2017-11-012017-10-30http://hdl.handle.net/10784/11750Average 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.Los 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.spaworkingPaperinfo:eu-repo/semantics/openAccessTreatment effectsOutliersPropensity scoreMahalanobis distanceefectos del tratamientovalores atípicospuntaje de propensióndistancia MahalanobisAcceso abierto2017-11-01C21C14C52C13Ugarte Ontiveros, DarwinCanavire-Bacarreza, GustavoCastro Peñarrieta, Luis