Experimental Approach Flashcards
¿Por qué es mejor usar un approach experimental siempre que se pueda? ¿Cuál es la situación ideal del experimento? ¿Cuáles son las dos etapas de un diseño experimental?
Porque la variabilidad suele ser más exógena o al menos es más creíble la exogeneidad. Un sorteo y una muestra grande es la situación ideal.
Tiene 2 etapas:
→ First Stage Randomization: implica asignar aleatoriamente a un grupo representativo de la población dentro del experimento.
→ Second Stage Randomization: implica asignar aleatoriamente a la población elegida entre grupo tratado y grupo control.
¿Qué validez le da el First Stage Randomization al diseño experimental? ¿Qué posible rol juegan los mecanismos?
Le da validez externa, te permite extrapolar los resultados de tu experimento a toda la sociedad. Es una característica deseable del diseño.
Muchas veces, la validez externa la otorgan los mecanismos. Es decir, cuando entendés los mecanismos te das cuenta si tu diseño tiene validez externa o no.
¿Cómo obtenés validez interna en un diseño experimental?
A través de la Second Stage Randomization. Sin validez interna no se puede establecer causalidad, es lo que valida toda la investigación. Sucede cuando tenés dos grupos (tratamiento y control) que son iguales en todo excepto en el tratamiento.
¿Qué es más importante, la validez externa o la interna?
Lo importante (y condición necesaria) es tener validez interna. La validez externa es importante condicional a tener la otra. Por lo tanto, no tienen la misma ponderación en la calidad del trabajo.
¿Hacer Second Stage Randomization te garantiza tener causalidad?
¿Por qué es deseable tener una muestra grande?
No. Si yo genero randomización es porque inicialmente había algo en la población que no me gustaba. Entonces, es posible caer en la asignación que inicialmente intentabas evitar luego de randomizar.
Ex-ante lo solucionás con valor esperado pero ex-post podés caer en una de las que no querías y que luego te generen un resultado inconsistente.
El sorteo te permite, ex-ante, argumentar que, como los observables te quedan balanceados, los inobservables también. El problema es que no podés ver nada ex-post sorteo.
Yo ex-post puedo corregir por observables que me quedaron desbalanceados pero para los inobservables tenés que suponer que no hay sesgo de selección (lo que me permite estimar el TOT con OLS).
Con una muestra grande, con la lógica de que si n → ∞, la probabilidad de que salga la asignación que genera sesgo de selección es cero. Entonces, mientras más grande el n, menos probabilidad de caer en el sesgo de selección (que correlacione el término de error con el tratamiento). Igualmente, nunca estás seguro.
