Introducción a la Inferencial Causal

layout: true
background-image: url(images/ucab.png)
background-position: 100% 0%
background-size: 5%
---
class: inverse, center, middle

# Causalidad - Clase 0

## José Morales-Arilla y Carlos Daboín

#### Universidad Católica Andrés Bello 
#### Abril, 2022

---

# ¿Quiénes somos?

### Jose Morales-Arilla
- Economista UCAB
- Master en Desarrollo Internacional, Universidad de Harvard.
- PhD en Políticas Públicas Universidad de Harvard.
- Fellow Postdoctoral, Departamento de Política, Universidad de Princeton.
- Profesor Asistente, Escuela Bush de Gobierno, Texas A&M University.
- Correo de contacto: jose.morales.arilla@gmail.com

### Carlos Daboín
- Economista UCAB
- Master (c) en Economía, Universidad de San Andrés.
- Consultor, "Workforce of the Future Initiative", The Brookings Institution.
- Correo de contacto: cdaboin2@gmail.com

---

# Revolución de credibilidad en las ciencias sociales

.pull-left[
### Premio Nobel 2019
<img src="images/nobel19.png" width="65%" /> 
]
.pull-right[
### Premio Nobel 2021
<img src="images/nobel21.png" width="65%" />
]

???
Puntos a hacer:
- Preponderancia de evidencia empírica en la economía moderna.
- Estática comparativa: Variables exógenas y endógenas.
- Predicción del modelo: ¿Cómo se mueve la endógena ante cambios en la exógena?
- ¿Será que el mundo se comporta como predice el modelo?
- ¿Cuál es el efecto causal de la exógena sobre la endógena?
- UCAB históricamente: Mucha teoría, poco análisis empírico.

---

# Veamos un video

.center[<img src="images/RCT.png" width="80%" />

### Click [aquí](https://www.youtube.com/watch?v=jmtMf6VJklI).]
 
???
¿Qué les quedó del video?
- Método para medir efectos de intervenciones.
- Analogía con Medicina.

---

# Analogía con la medicina

### [Video](https://www.youtube.com/watch?v=K3odScka55A): ¿Cuál vacuna es mejor, Pfizer or Johnson and Johnson?

### ¿Cómo se realizan los experimientos clínicos?

- Muestra aleatoria de la población.
- Separada aleatoriamente en grupo de tratamiento y de control.
- A unos se les da la vacuna y a otros un placebo. Nadie sabe que recibió.
- A los meses, evaluan la proporción afectada en ambos grupos.
  
--

### Selección Simple: La vacuna reduce la probabilidad de contagio en 95% para...

- Todas las personas en el mundo.
  - La persona promedio en el mundo.
  - Todas las personas de la población muestreada.
  - Ninguna de las anteriores.
  
---

# Contrafactuales e identificación

### Imaginen que a Carlos lo seleccionan para el grupo de tratamiento...
- ¿Qué le habría pasado a Carlos si hubiera recibido el placebo?
  - Si Carlos fuese un tipo tranquilo, probablemente no se contagiaba.
      - Efecto bajo de la vacuna.
  - Si Carlos fuese un tipo rumbero, probablemente se contagiaba. 
      - Efecto alto de la vacuna.
  - Pero lo cierto es que el Carlos que recibió el placebo no existe.
      - Es decir: El _contrafactual_ de Carlos no es observable.

### Este es el _problema fundamental_ de la inferencia causal
- No podemos identificar efectos causales a nivel individual porque...
- ...no podemos ver que le habría pasado al individuo si hubiera...
- ...recibido un tratamiento distinto al que recibió (su _contrafactual_).

---

# ¿Cuál es la "magia" del experimento?

### Al asignar el tratamiento de forma aleatoria, logra que ambos grupos...

### ...sean iguales al otro en promedio. Es decir, que un grupo constituye...

### ...el contrafactual del otro, y por eso, compararlos permite estimar...

### ...el efecto promedio del tratamiento sobre los individuos...

### ...en la población sobre la que se tomó una muestra aleatoria.

---

# Posibles problemas

### ¿Qué pasa si la asignación del tratamiento no es aleatoria?
- No se sabe si diferencias entre grupos son por tratamiento u otro motivo.
- Problema de validez interna de la evidencia.
 - **Nobel 2019**: Banerjee (MIT), Duflo (MIT) y Kremer (Harvard).

### ¿Qué pasa si la muestra no es aleatoria o representativa?
- El efecto estimado no es extrapolable a la población general...
- ...o a poblaciones distintas a la que se utilizó para el experimento.
- Problema de validez externa de la evidencia.
 - Angus Deaton (Princeton) - [Video](https://www.youtube.com/watch?v=UB1A62u9fBE)

--
  
### Validez externa e interna están en constante tensión.
- Solo puedes aleatorizar tratamiento a lo micro, pero lo micro no es extrapolable.

---

# Causalidad en el mundo real: Propinas en Uber!
### Problema:
- Los consumidores están dejando poca propina a los delivery de Uber Eats.
- La conveniencia del servicio depende de la abundancia de deliveries.
- Si hacen más propina con Door Dash, puede afectarse el servicio.

### Pregunta 1: ¿Qué podemos hacer para aumentar las propinas?
--

- Similar al diseño de la vacuna
  - Razones para pensar que este tratamiento puede tener efecto deseado.

### Pregunta 2: ¿Cómo evaluamos experimentalmente si nuestra estrategia funciona?

- Experimentos en Tech = A/B Testing.
    - John List: University of Chicago, Ex-Econ Jefe de Uber y Lyft, Econ Jefe de Walmart.

---

# No siempre necesitamos hacer un experimento.

### ¿Qué problemas pueden haber para ejecutar un experimento?

- Costos, tiempos, validez externa, etc.

### ¿Qué otra cosa puede hacerse? Supongamos que:

- DoorDash empezó a implementar esa misma estrategia hace un año.
- Hay data de propinas promedio por viaje semanal de 3 años para ambas.
- No hubo ningún cambio en el esquema de propinas posterior.

### En ese caso, podríamos ver...

- Diferencia en propina promedio entre ambas firmas antes y después del tratamiento.
- El cambio en la diferencia de propina promedio sería el efecto del tratamiento.
- Supuesto de identificación: 
 - Uber es el contrafactual de DoorDash si éste no hubiera implementado el tratamiento.

---

# Evidencia cuasi-experimental ("Experimentos naturales")

### "Correlación no es igual a causalidad"

Data _observacional_: 
- Información del mundo real. Observada pero no producida por el investigador

Asociaciones en data observacional pueden (suelen) ser _endógenas_. 
  - Hay más policias donde hay más crimen: ¿Policía `\(\to\)` crimen?
  - Los más educadas tienen más dinero: ¿Educación `\(\to\)` ingresos?
  - Causalidad sin correlación: Golpe de timón y dirección del velero.

### Conocimiento del contexto + Data + ¿Suerte? = Variación "exógena" en la causa de interés.

- Supuestos de identificación: No se puede probar, pero se puede discutir su plausibilidad.
- Bajo supuesto de identificación, asociación = causalidad.
- **Nobel 2021**: Angrist (MIT), Card (Berkeley) e Imbens (Stanford).

---

# Hay que comprometerse con un método

.pull-left[
Afirmación de [Sachs y Weisbrot (2019)](https://cepr.net/report/economic-sanctions-as-collective-punishment-the-case-of-venezuela/):
- "Las sanciones financieras de 2017 mataron a 40,000 venezolanos"

¿Cuál fue su análisis para justificar esa afirmación?
- Tasa de mortalidad creció post-sanciones.
- ¿Cuál es el supuesto de identificación? ¿Se justifica?

¿El análisis justifica la afirmación?
- Sachs: "[There is no precision in those numbers](https://www.democracynow.org/2019/5/1/economist_jeffrey_sachs_us_sanctions_have)".
- Pero se usó públicamente asumiendo precisión.

**Hay que comprometerse con métodos de análisis**
- Independientemente del resultado.
- Endender métodos `\(\to\)` Aplicarlos!
]

.pull-right[.center[<img src="images/Telesur.png" width="60%" />]]

---

# El propósito de este curso es enseñarles esos métodos

.pull-left[
### Bloques del curso
1. Fundamentos de causalidad y evidencia experimental
2. Evidencia cuasi-experimental en datos de sección cruzada
3. Evidencia cuasi-experimental en datos de panel
4. _Machine Learning_ y Análisis de datos
5. Resumen

### Cada bloque tiene...
- 3 clases de tres horas + 1 tarea
- JR (Contenido) + Carlos (Programación)
- Horario: Jueves, 10am a 1pm (Salvo el 26 de mayo)

]

.pull-right[

### Las tareas buscan...
- Afianzar su conocimiento e intuición.
- Desarrollar sus capacidades de programación.
- Desarrollar su proyecto final del curso.
  - Última clase del semestre: Exposiciones!
- Entregas: Primera clase del próximo bloque.
- Proyecto final: Una semana después de expos.

### Vayan pensando en armar grupos:

- De 3 a 5 personas por grupo.
- Potenciales temas de tesis.
- Intereses similares.
  
]

---
class: center, middle

# ¿Preguntas?

---
class: center, middle

# Gracias