📈 economics

A Toolkit for the Study of Treatment-Effect Discontinuities

Este artículo introduce un conjunto de herramientas integral para analizar discontinuidades en la distribución de los efectos del tratamiento mediante la propuesta de un marco que combina Análisis de Discontinuidad Horizontal y Vertical, adaptando la asintótica de punto de cruce para la detección de cruce por cero, y demostrando el enfoque a través de datos sintéticos y de datos reales de PROGRESA.

Autores originales: Alessandro Baldi Antognini, Paolo Verme

Publicado 2026-06-29

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Alessandro Baldi Antognini, Paolo Verme

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que eres un médico intentando comprender cómo un nuevo medicamento afecta a un grupo de pacientes. La forma antigua de hacer las cosas era observar el promedio del resultado. Dirías: "En promedio, este medicamento reduce la presión arterial en 10 puntos".

Pero, ¿qué pasa si el medicamento es maravilloso para algunos, no hace nada para otros y, de hecho, empeora las cosas para unos pocos? El "promedio" oculta esa realidad desordenada. Es como decir que una habitación es "cómoda" porque la temperatura media es de 70 °F, aunque una esquina esté congelada y la otra sea un horno.

Este artículo presenta un nuevo conjunto de herramientas para dejar de ocultar esos detalles desordenados. Se centra en dónde y por qué los efectos de una política o tratamiento cambian de "bueno" a "malo" (o viceversa) entre un grupo de personas.

Aquí está el desglose de su nuevo conjunto de herramientas, utilizando analogías sencillas:

1. El Mapa: La Curva de Efecto del Tratamiento (TEC)

En lugar de limitarse a mirar el promedio, los autores dibujan un mapa llamado Curva de Efecto del Tratamiento (TEC).

La Analogía: Imagina un paisaje montañoso que representa a todas las personas de tu estudio, dispuestas de la más pobre a la más rica (o de la puntuación más baja a la más alta).
La Curva: Esta línea muestra la diferencia entre el grupo "tratado" y el grupo "no tratado" en cada punto de esa colina.
- Si la línea está por encima de cero, el tratamiento está ayudando a las personas en ese punto.
- Si la línea está por debajo de cero, el tratamiento les está perjudicando.
- Si la línea cruza el cero, ese es el momento en que el tratamiento deja de ayudar y empieza a perjudicar (o viceversa).

Los autores argumentan que encontrar estos puntos de cruce es la parte más importante del mapa porque es donde la historia cambia.

2. Las Dos Herramientas: HDA y VDA

Una vez que encuentran dónde la línea cruza el cero, utilizan dos herramientas específicas para investigar más a fondo.

A. Análisis de Discontinuidad Horizontal (HDA) – "La Comparación de Vecindarios"

La Idea: Imagina que el punto de cruce divide a tu grupo en dos vecindarios: uno donde el tratamiento ayuda y otro donde perjudica.
La Herramienta: El HDA observa a las personas que viven en el "Vecindario de Ayuda" y las compara con las personas en el "Vecindario de Perjuicio".
El Objetivo: Pregunta: "¿Qué hace que las personas del grupo de ayuda sean diferentes de las del grupo de perjuicio?" (por ejemplo, ¿tienen más educación? ¿son más jóvenes?). Utiliza un algoritmo informático inteligente (llamado "Bosque Causal" o Causal Forest) para encontrar estos patrones.

B. Análisis de Discontinuidad Vertical (VDA) – "El Chequeo del Borde del Acantilado"

La Idea: Esto observa el momento exacto en que la línea cruza el cero. ¿Es una pendiente suave o un acantilado pronunciado?
La Herramienta: Comprueba a las personas que están justo en el lado de la ayuda y justo en el lado del perjuicio del punto de cruce.
El Objetivo: Intenta ver si hay un salto repentino y brusco en los resultados justo en esa línea.
La Advertencia: Los autores advierten que, a diferencia de una regla de política estándar (como "recibes un bono si obtienes 80%"), estos puntos de cruce son encontrados por los datos, no establecidos por una regla. Por lo tanto, lo tratan como una "detección" de una ruptura en el patrón, no como una ley de causa y efecto garantizada.

3. El Problema de la "Regla": Cómo Medir el Cruce

El artículo dedica mucho tiempo a la matemática de medir estos puntos de cruce con precisión.

El Problema: Si la línea cruza el cero de forma muy suave (como una rampa poco profunda), es difícil saber exactamente dónde cruza. Si cruza de forma pronunciada (como un acantilado), es fácil de detectar.
La Solución: Desarrollaron una regla estadística especial que corrige el "desenfoque" (blur).
- Si el cruce es empinado, pueden localizar el punto con mucha precisión.
- Si el cruce es plano, su regla admite: "No podemos estar seguros de dónde está exactamente esto", y advierte a los investigadores que no tomen decisiones basadas en una suposición.

4. Probando el Conjunto de Herramientas

Los autores probaron su nuevo conjunto de herramientas de dos maneras:

Datos Sintéticos (La Simulación): Crearon un mundo falso donde sabían exactamente dónde el tratamiento ayudaba y dónde perjudicaba. Ejecutaron su conjunto de herramientas en estos datos falsos, y este encontró con éxito los puntos de cruce e identificó correctamente a los grupos.
Datos Reales (El Chequeo de PROGRESA): Aplicaron la herramienta a datos reales de un programa de pobreza en México.
- Resultado 1: Para las personas que recibían el dinero directamente, el tratamiento ayudó a todos (la línea se mantuvo por encima de cero). No hubo necesidad de cruce.
- Resultado 2: Para los vecinos (que no recibieron dinero pero vivían cerca), los efectos fueron diminutos y desordenados. La línea oscilaba alrededor del cero, cruzándolo algunas veces, pero los cruces eran tan "planos" y borrosos que la herramienta identificó correctamente: "No podemos encontrar una línea clara aquí". Esto evitó que inventaran una historia falsa sobre un corte abrupto.

Resumen

Este artículo ofrece a los investigadores una mejor manera de observar los datos. En lugar de simplemente decir "El efecto promedio es positivo", permite decir:

"El tratamiento ayuda al grupo medio, perjudica a los muy pobres y no tiene efecto en los ricos. Aquí es exactamente donde ocurre el cambio, y aquí es por qué los grupos son diferentes".

Es un conjunto de herramientas para encontrar las historias ocultas dentro del promedio, asegurando que las políticas no ayuden accidentalmente a un grupo mientras perjudican a otro sin que nadie lo note.

Resumen Técnico: Un conjunto de herramientas para el estudio de las discontinuidades en los efectos del tratamiento

Planteamiento del problema
Si bien los Efectos Promedio del Tratamiento (ATE, por sus siglas en inglés) han servido durante mucho tiempo como la columna vertebral de la evaluación de impacto, a menudo oscurecen heterogeneidades importantes en los efectos del tratamiento a través de la distribución de los resultados. La literatura reciente sobre Efectos de Tratamiento Distribucionales (DTE) ha avanzado mediante la regresión cuantílica, los bosques causales y las pruebas de dominancia estocástica. Sin embargo, persiste una brecha específica en el análisis de las discontinuidades en los efectos del tratamiento, definidas como puntos donde los efectos distribucionales marginales cambian de signo (es decir, donde las Funciones de Distribución Acumulativa [CDF] de los grupos tratados y de control se cruzan). Las herramientas existentes suelen tener dificultades para separar claramente las regiones de signos opuestos o para proporcionar una inferencia rigurosa sobre la ubicación y la naturaleza de estos cruces. Los autores argumentan que identificar dónde y cómo se cruzan las distribuciones es crítico para las políticas públicas, ya que revela subgrupos que se benefician frente a aquellos que podrían verse perjudicados, un matiz que se pierde en los efectos de la media o en las simples pruebas de dominancia.

Metodología
El artículo propone un conjunto de herramientas centrado en la Curva de Efectos del Tratamiento (TEC), definida como la diferencia entre las CDF de los grupos tratados ( $F_B$ ) y de control ( $F_A$ ): $\Delta(x) = F_A(x) - F_B(x)$ . El marco introduce dos enfoques analíticos complementarios:

Análisis de Discontinuidad Horizontal (HDA): Este método compara subgrupos de observaciones ubicadas en regiones donde la TEC tiene signos opuestos (por ejemplo, por debajo y por encima de un punto de cruce). Los autores utilizan Bosques Causales para estimar los Efectos Promedios Condicionales del Tratamiento (CATE) dentro de estos grupos distintos, con el objetivo de identificar covariables que expliquen por qué los efectos difieren en signo a través de la distribución.
Análisis de Discontinuidad Vertical (VDA): Este enfoque se centra en los puntos específicos donde la TEC cruza el cero. De forma análoga a los Diseños de Regresión Discontinua (RDD), examina la pendiente local de la TEC en estos puntos de cruce para determinar si el cambio de signo es abrupto (no tangencial) o gradual.

Marco Inferencial
El artículo adapta la asintótica de los puntos de cruce al entorno de la TEC, abordando dos objetos de inferencia:

Ubicación del Punto de Cruce: Los autores proponen localizar los ceros utilizando la diferencia no suavizada entre las CDF empíricas (ECDF), estableciendo que el estimador del punto de cruce $\hat{x}_0$ es $\sqrt{n}$ -consistente con una varianza inversamente proporcional al cuadrado de la pendiente local $[\Delta'(x_0)]^2$ .
Estimación de la Pendiente Local y Pruebas: Para evaluar la inclinación del cruce (probando $H_0: \Delta'(x_0) = 0$ ), los autores emplean estimadores de densidad de kernel con corrección de sesgo. Derivan un estadístico de Wald con corrección de sesgo para probar la no tangencialidad. Una contribución técnica clave es la demostración de que el uso de ECDF no suavizadas para la localización evita el sesgo horizontal inducido por el suavizado, mientras que la corrección de sesgo es esencial para el estimador de la pendiente para asegurar intervalos de confianza válidos para la ubicación del cruce.

Contribuciones Clave

Marco Metodológico: El artículo formaliza el HDA y el VDA como herramientas sistemáticas para estudiar la heterogeneidad de los efectos del tratamiento. Clarifica los supuestos de identificación, señalando que el VDA depende de umbrales determinados endógenamente (puntos de cruce derivados de los datos) en lugar de corteslı de política exógenos, lo que lo distingue del RDD estándar.
Procedimiento Inferencial: Los autores operacionalizan un procedimiento para localizar puntos de cruce y probar su no tangencialidad. Proporcionan un estudio de Monte Carlo que documenta el desempeño de estos estimadores en muestras finitas, incluyendo tasas de detección, tasas de falsos positivos, sesgo, RMSE y cobertura de intervalos de confianza.
Ilustración Empírica: El conjunto de herramientas se demuestra en dos conjuntos de datos:
- Datos Sintéticos: Un censo sintético del Banco Mundial donde los efectos del tratamiento se construyen para crear patrones de cruce específicos. Esto valida el flujo de trabajo (estimación de la TEC, inferencia, HDA, VDA) en un entorno controlado.
- Datos Reales (PROGRESA): Una aplicación diagnóstica al programa de transferencias monetarias condicionadas PROGRESA de México. El análisis revela que, mientras los hogares elegibles muestran dominancia estocástica de primer orden, los hogares no elegibles exhiben efectos de desbordamiento (spillover) sutiles y débiles con cambios de signo que son demasiado planos para sustentar un análisis de discontinuidad basado en umbrales.

Resultados

Evidencia de Monte Carlo: El estudio encuentra que el poder de detección para los puntos de cruce depende altamente de la pendiente del cruce. Los cruces pronunciados se detectan con alto poder incluso en muestras moderadas, mientras que los cruces planos requieren muestras grandes para una detección fiable. La tasa de falsos positivos para cruces espurios es insignificante en muestras de $n \geq 4,000$ .
Corrección de Sesgo: La corrección explícita del sesgo de la pendiente local mejora significativamente la recuperación de la verdadera pendiente y la calibración de los intervalos de confianza de la ubicación del cruce. Sin la corrección, los intervalos son excesivamente conservadores; con la corrección, logran una cobertura cercana a la nominal.
Aplicación de Datos Sintéticos: El conjunto de herramientas identificó con éxito dos puntos de cruce en los datos sintéticos, separando a la población en tres grupos con efectos negativos, positivos y negativos, respectivamente. El HDA mediante bosques causales identificó el gasto pre-tratamiento como el principal motor de estas diferencias.
Aplicación PROGRESA: El análisis confirmó la dominancia positiva para los hogares elegibles. Para los hogares no elegibles, la TEC reveló desbordamientos negativos débiles en la parte inferior de la distribución y efectos cercanos a cero en otras partes. Crucialmente, el procedimiento de inferencia diagnosticó correctamente que los cambios de signo eran demasiado planos (tangenciales) para justificar un VDA basado en umbrales, evitando afirmaciones espurias de rupturas estructurales.

Significancia y Reivindicaciones
El artículo afirma proporcionar un complemento necesario para los instrumentos existentes de DTE (dominancia estocástica, regresión cuantílica, bosques causales). Su principal significancia radica en ofrecer un conjunto de herramientas de diagnóstico que permite a los investigadores:

Identificar visual y estadísticamente dónde cambian de signo los efectos del tratamiento a lo largo de la distribución de los resultados.
Determinar si estos cambios de signo son lo suficientemente nítidos como para justificar un análisis de subgrupos (HDA) o un análisis de discontinuidad local (VDA).
Evitar la sobreinterpretación de cambios distribucionales débiles o graduales como discontinuidades agudas.

Los autores enfatizan que el conjunto de herramientas es particularmente valioso cuando las CDF se cruzan, un escenario donde los ATE son menos informativos. Posicionan la TEC no como un reemplazo para la regresión cuantílica o los bosques causales, sino como un precursor que identifica dónde buscar la heterogeneidad, la cual puede ser explicada posteriormente mediante métodos basados en covariables. El artículo concluye modestamente, reconociendo que el VDA depende de umbrales estimados y que se requiere trabajo futuro para desarrollar procedimientos de inferencia formales que contemplen plenamente la incertidumbre de estos umbrales endógenos en aplicaciones del mundo real.