Читать книгу: «Guía práctica para la evaluación de impacto», страница 2

Шрифт:

1.3. Evaluación de proyectos vs. evaluación de impacto

La evaluación de proyectos (el análisis de rentabilidad de programas de infraestructura) difiere sustancialmente de la evaluación de impacto (el análisis contrafactual de intervenciones sociales). La primera está basada en un análisis ex ante detallado de los beneficios y los costos esperados de un proyecto. En el caso de la construcción de una nueva vía, por ejemplo, es necesario estimar el número esperado de usuarios y los beneficios correspondientes: los ahorros de tiempo y dinero para un horizonte temporal previamente definido. Los beneficios deben compararse con los costos estimados, para así calcular la tasa de retorno del proyecto.

La evaluación de impacto, o ex post, está basada en un análisis contrafactual, en la comparación entre los resultados efectivamente observados en presencia del programa y los que habrían sido observados en su ausencia. Esta comparación permite, bajo algunos supuestos adicionales, calcular la tasa de retorno del programa o proyecto evaluado. En la evaluación de proyectos, la clave está en el cálculo correcto de los beneficios y los costos esperados; en la evaluación de impacto, en la estimación adecuada del contrafactual,⁴ para establecer una relación causal entre la política y los impactos generados. Ambos tipos de análisis son complementarios y ambos brindan una importante información para la toma de decisiones.

El análisis de proyectos no permite obviamente tener en cuenta los beneficios o efectos no esperados. El análisis de impacto, en la mayoría de los casos, no permite medir efectos de largo plazo o efectos dinámicos. Hoy en día casi la totalidad de los proyectos de infraestructura cuentan con un análisis exhaustivo de costo-beneficio. De la misma manera, los programas sociales deberían contemplar, desde su mismo diseño, un análisis exhaustivo del impacto. El impacto estimado del programa es un insumo indispensable para la medición de los beneficios del programa que se requieren para el análisis costo-beneficio. Este tipo de análisis, como se dijo previamente, contribuye a aumentar la calidad del gasto y la eficiencia de las iniciativas sociales.⁵ Sin embargo, para el caso de las políticas sociales, es difícil realizar un análisis costo-beneficio robusto. Con frecuencia, los resultados son muy sensibles a la manera como se valoran los beneficios de las intervenciones y a los supuestos que se hacen.

1.4. Estructura del libro

El libro logra un balance entre la diversidad de temas cubiertos y la profundidad con la que se describe cada uno. Este libro hace una presentación clara, detallada y exhaustiva de las principales metodologías de evaluación de impacto en un lenguaje fácil. La presentación es rigorosa pero no se centra en los aspectos técnicos. En cambio, se enfatiza la intuición detrás de los métodos. En cada capítulo se combina una explicación rigorosa de los temas con la presentación de diversos ejemplos y casos de la vida real. Las diferentes metodologías se ponen en perspectiva, enfatizando las ventajas y desventajas de las técnicas de manera comparativa, así como los requerimientos técnicos y de datos de cada una, para orientar al evaluador en la escogencia de la metodología más apropiada. El libro pretende ayudar a los evaluadores que operan bajo restricciones; no sólo se discute cuál es el ideal evaluativo, sino que también se proveen consejos prácticos acerca de qué metodologías se pueden aplicar cuando los datos no son ideales, que es un hecho la mayoría de las veces.

El libro supone alguna familiaridad con la estadística aplicada y con algunos conocimientos básicos de econometría. Sin embargo, no es un libro para especialistas. Todo lo contrario: es un libro para practicantes, un manual para evaluadores. El libro también puede ser usado como material docente en cursos avanzados de pregrado o de maestría. El material es suficiente para un curso de un semestre, pero puede usarse en cursos más cortos.

Todas las metodologías descritas se ilustran con ejemplos y aplicaciones reales. A lo largo de los capítulos se desarrolla un ejemplo que ilustra las diferentes metodologías para el programa de nutrición infantil Canasta. Al final de cada capítulo se incluyen algunos ejemplos del uso de las metodologías tomados de la literatura nacional e internacional.

El libro contiene dos innovaciones pedagógicas. Incluye, en primer lugar, una serie de ejercicios prácticos, programados en Stata, que ilustran con ejemplos comparables la forma de abordar el análisis cuantitativo para cada una de las metodologías expuestas. Siguiendo al paquete estadístico, a lo largo del libro presentamos los números según la siguiente convención: el punto separa los decimales y la coma es el separador de miles. En segundo lugar, el libro incluye un conjunto de presentaciones en Power Point que resumen esquemáticamente los principales puntos de las metodologías tratadas. Los ejercicios y las presentaciones deberían ser de gran utilidad para docentes y evaluadores.

El libro está dividido en tres partes. La primera parte hace una presentación formal del problema de la evaluación y una descripción teórica y práctica del llamado sesgo de selección. El problema de la evaluación consiste en la medición de los efectos de un programa sobre un conjunto de variables de resultado previamente definidas. Esta medición está basada en el llamado análisis contrafactual. Las diversas metodologías abordan este análisis de manera diferente.

La segunda parte del libro describe las metodologías experimentales y cuasi experimentales de evaluación. En la situación ideal, los beneficiarios del programa son escogidos aleatoriamente de un grupo de beneficiarios potenciales. En una situación similar, la asignación aleatoria no se hace de manera deliberada sino que obedece a una circunstancia fortuita, independiente del programa (por ejemplo, un accidente geográfico define quiénes son los beneficiarios y quiénes no, dentro de una población homogénea). En ambos casos, en los experimentos aleatorios y en los experimentos naturales, el sesgo de selección es (al menos en teoría) inexistente y la medición del impacto resulta de una comparación entre los beneficiarios y los no beneficiarios.

La tercera parte del libro presenta las principales metodologías no experimentales: la de emparejamiento, la de variables instrumentales, la de regresiones discontinuas, la metodología de funciones de control, la estimación de modelos estructurales y, finalmente, el análisis de intensidad. Cada metodología tiene una forma distinta de lidiar con el sesgo de selección. La escogencia de la metodología depende, en última instancia, de las características del programa bajo análisis y la disponibilidad de datos. Las conclusiones describen brevemente las variables que se deben tener en cuenta a la hora de escoger una metodología de evaluación.

Existe un reconocimiento público y privado de la relevancia de la evaluación de impacto en el diseño de políticas públicas en países en desarrollo. De hecho, muchos países han adoptado políticas de evaluación de impacto de programas nuevos o establecidos. Para lograr el mejor aprovechamiento de los resultados evaluativos, es necesario mejorar la capacidad de evaluación en el sector público mediante el diseño y difusión de metodologías e instrumentos de evaluación, y la capacitación de los funcionarios públicos. Es incluso deseable mejorar la comprensión de las evaluaciones de impacto por parte de los políticos y de la ciudadanía, para que mejore la rendición de cuentas. La difusión del conocimiento de cómo realizar evaluaciones y de cómo interpretar los resultados, sin embargo, no ha avanzado al ritmo requerido. Esto se debe, en gran parte, a que esta literatura, por ser relativamente nueva, no ha sido incorporada aún en los libros de texto, y menos aún traducida al español. Por tanto, el conocimiento de las técnicas de evaluación de impacto se reduce a un limitado grupo de técnicos. Este libro tiene por objetivo llenar este vacío.

No existe, ni internacional ni nacionalmente, un libro de texto en español que describa y compare las diferentes metodologías de punta para la evaluación de impacto. Se encuentran disponibles, sin embargo, algunos resúmenes de literatura⁶ (survey papers) en inglés que presentan el material para un público experto. Este libro, al presentar las metodologías de manera básica pero rigorosa, puede ser utilizado tanto por técnicos que aplican las metodologías como por diseñadores de política o políticos que requieren interpretar los resultados de evaluaciones existentes. Sería deseable que también fuera usado por políticos interesados en impulsar las mejores políticas y los ciudadanos que quieren realizar una rendición de cuentas mejor informada.

Agradecimientos

Queremos agradecer a la Facultad de Economía de la Universidad de los Andes por la financiación que hizo posible este proyecto. Agradecemos especialmente a Alejandro Gaviria por su apoyo e insumos en diferentes etapas de desarrollo del proyecto. La valiosa ayuda de Rodrigo Azuero en la elaboración de las bases de datos y los programas de Stata que acompañan este libro, la de Lorena Caro en el diseño de las presentaciones de clase que complementan este texto, y la de Liliana Olarte con el proceso de edición de los diferentes capítulos, fueron fundamentales.

Los comentarios de personas que leyeron porciones del libro en distintos momentos de avance enriquecieron el texto, y les estamos muy agradecidas. Queremos agradecer especialmente a Marcos Vera por su juiciosa y comprehensiva lectura del texto entero; sus sugerencias mejoraron sustancialmente el texto. Agradecemos también a Adriana Camacho por sus comentarios al capítulo de “Regresión discontinua” y a nuestros estudiantes en las clases de evaluación por habernos mostrado la relevancia de este proyecto.

Agradecemos a Francisco Gallego por tener la iniciativa de publicar esta segunda edición del libro en Chile, y a él y a Claudia Martínez por sus valiosas sugerencias acerca de los ejemplos.

Finalmente, a Mauricio, Helena, Juan Pablo y Juan Miguel por el aliento diario.

Bibliografía

Attanasio, O. y M. Vera-Hernández, 2004, “Medium and Long Run Effects of Nutrition and Child Care: Evaluation of a Community Nursery Programme in Rural Colombia”, The Institute for Fiscal Studies, Working Paper 04/06.

Bernal, R., C. Fernández, C. E. Flórez, A. Gaviria, P. R. Ocampo, B. Samper y F. Sánchez, 2009, “Evaluación de impacto del Programa Hogares Comunitarios de Bienestar del ICBF”, Documento CEDE, No. 16, julio.

Blundell, R. y M. Costa Dias, 2009, “Alternative Approaches to Evaluation in Empirical Microeconomics,” Journal of Human Resources, University of Wisconsin Press, vol. 44(3), 565-640.

Buchanan, J. M. y G. Tullock , 1962, The Calculus of Consent: Logical Foundations of Constitutional Democracy. Ann Arbor: Ann Arbor Paperbacks.

Filmer, D. y L. H. Pritchett, 2001, “Estimating Wealth Effects without Expenditure Data–or Tears: An Application to Educational Enrolments in States of India”, Demography, vol. 38(1), 115-132.

Gaviria, A., 2002, “Household Responses to Adverse Income Shocks in Latin America”, Desarrollo y Sociedad, No. 49.

Gaviria, A. y C. E. Vélez, 2001, “¿Quiénes soportan la carga del crimen en Colombia?”, Coyuntura Económica, vol. XXXI, No. 2, 75-93.

Heckman, J., R. LaLonde y J. Smith, 1999, “The Economics and Econometrics of Active Labor Market Programs,” en O. Ashenfelter y D. Card, capítulo 31, Handbook of Labor Economics, Vol. IV, 1865-2073.

Lasso, F., 2004, “Incidencia del gasto público social sobre la distribución del ingreso y la reducción de la pobreza”, Misión para el Diseño de una Estrategia para la Reducción de la Pobreza y la Desigualdad, Departamento Nacional de Planeación, Colombia.

Perotti, R., 2005, “Public Spending on Social Protection in Colombia: Analysis and Proposals”, en Alberto Alesina (ed.), Institutional Reforms: The Case of Colombia. Cambridge: MIT Press.

Ravallion, M., 1999, “The Mystery of the Vanishing Benefits: Ms. Speedy Analyst’s Introduction to Evaluation”, Policy Research Working Paper 2153, World Bank, Development Economics Research Group, Washington, D.C.

Robinson, J. A. y T. Ragnar, 2005, “White elephants”, Journal of Public Economics, vol. 89, 197-210.

Smith, J., 2000, “A Critical survey of Empirical Methods for Evaluating Active Labor Market Policies”, Schweizerische Zeitschrift fr Volkswirthschaft und Statistik, 136(6), 1-22.

White, H., 2009, “Theory-Based Impact Evaluation: Principles and Practice”, Working Paper No. 3, International Initiative for Impact Evaluation, junio.

1 Robinson y Ragnar (2005) argumentan que, en general, los políticos prefieren los proyectos de baja rentabilidad y bajo impacto social, pues éstos son más eficaces para demostrar ante sus electores su capacidad de influir sobre los presupuestos públicos.

2 Filmer y Pritchett (2001) argumentan que la clasificación socioeconómica basada en las características de las viviendas y la posesión de activos fijos es menos susceptible a las fluctuaciones de corto plazo que la basada en el ingreso o en el consumo corriente. Gaviria y Vélez (2001) compararon ambas clasificaciones, con base en la Encuesta de Calidad de Vida de Colombia, y no encontraron diferencias sustanciales.

3 Ver, por ejemplo, el capítulo 7 de este libro para mayor detalle al respecto.

4 Ver capítulo 2 para la definición detallada del contrafactual en una evaluación de impacto.

5 Arnold Harberger, uno de los principales promotores de la evaluación en los países en desarrollo, ha dicho reiteradamente que para manejar la macroeconomía de un país basta con cinco o seis personas, pero que para gastar bien se necesita un ejército de evaluadores de programas y proyectos.

6 Ver, por ejemplo, Heckman, LaLonde y Smith (1999), Blundell y Costa Dias (2009), Smith (2000).

PARTE I

EL PROBLEMA DE EVALUACIÓN DE IMPACTO

2

DEFINICIÓN DE PARÁMETROS DE IMPACTO DEL TRATAMIENTO

El problema de evaluación consiste en medir el impacto del programa (o tratamiento) sobre un conjunto de variables de resultado en un conjunto de individuos. Por ejemplo, el efecto que tiene un programa de nutrición en los indicadores antropométricos (estatura y peso) de los individuos participantes. Las variables de resultado son las variables sobre las cuales se espera que el programa tenga un efecto en los individuos beneficiarios del programa evaluado. En nuestro ejemplo, serían los indicadores de estado nutricional porque el programa es un programa de nutrición.

El problema de evaluación de impacto consiste entonces en establecer la diferencia entre la variable de resultado del individuo participante en el programa en presencia del programa y la variable de resultado de ese individuo en ausencia del programa. Esta diferencia es lo que se conoce como efecto del tratamiento o programa. El problema fundamental que se enfrenta en una evaluación de impacto es que para construir el efecto del tratamiento necesitaríamos conocer la diferencia entre la variable de resultado del individuo participante una vez se ha implementado el programa y la variable de resultado que habría obtenido ese individuo en el caso hipotético de que no existiera el programa. Claramente, no se pueden observar ambos resultados para el mismo individuo al mismo tiempo. El segundo resultado, es decir, el resultado del individuo participante si el programa no existiera, es hipotético y, por ende, no se observa. Este resultado hipotético se denomina resultado contrafactual en la literatura de evaluación de impacto.

El marco teórico estándar para formalizar el problema de la evaluación de impacto se basa en el modelo de resultado potencial o modelo Roy-Rubin (Roy (1951) y Rubin (1974)). Formalmente, definimos el indicador del tratamiento como Di. En el caso en que el tratamiento es binario (por ejemplo, el niño participa en el programa de nutrición o no participa) entonces Di = 1 si el individuo i recibe el tratamiento (es tratado) y 0 de lo contrario. Las variables de resultado las definimos como Yi(Di) para cada individuo i = 1 … N y N denota la población total. Es decir, Yi(1) es la variable de resultado si el individuo i es tratado y Yi(0) es la variable de resultado si el individuo i no es tratado. El efecto del tratamiento (o impacto del programa) para un individuo i se puede escribir como:

De nuevo, el problema fundamental de la evaluación de impacto es que en la realidad sólo se da uno de los dos resultados potenciales Yi(1) o Yi(0) para cada individuo i pero no ambos. Es decir, en los datos solamente queda registrado Yi(1) si Di = 1 y Yi(0) si Di = 0. En otras palabras, el investigador no dispone del resultado con tratamiento si el individuo no fue tratado, Yi(1) si Di = 0, ni dispone del resultado en ausencia del tratamiento si el individuo ha sido efectivamente tratado, Yi(0) si Di = 1. Note que el impacto del programa (medido por la diferencia (2.1)) se refiere a un momento dado en el tiempo y, por tanto, no es equivalente a comparar el mismo individuo en dos momentos distintos del tiempo (antes y después de la intervención).⁷ Por tanto, el resultado observado se puede escribir como:

En este caso, y en adelante, se entiende que una variable es observada si la información existe y está registrada en los datos a disposición del investigador. De manera análoga, una variable no observada es aquella que no existe o no quedó registrada en la base de datos disponible.

En últimas, debido a que uno de los dos resultados en la ecuación (2.1) no es observable para cada individuo i, no es posible estimar el efecto individual del tratamiento, i. El análisis se debe concentrar en el impacto promedio del programa en la población o en subconjuntos de la población (dependiendo del interés de política que se tenga). En primera instancia, se puede estimar el impacto promedio del programa (o efecto medio del tratamiento) en la población (o ATE⁸):

donde E[·] denota el operador de expectativas.

Una representación simple de la variable de resultado con base en el modelo de regresión lineal está dada por:

El efecto ATE se interpreta como el cambio promedio en la variable de resultado cuando un individuo escogido al azar pasa aleatoriamente de ser participante a ser no participante. Este parámetro es particularmente relevante en el caso de la evaluación de un programa universal. En la mayoría de los casos, sin embargo, el tratamiento o programa no es universal sino que sólo está disponible para un subconjunto de la población, generalmente porque el programa ha sido focalizado. En este caso, es posible utilizar un estimador que únicamente promedie el efecto sobre la población elegible.

Por un lado, se puede utilizar el impacto promedio del programa sobre los tratados (o ATT⁹), que es, por lo general, el parámetro de mayor interés en una evaluación de impacto. Es decir, el efecto promedio del tratamiento en el subconjunto de individuos que fueron efectivamente tratados. Éste corresponde a la diferencia entre la media de la variable de resultado en el grupo de los participantes y la media que hubieran obtenido los participantes si el programa no hubiera existido:

donde E[.|D] denota el operador de expectativas condicional.

En este caso, E[Y_i(0)|D_i = 1] es el valor esperado de la variable de resultado en el grupo de tratamiento en presencia del tratamiento y E[Y_i(0)|D_i = 1] que se conoce como el resultado contrafactual, es el valor esperado de la variable de resultado en el grupo de tratamiento en ausencia del tratamiento. Evidentemente, el promedio contrafactual, es decir, el resultado promedio de los individuos tratados de no haber existido el programa o tratamiento, es un resultado hipotético, por lo cual no se observa en la realidad, y por tanto no queda registrado en los datos. El efecto promedio del programa sobre los tratados es particularmente relevante para definir si un programa existente debe continuar o, por el contrario, debe eliminarse o modificarse.

Por otra parte, se puede estimar el impacto promedio del programa sobre los no participantes (o ATU¹⁰), que corresponde a la diferencia entre la media de la variable de resultado que habrían tenido los no participantes si hubieran participado en el programa y la media de la variable de resultado que efectivamente tuvieron los no participantes al no haber participado:

En este caso, el resultado contrafactual, E[Y_i(0)|D_i = 1], corresponde al promedio de la variable de resultado de los no participantes si hubieran participado en el programa, dado que estos individuos no han sido tratados. Evidentemente, este contrafactual es hipotético, por lo cual no se observa en la realidad, y por tanto no queda registrado en los datos. El parámetro ATU es relevante cuando la evaluación tiene por objetivo investigar si el programa se debe extender o no a otros grupos de la población.

En cualquiera de los dos casos, ATT o ATU, es necesario escoger una aproximación apropiada (o sustituto) del contrafactual dado que este es un resultado hipotético que no se observa en la realidad, y por tanto no queda registrado en los datos. Por ejemplo, en el caso del ATT se requiere una aproximación de E[Y_i(0)|D_i = 1], es decir, el promedio de la variable de resultado entre los participantes en ausencia del programa. En principio, se podría utilizar el promedio de la variable de resultado entre los individuos no participantes pero elegibles para participar en el programa (conocido en la jerga de evaluación de impacto como el grupo de control o grupo de comparación), E[Y_i(0)|D_i = 1], como una aproximación de E[Y_i(0)|D_i = 1] Es decir, se podría utilizar el resultado de los no participantes (pero elegibles) como una aproximación del resultado que habrían tenido los participantes si el programa no hubiera existido.

Sin embargo, esta comparación podría generar estimaciones inexactas del efecto del programa, dado que los participantes y los no participantes generalmente son diferentes, aun en ausencia del programa.¹¹ Por ende, las variables de resultado del grupo de tratamiento y el grupo de control podrían ser diferentes, aun si el programa no existiera. Este problema se conoce como sesgo de autoselección. Por ejemplo, es posible que los niños participantes en el programa de nutrición provengan de familias más vulnerables que los niños elegibles pero que no participan en el programa. Las variables de vulnerabilidad, como el ingreso del hogar y la educación de los padres, pueden tener efectos directos sobre los indicadores antropométricos que estamos utilizando como variable de resultado, aparte del efecto directo del programa evaluado. Por ejemplo, en hogares con más ingreso la dieta puede ser mejor que en hogares con menos ingresos. De ser así, al comparar los resultados de desnutrición, por ejemplo, del grupo de tratamiento con los del grupo de control podríamos estar atribuyendo al programa un efecto negativo que en realidad se debe a que el grupo de niños tratados es más pobre y de padres menos educados que el grupo de niños usados como control. En este caso, estaríamos subestimando el efecto del programa, debido a que no hemos tenido en cuenta las diferencias preexistentes entre los dos grupos que afectan tanto la probabilidad de participación en el programa como la variable de resultado (desnutrición).¹²

Además de posibles diferencias observadas entre los dos grupos (como ingresos del hogar y educación de los padres), es también posible que existan diferencias no observadas o no medidas entre los dos grupos. Por ejemplo, puede ser que las madres de familia participantes en el programa estén más motivadas o atentas o sean más proactivas respecto al desarrollo de sus hijos, por lo cual se esmeraron en lograr la participación en el programa. El problema de autoselección radica en que la motivación de las madres (que no observamos y sería difícil de medir) afecta no sólo la probabilidad de participar en el programa, sino también el estado nutricional de los niños. Esto es porque las madres más motivadas podrían vigilar mejor la dieta de sus hijos. Por tanto, la diferencia observada en el estado nutricional de los niños de los dos grupos se podría deber parcialmente a la diferencia en el nivel de motivación de las madres, y no exclusivamente a que un grupo participa en el programa y el otro no.

Note que la comparación entre el promedio de la variable de resultado de los participantes y el promedio de la variable de resultado de los no participantes está dada por:

Adicionalmente, sabemos que el ATT está dado por:

Restando E[Y_i(0)|D_i = 1] a ambos lados de la ecuación obtenemos:

donde el lado derecho de la ecuación (2.7) es la diferencia entre el promedio de la variable de resultado de los participantes y el promedio de la variable de resultado de los no participantes.

De la ecuación (2.7) se deduce que utilizar E[Y_i(0)|D_i = 1] como aproximación del contrafactual, E[Y_i(0)|D_i = 1], permite recuperar el ATT si y sólo si

Esta condición implica que la variable de resultado en ausencia del programa debería ser idéntica para el grupo de individuos tratados (D = 1) y el grupo de individuos no participantes o grupo de control (D = 0), lo cual, como ya se ha expuesto, es un supuesto bastante fuerte. Por esta razón, la simple comparación de medias de las variables de resultado entre el grupo de tratamiento y el grupo de control generaría una aproximación inexacta del efecto del programa sobre el grupo de niños tratados, con excepción de un programa implementado a manera de experimento aleatorio. Este caso será estudiado en detalle en el capítulo 4.

Si el supuesto (2.8) se cumple, es decir, si el valor promedio de la variable de resultado en ausencia del programa fuera idéntico para el grupo de individuos tratados (D = 1) que para el grupo de individuos no participantes (D = 0), entonces el efecto del programa estaría dado por:

En este caso, el estimador de ATT estaría dado por el análogo muestral de (2.9), es decir:

donde Ȳ|D es el promedio muestral de la variable de resultado, dado el estatus de participación D. Es decir, el estimador del efecto del programa bajo el supuesto (2.8) resulta de comparar el promedio muestral de Y en el grupo de tratamiento con el promedio muestral de Y en el grupo de control. Esta comparación de medias se puede implementar fácilmente por el método de regresión de la siguiente manera:

donde Yi es la variable de resultado para el individuo i, Di es una variable binaria¹³ que toma el valor de 1 si el individuo i participa en el tratamiento (o programa) y 0 si el individuo i es elegible pero no participa en el programa, y ui es el término de error de la regresión que recoge las variables observadas y no observadas del individuo i, aparte de Di , que afectan la variable de resultado. Como ATT es generalmente el parámetro de interés en evaluación de impacto, en adelante nos referimos simplemente a .

Si el supuesto (2.8) se cumple, entonces no existe correlación entre la participación en el programa (el indicador Di) y todas las características del individuo contenidas en ui porque el supuesto implica que los individuos participantes son idénticos a los individuos no participantes. En otras palabras, la participación es independiente de las características del individuo y, por tanto, E[Y_i(0)|D_i = 0] es una aproximación adecuada del contrafactual E[Y_i(0)|D_i = 1]. Formalmente, esto implica que

Éste se conoce como el supuesto de independencia condicional e indica que conocer Di no añade ninguna información adicional acerca de ui. En otras palabras, los individuos que participan en el programa no son sistemáticamente distintos de los individuos que no participan en el programa en características contenidas en ui .

Bajo el supuesto (2.12), el estimador de β₁ por el método de mínimos cuadrados ordinarios (MCO)¹⁴ es consistente e insesgado.¹⁵ Lo primero implica que el estimador de β₁ por MCO, , converge en probabilidad a β₁, es decir, el límite del estimador a medida que aumenta el tamaño de muestra es exactamente el parámetro que se va a estimar. Lo segundo significa que el valor esperado del estimador de MCO es igual al valor del parámetro, es decir, E() = β₁, independientemente del tamaño de la muestra.

El parámetro β₁ en la ecuación (2.11) se interpreta como el efecto del programa o la diferencia de medias de la variable de resultado entre el grupo de tratamiento y el grupo de control. Note que tomando expectativa condicional en la ecuación (2.11) se obtiene: