Académique Documents
Professionnel Documents
Culture Documents
FIGURA 4.1
Notas: Esta cifra representa las tasas de mortalidad de todas las causas contra la edad
en meses. Las líneas en la figura muestran los valores ajustados de una regresión de
las tasas de mortalidad en un muñeco de más de 21 años y la edad en meses (la línea
vertical discontinua indica el límite mínimo legal de edad para beber (MLDA)
FIGURA 4.2
Una fuerte estimación RD de los efectos de la mortalidad MLDA
Sharp RD
La historia que relaciona el MLDA con un aumento sostenido y sostenido de las tasas
de mortalidad se explica en la Figura 4.2. Esta cifra representa los índices de mortalidad
(medidos como muertes por 100.000 personas al año) por mes de edad (definido como
intervalos de 30 días), centrado alrededor del vigésimo primer cumpleaños. El eje A se
extiende 2 años en cualquier dirección y cada punto en la figura es la tasa de mortalidad
en un intervalo mensual. Las tasas de mortalidad fluctúan de mes a mes, pero pocas
tasas a la izquierda del punto de corte de la edad de 21 están por encima de 95. Sin
embargo, a edades mayores de 21 años, las tasas de mortalidad aumentan y pocas de
las que están a la derecha del 21 Por debajo de 95.
Afortunadamente, las probabilidades de que una persona joven muera disminuyen con
la edad, un hecho que puede verse en las líneas inclinadas hacia abajo ajustadas a las
tasas de mortalidad trazadas en la Figura 4.2. Pero extrapolando la línea de tendencia
trazada a la izquierda del punto de corte, podríamos haber esperado una tasa de
mortalidad de aproximadamente 92 años, mientras que la línea de tendencia a la
derecha de 21 comienza marcadamente más alta, alrededor de 99. El salto en las líneas
de tendencia al Edad de 21 ilustra el tema de este capítulo, diseños de discontinuidad
de regresión (RD diseños para abreviar). RD se basa en la idea aparentemente
paradójica de que las reglas rígidas -que al principio parecen reducir o incluso eliminar
el alcance de la aleatoriedad- crean experimentos valiosos.
La cuestión causal abordada en la figura 4.2 es el efecto del acceso legal al alcohol
sobre las tasas de mortalidad. La variable de tratamiento en este caso se puede escribir
Da, donde Da = 1 indica consumo legal y es 0 en caso contrario. Da es una función de
la edad, a: la MLDA transforma a los niños de 21 años de menores menores de edad en
consumidores legales de alcohol. Captamos esta transformación en la notación
matemática escribiendo..4.1
Esta representación resalta dos características de señal de los diseños RD:
■ El estado del tratamiento es una función determinista de a, de modo que una vez que
conocemos a, sabemos
Un simple análisis RD de los efectos causales de MLDA estima utilizando una regresión
como 4.2
Donde A, es la tasa de mortalidad en el mes a (de nuevo, el mes se define como un
intervalo de 30 días contando desde el vigésimo primer cumpleaños). La ecuación (4.2)
incluye el maniquí de tratamiento, Da, así como un control lineal para la edad en meses.
Los valores ajustados de la ecuación (4.2) producen
Las líneas dibujadas en la figura 4.2. La pendiente negativa, captada por y, refleja una
tasa de mortalidad que disminuye suavemente entre los jóvenes a medida que maduran.
El parámetro p captura el salto en las muertes a los 21 años. La regresión (4.2) genera
una estimación de p igual a 7.7. Cuando se comparan con las tasas de mortalidad
promedio de alrededor de 95, esta estimación indica un aumento sustancial en el riesgo
en el corte de MFDA.
¿Es esta una estimación creíble del efecto causal de la MFDA? ¿No debemos controlar
otras cosas? La fórmula OVB nos dice que la diferencia entre la estimación de p en esta
regresión corta y los resultados que cualquier regresión más larga podría producir
dependen de la correlación entre las variables agregadas a la regresión larga y Da. Pero
la ecuación (4.1) nos dice que Da está determinada únicamente por a. Suponiendo que
el efecto de una sobre las tasas de mortalidad es capturado por una función lineal,
podemos estar seguros de que ninguna OVB aflige esta regresión corta.
Aunque RD utiliza métodos de regresión para estimar los efectos causales, los diseños
de DR se consideran mejor como una herramienta distinta que difiere de los métodos
de regresión discutidos en el Capítulo 2. En el Capítulo 2 comparamos los resultados de
tratamiento y control con valores particulares de las variables de control, La esperanza
de que el tratamiento es tan bueno como asignado al azar después de condicionamiento
en los controles. Aquí, no hay valor de la variable en ejecución en la que se llega a
observar tanto el tratamiento y las observaciones de control. ¡Whoa, saltamontes! A
diferencia de las estrategias de concordancia y regresión discutidas en el capítulo 2, que
se basan en comparaciones de control de tratamiento condicionadas a valores de
covariable, la validez de RD gira en torno a nuestra voluntad de extrapolar los valores
de la variable en ejecución, al menos para los valores en la vecindad de Corte en el que
se enciende el tratamiento.
La naturaleza local de tales comparaciones de vecindad es evidente en la Figura 4.2. El
salto en las líneas de tendencia en el corte de MLDA compara implícitamente las tasas
de mortalidad para las personas de ambos lados de -pero cerca de un veintiuno
cumpleaños. En otras palabras, el experimento teórico aquí implica cambios en el
acceso al alcohol para los jóvenes, en un mundo donde el alcohol está libremente
disponible para los adultos. Los resultados de este experimento, aunque son relevantes
para las discusiones contemporáneas sobre la política del alcohol, no necesitan decirnos
mucho acerca de las consecuencias de cambios políticos más dramáticos, como la
prohibición.
Especificaciones de RD
Notas: El panel A muestra RD con un modelo lineal para E [Y. | X]; El panel В añade
alguna curvatura. El panel C muestra la no linealidad errónea para una discontinuidad.
La línea vertical discontinua indica un corte hipotético de RD.
Una sutil implicación del modelo con términos de interacción es que lejos del corte de
a0, el efecto de tratamiento MLDA es dado por p + S (a - a0). Esto se puede ver restando
el ajuste de la línea de regresión a las observaciones en las que Da se desconecta de
la línea ajustada a las observaciones en las que Da está encendido:4.3.1
Las estimaciones lejos del corte constituyen una extrapolación en negrita, sin embargo,
y deben ser consumidas con una rebanada de lima y un agitador de sal. No hay datos
sobre las tasas de mortalidad contrafactual en un mundo en el que se prohíbe beber a
edades sustancialmente mayores de 21 años. Del mismo modo, muy a la izquierda del
corte, es difícil decir cuáles son las tasas de mortalidad en un mundo donde se permite
beber a edades muy tempranas. Por el contrario, parece razonable decir que los que
tienen menos de 21 años proporcionan una buena comparación contrafactual para los
que tienen poco más de 21 años. Esto nos lleva a considerar las estimaciones del
parámetro p (el efecto causal justo en el punto de corte) Modelo utilizado para la
estimación implícitamente nos dice más que eso.
La Figura 4.4 muestra que la función de tendencia estimada generada por la ecuación
(4.4) tiene cierta curvatura, ligeramente cóncava a la izquierda de 21 años y
marcadamente convexa a partir de entonces. Este modelo genera una estimación más
grande del efecto MLDA en el corte que un modelo lineal, igual a aproximadamente 9.5
muertes por 100.000. La figura 4.4 también muestra la línea de tendencia lineal
generada por la ecuación (4.2). El modelo más elaborado parece dar un mejor ajuste
que el modelo simple: Las tasas de mortalidad aumentan bruscamente a los 21 años,
pero luego se recuperan un poco en los primeros meses después de cumplir veintiún
años. Esto se hace eco del aumento de las tasas de mortalidad diaria en o alrededor del
veintiuno cumpleaños que se observa en la Figura 4.1. A diferencia de Boon y sus
hermanos de la fraternidad, muchos bebedores recién legalizados parecen cansarse de
ser destrozados cada noche. La especificación (4.4) capta este salto y declina muy bien,
aunque a costa de alguna frialdad técnica.
¿Qué modelo es mejor, extravagante o simple? No hay reglas generales aquí, y no hay
sustituto para una mirada atenta a los datos. Somos especialmente afortunados cuando
los resultados no son muy sensibles a los detalles de nuestras opciones de modelado,
como se ve en la Figura 4.4. El modelo RD simple parece lo suficientemente flexible
como para capturar efectos en el momento del corte, en este caso alrededor de un
veintiuno cumpleaños. La versión más sofisticada encaja con el aumento de las tasas
de mortalidad cerca de los veintiún cumpleaños, al tiempo que captura la posterior
recuperación parcial de las tasas de mortalidad.
Los efectos en el corte no tienen por qué ser los más importantes. Supongamos que
aumentamos la edad para consumir alcohol. En un mundo donde las muertes por
exceso de alcohol se deben enteramente a las fiestas de cumpleaños de MLDA, tal
cambio podría extender algunas vidas por un año, pero por lo demás tienen poco efecto.
Por lo tanto, el aumento sostenido de las tasas de mortalidad que aparece en la figura
4.4 es importante, ya que esto sugiere que el acceso restringido al alcohol tiene
beneficios duraderos. Hemos comentado anteriormente que la evidencia de efectos
fuera del corte es más especulativa que la evidencia encontrada en un salto cerca del
punto de corte. Por otra parte, cuando la relación de tendencia entre la variable de
ejecución y los resultados es aproximadamente lineal, parece justificada una
extrapolación limitada. El salto en las tasas de mortalidad en el corte muestra que el
comportamiento de beber responde al acceso al alcohol de una manera que se refleja
en las tasas de mortalidad, un punto importante de principio, mientras que el efecto del
tratamiento MLDA extrapolado hasta 23 años parece sustancial y parece creíble , Del
orden de 5 muertes extra por 100.000. Este patrón destaca el valor de "RD visual", es
decir, la evaluación cuidadosa de parcelas como la Figura 4.4.
FIGURA 4.4
Notas: Esta cifra representa las tasas de mortalidad de todas las causas contra la edad
en meses. Las líneas discontinuas de la figura muestran valores ajustados de una
regresión de las tasas de mortalidad en un muñeco de más de 21 años y la edad en
meses. La línea de líneas sólidas se ajustó a los valores de una regresión de mortalidad
en un muñeco de más de 21 años y una edad cuadrática, interactuando con el muñeco
de más de 21 años (la línea vertical discontinua indica el límite mínimo de consumo de
alcohol legal).
Como punto de referencia para los resultados relacionados con causas específicas de
muerte, la primera fila de la Tabla 4.1 muestra las estimaciones para todas las muertes,
construidas usando la ecuación RD simple (4.2) y la ecuación RD de fantasía (4.4).
Éstos se muestran en las columnas (1) y (2). La segunda fila de la Tabla 4.1 revela los
fuertes efectos de la bebida legal sobre las muertes por AMIU, efectos suficientemente
grandes como para explicar la mayoría del exceso de muertes relacionadas con la
MLDA. Las estimaciones aquí son en gran medida insensibles a si el modelo de fantasía
o simple se utiliza para construirlos. Otras causas de muerte que podríamos esperar ver
afectadas por el consumo de alcohol son el suicidio y otras causas externas, que
incluyen accidentes distintos de los accidentes automovilísticos. De hecho, los efectos
estimados sobre el suicidio y las muertes por otras causas externas (excluyendo el
homicidio) también muestran aumentos pequeños, pero estadísticamente significativos,
en el corte de MLDA
Es importante destacar que las estimaciones reportadas en las columnas (1) y (2) para
las muertes por causas internas (estas incluyen muertes por cáncer y otras
enfermedades) son pequeñas y no significativamente diferentes de cero. Como muestra
la última fila de la tabla, los efectos de la intoxicación alcohólica directa también parecen
ser modestos y de aproximadamente la misma magnitud que los de causas internas,
aunque el salto estimado en las muertes por intoxicación por alcohol es
significativamente diferente de cero. Por lo tanto, en el balance, la Tabla 4.1 apoya la
historia de MLDA, mostrando efectos claros para las causas más probables atribuibles
al alcohol, pero poca evidencia de un aumento debido a causas internas.
También en apoyo de esta conclusión, la Figura 4.5 parcelas ajustado los valores de
MVA muertes, construido utilizando el modelo que genera las estimaciones en la
columna (2) de la Tabla 4.1. La figura muestra una ruptura clara en el corte MLDA, sin
evidencia de tendencias no lineales potencialmente engañosas. Al mismo tiempo, no
hay mucho de un salto en las muertes debido a causas internas, mientras que los errores
estándar en la Tabla 4.1 sugieren que el pequeño salto en las muertes internas visto en
la figura es probablemente debido al azar.
Tabla 4.1
Notas: Esta tabla informa de los coeficientes de un muñeco de más de 21 años de las
regresiones de las tasas de mortalidad por edad en el mes de edad por causa en un
muerto sobre 21 controles lineales o interactuados de edad cuadrática. Los errores
estándar se indican entre paréntesis.
FIGURA 4.5
Notas: Esta cifra representa las tasas de mortalidad por accidentes de vehículos de
motor y causas internas contra la edad en meses. Las líneas de la gráfica representan
valores de regresiones de mortalidad por causa en un maniquí de más de 21 años y una
función cuadrática de edad en meses, interactuando con el maniquí (la línea vertical
discontinua indica el límite mínimo de consumo de alcohol legal).
¡Suficientemente simple! Pero, ¿cómo elegir el ancho de banda? Por un lado, para
obviar las preocupaciones sobre la elección polinómica, nos gustaría trabajar con datos
cercanos al punto de corte. Por otra parte, menos datos significa menos precisión. Por
lo tanto, para los iniciadores, el ancho de banda debe variar en función del tamaño de
la muestra. Cuanta más información esté disponible acerca de los resultados en la
vecindad de un corte de RD, más estrecha podemos establecer el ancho de banda
mientras esperamos generar estimaciones suficientemente precisas para ser útiles. Los
econometristas teóricos han propuesto estrategias sofisticadas para hacer tales
compensaciones de sesgo-varianza de manera eficiente, aunque aquí también el
algoritmo de selección de ancho de banda no depende completamente de los datos y
requiere que los investigadores elijan ciertos parámetros.- En la práctica, elección de
ancho de banda Polinomio en modelos paramétricos-requiere una llamada de juicio. El
objetivo aquí no es tanto encontrar el ancho de banda perfecto como para mostrar que
los resultados generados por cualquier elección particular de ancho de banda no son
una casualidad.
En este espíritu, los estudios sobre los que se basa nuestra investigación del ML DA
parecen haber sido escritos en el cielo del RD (tal vez una recompensa por la templanza
de sus autores). Las estimaciones de RD generadas por modelos paramétricos con
controles polinomiales alternativos son similares entre sí y cercanas a un conjunto
correspondiente de estimaciones no paramétricas. Estas estimaciones no paramétricas
son en gran medida insensibles a la elección del ancho de banda en un amplio rango.-
Esta alineación de los resultados sugiere los resultados generados por un análisis RD
de la MLDA capturar efectos causales reales. Algunos jóvenes parecen pagar el precio
final por el privilegio de tragar una bebida legal.