Show simple item record

dc.coverage.spatialMedellín de: Lat: 06 15 00 N degrees minutes Lat: 6.2500 decimal degrees Long: 075 36 00 W degrees minutes Long: -75.6000 decimal degreeseng
dc.creatorUgarte Ontiveros, Darwin
dc.creatorCanavire-Bacarreza, Gustavo
dc.creatorCastro Peñarrieta, Luis
dc.date.available2017-11-01T13:34:56Z
dc.date.issued2017-10-30
dc.identifier.urihttp://hdl.handle.net/10784/11750
dc.descriptionLos estimados de efectos de tratamiento promedio pueden presentar un sesgo significativo bajo presencia de valores atípicos. Además, los valores atípicos pueden ser particularmente difíciles de detectar, creando sesgo e inconsistencia en las estimaciones semi-paramétricas de ATE. En este documento, nosotros utilizamos simulaciones de Monte Carlo para demostrar que los métodos semiparamétricos, tales como coincidencia, están sesgados en presencia de valores atípicos. Puntos de apalancamiento malos y Buenos se consideran. El sesgo surge porque los puntos de apalancamiento malo completamente cambian la distribución de las métricas utilizadas para definir contrafactuales. Mientras buenos puntos de apalancamiento aumentan las posibilidades de romper la condición de soporte común y distorsionar el equilibrio de las covariables y que puede empujar a los practicantes a no especifique adecuadamente la puntuación de propensión. Proporcionamos algunas pistas para diagnosticar la presencia de valores atípicos y proponemos un estimador de reponderación que es robusto frente a valores atípicos basado en el estimador de escala y ubicación Stavar-Donoho multivariado. Una aplicación de este estimador a los datos de LaLonde (1986) nos permite explicar el Dehejia y Wahba (2002) y Smith y Todd (2005) debaten sobre la incapacidad de estimadores coincidentes para tratar el problema de evaluación.spa
dc.description.abstractAverage treatment effects estimands can present significant bias under the presence of outliers. Moreover, outliers can be particularly hard to detect, creating bias and inconsistency in the semi-parametric ATE estimads. In this paper, we use Monte Carlo simulations to demonstrate that semi-parametric methods, such as matching, are biased in the presence of outliers. Bad and good leverage points outliers are considered. The bias arises because bad leverage points completely change the distribution of the metrics used to define counterfactuals. Whereas good leverage points increase the chance of breaking the common support condition and distort the balance of the covariates and which may push practitioners to misspecify the propensity score. We provide some clues to diagnose the presence of outliers and propose a reweighting estimator that is robust against outliers based on the Stahel-Donoho multivariate estimator of scale and location. An application of this estimator to LaLonde (1986) data allows us to explain the Dehejia and Wahba (2002) and Smith and Todd (2005) debate on the inability of matching estimators to deal with the evaluation problem.spa
dc.language.isospaspa
dc.publisherUniversidad EAFITspa
dc.rightsinfo:eu-repo/semantics/openAccesseng
dc.subjectefectos del tratamiento, valores atípicos, puntaje de propensión, distancia Mahalanobisspa
dc.titleOutliers in semi-parametric Estimation of Treatment Effectsspa
dc.typeworkingPaperspa
dc.rights.accessRightsopenAccessspa
dc.publisher.departmentEscuela de Economía y Finanzasspa
dc.type.spaDocumento de trabajo de investigaciónspa
dc.subject.keywordTreatment effects, Outliers, Propensity score, Mahalanobis distancespa
dc.rights.accesoLibre accesospa
dc.date.accessioned2017-11-01T13:34:56Z
dc.type.hasVersiondrafspa
dc.contributor.eafitauthorgcanavir@eafit.edu.cospa
dc.identifier.jelC21
dc.identifier.jelC14
dc.identifier.jelC52
dc.identifier.jelC13


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record