Propensity Score Matching: Uma introdução ao método de pareamento por escore de propensão

Propensity Score Matching
Rafael Terra
Universidade de Braslia-Unb
28 de Setembro, 2015
Rafael Terra (Unb) Econometria do Setor P

ublico 28 de setembro, 2015 1 / 43
Introducao
O procedimento de Propensity Score Matching (PSM) guarda uma

similaridade muito grande com o metodo experimental.
Umas das vantagens do PSM e ser bastante intuitivo.
Sua ideia basica e a de encontrar um grande grupo de nao tratados com
caractersticas pre-tratamento semelhantes `as dos tratados.
Uma vez encontrado esse grupo muito parecido, qualquer diferenca em
termos de resultados pode ser atribuda ao tratamento.
Rosenbaum e Rubin (1983) sugerem o uso dos chamados Balance Scores
b(X ), dentre os quais podemos mencionar o Propensity Score (PSM).

Passos para Calculo do PSM
Figura 1: Passos para o pareamento

Arcabouco de Avaliacao e Princpios de Pareamento
Partimos do modelo de Roy-Rubin, de acordo com o qual, para inferirmos

o impacto de um tratamento sobre o resultado de interesse de um indivduo,
deveramos conhecer o resultado do indivduo se ele nao tivesse recebido o
tratamento (ver Roy (1951) e Rubin (1974)).
Di = {0, 1} em que 0 representa ausencia de tratamento, e 1 representa a
presenca de tratamento.
Os resultados potenciais sao representados por Yi (Di ) para cada indivduo i
tal que i = 1, ..., N.
O efeito do tratamento para um indivduo e dado por:
i = Yi (1) Yi (0) (1)
i.e. o efeito do tratamento e dado pela diferenca entre os resultados

potenciais se o indivduo tivesse recebido o tratamento e se nao tivesse
recebido. O resultado nao observado e chamado de contrafactual, i.e. se
Di = 1, Yi (1) e observado, e Yi (0) e o contrafactual.
Sem hip
oteses especficas nao e possvel identificar i
O parametro que recebe a maior atencao na literatura de avaliacao e o

Efeito do Tratamento sobre os Tratados (ATT)
O ATT e dado por
ATT = E ( |D = 1) = E [Y (1)|D = 1] E [Y (0)|D = 1] (2)
E [Y (0)|D = 1] e o contrafactual.
Usar E [Y (0)|D = 0] como substituto em estudos nao experimentais
geralmente nao e uma boa ideia.
Em estudos nao experimentais, e provavel que as variaveis que determinam a
selecao ao tratamento tambem determinem o resultado de interesse Yi .

O estimador ingenuo dado pela diferenca de medias e viesado. Para ver isso,
basta notar que
E [Y (1)|D = 1] E [Y (0)|D = 0] = ATT + E [Y (0)|D = 1] E [Y (0)|D = 0]

(3)
S
o podemos identificar ATT se E [Y (0)|D = 1] = E [Y (0) = 0|D = 0].
Isso pode ser garantido pela randomizacao do tratamento.
Lembre que o Efeito Medio do Tratamento e dado por
ATE = E [Y (1) Y (0)] (4)
O problema para obter ATE e que ambos os resultados contrafactuais

E [Y (1)|D = 0] e E [Y (0)|D = 1] devem ser conhecidos (ou estimados).

Independencia Condicional
Uma forma de garantir que a distribuicao do tratamento e independente

dentro de um grupo com caractersticas parecidas consiste em recorrermos `a
hip
otese de independencia condicional.
Dado um conjunto de covariadas observaveis X , nao afetadas pelo
tratamento, os resultados potenciais sao independentes da designacao do
tratamento:
(Unconfoundedness)Y (0), Y (1)

D|X , X (5)
Ou seja, a selecao e baseada exclusivamente em caractersticas observaveis e

as variaveis que em influenciam simultaneamente a designacao do
tratamento e os resultados potenciais sao observadas pelo pesquisador.
Esta e uma suposicao forte.
Assumiremos daqui em diante que essa hip
otese e valida.

Como visto anteriormente, se a selecao ao tratamento se der com base em

uma variavel dummy D = {0, 1}, observamos uma probabilidade diferente
de tratamento quando D = 0 ou D = 1.
Podemos eliminar esse vies se calcularmos o ATT pela formula
EbD {[Eb[Yi |T = 1, D] Eb[Yi |T = 0, D]}.
Podemos dizer que essa formulacao constitui um Matching nao parametrico.
A realizacao deste procedimento se torna problematica quando o numero de
dimensoes aumenta (aumenta o n umero de variaveis independentes em X ),
ou trabalhamos com mais de uma variavel contnua.
Se tivermos s variaveis dummy, o n oes sera 2s .
umero de dimens
Para lidar com o problema de dimensionalidade podemos usar o Propensity
Score - derivado do trabalho de Rosenbaum e Rubin (1983).

Os autores mostram que, se os resultados potenciais sao independentes do

status do tratamento condicional em X , tambem serao independentes do
status de tratamento condicional em P(D = 1|X ) = P(X ). A hipotese de
independencia condicional nesse caso e dada por
(Unconfoundedness)Y (0), Y (1)

D|P(X ), X (6)
Outra hipotese importante para identificacao do Efeito do Tratamento e a

hip
otese de Suporte Comum.
Essa hip
otese requer que haja sobreposicao entre as distribuicoes dos escores
de propensao estimados P(X ) de tratados e controles. Isto e
(Sobreposicao) 0 < P(D = 1|X ) < 1 (7)
Essa condicao garante que pessoas com os mesmos valores de X tem a

mesma probabilidade (positiva) de serem tratadas, independentemente de
serem ou nao tratadas.

Estrategia de estimacao
Considerando que as hip

oteses (6) e (7) sejam satisfeitas temos o que
Rosembaum e Rubin (1983) denominam ignorabilidade forte. Portanto,
com base nessa hip
otese podemos escrever o ATT como
x
ATT = E ( |D = 1) = EP(X ) {E [Y (1)|D = 1, P(X )]E [Y (0)|D = 0, P(X )]}
(8)
O Estimador PSM e simplesmente a media da diferenca entre resultados de
tratados e controles sobre o suporte comum, dentro de um determinado
estrato de propensity score, ou entre unidades de tratados e controles com
P(X ) muito parecido.

Implementacao de Propensity Score Matching: estimando
P(X )
Podemos usar Logit ou Probit, pois retornam probabilidades dentro do

intervalo unitario.
Pode-se usar Modelo Linear Probabilsticos. Nesse caso a concentracao nas
caudas da distribuicao sera maior.
No caso de tratamentos m
ultiplos (mais de uma opcao de tratamento),
Imbems (2000) e Lechner (2001) recomendam o uso de Multinomial Probit.

Implementacao de Propensity Score Matching: escolha de
covariadas
Para satisfazer a condicao de ignorabilidade forte devemos escolher X com

cuidado.
Heckman, Ichimura e Todd (1997 ) mostram que a omissao de variaveis
importantes pode aumentar seriamente o vies das estimativas.
Apenas variaveis que afetem simultaneamente o resultado e a participacao
do tramento precisam ser includas.
Tais variaveis devem ser ex
ogenas ao tratamento. Isto e, o tratamento, ou a
antecipacao do tratamento, nao pode afetar as variaveis em X .
Essas variaveis devem ser fixas no tempo ou pre-tratamento.

covariadas
Se P(X ) = 0 ou P(X ) = 1, para alguns valores de X, entao nao podemos

usar o matching condicional esses valores de X para estimar o efeito do
tratamento, pois pessoas com essas caractersticas sempre ou nunca
recebem o tratamento.
Nesse caso, a condicao de suporte comum em (7) falha, e o matching nao
pode ser feito nessas observac
oes.
Alguma aleatoriedade e necessaria para garantir que pessoas com
caractersticas identicas possam ser observadas nos dois estados (tratamento
e controle) (Heckman, Ichimura e Todd, 1998).
A inclusao de variaveis nao significativas nao enviesara as estimativas, mas
aumentara sua variancia.

covariadas
Com esse aumento na variancia das estimativas, alguns tratados podem ser
descartados da analise, ou os mesmos controles podem acabar sendo usados
mais de uma vez.
Os autores mostram que o matching realizado somente com base nas
variaveis significativas produz melhores estimativas do ATE.
Por outro lado, Rubin e Thomas (1996) recomendam nao excluir variaveis
da estimacao do propensity score a nao ser que haja consenso de que essas
variaveis nao estejam correlacionadas com os resultados ou nao sao
apropriadas com base na teoria e achados empricos anteriores.

covariadas - Hit or Miss
Heckman, Ichimura, Smith e Todd (1998) e Heckman e Smith (1999)

prop
oem um procedimento para escolha das covariadas denominado Hit or
Miss.
1 De acordo com esse metodo, primeiramente obtemos a probabilidade
estimada de receber o tratamento pelos metodos Probit ou Logit.
2 Em seguida, dada a proporcao de tratados P na amostra, criamos uma
variavel igual a 1 para cada P(X
b ) > P, e igual a 0 caso P(X
b ) < P.
3 Sempre que a variavel criada V apresentar valor igual a 1 e o indivduo
for tratado, i.e. D = 1, ou sempre que V = 0 e o indivduo for um
controle, i.e. T = 0, temos um Hit. Quando V 6= D temos um
Miss. Quanto maior a proporcao de Hits, melhor sera o modelo
que determina o tratamento.

covariadas - Significancia Estatstica
Esse metodo requer que se parta de um modelo parcimonioso, e a partir da,

adicionamos variaveis explicativas, e s
o as retemos no modelo se se
mostrarem estatisticamente significantes.
Note que essas variaveis devem ser ex
ogenas.
Podemos combinar esse procedimento com o metodo Hit or Miss.

covariadas - Cross-Validation
Black e Smith (2003) sugerem comecar com um modelo parcimonioso, e

proceder inserindo blocos de variaveis (demograficas, economicas, etc), e
comparar o R 2 .
Quanto mais variaveis sao includas, maior sera a variancia de P(X ), o que
pode provocar problemas de falta de sobreposicao entre a distribuicao de
tratados e controles em determinados pontos da distribuicao (problema de
suporte comum).

covariadas - Pesos maires para algumas variaveis
` vezes pode-se achar que algumas variaveis tem um papel mais

As
importante na determinacao da participacao no programa e do resultado.
No Metodo de Propensity Score Matching, se tivermos duas regioes A e B,
com homens e mulheres, em que o salario na regiao A e maior que em B, e
o salario de homens e maior do que o de mulheres, podemos acabar
pareando mulheres de uma regiao com homens de outra.
Pode-se, nesse caso, realizar o pareamento por subgrupos. Por exemplo,
dentro de um subgrupo composto por mulheres da regiao A, pode-se realizar
o pareamento. Assim garantiremos que os pares de tratados e controles, sao
do mesmo sexo e vivem na mesma regiao, e ganham renda parecida.

covariadas - Alternativas ao Propensity Score
Como mencionado anteriormente, podemos usar um modelo linear

probabilstico no lugar do propensity score para realizar o matching.
Quando o tratamento ocorre ao longo do tempo, alguns apresentarao
maiores chances de serem tratados em um perodo do que em outro. Nesse
caso, Brodaty, Crepon, e Fougere (2001) e Sianesi (2004) recomendam a
estimacao de um ndice por meio de modelos de duracao.

Implementacao de Propensity Score Matching: Escolha do
Algoritmo de Matching
Existem varios formas de criar um grupo contrafactual por meio de PSM.

Tais procedimentos diferem tambem quanto a definicao de pesos para cada
observacao e quanto a maneira como o suporte comum e determinado.
Dentre os diferentes algoritmos podemos citar
1 Nearest Neighbour(NN)
2 Caliper e Radius
3 Estratificacao e Matching por Intervalo
4 Kernel e Regressao Linear Local
5 Ponderacao pelo PS.

Implementacao de Propensity Score Matching: Nearest
Neighbour
Para cada unidade tratada, o algoritmo busca a unidade nao tratada com
propensity score mais pr
oximo.
Podemos escolher que o pareamento seja feito com ou sem reposicao.
1 Com reposicao implica que uma vez que um indivduo nao tratado e
pareado com um tratado, esse controle volta para o pool de unidades
nao tratadas e pode ser escolhido novamente. Portanto, uma mesma
unidade pode ser usada duas ou mais vezes como controle.
Se permitirmos a reposic ao, a qualidade media do pareamento
aumentara e o vies ir
a diminuir.

Implementacao de Propensity Score Matching: Nearest
Neighbour
2 Sem reposicao implica que uma vez que o indivduo nao tratado e
pareado, ele nao pode ser usado como controle de outra unidade.
Quando n ao h
a reposic
ao o vies pode aumentar, mas a vari ancia e
menor.
No caso de n ao haver reposic
ao, a ordem segundo a qual as observaco es
s
ao pareadas afetara o resultado final. Softwares especficos permitem
fixar a semente para reproduzir exatamente os resultados.
Pode-se tambem atribuir mais de um vizinho mais pr

oximo, e.g. 2,5,10
vizinhos mais pr
oximos.
Tambem nesse caso ha um trade-off entre variancia e vies. Quanto mais
vizinhos sao utilizados para construir o contrafactual (controle), menor sera
a variancia, mas aumenta o vies.

Implementacao de Propensity Score Matching: Radius e
Caliper
Se o vizinho mais pr oximo esta distante, o algoritmo de Nearest Neighbour

corre o risco de realizar pareamentos ruins.
Nesse caso, podemos estabelecer um nvel de tolerancia em termos de
unidades de propensity score que denominamos caliper, e procurarmos
vizinhos mais pr
oximos dentre desse intervalo.
Esse procedimento diminui o vies, mas pode aumentar a variancia, pois
pode nao existir nenhum vizinho dentro do caliper.
Dehija e Wahba (2002) sugerem outro procedimento semelhante
denominado radius matching, que consiste em usar a media de todos os
vizinhos dentro do caliper.
Esse procedimento aumenta o vies em relacao ao caliper matching,
mas pode diminuir a variancia.
Difcil saber qual intervalo de tolerancia utilizar.

Implementacao de Propensity Score Matching:
Estratificacao e Matching por Intervalo
Dividimos o suporte comum do propensity score em intervalos (strata) e

entao calculamos o impacto do programa em cada intervalo (diferenca de
media entre tratados e controles). Depois tiramos uma media ponderada
pelo numero de tratados em cada intervalo.
Cochrane e Chambers (1965) mostram que 5 classes sao suficientes para
remover 95% do vies associado a uma u
nica covariada.
Para saber a quantidade de estratos ideal, defina uma quantidade de
estratos, e.g. igual a 5, e teste se ha balanceamento entre tratados e
controles em termos de propensity score.
Se nao estiverem balanceados, o estratos estao muito grandes, e preciso
mais estratos.
Se estiverem balanceados, mas nao estiverem balanceados em termos das
caractersticas observaveis X , o propensity score deve ser reespecificado,
com a inclusao de termos ao quadrado e interac oes entre as variaveis.

Implementacao de Propensity Score Matching: Kernel
O Kernel Matching (KM) consiste em usar todas as unidades

R de controle
ponderadas por uma funcao densidade K (u) tal que K (u)du = 1, que
atribui pesos maiores quanto mais pr
oxima da unidade de tratamento as
unidades de controle estiverem. Note que podemos definir que a funcao
kernel seja definida em uma banda (intervalo) ao redor da unidade de
tratamento.
Por usar mais informac
oes, esse metodo tem menor variancia.
Os pesos sao definidos como

Pj Pi
K an
(i, j)KM = P (9)
Pk Pi
kC K an

Implementacao de Propensity Score Matching: Kernel
an e o tamanho da banda, e K () e a funcao kernel, que pode ser uma dentre
1
Uniforme : K (u) = 1|u|1
2
Triangular : K (u) = (1 |u|)1|u|1
3 (10)
Epanechnikov : K (u) = (1 u 2 )1|u|1
4
1 1 2
Gaussiana : K (u) = e 2 u
2

Implementacao de Propensity Score Matching: Kernels
Uniform
1.0 Triangle
Epanechnikov
Quartic
Triweight
0.8
Gaussian
Cosine
0.6
0.4
0.2
0.0
-1.0 -0.5 0.0 0.5 1.0
Figura 2: Kernels

Implementacao de Propensity Score Matching: Local
Linear Matching
Considerando o plano (Y C P(X )), o Metodo de Local Linear Regression

consiste em ajustar retas ou polin
omios de forma a minimizar os erros de
observac
oes no entorno de cada unidade de tratamento.
Essa regressao pondera dados mais pr
oximos da unidade de tratamento mais
fortemente.
Com isso, e possvel obter uma reta e estimar um contrafactual Y C para
cada valor de P(X ) para os tratados.
O problema pode ser expresso por
n0
X P(Xi ) P(Xj )
mina,b (Y0j a b(P(Xj ) P(Xi )))2 K
hn (11)
j=1
p/ Dj = 0

Implementacao de Propensity Score Matching: Local
Linear Matching
em que hn e a distancia ate o vizinho mais distante (banda).

Nao ha consenso sobre o tamanho da banda a ser escolhida.
De fato o problema pode ser expresso como uma ponderacao tambem (Ver
Shahidur et al. (2010)).

Implementacao de Propensity Score Matching:Local Linear
Regression
Figura 3: LLR

Implementacao de Propensity Score Matching:Ponderacao
pelo Propensity Score
Pode-se ponderar diretamente as observac

oes de tratados pelo propensity
score pela f
ormula
Di 1 Di
wi = + (12)
P(Xi ) 1 P(Xi )
Pragmaticamente, a escolha de um algoritmo dentre todos mencionados

depende do problema.

Sobreposicao e Suporte Comum
O ATT e o ATE s
o estao definidos na regiao de suporte comum.
Na figura, somente onde ha sobreposicao e possvel realizar um matching
bem feito. Pode-se checar isso visualmente, por meio de histogramas.

Sobreposicao e Suporte Comum
Figura 4: Suporte Comum

Sobreposicao e Suporte Comum: Criterio de Maximo e
Mnimo
Um criterio de definicao do suporte comum e o de maximo e mnimo.

Para o ATT e suficiente que sempre existam unidades de controle no
intervalo da distribuicao de P(X ) dos tratados. Para o ATE, e necessario
tambem que haja unidades tratadas no intervalo de distribuicao dos
controles.
Esse criterio nao lida muito bem com casos em que ha intervalos dentro do
suporte comum em que nao ha observac oes de tratados ou controles.

Sobreposicao e Suporte Comum: Criterio de Descarte
(Trimming)
Se a densidade em determinado ponto da distribuicao for muito pequena,

pode-se usar uma regra de descarte.
Podemos definir o suporte comum como aqueles intervalos de valores de
P(X ) com densidade positiva para D = 1 e D = 0.
SbPq = {Pq : fb(P|D = 1) > q e fb(P|D = 0) > q} (13)
q determina um percentual de pontos de tratados e controles mnimo que

deve existir no intervalo do suporte comum sob analise.

Sobreposicao e Suporte Comum: Problemas
Uma vez determinado o suporte comum, unidades fora deste sao

descartadas.
Se muitos indivduos caem fora do suporte comum, ha uma preocupacao se
o resultado e representativo do efeito do tratamento.
No caso do ATT, isso ocorre quando muitos tratados caem fora do suporte
comum.
No caso do ATE, ocorre tanto quando tratados quanto quando controles
caem fora do suporte comum.

Avaliando a qualidade do Matching
Varios metodos permitem avaliar a qualidade do pareamento.

Temos que verificar se o balanceamento das covariadas observaveis entre
tratados e controles foi atingido.
Quando o balanceamento nao foi atingido, e as variaveis sao as corretas,
podemos inserir interacoes entre as variaveis de controle e termos de ordem
mais alta dessas variaveis (quadrado, cubo, etc).
Rosembaum e Rubin (1983) afirmam que ap os condicionar no propensity
score (i.e. para intervalos de valores semelhantes) as variaveis observaveis
devem ser parecidas entre tratados e controles. Isto e:
X
D|P(D = 1|X ) (14)

Avaliando a qualidade do Matching: Vies Padronizado
Um teste que permite identificar se o balanceamento foi atingido se chama

vies padronizado sugerido por Rosenbaum e Rubin (1985).
Para cada variavel em X e realizado o seguinte teste antes do pareamento
X1 X0
SBantes = 100 p (15)
0, 5(V1 (X ) + V0 (X ))
Ap
os o pareamento calculamos novamente o teste.
X 1Par X 0Par
SBdepois = 100 p (16)
0, 5(V1Par (X ) + V0Par (X ))
em que Vj (X ) e a variancia das caractersticas X para as amostras de
tratados j = 1 e de controles j = 0.
Um vies abaixo de 5% e suficiente para atingir o balanceamento.

Avaliando a qualidade do Matching: Outros testes
Outro teste, bastante comum, e o teste t. Consiste em um teste de

diferenca de medias de covariadas entre tratados e controles apos o
pareamento. P-valores acima de 10% nao nos permitem rejeitar que as
caractersticas em ambos os grupos (tratados e controles) sao iguais.
Um outro teste consiste em reestimar o propensity score somente para a
amostra pareada. Como ja deveramos ter atingido o balanceamento apos o
pareamento, o Pseudo R 2 deveria ser muito pequeno. Pode-se fazer um
teste F de que os regressores dessa regressao Probit sao conjuntamente
estatisticamente significantes.
Um u ltimo teste consiste em dividir os propensity scores em estratos e
realizar um teste de diferencas de medias das covariadas entre tratados e
controles de cada estrato. Se houver diferencas, termos de ordem mais alta
podem ser adicionados ao modelo de selecao ao tratamento (Probit).

Estimativa dos Erros-Padrao
Os erros-padrao calculado apos o pareamento pelo teste de diferenca de

medias nao sao adequados, pois o propensity escore e uma variavel
estimada, portanto, temos para cada unidade, um intervalo de confianca de
valores que o propensity escore pode assumir.
Esse erro, nao e levado em conta no calculo do erro padrao de uma simples
diferenca de medias.
Uma solucao e calcular o erro padrao por Bootstrap. Esse metodo pode ser
computacionalmente proibitivo se a amostra ou o modelo forem grandes.

Estimativa dos Erros-Padrao
Lechner (2001) propoe a seguinte f

ormula para o erro padrao corrigido do
ATT.
( jI0 (wj )2 )
P
1
Var (ATT ) = Var (Y (1)|D = 1) + Var (Y (0)|D = 0) (17)
N1 N12
em que N1 e o n
umero de unidades de tratamento pareadas, wj e o n umero
de vezes que um indivduo de controle j e usado no pareamento (se houver
reposicao).
Se nenhuma unidade foi usada mais de uma vez no pareamento, a formula
usual da variancia coincide com esta.

Advertencias
Use covariadas pre-tratamento para o modelo de selecao ao tratamento.

Pode haver o chamado efeito enclausuramento. Ocorre por exemplo
quando o tratamento e um programa de treinamento. Se a variavel de
resultado for empregabilidade, pode-se verificar menor empregabilidade entre
os tratados, pois estes tiveram que participar do treinamento ao inves de
procurarem emprego.

Referencias
Caliendo, M.; Kopeinig, S. (2005) Some Practical Guidance for the

Implementation of Propensity Score Matching. IZA working paper number
1588.


Propensity Score Matching: Uma introdução ao método de pareamento por escore de propensão

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Propensity Score Matching: Uma introdução ao método de pareamento por escore de propensão

Transféré par

Droits d'auteur :

Formats disponibles

Propensity Score Matching

Rafael Terra (Unb) Econometria do Setor P

O procedimento de Propensity Score Matching (PSM) guarda uma

Rafael Terra (Unb) Econometria do Setor P

Figura 1: Passos para o pareamento

Rafael Terra (Unb) Econometria do Setor P

Partimos do modelo de Roy-Rubin, de acordo com o qual, para inferirmos

i.e. o efeito do tratamento e dado pela diferenca entre os resultados

O parametro que recebe a maior atencao na literatura de avaliacao e o

ATT = E ( |D = 1) = E [Y (1)|D = 1] E [Y (0)|D = 1] (2)

Rafael Terra (Unb) Econometria do Setor P

E [Y (1)|D = 1] E [Y (0)|D = 0] = ATT + E [Y (0)|D = 1] E [Y (0)|D = 0]

ATE = E [Y (1) Y (0)] (4)

O problema para obter ATE e que ambos os resultados contrafactuais

Rafael Terra (Unb) Econometria do Setor P

Uma forma de garantir que a distribuicao do tratamento e independente

(Unconfoundedness)Y (0), Y (1)

Ou seja, a selecao e baseada exclusivamente em caractersticas observaveis e

Rafael Terra (Unb) Econometria do Setor P

Como visto anteriormente, se a selecao ao tratamento se der com base em

Rafael Terra (Unb) Econometria do Setor P

Os autores mostram que, se os resultados potenciais sao independentes do

(Unconfoundedness)Y (0), Y (1)

Outra hipotese importante para identificacao do Efeito do Tratamento e a

(Sobreposicao) 0 < P(D = 1|X ) < 1 (7)

Essa condicao garante que pessoas com os mesmos valores de X tem a

Rafael Terra (Unb) Econometria do Setor P

Considerando que as hip

Rafael Terra (Unb) Econometria do Setor P

Podemos usar Logit ou Probit, pois retornam probabilidades dentro do

Rafael Terra (Unb) Econometria do Setor P

Para satisfazer a condicao de ignorabilidade forte devemos escolher X com

Rafael Terra (Unb) Econometria do Setor P

Se P(X ) = 0 ou P(X ) = 1, para alguns valores de X, entao nao podemos

Rafael Terra (Unb) Econometria do Setor P

Rafael Terra (Unb) Econometria do Setor P

Heckman, Ichimura, Smith e Todd (1998) e Heckman e Smith (1999)

Rafael Terra (Unb) Econometria do Setor P

Esse metodo requer que se parta de um modelo parcimonioso, e a partir da,

Rafael Terra (Unb) Econometria do Setor P

Black e Smith (2003) sugerem comecar com um modelo parcimonioso, e

Rafael Terra (Unb) Econometria do Setor P

` vezes pode-se achar que algumas variaveis tem um papel mais

Rafael Terra (Unb) Econometria do Setor P

Como mencionado anteriormente, podemos usar um modelo linear

Rafael Terra (Unb) Econometria do Setor P

Existem varios formas de criar um grupo contrafactual por meio de PSM.

Rafael Terra (Unb) Econometria do Setor P

Rafael Terra (Unb) Econometria do Setor P

Pode-se tambem atribuir mais de um vizinho mais pr

Rafael Terra (Unb) Econometria do Setor P

Se o vizinho mais pr oximo esta distante, o algoritmo de Nearest Neighbour

Rafael Terra (Unb) Econometria do Setor P

Dividimos o suporte comum do propensity score em intervalos (strata) e

Rafael Terra (Unb) Econometria do Setor P

O Kernel Matching (KM) consiste em usar todas as unidades

Rafael Terra (Unb) Econometria do Setor P

an e o tamanho da banda, e K () e a funcao kernel, que pode ser uma dentre

Rafael Terra (Unb) Econometria do Setor P

-1.0 -0.5 0.0 0.5 1.0

Rafael Terra (Unb) Econometria do Setor P

Considerando o plano (Y C P(X )), o Metodo de Local Linear Regression

Rafael Terra (Unb) Econometria do Setor P