BIRTHDAYS AND FUNERALS

Su vigésimo primer cumpleaños es un hito importante. Americano sobre-21 Puede beber

legalmente, "por fin", dirían algunos. Por supuesto, los menores de edad beber también.
Como aprendemos de las hazañas de Boon y sus hermanos de la fraternidad, no todos
los bebés menores de edad es con moderación. En un esfuerzo por abordar los
problemas sociales y de salud pública asociados con el consumo de alcohol en menores
de edad, un grupo de presidentes de universidades estadounidenses han presionado a
los estados para que devuelvan la edad mínima legal para beber (MLDA) hasta el umbral
de Vietnamera de 18 años. La Iniciativa Amethyst) es que beber legalmente a los 18
años desalienta el consumo excesivo de alcohol y promueve una cultura de consumo
maduro de alcohol. Esto contrasta con la visión tradicional de que la edad 21 MLDA,
mientras que una herramienta contundente e imperfecta, reduce el acceso de los
jóvenes al alcohol, lo que impide algún daño....
Afortunadamente, la historia de la MLDA genera dos experimentos naturales que
pueden ser utilizados para una evaluación sobria de la política del alcohol. Discutimos
el primer experimento en este capítulo y el segundo en el siguiente.- El primer
experimento de MLDA surge del hecho de que un pequeño cambio de edad (medido en
meses o incluso días) genera un gran cambio en el acceso legal. La diferencia de un
día se puede ver en la Figura 4.1. Que traza la relación entre los cumpleaños y los
funerales. Esta cifra muestra el número de muertes entre los estadounidenses de 20 a
22 años entre 1997 y 2003. Las muertes aquí se representan por día, en relación con
los cumpleaños, que son etiquetados como el día 0. Por ejemplo, alguien que nació el
18 de septiembre de 1990 y Falleció el 19 de septiembre de 2012, se cuenta entre las
muertes de 22 años que ocurren el día 1.

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)

El riesgo de mortalidad se dispara inmediatamente después de un veintiuno

cumpleaños, un hecho visible en el pronunciado aumento en las muertes diarias en
estos días. Este pico agrega aproximadamente 100 muertes a un nivel basal de
aproximadamente 150 por día. El pico de la edad de 21 años no parece ser un efecto
genérico partido-hardy cumpleaños. Si este punto refleja la fiesta de cumpleaños solo,
debemos esperar ver las muertes disparar después de los vigésimo y veintidós
cumpleaños también, pero eso no sucede. Hay algo especial en el vigésimo primer
cumpleaños. Queda por ver, sin embargo, si el efecto de la edad 21 puede atribuirse a
la MLDA y si el riesgo de mortalidad elevado visto en la Figura 4.1 dura el tiempo
suficiente como para merecer la pena preocuparse.

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

■ El estado de tratamiento es una función discontinua de a, ya que no importa cuán

cerca se llegue al punto de corte, Da permanece sin cambios hasta que se alcanza el
límite.

La variable que determina el tratamiento, la edad en este caso, se llama la variable de

ejecución. Las variables de ejecución desempeñan un papel central en la historia de
RD. En diseños nítidos de RD, el tratamiento se apaga o se enciende de forma limpia
cuando la variable de funcionamiento pasa por un corte. El MLDA es una función aguda
de la edad, por lo que una investigación de MLDA efectos sobre la mortalidad es un
estudio de RD fuerte. La segunda mitad del capítulo discute un segundo escenario RD,
conocido como RD difuso, en el cual la probabilidad o intensidad del tratamiento salta a
un punto de corte.

La mortalidad cambia claramente con la variable en curso, a, por razones no

relacionadas con la MLDA. Las tasas de mortalidad por causas relacionadas con la
enfermedad como el cáncer (conocidas por los epidemiólogos como causas internas)
son bajas, pero aumentan para los que están en su adolescencia y principios de los 20,
mientras que las muertes por causas externas, principalmente accidentes
automovilísticos, homicidios y suicidios. Para separar esta variación de tendencias de
cualquier posible efecto MLDA, un análisis RD controla la variación suave en las tasas
de mortalidad generadas por a. RD obtiene su nombre de la práctica de usar modelos
de regresión para implementar este control.

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.

La falta de OVB en la ecuación (4.2) es la recompensa a la información privilegiada:

aunque el tratamiento no se asigna al azar, sabemos de dónde proviene.
Específicamente, el tratamiento se determina por la variable de funcionamiento-una
implicación del enlace determinista anotado anteriormente. La cuestión de la causalidad,
por lo tanto, se centra en si la relación entre la variable de ejecución y los resultados ha
sido clavada por una regresión con un control lineal para la edad.

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

Las herramientas RD no están garantizadas para producir estimaciones causales

confiables. La figura 4.3 muestra por qué no. En el panel A, la relación entre la variable
de ejecución (X) y el resultado (Y) es lineal, con un salto claro en E [Y X] al valor de
corte de la mitad. Panel B es similar, excepto que la relación entre la media Y y X es no
lineal. Sin embargo, el salto a X = 0,5 es evidente. El Panel C de la Figura 4.3 destaca
el desafío que enfrentan los diseñadores de RD. En este caso, la figura muestra una
tendencia barroca no lineal, con giros bruscos a la izquierda y derecha del corte, pero
sin discontinuidad. Las estimaciones construidas usando un modelo lineal como la
ecuación (4.2) confunden esta no linealidad con una discontinuidad.
FIGURA 4.3

RD en acción, de tres maneras

Funcionamiento variaNe (Л)

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.

Dos estrategias reducen la probabilidad de errores de RD, aunque ninguno proporciona

un seguro perfecto. Los primeros modelos no linealidades directamente, mientras que
el segundo se centra únicamente en las observaciones cerca del punto de corte.
Comenzamos con la estrategia de modelado no lineal, tomando brevemente el segundo
enfoque al final de esta sección.

Las no linealidades en una estructura RD son típicamente modeladas usando funciones

polinomiales de la variable en ejecución. Idealmente, los resultados que emergen de
este enfoque son insensibles al grado de no linealidad que el modelo permite. A veces,
sin embargo, como en el caso del panel C de la figura 4.3. ellos no son. La cuestión de
cuánto no linealidad es suficiente requiere una llamada de juicio. Un riesgo aquí es que
usted escogerá el modelo que produce los resultados que parecen más atractivos, tal
vez favoreciendo aquellos que se ajustan más estrechamente a sus prejuicios. Por lo
tanto, los profesionales de la RD deben a sus lectores un informe sobre cómo cambian
sus estimaciones de RD a medida que cambian los detalles del modelo de regresión
utilizado para construirlos.

La figura 4.2 sugiere la posibilidad de curvatura suave en la relación entre 4i y a, al

menos para los puntos a la derecha del corte. Una simple extensión que captura esta
curvatura utiliza un control cuadrático en lugar de lineal para la variable en ejecución. El
modelo RD con control de la variable de ejecución cuadrática se convierte en 4.2.1

Donde Yia + Y2 ° 2 es una función cuadrática de la edad, y los ys son parámetros a

estimar.

Una modificación relacionada permite diferentes coeficientes variables corrientes a la

izquierda ya la derecha del corte. Esta modificación genera modelos que interactúan
con Da. Para hacer que el modelo con interacciones sea más fácil de interpretar,
centramos la variable de ejecución restando el corte a0. Reemplazando a por a - a0
(aquí, a0 = 21), y añadiendo un término de interacción, (a - a0) Da, el modelo RD se
convierte en 4.3

Centrando la variable de ejecución asegura que p en la ecuación (4.¡i es todavía el salto

en los resultados promedio en el punto de corte (como puede verse al establecer a = a0
en la ecuación).

¿Por qué debería cambiar la tendencia de la relación entre la edad y la tasa de

mortalidad en el corte? Los datos a la izquierda del corte reflejan la relación entre la
edad y las tasas de mortalidad de una muestra cuyo comportamiento de consumo está
restringido por el MLDA. En esta muestra, podríamos esperar una disminución constante
de las tasas de mortalidad a medida que los jóvenes maduren y tomen menos riesgos.
Después de los 21 años, sin embargo, el acceso irrestricto al alcohol podría cambiar
este proceso, tal vez frenando una tendencia a la baja. Por otro lado, si los presidentes
de los colegios que respaldan la Iniciativa Amethyst son correctos, el consumo de
alcohol legal legal acelera el desarrollo del comportamiento maduro. La dirección de tal
cambio de pendiente es meramente una hipótesis -el punto principal es que la ecuación
(4.31 permite cambios en la pendiente de cualquier manera.

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.

Las tendencias no lineales y los cambios en la pendiente en el corte también se pueden

combinar en un modelo que parece 4.4

En esta configuración, los términos lineales y cuadráticos cambian a medida que

cruzamos el punto de corte. Como antes, el salto en las tasas de mortalidad en el corte
de MLDA es captado por el efecto del tratamiento MLDA, p. El efecto del tratamiento
fuera del corte es ahora p + S ^ a - a0) + S2 (a - a0) 2, aunque de nuevo la interpretación
causal de esta cantidad es más especulativa que la interpretación causal de p misma.

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).

¿Qué tan convincente es el argumento de que el salto en la Figura 4.4 es realmente

debido a la bebida? Los datos sobre las tasas de mortalidad por causa de muerte nos
ayudan a hacer el caso. Aunque el alcohol es venenoso, pocas personas mueren de
envenenamiento por alcohol solo, y las muertes por enfermedades relacionadas con el
alcohol se producen sólo en edades más avanzadas. Pero el alcohol está
estrechamente ligado a los accidentes de vehículos de motor (MVA), el asesino número
uno de los jóvenes. Si la conducción en estado de embriaguez es la principal causa de
muerte relacionada con el alcohol, debemos ver un gran salto en las muertes de
vehículos de motor junto con un pequeño cambio en las tasas de mortalidad debido a
causas internas. Al igual que las pruebas de equilibrio reportadas para el experimento
RAND HIE en la Tabla 1.3 y para el instrumento de oferta KIPP en el panel A de la Tabla
3.1. Los efectos de cero en los resultados que no deben ser cambiados por el
tratamiento aumentan nuestra confianza en los efectos causales que estamos
buscando.

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.

Además de la estimación de regresión sencilla, un enfoque que los maestros se refieren

como RD paramétrico, una segunda estrategia de DR explora el hecho de que el
problema de distinguir saltos de tendencias no lineales se vuelve menos irritante a
medida que nos cero en puntos cercanos al punto de corte. Para el pequeño conjunto
de puntos cercanos al límite, las tendencias no lineales no necesitan preocuparnos en
absoluto. Esto sugiere un acercamiento que compara promedios en una ventana
estrecha apenas a la izquierda y apenas a la derecha del cutoff. Un inconveniente aquí
es que si la ventana es muy estrecha, quedan pocas observaciones, lo que significa que
las estimaciones resultantes probablemente sean demasiado imprecisas para ser útiles.
Sin embargo, deberíamos ser capaces de intercambiar la reducción en el sesgo cerca
de la frontera contra el aumento de la varianza sufrida por tirar los datos de distancia,
generando algún tipo de tamaño óptimo de la ventana.

FIGURA 4.5

RD estimaciones de MLDA efectos sobre la mortalidad por causa de muerte

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).

El procedimiento econométrico que hace este trade-off es RD no paramétrico. La RD no

paramétrica equivale a estimar la ecuación (4.2) en una ventana estrecha alrededor del
punto de corte. Es decir, estimamos 4.5

El parámetro b describe el ancho de la ventana y se denomina ancho de banda. Los

resultados de la Tabla 4.1 pueden ser vistos como RD no paramétricos con un ancho
de banda igual a 2 años para las estimaciones reportadas en las columnas (1) y (2) y un
ancho de banda medio grande (es decir, De 19-22) para las estimaciones mostradas en
las columnas (3) y (4). La elección del modelo simple en la ecuación (4.5) frente a la
ecuación más sofisticada (4.4) debería importar poco cuando ambos se estiman en
ventanas de edad más estrechas alrededor del punto de corte. Los resultados en la
Tabla 4.1 apoyan esta conjetura, aunque hay un cierto wobbliness en las estimaciones
a través de columnas que podríamos atribuir razonablemente a varianza de muestreo.-

¡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.