Matching (Non-Exp. Approaches) Flashcards
¿En qué contextos podemos/tenemos que usar matching?
¿Cuál es la idea básica del método? ¿Qué significa que los individuos deben ser parecidos?
¿Cuál es el supuesto de Matching luego de encontrar dos individuos parecidos?
En un contexto de no tener una asignación aleatoria (sorteo). En este contexto, el riesgo es tener sesgo de selección, lo que podés resolver con balancear los grupos en todo lo que podamos, excepto en el tratamiento.
La idea consiste en intentar armar un grupo de control que sea similar en características al de tratamiento para reducir el riesgo de sesgo de selección. Terminás comparando individuos que son muy parecidos (idealmente iguales) excepto por el tratamiento. Acá surge la pregunta obvia de qué significa ser parecido. Las dimensiones en las que dos individuos son parecidos pueden variar mucho (educación? sexo? edad? estrato social?), entonces para resolver eso armamos un Propensity Score Matching.
Básicamente es el mismo que el de regresión con controles: Conditional Independence Assumption. El supuesto es que, condicional a haber encontrado dos individuos que se parecían, la asignación al tratamiento es como si hubiese sido aleatoria. La calidad del Matching, similar al Regression with Controls, pasa por la calidad de los observables en los que comparaste a los individuos.
¿Qué es el Propensity Score en Matching? ¿Cuál es el escenario ideal?
Consiste en condensar todas las dimensiones en una sola y los comparo en esa. La dimensión condensada es la probabilidad de ser tratado condicional en las dimensiones elegidas. La situación ideal es que si los grupos están balanceados en características observables, entonces la distribución del propensity score debería ser igual para ambos grupos.
Acá vemos claramente el supuesto de Conditional Independence Assumption: si la probabilidad entre dos individuos de ser tratado es la misma pero uno está en control y el otro en tratamiento, la asignación “fue” aleatoria.
Métodos Matching: Nearest Neighbour Matching. Explicar.
Elegimos como contrafactual del individuo tratado que estamos estudiando al individuo del grupo control que más se le parece a través de la probabilidad de ser tratado (construido como un índice de los observables que elijamos).
Métodos Matching: Stratification. Explicar.
Es una estrategia de varios pasos:
→ Dividir a las observaciones en una cantidad de grupos según su probabilidad de ser tratados (ex.: armar grupos donde los individuos están entre el 0 y 0.1, luego entre el 0.1 y el 0.2, y así).
→ Chequear si los individuos son parecidos dentro de esos grupos y si no lo son, hacer los grupos más pequeños.
→ Dentro de cada grupo correr la regresión utilizando los controles como contrafactual de los tratados dentro de ese mismo grupo (diferencia de medias).
→ El parámetro de interés será un promedio ponderado de los resultados de cada grupo.
Métodos Matching: Kernel. Explicar.
Lo que hace es utilizar todos los controles como contrafactuales pero les da un peso ponderado que va decreciendo a medida que nos alejamos del individuo tratado que estamos mirando.
Métodos Matching: Region of Common Support. Explicar.
Lo que hace es eliminar las observaciones para las que no existe un grupo control o un grupo tratado. Es decir, imaginemos que tenemos individuos tratados con un PS de 0.9 y el máximo del grupo control llega a 0.8, todos los individuos tratados entre 0.8 y 0.9 son dropeados porque no tienen una unidad de control asociada a ellos. Sería igual para el otro lado del espectro.
¿Conviene repetir el uso de individuos de control para compararlos contra individuos tratados? Lógica de reposición en Matching.
Es un arma de doble filo. Si el individuo está bien medido, lo mejor es reponerlo (o al menos no te traería problemas). Sin embargo, si tiene un error de medición, estarías repitiendo ese error cada vez que lo reponés en la muestra.
¿Qué es mejor, matching o Regression with Controls?
Ambas herramientas son iguales en First Order (consistencia) y solo difieren en temas de Second Order. Según Martín, Matching es redundante porque al ser iguales (tienen el mismo supuesto de identificación: Conditional Independence Assumption) es preferible usar la regresión con controles porque es más fácil.
De todas formas, ambas dependen de la calidad de los observables porque si son malos, ninguna sirve para nada; y si son buenos, controles soluciona todo más fácil.
