Lecture 3 & 4 (böckerna) Flashcards
Vad kan man säga att den kausala behandlingseffekten är för en individ?
Den kausala effekten för en individ är skillnaden mellan det potentiella utfaller om denne har fått en behandling, minus det potentiella utfallet om denna inte har fått en behandling.
Alltså skillnaden om man hade fått det eller inte fått något. Behandling och kontroll.
Hur formulerar man expected average causal effect of x on Y algebraiskt.
E(Yi|Xi =1) - E(Yi|Xi = 0)
Vad händer om sannolikheten att en person tillhör behandling- eller kontrollbetingelsen beror på någon faktor (covariat)?
Hur man justera för detta?
Om sannolikheten att få behandling eller inte beror på en oobserverad variabel så kommer den genomsnittliga kausala effekten att lida av OVB. Genom att observera och kontrollera för den variabeln kan man dock eliminera OVB.
Vilka är hoten mot den interna validiteten i ett experiment enligt SW boken?
- Misslyckad randomisering: När behandlingen inte är slumpmässigt tilldelad (selection bias) så kommer effekten vara både behandlingseffekten + effekten av dålig randomisering. Så dåligt randomiserade experiment leder till korrelation mellan u och X. Man kan ”testa” hur bra randomisering man har gjort.
- Att personer inte har genomfört behandlingen fast de skulle, eller gjort det fast det inte skulle. Det kallas partial compliance. Detta leder till bias i OLS, u och X kommer vara korrelerade. Om det finns data på de som verkligen har tagit behandlingen och den initiala randomiseringen så kan man estimera effekten med hjälp av instrumentvariabler i regressionen.
- Attrition: Detta syftar till att personer hoppar av studien. Gör man det på ett systematiskt sätt så får man problem med bias i sin OLS av den kausala effekten. Man får ett selectionbias. T,ex om personer med lägre IQ hoppar av.
- Experimenteffekt/Hawthrone effekt: Att man är medveten om att det är ett experiment påverkar resultatet.
- Små stickprov: Detta påverkar säkerheten i konfidensintervallen och hypotestetsen.
Vilka termer kommer vara korrelerade om man har misslyckats med sin randomisering?
U och X
Vad menas med partial compliance och vd leder det till?
Hur kan man lösa detta?
• Att personer inte har genomfört behandlingen fast de skulle, eller gjort det fast det inte skulle. Det kallas partial compliance. Detta leder till bias i OLS, u och X kommer vara korrelerade. Om det finns data på de som verkligen har tagit behandlingen och den initiala randomiseringen så kan man estimera effekten med hjälp av instrumentvariabler i regressionen.
Vad menas med attrition och vilken effekt har det på studien?
• Attrition: Detta syftar till att personer hoppar av studien. Gör man det på ett systematiskt sätt så får man problem med bias i sin OLS av den kausala effekten. Man får ett selectionbias. T,ex om personer med lägre IQ hoppar av.
Vad kallas den effekten som syftar till att folk som är medvetna om att de är med i ett experiment beter sig på ett visst sätt?
• Experimenteffekt/Hawthrone effekt: Att man är medveten om att det är ett experiment påverkar resultatet
Vilka exempel tar SW upp som exempel på hot mot den externa validiteten i en studie?
- Icke-representativt sample: är det en speciellt population man studerar kan det vara svårt att generalisera resultaten till andra populationen. T.ex om man studerar arbetsmarknadsprogram för fångar. I experiment har man ofta volontärer, det är extra drivna människor med vissa egenskaper.
- Policyn man studerar kanske inte kan generalliseras till andra policys. Det kan också vara så att längden på experimentpolycin är kort, medan den verkliga implementerade policyn får långsiktiga konsekvenser.
- Generella jämviktseffekter: När man studerar saker på liten skala kan man göra det samtidigt som man håller andra saker konstant. Implementerar man en policy kommer man kanske förändra hela den ekonomiska strukturen då man inte kan konstanthålla alla andra faktorer.
Vad händer med variansen i β0 och β1 när sampel storleken ökar?
Variansen minskar! Större stickprov ökar alltså precisionen i regressionen!
Hur påverkas variansen i β0 och β1 av variansen i X1?
Variansen i parametrarna minskar när variansen i X ökar.
Ju högre varians i X desto bättre precision i β0 och β1
Hur testar man om β1 är signifikant skilja mot noll? Hur får man fram T värdet?
T = (b1-hatt - b1)/SE(b1-hatt)
Mer eller mindre β1^/SEβ1^
Vad visar SE för β1?
Osäkerheten/precisionen i estimatet av slopen.
Vad betyder det 95% iga CI för β1?
95% konfidensintervall för β1 betyder:
Det är ett intervall som med 95% sannolikhet innehåller det sanna värdet för β1
Vad är formeln för att räkna ut 95% CI för β1?
95% CI för β1 = [β1^ - 1.96SE(β1^), β1^ + 1.96SE(β1^)]
