Murnane & Willett, Harvard University Graduate School of Education, 4/13/2012 S290/Class #05 Slide 1

Mtodos de Investigacin Cuantitativa: Inferencia Causal en Investigacin Social

El diseo de discontinuidad de regresin
Temario: Clase #04
Tpico Slides
I. Introduccin al diseo de discontinuidad de regresin:
Taxonoma de diseos de investigacin para la inferencia causal.
Modelo algebraico de la accin de un experimento verdadero.
Modelo grfico de la accin de un experimento verdadero.
Una observacin interesante.
Introduccin a la discontinuidad de regresin.
Un ejemplo de diseo de discontinuidad de regresin.
Eleccin del predictor-asignacin
Comparando la discontinuidad de regresin con el experimento
aleatorio.

2
3
4-6
7
8-9
10-12
13
14
II. Temas claves en el diseo de discontinuidad de regresin
Requisitos de un diseo RD efectivo.
Difs-en-Difs de Dynarki tambin se puede hacer con un diseo RD.
Otras aplicaciones interesantes del diseo bsico RD.


14
16-19
20-22

Murnane & Willett, Harvard University Graduate School of Education, 4/13/2012 S290/Class #05 Slide 2
Creando exogeneidad para los tratamientos en la investigacin:
Una taxonoma de enfoques?
Experimento verdadero El investigador logra exogeneidad en el trata-
miento mediante asignacin aleatoria explcita de los sujetos a las con-
diciones de tratamiento.
Experimento natural Una agencia externa diferente al investigador asigna
exgenamente los sujetos a las condiciones de tratamiento.
Discontinuidad de regresin Una interesante forma alternativa de
asignar los sujetos al tratamiento para preservar la estimacin inses-
gada de los efectos del tratamiento.
Variables instrumentales Estrategia analtica para identificar y estimar el
efecto de cualquier exogeneidad de tratamiento presente en los datos.

Mtodos de Investigacin Cuantitativa: Inferencia Causal en Investigacin Social
Taxonoma de enfoques para la inferencia causal.
Murnane & Willett, Harvard University Graduate School of Education, 4/13/2012 S290/Class #05 Slide 3
Mtodos de Investigacin Cuantitativa: Inferencia Causal en Investigacin Social
Modelo algebraico de un experimento verdadero.
Para introducir la discontinuidad de regresin, se debe recordar cmo se conduce un experimento verdadero
Seleccionar muestra aleatoria de sujetos y asignarlos aleatoriamente a los grupos-tratamiento y control:
Implementar el tratamiento en el grupo correspondiente y medir la variable dependiente.
Comparar promedios de la variable dependiente en los grupos- tratamiento y control, usando regresin.
i i i i
X T Y c | | + + + =
1 0
: Model
Predictor binario
representando asignacin
tratamiento
(0 = control, 1=tratam). Resultado
Covariables,
includas para
aumentar precisin
El residuo que
debemos
conocer bien.
Parmetro |
1
representa el efecto causal del tratamiento:
Probar, y ojal rechazar, H
0
: |
1
= 0.
Estimar la magnitud y direccin de |
1
.
Interpretar la naturaleza e impacto del vnculo causal entre
tratamiento y resultado (variable dependiente).
Para entender mejor este proceso y
comprender su aplicacin en RDD,
hagamos la representacin grfica!!
Murnane & Willett, Harvard University Graduate School of Education, 4/13/2012 S290/Class #05 Slide 4
Mtodos de Investigacin Cuantitativa: Inferencia Causal en Investigacin Social
Modelo grfico de la accin de un experimento verdadero.
Al inicio de un estudio, se mide la variable control X aunque el status de tratamiento an no es asignado. El
grfico muestra la nube de puntos poblacional y la lnea de tendencia poblacional para la relacin entre Y y la
variable control X
Y
X
0 10 20 30 40 50 60 70 80 90 100
60


50


40


30


20


10


0














































































Desde la poblacin, se
toma una muestra
aleatoria de individuos
Nube de
puntos
poblacional
Lnea-tendencia
poblacional Y/X
Murnane & Willett, Harvard University Graduate School of Education, 4/13/2012 S290/Class #05 Slide 5
Mtodos de Investigacin Cuantitativa: Inferencia Causal en Investigacin Social
Modelo grfico de la accin de un experimento verdadero.
Despus se asignan aleatoriamente cada uno de los individuos seleccionados, ya sea al grupo tratamiento (t) o
al grupo control (c), como sigue .
Y
X
0 10 20 30 40 50 60 70 80 90 100
60


50


40


30


20


10


0
t t
t
t
t
c
t
c
c
t
t
c
c
c
t
c
c
c
c
t
c
t
c
c
t
c
c
t
c
c
t
t
t
t
t
t t
t
c
c t
t
c
c
t
c
c
t
t
t
t
c
c
t
c
c
t
c
t
t t
c
c t
c
t
t
t
c
t
t
t
t
c t
c
c
c
t
c
t
c
t
c
t = asignado aleatoriamente al tratamiento
c = asignado aleatoriamente al control
Murnane & Willett, Harvard University Graduate School of Education, 4/13/2012 S290/Class #05 Slide 6
Y
X
0 10 20 30 40 50 60 70 80 90 100
60


50


40


30


20


10


0
t = asignado aleatoriamente al tratamiento
c = asignado aleatoriamente al control
Mtodos de Investigacin Cuantitativa: Inferencia Causal en Investigacin Social
Modelo grfico de la accin de un experimento verdadero
Supongamos ahora que el tratamiento es efectivo y eleva el valor de la variable dependiente Y en todos los
miembros del grupo-tratamiento, por una cantidad |,. Esto es lo que sucede grficamente
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c c
c
c
t
t
t
t
t
t
t
t
t
t t
t
t
t
t
t t t
t
t
t
t
t
t
t t
t
t
t
t
t
t
t
t
t
t
t
t
t
t
t
t
t
t
t
|
1
Mida el efecto-tratamiento:
Regrese Y sobre X y T,
Estima |
1
.
t
t
t
t
t
t
t
t
t
t t
t
t
t
t
t t t
t
t
t
t
t
t
t t
t
t
t
t
t
t
t
t
t
t
t
t
t
t
t
t
t
t
t
Murnane & Willett, Harvard University Graduate School of Education, 4/13/2012 S290/Class #05 Slide 7
Mtodos de Investigacin Cuantitativa: Inferencia Causal en Investigacin Social
Una interesante observacin
Observe que no existira ninguna diferencia en la estimacin de |, si identificando exgenamente un punto de
(X
c
) se borran todos los puntos a la derecha del punto criterio en el grupo control y se borran todos los puntos
a la izquierda del punto criterio en el grupo tratamiento
Y
X
0 10 20 30 40 50 60 70 80 90 100
60


50


40


30


20


10


0
t
t
t
c
t
c
c
t
t
c
c
c
t
c
c
c
c
t
c
t
c
c
t
c
c
t
c
c
t
t
t
t
t
t
t t
t
c
c
t
t
c
c
t
c
c
t
t
t
t
c
c
t
c
c
t
c
t
t t
c
c
t
c
t
t
t
c
t
t
t
t
c
t
c
t
c
c
t
c
t
c
t
c
|
1
Observe que la
magnitud y direccin
de |
1
no cambian!!!!
Murnane & Willett, Harvard University Graduate School of Education, 4/13/2012 S290/Class #05 Slide 8
Mtodos de Investigacin Cuantitativa: Inferencia Causal en Investigacin Social
Introduccin al diseo de discontinuidad de regresin.
Lo anterior sugiere que se podra obtener una estimacin insesgada de | -- y usarla para hacer inferencia causal
mediante una interesante divisin del diseo de un experimento verdadero
Y
X
0 10 20 30 40 50 60 70 80 90 100
60


50


40


30


20


10


0
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c c
c
c
t
t
t
t
t
t
t
t
t
t
t
t
t
t
t
t
t
t t
t
t
t
t
t
t
t
t
t
t
t
t t t
t
t
t
t
t
t
t
t
t
t
t
t
X
c
Estimacin |
1
Murnane & Willett, Harvard University Graduate School of Education, 4/13/2012 S290/Class #05 Slide 9
Mtodos de Investigacin Cuantitativa: Inferencia Causal en Investigacin Social
Introduccin al diseo de discontinuidad de regresin
Este es el diseo de discontinuidad de regresin*
Para ejecutar un diseo de discontinuidad de regresin:
1. Seleccione una muestra aleatoria desde la poblacin.
2. Mida en todos los individuos una variable de inters.
3. Jerarquice la muestra segn valor en la variable.
4. Divida la muestra en dos partes mediante un punto de corte de X
exgenamente determinado, X
c
.
5. Asigne los individuos en un lado del corte al tratamiento, a los
del otro al control.
6. Ejecute el tratamiento en la mitad seleccionada de la muestra.
7. Mida el valor del resultado para todos.
8. Haga la regresin de Y sobre el tratamiento T y X, como antes:



( )
i c i i i
X X T Y c | | + + + =
1 0
: Model
* Para una prueba tcnica de que RDD proporciona una
estimacin insesgada del efecto causal del tratamiento,
ver Rubin, D. B. (1977). Assignment to treatment
group on the basis of a covariate. Journal of
Educational Statistics, 2, 1-26.
Y
X
La estimacin OLS de |
1
es un
estimador insesgado del efecto
causal del tratamiento!!!
La covariable se centra en el punto de corte - X
c
:
El intercepto, |
0
, se mueve al punto de corte.
La interpretacin de no cambia.
Y
X
X
c
|
0

|
1
Murnane & Willett, Harvard University Graduate School of Education, 4/13/2012 S290/Class #05 Slide 10
Mtodos de Investigacin Cuantitativa: Inferencia Causal en Investigacin Social
Un ejemplo de un diseo de discontinuidad de regresin
Se deber estudiar un ejemplo de diseo de discontinuidad de regresin para la prxima semana ..
Jacobs, B. A. & Lefgren, L. (2002).
Remedial Education and Student Achievement:
A Regression Discontinuity Analysis..
PI: La asistencia a escuela de verano cunto
mejora el logro del estudiante?
Chicago Public Schools.
Aos escolares 1993/4 hasta 1998/9.
Alumnos de 3 ao fueron asignados al grupo de
tratamiento y control sobre la base de puntajes de
pretest en lectura y matem, obtenidos en Junio.
Si el puntaje del pretest es menor que el corte,
deben ir al trimestre de verano (tratamiento).
Si el puntaje del pretest est sobre el corte, no
asisten a la escuela de verano (control).
Los estudiantes son re-medidos un ao ms tarde
en lectura y matem.
La discontinuidad de regresin fue xitosamente
utilizada para evaluar el impacto del tratamiento.
Murnane & Willett, Harvard University Graduate School of Education, 4/13/2012 S290/Class #05 Slide 11
Mtodos de Investigacin Cuantitativa: Inferencia Causal en Investigacin Social
Un ejemplo de diseo de discontinuidad de regresin
Esto es lo que se
encontr
Efecto
causal de
la escuela
de verano
Murnane & Willett, Harvard University Graduate School of Education, 4/13/2012 S290/Class #05 Slide 12
Mtodos de Investigacin Cuantitativa: Inferencia Causal en Investigacin Social
Un ejemplo de discontinuidad de regresin
El anlisis de datos es un modelo de regresin. En este caso se us STATA
. regress rread1 rread0 failread

Source | SS df MS Number of obs = 136884
-------------+------------------------------ F( 2,136881) =85084.35
Model | 78477.2439 2 39238.6219 Prob > F = 0.0000
Residual | 63125.8451136881 .461173173 R-squared = 0.5542
-------------+------------------------------ Adj R-squared = 0.5542
Total | 141603.089136883 1.03448265 Root MSE = .6791

------------------------------------------------------------------------------
rread1 | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
rread0 | .7115398 .0018156 391.89 0.000 .7079811 .7150984
failread | .1936177 .0049862 38.83 0.000 .1838449 .2033905
_cons | .0136144 .0027944 4.87 0.000 .0081375 .0190913
------------------------------------------------------------------------------
( )
c i i i
X X T Y + + =
* * * * * * * * *
712 . 0 194 . 0 014 . 0

: Model Fitted
El dato estimado aqu
no cuadra con el valor
OLS estimado en la
Tabla 2 del paper de
J&L, debido a que
hemos simplificado el
ejemplo por razones
pedaggicas. Estas
incluyen diferencias
en las muestras
analizadas, no uso de
ponderaciones mues-
trales y omisin de
efectos fijos anuales.
Incremento positivo de cerca de 0.2 logits,
estadsticamente significativo, en la escala de
logro de lectura IRT, como resultado de la
asistencia a la escuela de verano.
1
Medida usada para los puntajes IRT (en J&L, s.d.~1)
Murnane & Willett, Harvard University Graduate School of Education, 4/13/2012 S290/Class #05 Slide 13
Mtodos de Investigacin Cuantitativa: Inferencia Causal en Investigacin Social
Seleccin del predictor de asignacin
En RD estudios, la variable asignacin (al tratamiento) puede ser cualquier caracterstica
de los participantes, incluyendo sus necesidades, mritos o medidas fsicas!!!!
Esto puede ser til para eliminar objeciones ticas
a la asignacin aleatoria de los participantes en el tratamiento.
Efecto causal de un
programa de talentos

Se garantiz el ingreso
al programa a quienes
excedieron un puntaje
de corte on un pretest.
Efecto causal del
programa Head Start

Se admiti en el pro-
grama a quienes tenan
bajos ingresos familia-
res o alta necesidad
familiar.
En Experimentos verdaderos
Efecto causal del
tamao del curso
sobre el logro
acadmico

Asignacin de alumnos
a cursos chicos y
grandes basados en
tamao de la escuela
(corte definido por
Regla de Maimonedes)
Efecto causal de las
becas sobre estudios
universitarios

Asignacin de becas
basados en ao de
postulacin (corte
definido por el cambio
de poltica).
Como en Experimentos naturales
Murnane & Willett, Harvard University Graduate School of Education, 4/13/2012 S290/Class #05 Slide 14
Mtodos de Investigacin Cuantitativa: Inferencia Causal en Investigacin Social
No es tan simple como se ve!
Desafortunadamente, en anlisis de datos como en la vida, nada es tan simple como se ve!!!
Y
X
t
t
t
c
t
c c
t
t
c
c
c
t
c
c
c
c
t
c
t
c
c
t
c
c
t
c
c
t
t
t
t
t
t
t t
t
c
c
t
t
c
t
c
c
t
t
t
t
c
c
t
c
c
t
c
t
t t
c
c
t
c
t
t
t
c
t
t
t
t
c
t
c
t
c
c
t
c
t
c
t
c
Y
X
t
t
t
c
t
c c
t
t
c
c
c
t
c
c
c
c
t
c
t
c
c
t
c
c
t
c
c
t
t
t
t
t
t
t t
t
c
c
t
t
c
c
t
c
c
t
t
t
t
c
c
t
c
c
t
c
t
t t
c
c
t
c
t
t
t
c
t
t
t
t
c
t
c
t
c
c
t
c
t
c
t
c
| es estimado sin sesgos en ambos casos, pero el diseo RD tiene menos poder!
|
|
Para tamaos de efectos pequeos, el diseo RD requiere 2.73 veces ms
participantes que en un experimento aleatorizado, para un poder de 0.80; con
tamaos de efectos medianos, la razn es 2.54; con tamaos grandes es de 2.34
(Capelleri et al., 1994; citado en Shadish, Cook & Campbell, 2002, p. 242).
Murnane & Willett, Harvard University Graduate School of Education, 4/13/2012 S290/Class #05 Slide 15
Mtodos de Investigacin Cuantitativa: Inferencia Causal en Investigacin Social
Requisitos de un diseo RD efectivo.
Requisitos ms importantes del diseo de discontinuidad de regresin
Seleccin de variable-asignacin
La variable-asignacin no debe
ser causada por el tratamiento:
Use una variable medida antes
del inicio del experimento.
Use una variable cuyos valores
nunca cambien.
La variable-asignacin puede ser
totalmente independiente del re-
sultado:
No necesita ser tericamente
importante.
Puede tener valores asignados
aleatoriamente.
Puede ser medida con error.
Las variables continuas son las
mejores variables-asignacin.
Se pueden promediar varias
variables en la asignacin.
Las variables binarias no son
buenas.
Analizando los datos
La forma funcional de la
relacin entre resultado y
asignacin debe ser conocida
en ambos lados del corte:
Lineal?
Polinomial?
Se debe tener cuidado en
posibles interacciones entre
tratamiento y variables-
asignacin.
Asignacin a Grupos
Todos los participantes perte-
necen a la misma poblacin
antes de la asignacin.
La asignacin se basa slo
en el puntaje de corte.
El puntaje de corte debe
elegirse inteligentemente:
Promedios de covariables
son buenos cortes, por
precisin y poder.
Factores tericos pueden
usarse para sugerir cortes.
Murnane & Willett, Harvard University Graduate School of Education, 4/13/2012 S290/Class #05 Slide 16
Mtodos de Investigacin Cuantitativa: Inferencia Causal en Investigacin Social
Los datos del estudio de Dynarski pueden tambin analizarse con RDD!!!
La disponibilidad de becas incrementa los estudios universitarios?
Muestra: Cohortes de estudiantes egresados de enseanza media en 1979, 1980, 1981, 1982 y 1983 y que fueron
elegibles para beca por el Social Security Student Benefit Program, por muerte del padre.
Variable dependiente: hgc23 Curso ms alto terminado a los 23 aos.
Predictor tratamiento: treat Si el estudiante egres en o antes de 1981 (tratado=1, otros 0).
Predictor asignacin: cyearsr Ao en que el estudiante egres, centrado en 1982.
Nota: Los otros estudiantes, que no fueron elegibles para beca
por tener a sus padres vivos, se sacaron del ejemplo, aunque
pueden ser includos fcilmente.
Enfoque de dif-en-difs usado por Dynarski..
Ignora el ao en que el estudiante egres (cyearsr)
excepto para distinguir los grupos de tratamiento
(1981 y antes) y control (despus de 1981).
Estima la diferencia promedio en resultado (hgc23)
entre los grupos tratados y control.
Su enfoque equivale a regresar el resultado (hgc23)
directamente sobre el predictor tratamiento (treat).
Enfoque de discontinuidad de regresin
Usa el ao en que el estudiante egres de enseanza
media como el predictor asignacin (cyearsr).
El puntaje de corte cyearsr es despus de 1981.
Los estudiantes egresados hasta 1981 son asignados
al tratamiento; despus de 1981 van al control.
Regresa el resultado (hgc23) sobre el tratamiento
(treat) y el predictor asignacin (cyearsr).
Se debe tener cuidado con potenciales interacciones
entre tratamiento y asignacin.
Murnane & Willett, Harvard University Graduate School of Education, 4/13/2012 S290/Class #05 Slide 17
Mtodos de Investigacin Cuantitativa: Inferencia Causal en Investigacin Social
Los datos del estudio de Dynarski pueden tambin analizarse con RDD!!!
. reg hgc23 treat cyearsr if eligible==1
Source | SS df MS Number of obs = 191
-------------+------------------------------ F( 2, 188) = 1.62
Model | 7.19717587 2 3.59858793 Prob > F = 0.2014
Residual | 418.614342 188 2.22667203 R-squared = 0.0169
-------------+------------------------------ Adj R-squared = 0.0064
Total | 425.811518 190 2.24111325 Root MSE = 1.4922
------------------------------------------------------------------------------
hgc23 | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
treat | .2096048 .3992412 0.53 0.600 -.5779634 .9971729
cyearsr | -.0905552 .1477595 -0.61 0.541 -.3820348 .2009244
_cons | 12.76254 .2061553 61.91 0.000 12.35587 13.16922
------------------------------------------------------------------------------
El salto debido al impacto del
tratamiento es 0.21 (ns).
Anlisis de
discontinuidad de
regresin
mediante regresin
OLS
La disponibilidad de becas incrementa los estudios universitarios?
Muestra: Cohortes de estudiantes egresados en 1979, 1980, 1981, 1982 y 1983 y que fueron elegibles para becas del
Social Security Student Benefit Program por tener el padre muerto.
Variable dependiente: hgc23 Ms alto curso terminado a la edad de 23 aos.
Predictor tratamiento: treat si el estudiante egres en 1981 o antes (tratado=1, control= 0).
Predictor asignacin: cyearsr ao en que el estudiante egres, centrado en 1982.
Murnane & Willett, Harvard University Graduate School of Education, 4/13/2012 S290/Class #05 Slide 18
Mtodos de Investigacin Cuantitativa: Inferencia Causal en Investigacin Social
Los datos del estudio de Dynarski pueden tambin analizarse con RDD!!!
PI: La disponibilidad de beca incrementa los estudios universitarios?.
Muestra: Cohortes de egresados en 1979, 1980, 1981, 1982 y 1983, elegibles para becas del Social Security Student
Benefit Program por tener el padre muerto.
Variable dependiente: hgc23 Ms alto curso terminado a la edad de 23 aos
Predictor tratamiento: treat si el estudiante egres en 1981 o antes (tratado=1, control= 0).
Predictor asignacin: cyearsr ao en que el estudiante egres, centrado en 1982
. gen trt_yrsr= treat* cyearsr
. reg hgc23 treat cyearsr trt_yrsr if eligible==1

Source | SS df MS Number of obs = 191
-------------+------------------------------ F( 3, 187) = 1.64
Model | 10.8874931 3 3.62916435 Prob > F = 0.1826
Residual | 414.924025 187 2.21884505 R-squared = 0.0256
-------------+------------------------------ Adj R-squared = 0.0099
Total | 425.811518 190 2.24111325 Root MSE = 1.4896
------------------------------------------------------------------------------
hgc23 | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
treat | .1892408 .3988515 0.47 0.636 -.597586 .9760676
cyearsr | -.6716698 .4741293 -1.42 0.158 -1.606999 .2636597
trt_yrsr | .6433814 .4988846 1.29 0.199 -.3407838 1.627547
_cons | 12.90244 .2326331 55.46 0.000 12.44352 13.36136
------------------------------------------------------------------------------
Cuando se permite a la linea ajustada reflejar las
diferencias en las relaciones entre hgc23 y cyears23
antes y despus del cambio de poltica, el salto se
reduce an ms a 0.19 (ns).
Anlisis RDD,
incluyendo la
interaccin entre
predictores de
tratamiento y
asignacin para
chequear que las
pendientes pre y post
corte son las mismas?
Murnane & Willett, Harvard University Graduate School of Education, 4/13/2012 S290/Class #05 Slide 19
yearsr cyearsr treat phgc23b phgc23b phgc23c phgc23c
1979 -3 1 13.24 13.18
1980 -2 1 13.15 13.15
1981 -1 1 13.06 13.12
1982 0 0 12.76 12.9
1983 1 0 12.67 12.23
RD Approach
12
12.5
13
13.5
1978 1979 1980 1981 1982 1983 1984
Year
P
r
e
d
i
c
t
e
d

H
G
C
2
3
RD w/ Interaction
12
12.5
13
13.5
1978 1979 1980 1981 1982 1983 1984
Year
P
r
e
d
i
c
t
e
d

H
G
C
2
3
Mtodos de Investigacin Cuantitativa: Inferencia Causal en Investigacin Social
Los datos del estudio de Dynarski pueden tambin analizarse con RDD!!!
Grficos ajustados tpicos provenientes
desde los 2 enfoques analticos
0.21
0.19
Murnane & Willett, Harvard University Graduate School of Education, 4/13/2012 S290/Class #05 Slide 20
Mtodos de Investigacin Cuantitativa: Inferencia Causal en Investigacin Social
Extensiones interesantes del diseo bsico RD
Hay muchas extensiones interesantes
al diseo bsico RD
Se pueden responder pregun-
tas mucho ms complejas in-
cluyendo ms de dos grupos
en el experimento:
Tratamientos mltiples,
diferentes tipos de controles:
Para 3 grupos se necesitan
2 cortes,
Para 4 grupos se necesitan
3 cortes, etc.
Implementar diferentes nive-
les (ordinal) de tratamiento
para grupos con diferentes
necesidades o mritos.
Educacin remedial?
Pedagoga individualizada
Se pueden asignar mltiples gru-
pos ms imaginativamente:
Crear ms grupos de tratamiento
y control que los necesarios y
mezclarlos inteligentemente a lo
largo de la variable asignacin:
Use 2 cortes para crear 3
grupos (25%, 50%, 25%),
asigne groupos extremos para
ser controles y el central para
ser el tratamiento.
Se puede integrar la disconti-
nuidad de regresin con el di-
seo experimental:
Use mtiples cortes para crear
varios grupos.
Asigne algunos grupos para
ser tratamiento y control,
como en un RD regular.
Dentro de grupos estratgi-
camente seleccionados,
asigne aleatoriamente suje-
tos al tratamiento y control.
Murnane & Willett, Harvard University Graduate School of Education, 4/13/2012 S290/Class #05 Slide 21
Mtodos de Investigacin Cuantitativa: Inferencia Causal en Investigacin Social
Extensiones interesantes del diseo bsico de RD
Se pueden asignar grupos ms
imaginativamente:
Crear ms grupos de tratamiento y
control que los necesarios y
mezclarlos inteligentemente a lo
largo de la variable asignacin:
Use 2 cortes para crear 3 grupos
(25%, 50%, 25%), asigne groupos
extremos para ser controles y el
central para ser el tratamiento.
Alguna otra idea?
Var Depend
Var Asignacin
Corte 1
X
C1
t
t
t
t
t
t
t
t
t
t
t
t
t
t
t
t
t
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
Precisin aumentada (error estndar
minimizado).
De esta manera se logra poder estadstico
mayor con el mismo tamao de muestra.
Corte 2
X
C2
Posible modelo hipotesizado:


( )
i C i i i
X X T Y c | | + + + =
1 1 0
|
1
|
1

|
0
Murnane & Willett, Harvard University Graduate School of Education, 4/13/2012 S290/Class #05 Slide 22
Mtodos de Investigacin Cuantitativa: Inferencia Causal en Investigacin Social
Extensiones interesantes del diseo bsico RD
Var Depend
Var Asignacin
Corte 1
X
C1
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
Participantes con asignacin bajo Corte 1
se asignan al grupo control,
Participantes con asignacin sobre Corte 2
se asignan al grupo tratamiento,
Participantes con asignacin entre Corte 1
y Corte 2 se asignan aleatoriamente sea al
tratamiento o control.
Se puede integrar la discontinuidad de
regresin con el diseo experimental:
Use mtiples cortes para crear varios
grupos:
Asigne algunos grupos para ser
tratamiento y control, como en un
RD regular.
Dentro de grupos estratgicamen-
te seleccionados, asigne aleatoria-
mente sujetos al tratamiento y
control.
t
t
t
t
t
t
t
t
t
t
t
t
t
t
t
t
t
t
t
t
t
t
t
t
t
t
t
t
t
t
t
t
t
Corte 2
X
C2
Precisin aumentada (error estandar ms
bajo) para la comparacin grupo trata-
miento/control.
De esta manera se logra mayor poder esta-
dstico con el mismo tamao de muestra.
Posible modelo de hiptesis:


( )
i C i i i
X X T Y c | | + + + =
1 1 0
|
1
|
1

|
0