.03711

[95% Conf. Interval]

.1572758
-.0111481
1.79444
.052538
6.176815

.1915061
.0029319
3.207805
.0809286
6.318782

En esta situacin se percibe que existe un leve efecto que indica que la variacin
de la variable progdim negativamente lo cual no muy significante. Por el ende no
existen otras razones por el cual se pueda existir otros efectos secundarios en la
regresin.
TECNICA DEL PROPENSITY SCORE MATCHING (ENPAREJAMIENTO)
. pscore selec aosedu cult numh [pw=ics], pscore(ps98) blockid(blockf1) comsup level(0.001)
(0 real changes made)

****************************************************
Algorithm to estimate the propensity score
****************************************************

The treatment is selec

selccion de
participante 1
= si, 0 = no

Freq.

Percent

Cum.

seleccionado
no seleccionado

776
224

77.60
22.40

77.60
100.00

Total

1,000

100.00

Estimation of the propensity score

(sum of wgt is
Iteration 0:
Iteration 1:
Iteration 2:
Iteration 3:
Iteration 4:

4.8911e+02)
log pseudolikelihood
log pseudolikelihood
log pseudolikelihood
log pseudolikelihood
log pseudolikelihood

=
=
=
=
=

-299.21936
-216.0279
-208.69885
-208.5107
-208.51055

Probit regression

Number of obs
Wald chi2(3)
Prob > chi2
Pseudo R2

Log pseudolikelihood = -208.51055

selec

Coef.

aosedu
cult
numh
_cons

-.1113049
44.92002
.6610077
-4.548124

Robust
Std. Err.
.0874112
8.270072
.1303035
.7828904

z
-1.27
5.43
5.07
-5.81

P>|z|
0.203
0.000
0.000
0.000

=
=
=
=

508
47.12
0.0000
0.3032

[95% Conf. Interval]

-.2826277
28.71098
.4056176
-6.082561

.0600179
61.12907
.9163979
-3.013687

Note: the common support option has been selected

The region of common support is [.00036768, .99460832]

Description of the estimated propensity score

in region of common support
Estimated propensity score

1%
5%
10%
25%

Percentiles
.0007689
.0039387
.0109798
.0478361

50%

.1591133

75%
90%
95%
99%

.4003003
.6131223
.7637703
.907492

Smallest
.0003677
.0004619
.0004631
.000594

Largest
.9486474
.9657537
.9791806
.9946083

Obs
Sum of Wgt.

989
989

Mean
Std. Dev.

.2440408
.2402751

Variance
Skewness
Kurtosis

.0577321
1.038781
3.137719

******************************************************
Step 1: Identification of the optimal number of blocks
Use option detail if you want more detailed output
******************************************************

The final number of blocks is 6

This number of blocks ensures that the mean propensity score
is not different for treated and controls in each blocks

**********************************************************
Step 2: Test of balancing property of the propensity score
Use option detail if you want more detailed output
**********************************************************
Variable cult is not balanced in block 1
Variable numh is not balanced in block 1
Variable cult is not balanced in block 2

Variable numh is not balanced in block 2

Variable cult is not balanced in block 4
Variable cult is not balanced in block 5
Variable numh is not balanced in block 5
The balancing property is not satisfied
Try a different specification of the propensity score

Inferior
of block
of pscore

selccion de
participante 1 = si,
0 = no
seleccion no selecc

Total

0
.2
.3
.4
.6
.8

513
102
54
83
13
0

39
11
22
63
55
34

552
113
76
146
68
34

Total

765

224

989

Note: the common support option has been selected

*******************************************
End of the algorithm to estimate the pscore
*******************************************

Los resultados incluyen una salida de un regresin probit, la estimacin y

descripcin del propensity score, el nmero de bloques y la estratificacin
empleando el propensity score y la prueba de la propiedad de balanceo. el rea de
soporte comn que son los propensity score que estn dentro del rango valores
estimados mnimo y mximo para los hogares en el grupo de tratamiento.
El siguiente resultado muestra que la regin identificada de soporte comn es
[.00036768, .99460832], el nmero final de bloques es 8 y la propiedad de
balanceo no es satisfecha. El elemento mas importante a mirar en la salida es la
lista de variables que causan que la propiedad de balanceo no se satisfaga. El
resultado muestra la variable numh y cult no es balanceado en el block 1, 2, 4,
5 la solucin a este problema es emplear un conjunto diferente de las covariables
y luego ejecutar nuevamente el comando pscore

EL EFECTO PROMEDIO DEL TRATAMIENTO UTILIZANDO MATCHING DEL

VECINO MAS PROXIMO
. attnd ling selec [pweight=ics], pscore(ps98) comsup
The program is searching the nearest neighbor of each treated unit.
This operation may take a while.

ATT estimation with Nearest Neighbor Matching method

(random draw version)
Analytical standard errors

n. treat.

n. contr.

ATT

Std. Err.

224

112

0.424

0.056

7.624

Note: the numbers of treated and controls refer to actual

nearest neighbour matches

Los siguientes resultados muestran que, la participacin de los seleccionados en

el programa de capacitacin obre la agricultura para incrementar el ingreso en los
hogares tiene un impacto significativo sobre el ingreso percapita del hogar con el
mtodo del vecino mas cercano (t=7.624) el tratamiento promedio de los traslados
(ATT) sobre el ingreso per capita en el programa de participacin de los
seleccionados es de 42.4%.
EFECTO PROMEDIO
ESTRATIFICADO.

DEL

TRATAMIENTO

UTILIZANDO

MATCHING

. atts ling selec, pscore(ps98) blockid(blockf1) comsup

ATT estimation with the Stratification method

Analytical standard errors

n. treat.

n. contr.

ATT

Std. Err.

190

799

0.481

0.015

33.113

El resultado muestra un aumento del 48.1% en el ingreso per capita debido a la

participacin de los seleccionados en el programa de agricultura.

EL EFECTO PROMEDIO DEL TRATAMIENTO UTILIZANDO RADIO MATCHING

. attr ling selec, pscore(ps98) radius(0.001) comsup

The program is searching for matches of treated units within radius.

This operation may take a while.

ATT estimation with the Radius Matching method

Analytical standard errors

n. treat.

n. contr.

ATT

Std. Err.

103

283

0.683

0.024

29.016

Note: the numbers of treated and controls refer to actual

matches within radius

El resultado muestra un impacto creciente (68.3%) significativo (29.016) de la

participacin de los seleccionados en el programa de agricultura sobre el ingreso.

EL EFECTO
MATCHING

PROMEDIO

DEL

TRATAMIENTO

UTILIZANDO

KERNEL

. attk ling selec, pscore(ps98) comsup bootstrap reps(50)

The program is searching for matches of each treated unit.

This operation may take a while.

ATT estimation with the Kernel Matching method

n. treat.

n. contr.

ATT

Std. Err.

224

765

0.462

Note: Analytical standard errors cannot be computed. Use

the bootstrap option to get bootstrapped standard errors.

Bootstrapping of standard errors

command:
statistic:

attk ling selec , pscore(ps98) comsup bwidth(.06)

attk
= r(attk)

Bootstrap statistics

Variable

Number of obs
Replications

Reps Observed
attk

=
=

1000
50

Bias Std. Err. [95% Conf. Interval]

50 .4619707 .0038474 .0161866

.4294425
.4384843
.4379779

.4944989 (N)
.4974345 (P)
.4974245 (BC)

Note: N = normal
P = percentile
BC = bias-corrected
ATT estimation with the Kernel Matching method
Bootstrapped standard errors

n. treat.

n. contr.

ATT

Std. Err.

224

765

0.462

0.016

28.540

Los resultados son consistentes con los hallazgos anteriores. La participacin de

los seleccionados y jefes de hogar incrementa el ingreso per capita en un 46.2%
a un nivel de significancia de 5 %.

Conclusiones:

Este estudio presenta la evaluacin diferencia en diferencia del impacto del

programa de capacitacin agrcola en el Per. Aprovechando una muestra ms
grande de datos y estrategia de identificacin mejorada, el estudio trata dos
temas. Primero, estima el impacto general que se podra dar a cada familia por
el ingreso mensual por hogar
Segundo, el manejo de tierras y cultivo consigui incrementar los ingresos de los
hogares participantes esto viendo desde el punto de participacin en el programa
como variable condicional.
Concluimos que con el programa de capacitacin agrcola se genera un
impacto positivo que generara un incremento de ingresos mensuales a cada
familia