Combining strategies for the estimation of treatment effects

Abstract

The estimation of the average effect of a program or treatment on a variable of interest is an important tool for the assessment of economic policies. In general, assignment of potential participants to treatment does not occur at random and could thus generate a selection bias in absence of some correction. A way to get around this problem is by assuming that the econometrician observes a set of determinant characteristics of participation up to a strictly random component. Under such an assumption, the literature contains semiparametric estimators of the average treatment effect that are consistent and can asymptotically reach the semiparametric efficiency bound. However, in frequently available samples, the performance of these methods is not always satisfactory.The aim of this paper is to investigate how the combination of two strategies may generate estimators with better properties in small samples. Therefore, we consider two ways of combining these approaches, based on the double robustness literature developed by James Robins et al. We analyze the properties of these combined estimators and discuss why they can outperform the separate use of each method. Finally, using a Monte Carlo simulation, we compare the performance of these estimators with that of the imputation and reweighting techniques. Our results show that the combination of strategies can reduce bias and variance, but this improvement depends on adequate implementation. We conclude that the choice of smoothing parameters is decisive for the performance of estimators in medium-sized samples.

Uma ferramenta importante na avaliação de políticas econômicas é a estimação do efeito médio de um programa ou tratamento sobre uma variável de interesse. Em geral, a atribuição do tratamento aos potenciais participantes não é aleatória, o que pode causar viés de seleção quando desconsiderada. Uma maneira de resolver esse problema é supor que o econometrista observa um conjunto de características determinantes, a menos de um componente estritamente aleatório, da participação. Sob esta hipótese, existem na literatura estimadores semiparamétricos do efeito médio do tratamento que são consistentes e capazes de atingir, assintoticamente, o limite de e ciência semiparamétrico. Entretanto, nas amostras freqüentemente disponíveis, o desempenho desses métodos nem sempre é satisfatório. O objetivo deste trabalho é estudar como a combinação das duas estratégias pode produzirestimadores com melhores propriedades em amostras pequenas. Para isto, consideramos duas formas de integrar essas abordagens, tendo como referencial teórico a literatura de estimação duplamente robusta desenvolvida por James Robins e co-autores. Analisamos suas propriedades e discutimos por que podem superar o uso isolado de cada uma das técnicas que os compõem. Finalmente, comparamos,num exercício de Monte Carlo, o desempenho desses estimadores com os de imputação e reponderação. Os resultados mostram que a combinação de estratégias pode reduzir o viés e a variância, mas isso depende da forma como é implementada. Concluímos que a escolha dos parâmetros de suavização é decisiva para o desempenho da estimação em amostras de tamanho moderado.