Facultad de Economía y Negocios

EVALUACIÓN ECONOMÉTRICA DE DOS PROGRAMAS DE APOYO ECONÓMICO DE FOSIS

Tesis para optar al grado de Magíster en Economía Aplicada a Políticas Públicas de la Universidad Alberto Hurtado

Santiago, Chile

2012

Facultad de Economía y Negocios

EVALUACIÓN ECONOMÉTRICA DE DOS PROGRAMAS DE APOYO ECONÓMICO DE FOSIS

Santiago, Chile

2012

Dedicatoria

A mi amada esposa Karina y mis queridos hijos María Fernanda y Francisco, a los cuales les hurte valiosas horas durante dos años de sus vidas.

Agradecimiento

A la Comisión Nacional de Investigación Científica y Tecnológica, CONICYT, por haber financiado el grado Magister, a través de la Beca asociada al Programa de Formación de Capital Humano Avanzado, dirigido a funcionarios públicos.

Al Fondo de Solidaridad e Inversión Social, FOSIS, por su patrocino a la realización de esta Tesis y su constante apoyo en la recopilación de antecedentes y datos para llevar a cabo esta evaluación.

Contenido

Dedicatoria. 3

Agradecimiento. 4

Resumen. 6

Abstract. 6

1. Introducción. 8

2. Literatura previa. 12

2.1. Microcrédito, microfinanzas y microempresa. 12

2.2. Evaluación de impacto. 12

2.3. En la elección de un modelo econométrico. 12

3. Marco teórico. 12

3.1. Factores no observables en programas de microcrédito. 12

3.2. Caracterizando los sesgos en la muestra de datos. 12

3.2.1. Características de la muestra PAM. 12

3.2.2. Características conjuntas de muestra PAM - PAAE. 12

3.2.3. Variación en los ingresos autónomos familiares. 12

3.3. Modelos de estimación para evaluación de impacto. 12

3.3.1. Modelo tipo Propensity Score Matching (PSM). 12

3.3.2. Modelo tipo Difference in Differences (DID). 12

4. Metodología. 12

4.1. Análisis de las muestras de datos. 12

4.1.1. Propiedades de la muestra de usuarios PAAE. 12

4.1.2. Propiedades de la muestra de usuarios PAM. 12

4.1.3. En la elaboración de un grupo de control alternativo. 12

4.2. Estimación econométrica del impacto del programa. 12

4.2.1. Estrategia de estimación por método PSM. 12

4.2.2. Estrategia de estimación por método DID. 12

5. Discusión de resultados. 12

5.1. Resultado del análisis descriptivo. 12

5.2. Resultado de las estimaciones econométricas. 12

5.2.1. Resultado de las estimaciones por método PSM. 12

5.2.2. Resultado de las estimaciones por método DID. 12

6. Conclusiones. 12

Glosario. 12

Bibliografía. 12

Anexos. 12

Anexo A: Metodología construcción de datos. 12

Anexo B: Estimaciones y resultados econométricos. 12

Anexo C: Procedimientos con las implementaciones. 12

RESUMEN

La presente tesis se enfocó en hacer un análisis a un programa de subsidio para familias de escasos recursos económicos, llamado Programa de Apoyo a la Actividad Económica (PAAE), administrado por FOSIS. El principal objetivo de esta tesis fue, mediante el análisis econométrico de una muestra de datos proveniente de FOSIS sobre un conjunto de casi 10.000 postulantes, obtener un valor promedio del incremento en el nivel de ingreso familiar por efecto de la adjudicación del programa PAAE. Para ello se hizo empleo de dos técnicas econométricas conocidas como Puntaje de predisposición y Emparejamiento (Propensity Score Matching o PSM) y de Doble Diferencias (o DID). El resultado obtenido fue de un incremento cercano a los $ 25.000 por medio del método PSM y de $ 10.000 por medio del método DID. Se percibió una fuerte correlación entre el número de postulantes mujeres y de muy bajos ingresos con la probabilidad de asignación del subsidio.

Palabras claves: métodos, microfinanzas, crédito, evaluación impacto, evaluación.

Clasificación JEL: 016,017

ABSTRACT

The present thesis has been focuses in analyzing a subsidy program for low income families, known as Programa de Apoyo a la Actividad Económica (PAAE), administered by FOSIS, Chile. The objective of this thesis has been, by means of the econometric analysis over a data set of about 10.000 participants coming from FOSIS, to obtain an average value of the increment in the income due to the assignment of the program. In order to accomplish that, two econometric techniques has been used, know as Propensity Score Matching (PSM) and Difference-in-differences (DID). The result obtained was an increment of about 25 thousand Chilean pesos for the PSM method and about 10 thousand Chilean pesos. A strong correlation has been perceived between the number of low income people and women with the probability of assignment.

Keywords: methods, micro-finance, credit, impact assessment, evaluation.

JEL Classification: 016, 017

INTRODUCCIÓN

Los microcréditos son una herramienta de inclusión financiera y laboral. Consisten en préstamos a personas que no disponen de avales ni de suficientes ingresos, para acceder a créditos en las condiciones normales de operación de mercado. A su vez, fomentan la creación de proyectos de autoempleo. Gracias a los microcréditos, muchas personas emprendedoras han podido acceder a financiamiento para poner en marcha una actividad productiva. El préstamo se concede con los únicos avales que representan la confianza en la persona y en el proyecto, recuperando el sentido etimológico de la palabra crédito. El negocio que se impulsa gracias al microcrédito, representa una opción de inserción laboral mediante la modalidad del autoempleo para el emprendedor. Así, los programas de microcrédito consiguen un doble impacto social. Por una parte, se constituyen en una mejora económica y laboral, ya que permiten que los emprendedores obtengan un trabajo que les proporcione ingresos y, por otra parte, hacen posible la inclusión financiera, puesto que ponen el financiamiento a disposición de aquéllos que están excluidos del sistema financiero.

En ese contexto, el Fondo de Solidaridad e Inversión Social (FOSIS), Servicio Público, dependiente del Ministerio de Desarrollo Social, en su búsqueda por diseñar e implementar políticas innovadoras en la lucha por la superación de la pobreza, decidió lanzar el año 2009, un programa de incentivo para la colocación de Microcrédito, orientado a los emprendedores más vulnerables, para que sean atendidos por distintos tipos de instituciones crediticias como, Fundaciones, Cooperativas de Ahorro y Crédito y Bancos.

La información disponible en FOSIS (2011), da cuenta de una oferta de once instrumentos, los cuales se agrupan en tres conjuntos: 1° Ámbito Trabajo (con dos instrumentos), 2° Ámbito Emprendimiento (con cuatro instrumentos) y 3° Ámbito Habilitación Social (con cinco instrumentos).

Esta investigación, se centrará en evaluar el impacto que generó en un grupo de beneficiarios, la obtención de un microcrédito, como parte del Programa de Acceso al Microcrédito (PAM) y que a su vez, cumplan con la condición de ser beneficiarios del Programa de Apoyo a Actividades Económicas (PAAE). Para llevar a cabo la evaluación, se hará uso de una base de datos de usuarios que postularon al programa de acceso al microcrédito (PAM) y ver cuales de ellos se encuentran en la base de datos del programa de subsidio (PAAE). Es importante tener en cuenta, que los beneficiarios del programa PAAE, no tienen impedimento alguno, para postular y acceder al microcrédito vía PAM. Ambos instrumentos, se implementan en forma independiente. Se busca al utilizar ambas bases de datos, comprender mejor el comportamiento de los agentes participantes.

Líneas de acción programa PAAE:

1) Apoyo a las actividades económicas: Cuyo objetivo es que los usuarios egresen con capacidades económicas vía iniciativas asociativas y/o individuales.

2) Financiamiento de inversión productiva: Cuyo fin es generar y consolidar emprendimientos y/o actividades económicas, mediante micro financiamientos.

3) Proyectos de servicios especializados: Cuyo objetivo es aumentar la calificación y capacidades de trabajo eficiente, eficaz y competitivo.

Para postular al PAAE se exige: i) Personas mayores de 18 años que cuenten con la Ficha de Protección Social. ii) Que tengan un negocio en funcionamiento con al menos 6 meses de antigüedad. iii) El puntaje FPS, no deberá ser superior a 8.500 puntos.

La Ficha de Protección Social (FPS) reemplaza a la Ficha CAS, es a su vez la puerta de ingreso a las prestaciones y beneficios sociales del Estado. Las diferencias entre ambas fichas son: El puntaje CAS duraba 2 años, el puntaje FPS se actualiza mes a mes. La Ficha CAS tenía un puntaje entre 345 y 750 puntos, la FPS entre 2.072 y 20.000 puntos. Donde 2.072 puntos son los más pobres y los de 20.000, los menos pobres. Según cuadro 1 hay 10.782.270 personas en la FPS, las cuales se agrupan en 10 deciles.

Por su parte el programa PAM, consiste en un microcrédito con subsidio del Estado, otorgado por Instituciones Bancarias, Fundaciones y Cooperativas de Ahorro y Crédito. El programa facilita el acceso al crédito, a través de un subsidio entregado directamente a la institución intermediaria, la que a su vez, otorgará el financiamiento. FOSIS, licita a dichas instituciones un fondo, el cual busca incentivar la colocación de microcréditos en emprendedores, con ventas máximas de 1 millón 500 mil pesos mensuales. Las instituciones intermediarias, tienen la labor de captar clientes, evaluar sus proyectos de financiamiento, fijar las condiciones del mismo, cursar las operaciones y luego recuperar los créditos. El subsidio se recibe una vez aprobado y desembolsado cada crédito.

Para postular al PAM se exige: i) Personas mayores de 18 años. ii) Personas cuyos ingresos, provengan de una o más actividades de autoempleo, con ventas promedio mensuales con tope de 70 UF (últimos 12 meses). Si la actividad es inferior a 12 meses, se considera el promedio de ventas de los meses con actividad, iii) El puntaje FPS no puede ser superior a 11.734 puntos. Cabe señalar, que el año 2009 se seleccionaron personas con más de 11.734 puntos, pero que no tenían ventas superiores a 70 UF.

Los programas PAAE y PAM, se focalizan en los deciles segundo y cuarto respectivamente (ver Cuadro 21 (Anexo)), que son los más pobres, en los cuales hay 8.307.050 personas, un 77% del total cubierto por la FPS.

FOSIS (2011), establece que el marco de su misión institucional es “Trabajar con sentido de urgencia por erradicar la pobreza y disminuir la vulnerabilidad en Chile”. La acción institucional se ha dirigido hacia el objetivo nacional de superar la pobreza, constituyéndose en una iniciativa que promueve el emprendimiento en segmentos de pocos recursos económicos.

La metodología a seguir, analizará la información proveniente de la implementación de los programas PAAE y PAM. Por un lado, se preparará un conjunto de datos que representen al número de personas que postularon al programa PAAE, debido a que contiene observaciones previas y posteriores a la asignación del subsidio, tanto para personas que sí recibieron financiamiento, como para aquellas que no lo recibieron. Con dicha base se procederá a estimar dos tipos de modelos econométricos. Mientras que para el análisis descriptivo, se preparará una muestra PAM y una muestra producto de un cruce, de la información de los programas PAAE y PAM. El cruce entre ambas bases de datos permitirá inferir el comportamiento de los agentes postulantes durante el periodo en el cual estuvieron tanto en un programa como en otro.

El modelo econométrico que se implementará con el conjunto de datos PAAE cuantificará el impacto del microcrédito sobre los ingresos promedio de las personas participantes. El modelo considerará las diferencias que existen entre las características de las personas seleccionadas y las no seleccionadas tanto antes como después del programa. Se considerarán a las variables presentes antes del programa, aquellas que han sido ingresadas como en “Línea base” (LB) y a aquellas después como “Línea de salida” (LS).

La hipótesis de esta tesis plantea que el impacto de la asignación del microcrédito puede ser cuantificada usando el modelo de puntaje de predisposición y emparejamiento (Propensity Score Matching o PSM). El modelo PSM permite medir el impacto sobre un conjunto muestral que no cuenta con un diseño experimental aleatorio, reemplazando el conjunto de control inicial con un grupo de control cuya distancia es mínima para una función de predisposición entre una observación subsidiada y una o más observaciones de control. Gracias a la estimación PSM, haciendo uso de un segundo modelo, el modelo de doble diferencia o diferencia en diferencias (Difference in differences o DID), se cuantificará la diferencia promedio entre una variable de respuesta importante, como el ingreso total autónomo del hogar, entre sus valores antes y después de la asignación del subsidio.

El objetivo de esta investigación es cuantificar el impacto del programa de microcrédito sobre el ingreso promedio total autónomo de los hogares reportados por las personas que participaron del programa PAAE. La información del programa PAM sólo se utilizará de manera descriptiva para entender más claramente el comportamiento de los agentes económicos. Para la estimación del impacto se emplearán los métodos PSM y DID con la finalidad capturar los efectos de sesgos propios del ámbito de la elaboración del programa de apoyo económico en cuestión.

El trabajo está organizado como sigue, en la sección 2 se estudiará la literatura previa. El modelo teórico y su conceptualización se abordarán en la sección 3. La implementación de los modelos econométricos se abordará en la sección 4. La sección 5 se centrará en los resultados obtenidos de la modelación econométrica con sus respectivas implicancias de política. Por último, las conclusiones se analizarán en la sección 6. Al final del texto se encontrarán la bibliografía consultada, un glosario con los conceptos expresados en el documento y los anexos con la construcción de los datos de la muestra y las diversas estimaciones econométricas obtenidas.

LITERATURA PREVIA

La literatura en evaluación de impacto, usando métodos empíricos en econometría ha ido evolucionando hacia la adopción de enfoques más unificadores, aplicados y más desafiantes. Adicionalmente, el aumento de la capacidad de los programas computacionales permite transformar procedimientos complejos en tareas rutinarias. En econometría, según Wooldridge (2001), se han popularizado conceptos, tales como, el de sesgo por omisión de variable relevante, común en diversos ámbitos de investigación aplicada en los cuales se cuenta con información incompleta. Mientras que por el aspecto metodológico, se han hecho más conocidos los modelos no paramétricos, en los cuales no se estiman los parámetros de una función ya especificada, sino una función de probabilidad propiamente tal, lo cual implica hacer uso de menos supuestos y restricciones a la hora de investigar.

En esta sección, dividida en tres partes, se hará revisión de casos de aplicación de los modelos econométricos Propensity Score Matching (PSM) y Difference-in-differences (DID) provenientes de la literatura previa. En cada caso, se hará una descripción tanto de las definiciones como de las implicancias sobre el impacto. Adicionalmente, se hará una revisión de conceptos como microcrédito, microempresa, con la finalidad de comparar el número de evidencias con el contexto chileno actual.

Microcrédito, microfinanzas y microempresa

El concepto de microcrédito, nació como propuesta del Catedrático de Economía Dr. Muhammad Yunus, quien comenzó su lucha contra la pobreza en 1974 durante la hambruna que padeció la población de su tierra natal Bangladesh, uno de los países más pobres del planeta. Yunus descubrió que cada pequeño préstamo podía producir un cambio sustancial en las posibilidades de alguien sin otros recursos para sobrevivir, entonces vio la importancia de desarrollar programas dirigidos a ofrecer crédito sin garantías para actividades generadoras de ingresos, encaminados a que los pobres superen la línea de la pobreza (Yunus, 1997).

En Chile, la experiencia en el ámbito de las microfinanzas se remonta a 1986, cuando el país venía saliendo de una fuerte crisis económica que llevó la cesantía a niveles sobre el 30%. En esa época se crearon las primeras instituciones dedicadas a financiar créditos orientados al desarrollo de microempresas.

Posteriormente, en el año 2001, durante la visita que Muhammad Yunus realizó a Chile, se formó la Red para el Desarrollo de las Microfinanzas en Chile. Se trata de un espacio de reflexión y análisis creado por las instituciones de microfinanzas (IMFs), en el que participan tanto organismos públicos como privados, con el objetivo de diseñar en conjunto políticas, programas e instrumentos que potencien el desarrollo de las microfinanzas y las microempresas en nuestro país.

En conjunto suman más de 20 instituciones, como el Hogar de Cristo a través de su ONG “Fondo Esperanza”, la Fundación Contigo, la Fundación Banigualdad, FINAM, la Cooperativa Oriencoop, la Sociedad Financiera Emprende Microfinanzas, los Bancos Estado Microempresa y BCI Nova. De éstas, 15 tuvieron operaciones crediticias durante el año 2009. En conjunto, las IMFs de la Red han otorgado en los últimos 16 años más de 2.950.000 operaciones de créditos por alrededor de 4.360 millones de dólares. En la actualidad atienden a alrededor de 300.000 microempresarios con una cartera de cerca de US$ 1.280 millones.

El microcrédito es la parte esencial del campo de las microfinanzas. El término microfinanzas se refiere a la provisión de servicios financieros para personas en situación de pobreza, sean emprendedores por cuenta propia y microempresarios cuyo acceso a los sistemas bancarios tradicionales es limitado o inexistente en virtud de su condición socioeconómica.

Según datos de la Superintendencia de Bancos e Instituciones Financieras (SBIF), el acceso al crédito en el sistema financiero es menor en las micro y pequeñas empresas o MIPES (43% en el 2003) que en las empresas medianas y grandes (75 y 80%, respectivamente). De acuerdo a SERCOTEC (2010), las MIPES están presentes en todas las actividades económicas del país, y con más fuerza en aquellas que presentan menores barreras de entrada (comercio, servicios, transporte y sector agrícola).

Cuadro 1: Microempresas según tramos de ventas

TRAMOS DE VENTA	VENTAS ANUALES [UF]	COTA SUPERIOR venta mensual	TOTAL EMPRESAS SEGMENTO MICRO	% SEGMENTO EN TOTAL
1er Rango Micro Empresa	0 - 200	355.667	259.070	34%
2do. Rango Micro Empresa	200 - 600	1.067.000	155.960	21%
3ro. Rango Micro Empresa	600 - 2400	4.267.998	173.374	23%
TOTAL PAÍS	751.825		588.404	78%

Fuente: Elaboración propia, en base a estadísticas del SII 2008.

Según el SII (datos del Cuadro 1), un 78% de las empresas formalizadas (con iniciación de actividades) y ventas mayores que cero, corresponden a microempresas (587.731) y se estima, que existen otras 805 que no estarían formalizadas (sin iniciación de actividades), lo que sumaría 1.390.000 microempresas en el país. La participación de este segmento en las ventas agregadas es de un 1,8% mientras, la gran empresa que representa un 1,4% de las unidades productivas, concentran el 86% de las ventas. Por otra parte, el 41% del empleo en el país es generado por las microempresas, del cual un 56% corresponde a trabajadores por cuenta propia (SERCOTEC, 2010).

Según la Fundación Kast (2000), a través del emprendimiento, muchas personas logran salir de la pobreza. En este sentido, la importancia de los programas, como el PAM y PAAE, es fundamental para promover el emprendimiento en sectores de escasos recursos, transformándose en instrumentos claves para generar mejores condiciones económicas de estas familias y mejorar su capacidad de competencia, factor clave para crecer y sostenerse en el tiempo, considerando que Chile posee una economía oligopólica (Briones et al., 2000) que hace más difícil la libre competencia.

Evaluación de impacto

Actualmente existe un creciente interés en medir el impacto y la viabilidad de los programas de microcrédito. Hasta la fecha, en general, la evidencia no es nada alentadora. Los resultados son ambiguos y muchos programas se han mantenido en funcionamiento sólo gracias a las inyecciones de subsidios gubernamentales (Aroca, 2002).

Definición de impacto

La estimación de impacto establece la diferencia, en alguna variable que se ha escogido como indicador de resultados de un programa, entre la situación que presenta un individuo, o el cambio en ésta, después de haber participado en el programa versus la situación en que se encontraría, o el cambio en ésta, si no hubiese sido beneficiario (Aedo, 2005).

Alcances del impacto

Son del interés de la evaluación de impacto, las siguientes preguntas: ¿se contribuye a resolver el problema en la población objetivo del programa? ¿Cuál fue el efecto del programa sobre sus beneficiarios? ¿Los beneficios recibidos por los participantes en el programa son los que se propuso lograr o son diferentes a los propuestos? ¿Son estos positivos o negativos?

En caso de un mejoramiento en la situación de sus participantes, ¿Es esto una consecuencia del programa o se hubiese obtenido de todas maneras? A la luz de los beneficios, directos e indirectos, obtenidos, ¿Se justificaban los costos del programa? ¿Cuál es la tasa de retorno del programa por unidad monetaria gastada en el programa?

Dimensiones de la evaluación de impacto

Son 4 las dimensiones involucradas en una evaluación de impacto:

1° Tipo de variable sobre la que se mide el impacto: Según esto, se puede clasificar a las investigaciones en cuantitativas o cualitativa.

2° Forma de construcción de la muestra: Se clasifican las investigaciones en experimentales y no experimentales.

3° Forma en que se construye un indicador de impacto: Define la muestra de comparación, dando origen a cuatro tipos de estimadores:

3.1. El estimador “pre-post”.

3.2. El estimador de “corte transversal”.

3.3. El estimador de “diferencias en diferencias”.

3.4. El estimador “marginal”.

4° Método de estimación utilizado para cuantificar los impactos: Métodos paramétricos y métodos no paramétricos.

Por otro lado, las 4 dimensiones de la evaluación de impacto, presentadas en el Cuadro 15, plantean que por medio de la implementación de un modelo econométrico se puede lograr una buena aproximación al efecto promedio del impacto sobre el grupo de personas intervenidas. Las bases de datos disponibles y los procedimientos específicos del modelo a usar, deben satisfacer dicho objetivo. Se deberá tener presente, que dicho modelo, debe garantizar una evaluación de impacto consistente, que de cuenta si el programa logra o no con los objetivos que se propuso.

De acuerdo con el Cuadro 15 (en ANEXOS), las componentes que el modelo a diseñar podría utilizar son potencialmente, las de variables cuantitativas, con una muestra no experimental, cuyo indicador de impacto debe ser de diferencias en diferencias y bajo un método de estimación no paramétrico.

En la elección de un modelo econométrico

El movimiento de las microfinanzas ha capturado la imaginación de los académicos, políticos y profesionales. Se ha visto un aumento en el número de préstamos a los hogares pobres y se ha transformado la visión en los debates sobre la reducción de la pobreza. Sin embargo, pocos programas de microfinanzas han implementado consigo rigurosas evaluaciones estadísticas sobre la eficacia del microcrédito. Si lo hacen, se ven complicados, porque existen fuentes de variación que sesgan y dificultan la evaluación económica de estos programas. Las fuentes de variación pueden deberse a que las adjudicaciones del programa no son aleatorias y a que los clientes participen de forma inesperada (Blundell y Costa Dias, 2000), lo que en un caso, iría en contra de las expectativas de un postulante y, en el otro, iría en contra de las expectativas de un financiador, respectivamente.

Los métodos de evaluación adecuados dependen de varios criterios generales:

La naturaleza del programa - es decir, si es local o nacional, pequeña escala o 'global'.

La naturaleza de la pregunta a responder - es decir, el impacto global, el efecto del tratamiento sobre los tratados o la extrapolación a una reforma de nueva política.

La naturaleza de los datos disponibles. Con respecto a la naturaleza de los datos, hay una serie de cuestiones. ¿El conjunto de datos contiene información para los individuos antes y después de su participación en el programa? ¿Son cuestionarios similares? ¿Se administra a los grupos de comparación potenciales o tenemos que utilizar los datos de otros estudios para la construcción de las comparaciones? (Blundell y Costa Dias, 2000).

En primer lugar, es importante contar con el uso de registros históricos de datos pre-programa para evaluar la plausibilidad de los supuestos que subyacen a este enfoque. Contar con datos longitudinales sobre personas de hasta quince años antes de la introducción del programa permite tener límites en torno a los efectos máximos y mínimos del programa de base a la experiencia histórica. En segundo lugar, se ha sugerido que los resultados experimentales de las evaluaciones pueden ser frágiles, lo depende en gran medida de la forma funcional, los supuestos y la disponibilidad de un adecuado condicionamiento de variables (Blundell et al., 2004).

Para calcular el impacto, el modelo econométrico debe cumplir con una serie de condiciones, ya sea como propiedad de la muestra con que se estimará el impacto, o como propiedad del modelo en sí. Una de esas condiciones es la independencia entre el efecto de la asignación del programa y las características de los individuos. Dicha condición es común en ámbitos experimentales donde la asignación está dada de manera que todos los individuos poseen características similares para ser elegibles y el resultado de la entrega es simplemente aleatorio. Por el contario, el programa FOSIS no cuenta con un diseño aleatorio experimental. Un programa con diseño experimental tiene un alto costo y es de difícil implementación. Si se intenta realizar la evaluación del impacto de un programa con un modelo que no esté bien especificado y sobre una muestra no experimental, su resultado puede constituirse en un valor sesgado e inconsistente.

Según estudios hechos en Reino Unido y EE.UU., que han analizado la evolución de los métodos de evaluación alternativos, la elección adecuada del método de evaluación ha demostrado que dependen de una combinación de los datos disponibles y del parámetro de política de interés. Los métodos de evaluación, deben centrarse en los enfoques que no requieran datos experimentales. Bajo un simple planteamiento de puntaje de predisposición y emparejamiento (PSM) y de diferencia en diferencias (DID), se ha demostrado que la elección del grupo de control se puede tratar de diferentes maneras para calcular el parámetro que determina las diversas fuentes de sesgo (Blundell y Costa Dias, 2002).

Existen otras condiciones para que puedan implementarse ambos modelos. La segunda condición del modelo PSM, es que para cada observación que ha recibido financiamiento exista al menos una observación similar como contraparte muestral. Esta es la condición de superposición o de soporte común. Las condiciones del modelo DID, de similar manera que para el modelo PSM, son que exista independencia en al menos una de las tres condiciones siguientes: entre las observaciones individuales, entre un efecto macroeconómico común a todos los individuos o entre un efecto temporal individual. Si en los primeros dos casos no se cumple la independencia, pero en el tercer caso sí, el modelo DID, puede eliminar el efecto de dependencia producido por las características no observables de los primeros dos casos, por ende, haciendo uso del tercer efecto independiente entre observaciones pre y post asignación en el tiempo (Essama-Nssah, 2006).

MARCO TEÓRICO

La presente sección, consta de un marco teórico en el cual, se desarrollan en detalle los elementos encontrados en la literatura previa y en los casos en donde se implementaron los métodos más importantes, vinculándolos con las características más importantes como fuentes de variación y sesgo potencial frente al escenario del programa FOSIS y su respectiva muestra de datos. En el primer apartado, se analizará en mayor detalle qué define que un programa esté sobre un escenario experimental. Adicionalmente, se abordará el tipo de información que no está disponible para la modelación econométrica y cómo su omisión puede causar desviaciones en los supuestos requeridos en la fundamentación teórica. En el segundo apartado, se hará distinción entre las fuentes de variación que puedan estar presente en las muestras de datos analizadas, ya sea descriptiva o analíticamente en este informe. Adicionalmente, se estudiará la muestra de datos del programa PAM, el comportamiento del cruce de datos de los programas PAAE y PAM y las variaciones en los ingresos autónomos totales de los hogares analizados con lo que se concluirá la parte descriptiva y en tercer apartado, se introducirán los métodos econométricos de estimación del impacto.

Factores no observables en programas de microcrédito

Mientras que por un lado, la intención inicial de los programas de apoyo económico implica una relación causa efecto positiva con el resultado en los niveles de ingreso, por el otro, existen factores externos que no permiten determinar el tipo de relación existente, lo que presenta una mayor dificultad para una adecuada evaluación haciendo uso de técnicas econométricas. Esto se debe al modo de operar propio de los tres agentes involucrados en esta instancia: los planificadores o evaluadores de programas de apoyo económico (i.e., FOSIS), los evaluadores de riesgos (i.e., instituciones financieras) y las personas o pequeñas empresas quienes constituyen el universo de postulantes. Las expectativas de estos tres tipos de agentes son muy diferentes entre sí. Por un lado, hay agentes involucrados con el poder de decisión sobre la adjudicación, mientras que los destinatarios por su parte actúan de acuerdo a sus propias expectativas y pueden cambiar de tipo de programa de apoyo, abandonarlo, etc. Adicionalmente, las instituciones financieras están concentradas en minimizar el riesgo asociado a la entrega de créditos. Estas condiciones son de gran importancia a la hora de estimar el efecto de la asignación del microcrédito.

Desde el punto de vista econométrico, los factores asociados a los agentes que participan en el ámbito de los programas de apoyo económico constituyen una fuente causal de variaciones que están en relación directa con la probabilidad de adjudicación del programa. Si dos postulantes están en similares condiciones de adjudicarse el programa, se dice que las características entre ambos son independientes del resultado de la asignación y viceversa. Un programa de apoyo económico puede ser de esta naturaleza siempre y cuando se haya diseñado con el objetivo de otorgar en forma aleatoria a las personas el microcrédito, garantizando igualdad en los requisitos y en la posición relativa de cada postulante frente al resultado.

Por el contrario, cuando las características sí están correlacionadas con el resultado de la asignación, la probabilidad de obtención del financiamiento se hace diferente y se configuran grupos con características distintas entre sí. Este escenario es el más común en el ámbito de los programas de microcrédito. La terminología es la siguiente: cuando existe un diseño aleatorio, se le llama experimental y las características de ambos grupos, con financiamiento y sin, se distribuyen de forma similar; por el contrario, cuando no existe un diseño aleatorio, se denomina no experimental, casi experimental u observacional. Hay un gran número de causas que hacen que la asignación del microcrédito no pueda hacerse en forma experimental, pero lo más importante está en notar que lo no experimental no estará presente solamente porque no se ha diseñado de esa manera, sino porque existirá información que será inaccesible para el investigador.

Adicionalmente, un buen experimento natural es aquel en el cual existe una fuente transparente exógena de variación en las variables explicatorias que determinan la asignación del tratamiento (Meyer, 1995). Una fuente de variación exógena es lo que se busca como alternativa a aquella información que no es observable por el investigador. Un elemento exógeno es aquel que no esté influenciado por el ámbito en cuestión, en el presente caso, una variable que no esté correlacionada con la asignación del microcrédito.

Las fuentes de variación en programas no experimentales están dadas por la combinación del actuar de los tres agentes involucrados en el proceso. Existen diversas causas de variación que vulneran el supuesto de independencia entre las características y la probabilidad de asignación. A esas causas, se les denomina factores no observables, principalmente porque no están a disposición de quien realiza el estudio econométrico para evaluar el impacto del programa. La ausencia de esta información es señalada en la literatura como la causa que amenaza la validez de un supuesto (Meyer, 1995).

De este modo, existen fuentes tanto de variación exógena como endógena en el contexto de la implementación de programas de apoyo. Las fuentes de variación pueden ser empleadas para modelar un determinado efecto causal entre agentes. No obstante, estudios convencionales típicamente incluyen todas las fuentes de variación en proporciones desconocidas y no controlan adecuadamente por las fuentes de endogeneidad (i.e., el mecanismo de selección o variables omitidas) de los diferentes componentes (Meyer, 1995).

Caracterizando los sesgos en la muestra de datos

A continuación se analizará el conjunto de datos con la finalidad de inferir las fuentes de sesgo debido a la forma de operar de los agentes involucrados. El Cuadro 2, muestra 8 filas y 5 columnas. Las filas corresponden a los individuos que recibieron microcrédito con un total de 314 personas. En las primeras dos filas, el total de personas se dividió en función de la fecha de asignación del microcrédito en relación con la fecha de asociación al programa PAAE. El conjunto “Personas Después” corresponde a las personas cuyas fechas de asignación de microcrédito fueron posteriores a la de asociación al programa PAAE. Viceversa para el grupo de “Personas Antes”.

Las filas 3 a 8 del Cuadro 2, corresponden a personas después y antes que, aumentaron su nivel de ingreso autónomo total del hogar entre el momento de entrada al PAAE (Personas Más), lo disminuyeron (Personas Menos) o lo mantuvieron (Personas Igual). Por otro lado, las columnas contienen la siguiente información. La columna 1 tiene el número de personas correspondiente a cada subconjunto, las que en total suman 314. La columna 2, contiene el número de personas cuyas diferencias, entre su ingreso autónomo total del hogar, declarado en la base PAM y PAAE en salida son, mayores, menores e iguales, respectivamente. La columna 3, contiene el valor del cambio porcentual del ingreso autónomo total entre el momento de salida y de entrada al PAAE. La columna 4, contiene el valor del cambio porcentual entre las ventas reportadas por el PAM menos las ventas en línea de salida del PAAE. La columna 5, contiene el número de meses promedio entre la fecha de asignación del microcrédito y de asociación al programa PAAE. En este caso, se agregaron signos positivos y negativos, para designar cuando los meses están después o antes, respectivamente.

Cuadro 2: Personas con microcrédito y fechas de otorgamiento

Personas con microcrédito	Número	Número	Cambio	Cambio	Promedio
Tamaño muestra = 314	Personas	Personas	Porcentual	Porcentual	Meses
Personas Después	85	85	41,46	115,99	(+) 3,09
Personas Antes	229	229	37,34	97,17	(-) 3,37
Personas Después Más	63	54	67,79	58,67	(+) 3,01
Personas Después Menos	11	29	-67,90	634,47	(+) 3,07
Personas Después Igual	11	2	0,00	208,63	(+) 3,45
Personas Antes Más	157	139	63,92	70,48	(-) 3,15
Personas Antes Menos	30	84	-53,22	153,31	(-) 2,33
Personas Antes Igual	42	6	0,00	174,39	(-) 4,71

Fuente: Elaboración propia del autor.

De la columnas 1 y 2 del Cuadro 2, se puede concluir que el patrón de personas que experimenta tanto un aumento como una disminución en las ventas es muy similar, ya sea comparando tanto entre montos de subsidio como entre montos de microcrédito con subsidio. Esto sugiere que la distribución de las personas en cada subconjunto no es aleatoria. De las columnas 3 y 4, se puede ver el patrón de personas que tuvo un aumento en el nivel de ventas, entre la fecha de asignación y la de asociación, aquellas que tuvieron una disminución y aquellas que se mantuvieron. El porcentaje de personas parece mantenerse de manera muy persistente aunque se compare el aumento con el nivel de microcrédito y el nivel subsidio. Por último, la columna 5, muestra el número de meses que transcurren entre las dos fechas antes señaladas, poniendo en evidencia que el número de meses promedio entre aquellas personas que tomaron antes el microcrédito de aquellas que lo tomaron después que el subsidio, no superó los 6 meses en promedio.

Implícitamente, estamos en frente de la forma racional en la que uno de los agentes involucrados operó. Por un lado, el evaluador de riesgo crediticio, ofertó una determinada tasa de interés a medida que fue seleccionando aquellos postulantes menos riesgosos. La evidencia también sugiere que la intención fue tratar de encadenar ambos instrumentos en un periodo de tiempo no superior a un año, porque ese fue el periodo de duración del programa PAAE. Es posible que la intención haya sido que el beneficiario haya sacado el mejor provecho del dinero. Adicionalmente, al estar la persona dentro del programa, se pudo haber disminuido más el riesgo en el que puede haber caído la persona que si se encontrase fuera del programa.

Características de la muestra PAM

El objetivo de la Sección 3.2.1 es describir y analizar los criterios y políticas que habrían usado los agentes al otorgar los microcréditos. La muestra PAM, a diferencia de la muestra PAAE, cuenta con un mayor número de variables para un conjunto de personas mayor. No obstante, las personas participantes están todas dentro del programa PAM, es decir, no hay más observaciones que sirvan de comparación para las mismas variables. Los cuadros elaborados con el conjunto de datos PAM, consideran variables significativas, tales como, monto y tasa de los créditos, sexo de los beneficiarios, puntaje de la FPS, entre otros.

Cuadro 3: Valores promedios y unitarios de microcréditos, por instituciones

Instituciones 2009	Monto Crédito Promedio	Tasa	Cuotas	FPS	Mujeres	Hombres	Personas
1. Bancos comerciales	1.125.244	2,65	18	6.288	5.579	8.162	13.741
2. Cajas y cooperativas	592.667	2,28	15	6.920	278	319	597
3. Sociedades financieras	322.259	3,35	12	5.918	376	282	658
4. Fundaciones	61.244	3,40	4	6.449	13.009	2.446	15.455
Valor unitario	557.432	3,04	11	6.374	19.242	11.209	30.451

Fuente: Elaboración propia del autor.

El Cuadro 3, señala que durante el año 2009 se cursaron un total de $ 16.974.362.227, sobre un número total de 30.451 personas. Esto equivale a un monto unitario por persona de $ 557.432 pesos. Según el Cuadro 3, todas las instituciones otorgaron créditos a personas con ventas inferiores a las 70 UF.

De los 30.451 beneficiarios, 63% fueron mujeres y 37% hombres. Por otro lado, las fundaciones otorgaron un 51% de los microcréditos, le siguieron los bancos con un 45% de colocación. El 4% restante, se dividió entre las cajas y sociedades. Las fundaciones otorgaron sus créditos en un 84% a mujeres, mientras que los bancos, en un 59% a hombres, respectivamente.

El monto promedio de los créditos fue 18 veces mayor, para el caso de los bancos, respecto al otorgado por las Fundaciones. A nivel de cuotas, los créditos bancarios promediaron un valor de 62.514 pesos y las fundaciones un valor de 15.311 pesos. En cuanto a las tasas de interés, los bancos cobraron una tasa mensual un 22% más baja que las fundaciones.

Por último, el puntaje promedio de la FPS no mostró significativas diferencias, ya que los bancos y las fundaciones seleccionaron personas con puntajes promedio de 6.288 y 6.449, respectivamente. En consecuencia, no se observó una política divergente, a la hora de evaluar la elegibilidad según puntaje FPS.

De acuerdo con el Cuadro 15 (en Anexos), los bancos otorgaron montos máximos de créditos por 9,9 millones de pesos. Las fundaciones, lo hicieron con montos máximos por 500 mil pesos. El rango de la tasa de interés de los bancos osciló entre 0,70% hasta 7,95% mensual, mientras que en las fundaciones la tasa varió entre 2,96% y 4,38%.

En conclusión, se observó que el 63% de quienes recibieron microcréditos fueron mujeres. El 51% de las personas beneficiadas, obtuvo su microcrédito mediante fundaciones y un 45% vía Bancos. Los montos de los créditos fueron desde los 21 mil pesos hasta los 9,9 millones de pesos, mientras las tasas de interés desde 0,7 hasta 7,95 mensual. Los puntajes de la FPS fueron desde los 2.079 hasta los 14.688, cubriendo desde el primero hasta el décimo decil.

Características conjuntas de muestra PAM - PAAE

El objetivo de la Sección 3.2.2, es acercarse hacía el comportamiento que tienen los agentes de microcrédito, frente a una serie de características presentes en la muestra del grupo de intervención PAM y PAAE. Por medio del cruce de ambas muestras de datos, se analizará en conjunto las características de los postulantes comunes a ambos programas para sacar conclusiones relativas, tanto al comportamiento como beneficiados por un lado, como los criterios de elegibilidad de los evaluadores por el otro.

Cuadro 4: Valores unitarios de microcréditos por instituciones (muestra PAM - PAAE)

Instituciones 2009	Monto	Tasa	Cuotas	FPS	Mujeres	Hombres	Personas
Bancos comerciales	702.095	2,45	16	5711	88	31	119
Cajas y cooperativas	476.667	2,73	18	7082	4	2	6
Sociedades financieras	320.786	3,36	13	4684	10	4	14
Fundaciones	61.783	3,42	4	5344	167	8	175
Valor Unitario	323.925	3,04	9	5487	269	45	314

Fuente: Elaboración propia del autor.

El Cuadro 4, muestra que en el año 2009 el grupo de intervención recibió $ 101.712.450 entre 314 personas de dicha muestra. El 86% fueron mujeres. El 56% de los beneficiados, recibió el microcrédito de fundaciones y un 38% de Bancos. Las fundaciones otorgaron sus créditos en un 95% a mujeres y en el caso de los Bancos, un 74% lo hicieron a mujeres. Esto acentúa la tendencia de otorgar microcréditos a las mujeres, de acuerdo a lo observado en la muestra PAM.

Los montos promedios de los créditos otorgados por Bancos fueron 11 veces mayores con relación al otorgado por las Fundaciones. A nivel de cuotas, los créditos bancarios tuvieron un valor de $ 43.881 y las fundaciones de $ 15.446. El valor cuota, reflejaría de mejor manera la capacidad de pago de los beneficiarios, en ese sentido los valores cuota fueron más cercanos a dicha realidad, que los montos totales de los créditos. En cuanto a las tasas de interés, los bancos aplicaron una tasa mensual un 28% más baja que las fundaciones. Exceptuando las cajas y cooperativas, los agentes intermediarios utilizaron un valor promedio FPS que se ubicó en todos los casos dentro del primer decil (el más pobre).

De acuerdo con el Cuadro 18 (en ANEXOS), a diferencia del análisis hecho sobre la muestra PAM, al cruzar ambas muestras PAM-PAAE, se observa que todos los agentes cumplieron el criterio de ventas máximas de 70 UF. Respecto del criterio FPS tope de 11.734, todos lo cumplieron con la excepción de las sociedades financieras. Los bancos otorgaron montos máximos de créditos por 5,9 millones de pesos. Las fundaciones, lo hicieron con montos máximos por 200 mil pesos. El rango de la tasa de interés de los bancos osciló entre 1,20% hasta 7,77% mensual, en las fundaciones la tasa varió entre 3,31% y 4,38%.

Como se observa en el Cuadro 16 de los ANEXOS, las tasas mínimas y máximas aplicadas a créditos de consumo convencional según, i) bancos, ii) divisiones especiales y iii) cooperativas, a diciembre del 2009, para créditos de 500 mil pesos a 24 meses iban desde 0,35% a 2,075% mensual y para créditos de 1 millón de pesos a 24 meses, las cuales oscilaron desde 0,35% a 1,945% mensual.

En resumen, se observó que el 86% de quienes recibieron microcréditos fueron mujeres. El 56% de las personas beneficiadas, obtuvo su microcrédito mediante fundaciones y un 38% vía Bancos. Los montos de los créditos fueron desde los 55 mil pesos hasta los 5,9 millones de pesos, mientras las tasas de interés variaron desde 1,20 hasta 7,77 mensual. Los puntajes de la FPS fueron desde los 2.079 hasta los 14.546, cubriendo desde el primer decil hasta el octavo decil.

Variación en los ingresos autónomos familiares

La Sección 3.2.3, analizará las variaciones de los ingresos autónomos familiares del grupo de intervención PAM - PAAE. Según el Cuadro 17 (en ANEXOS), la muestra de intervención de 314 beneficiarios, lograron un aumento de los ingresos de 44.464 pesos, equivalente a una diferencia positiva de 21%. Las mujeres, a la salida del programa, lograron un incremento de los ingresos un 3% más que los hombres.

El Cuadro 20 (en ANEXOS), muestra que fueron 229 las personas que obtuvieron un microcrédito antes del subsidio. Se observó una variación similar al de la muestra total, donde el grupo mujeres incrementó sus ingresos en el mismo porcentaje igual a 21%, pero el grupo hombres, sufrió una baja de un 64% con relación al aumento de la muestra total. A nivel de personas, el aumento en los ingresos fue de 41.352, un 7,5% menos que lo obtenido en la muestra total.

Según el Cuadro 21 (en ANEXOS), fueron 85 las personas que obtuvieron un microcrédito después a la fecha de asociación al PAAE. En el grupo mujeres, se observó una variación en ingresos similar a la de la muestra total, mientras que en el grupo hombres, hubo un aumento de un 34%. A nivel muestral, se observó un aumento en los ingresos en 52.851, un 18,9% superior a lo obtenido en la muestra total y un 22% mayor que para el caso del grupo pre asociación.

Dicho de otro modo, al separar el grupo de control, en función de la fecha de adjudicación del microcrédito, según haya sido este anterior (pre) o posterior (post), a la fecha de asociación al programa PAAE, se observó que en la muestra pre, las personas experimentaron una pérdida de crecimiento de un 7,5% respecto de la muestra total y para el caso post, lograron un aumento del 18,9% en el ingreso de la muestra post asociación frente a la muestra total. Por lo tanto, podemos concluir que la mayor variación o incremento de los ingresos, se presentó en el grupo que tomó su microcrédito con posterioridad a la fecha de asociación al programa PAAE.

De acuerdo lo descrito en los apartados anteriores, se destaca que la política de otorgamiento de los microcréditos, tuvo como criterio principal la variable sexo, siendo las mujeres el grupo objetivo. Las Fundaciones, atendieron a un mayor número de personas y otorgaron, en correlación a la afirmación anterior, los microcréditos mayoritariamente a mujeres. Esto es una buena señal, que sigue la línea expresada en diversos estudios y tendencias del microcrédito a nivel global, las que han descrito, que para la mujer, el acceso al crédito es más difícil que para el hombre (ganan menos que ellos frente a un mismo trabajo, los activos o bienes generalmente están a nombre del hombre, etc.). Asimismo, entre los pobres, las mujeres son las más pobres, siete de cada 10 personas que tienen hambre en estos momentos en el mundo son mujeres. Según lo planteado en el marco de la conferencia internacional sobre microcréditos organizada por, Rosahneh Zafar, presidenta de la Fundación Kashf de Bangladesh: "Si una mujer gana un dólar, gasta el 70% en su familia. Un hombre le dedica el 30%".

Modelos de estimación para evaluación de impacto

En las secciones anteriores se analizaron las fuentes de sesgo que podrían dificultar el diseño de una estimación econométrica. Las fuentes de variación pueden tener origen tanto en el escenario de implementación de los programas administrados por FOSIS como en las propiedades descriptivas de cada muestra. Por un lado, la distribución de características de la muestra PAAE, en conjunto con la información de la muestra PAM, mostraron un patrón sistemático, sugiriendo un criterio de selección similar entre las fechas de asignación de microcrédito y de asociación al programa. También se evidenció un patrón sistemático en cuanto a las diferencias entre ingresos de las personas de cada programa, aquellas personas que tomaron el microcrédito después de la fecha de asociación tuvieron un mayor incremento que en los demás casos.

Por otro lado, aquellas características que fueron tomadas en consideración por los evaluadores de financiamiento para la asignación, se constituyen como información no observable para el modelo econométrico. Este tipo de información se denomina incompleta u omitida en el contexto de la modelación econométrica. Un ejemplo de esta información podrían ser las liquidaciones de sueldo, que eventualmente serían solicitadas por la institución evaluadora de riesgo, a la persona que postula al microcrédito. En esta instancia, para una persona no sería posible dar a conocer un nivel de ingreso diferente del que realmente tiene. En caso de poder dar a conocer una cifra que no corresponde, se estaría en presencia de una fuente de sesgo para el modelo, específicamente, de error de medición de dicha variable. Otro ejemplo, puede ser la declaración mensual del I.V.A., boletas de honorarios, ventas mensuales, y así sucesivamente. Desde el punto de vista econométrico, es común que no se cuente con dicha información por lo que es necesario establecer supuestos sobre aquella información que siendo relevante, no pueda ser observable. Siguiendo esta línea de argumentación, se puede llegar al planteamiento de una estrategia de estimación, que puede ser de selección en observables o de selección en no observables (ver Gráfico 1).

Gráfico 1: Estimadores de evaluación alternativos

Fuente: Adaptado de Caliendo (2006).

El Gráfico 1, presenta un diagrama que contiene una clasificación de estimadores econométricos para evaluaciones de impacto de diversos programas de apoyo económico basado en la estructura de datos propia de cada programa y de los supuestos de cada método. Adicionalmente, el autor Nichols (2007), señala que hay otros métodos adicionales, tales como, regresión de discontinuidad (Regression Discontinuity o RD), el cual consiste en implementar una regresión que posea un nivel de salto o discontinuidad en una de las variables observadas como condición de eligibilidad de la asignación, por ejemplo, una edad mínima o máxima para la admisión a un programa, un nivel de ingreso familiar, etc. En el mismo artículo se enfatiza que en muchos casos es más conveniente emplear una combinación de métodos, por ejemplo, emparejamiento con doble diferencias, entre otras alternativas. Por último, el mismo autor señala que el método RD se clasifica como casi experimental (quasi-experimental), puesto que es usado tanto en diseños experimentales como en estudios observacionales, para intentar controlar por violaciones al ideal de la aleatorización de muestras de control (randomization of control trials o RCT).

Según Wooldridge (2001), existen dos tipos de estimadores que caen dentro de la categoría de la estimación del efecto promedio de tratamiento (en Inglés, Average Treatment Effect o ATE). La primera es aquella en la cual, se explota el concepto de ignorabilidad del tratamiento condicional en un conjunto de co-variables, lo cual puede ser usando variables proxy o variables de control frente a un caso de variable omitida. Mientras que la segunda categoría cae dentro del conjunto de estimadores que se pueden implementar mediante el uso de una o varias variables instrumentales que sean redundantes en la ecuación de respuesta, pero ayuden a determinar la ecuación de participación. En el presente trabajo, se ha optado por emplear los métodos de selección en observables, debido a que se cuenta con un mayor número de herramientas para su implementación y debido a que el número de supuestos es menor que en el caso de selección en no observables. No obstante, se asume que las muestras poseen fuentes de variación tanto entre individuos en el mismo periodo, como diferencias entre cada periodo, por lo cual, se considera que el uso de los métodos usando selección en observables, serán estimados e interpretados con cautela y que el o los métodos en sí, no eliminarán la totalidad del sesgo.

Modelo tipo Propensity Score Matching (PSM)

El modelo PSM se compone de dos ecuaciones, una que se estima en una primera etapa, la que se denomina ecuación de intervención, tratamiento o asignación, y otra que se estima en una segunda etapa, la que se denomina, ecuación de resultado o de respuesta. Mientras que la primera ecuación es un modelo de regresión no lineal - tipo probit o logit -, la segunda ecuación es un método no paramétrico que estima los promedios de las distancias que hay entre las observaciones, de los grupos de control y tratamiento, para el valor de la probabilidad previamente estimada en la etapa uno. La estimación de la distancia óptima determina el número de observaciones que pueden ser emparejadas, lo que quiere decir, que aquellas observaciones emparejadas poseen características más similares entre los participantes y los no participantes del programa de apoyo económico. Adicionalmente, el método PSM, puede también ser ajustado por regresión en la segunda etapa, lo que combinaría una regresión no lineal en la etapa uno con una regresión lineal en la etapa dos, pero haciendo uso de las observaciones emparejadas (o matched observations. Ver Monteiro, 2004, citado por Essama-Nssah, 2006).

Un de los supuestos importantes en este método es el de independencia condicional (Conditional Independence Assumption o Balancing) de las variables pre programa dada la propensión a participar. Está expresado por, , donde el símbolo quiere decir independiente. Esta misma condición puede expresarse de la siguiente manera, , o bien, , lo que también se conoce como condición Unconfoundedness que es equivalente a la anterior.

La segunda condición es el llamado supuesto de soporte común (Common support assumption o también llamado Unconfoundedness assumption), que plantea que para toda observación presente en el grupo asignado, la probabilidad de que exista una observación con características similares debe ser distinta de cero.

Según Dehejia y Wahba (1998), la variable de respuesta observada para el individuo i está dada por , donde es el valor del individuo i cuando está expuesto a tratamiento y es el valor cuando no está expuesta a tratamiento. Donde el efecto de tratamiento para la observación i, está dada por . Lo que también se puede escribir como: .

Modelo tipo Difference in Differences (DID)

El modelo doble diferencias o DID, es un tipo de regresión lineal con variables binarias que incluye un término interactivo, es decir, el producto de dos variables binarias. En el lado izquierdo de la ecuación se encuentra una variable continua, mientras que en el lado derecho están las variables binarias. Esta ecuación equivale a la estimación hecha en la segunda etapa del modelo PSM. El valor de los parámetros de esta estimación sin contar el del término interactivo, representa las primeras diferencias entre los grupos pre y post tratamiento y control y tratamiento, hechos en forma bis a bis, para cada caso, mientras que el término interactivo representa la segunda diferencia la que a su vez fue obtenida de las primeras diferencias.

.

En la Ecuación anterior, la variable Y corresponde a la variable de respuesta para el individuo i, la variable T corresponde a la variable tratamiento para el individuo i, la variable PRE es una variable en régimen pre-tratamiento para el individuo i, y el término que acompaña a , es el producto entre T y PRE (término interactivo), el cual contiene el valor de la doble diferencia o DID. Todas las variables del lado derecho del modelo son binarias, pero puede haber otras variables que sean discretas o continuas, además de las recién mencionadas.

Cuadro 5: Forma directa de la doble diferencia

	Tratamiento	Control
Pre Programa	b	a	(b - a)
Post Programa	d	c	(c - d)
	(d - b)	(c - a)	((d − b) − (c − a))

Fuente: Elaboración propia del autor.

El Cuadro 5, muestra la forma natural en que puede ser representado el valor de la doble diferencia, el que a su vez está dado por, ((d-b)-(c-a)). En nuestra muestra de datos, un sub conjunto de variables está disponible tanto en línea base, como en línea de salida, lo que corresponde a los regímenes, pre y post programa, respectivamente. Lo mismo ocurre para el caso de las variables del grupo de tratamiento y de control. La diferencia entre ambos casos está en que las variables de los grupos tratamiento y control son excluyentes entre sí, o sea, corresponden a personas distintas, mientras que las variables pre y post programa no lo son, pues una misma persona puede tener variables observadas antes y después del programa.

Cuadro 6: Modelo DID econométrico, parámetros

Coeficiente	Estimación
	a
	(c - a)
	(b - a)
	((d − b) − (c − a))

Fuente: Elaboración propia del autor.

En el caso del Cuadro 5, los promedios que se obtienen de forma directa, pueden estar sesgados por diversos motivos que se han consultado en la mayoría de los artículos citados. Por este motivo es que se requiere una estrategia de estimación que tome en cuenta los supuestos, tales como en el caso, del método PSM, pero esta vez la clave está en las variaciones que se produzcan entre dos puntos en el tiempo que puedan vulnerar los principios requeridos para la estimación.

METODOLOGÍA

En las secciones anteriores hemos analizado los fundamentos teóricos sobre los que descansa la implementación de una técnica empírica de evaluación de programas de microcrédito dentro del ámbito de la evaluación de programas de actividad laboral. Se estudiaron las características de los escenarios sobre los cuales se implementan los programas, que constituyen restricciones claras para la implementación de un método de evaluación. En esta sección se desarrollará el método de estimación desde una elaboración más fina de la estructura de las muestras de datos con las que se cuenta, de las propiedades de las distribuciones de características, ya sea de conjuntos homogéneos provenientes de muestras comunes como de conjuntos heterogéneos provenientes de muestras cruzadas. En el primer apartado, se analizará con mayor detalle cada una de las muestras de datos disponibles para este trabajo. Se estudiarán las propiedades que debe tener el método en relación con las propiedades de la muestra de datos. Se presentará el método de estimación en cuanto a sus propiedades teóricas y sus respectivas implementaciones. Se estudiará en detalle la muestra de datos proveniente de la base del programa PAAE. Se presentarán sus estadísticos descriptivos y se hará una completa descripción de las variables que se usarán en el modelo. Se hará el mismo ejercicio para la muestra de datos proveniente de la base del programa PAM. Además, se analizarán las propiedades de los cruces entre ambos conjuntos con el objetivo de analizar el comportamiento de los agentes que han recibido tanto subsidio del programa PAAE como microcrédito del programa PAM. Finalmente, en el segundo apartado, se desarrollan los dos modelos econométricos considerando sus supuestos analíticos y elaborando sus estimaciones.

Análisis de las muestras de datos

Siguiendo con el diagrama de la tesis, el escenario de los agentes económicos y las propiedades de las muestras de datos, según lo visto en los apartados de la sección anterior, se analiza aquí con mayor detalle la información proveniente de esos puntos, previo a realizar las implementaciones metodológicas de cada modelo.

Propiedades de la muestra de usuarios PAAE

La muestra de datos del programa PAAE, posee un total de 9.979 usuarios, de las cuales 430 observaciones corresponden a individuos que recibieron subsidio y capacitación y 9.549 a personas que no recibieron el apoyo y que constituyen el grupo de comparación o de control.

Cuadro 7: Descripción de la muestra de datos PAAE

Variable	Descripción
EDAD	Edad.
SEXO	Sexo. Masculino = 1; Femenino = 0.
ECIVIL	Estado civil. Casado = 1; Todas las otras (soltero, viudo, conviviente, etc.) = 0.
EDUC1	Educación Al menos básica incompleta y a lo mas básica completa = 1; Todas las otras = 0.
EDUC2	Educación Al menos media o técnica media incompletas o media o técnica media completas = 1; Todas las otras = 0.
EDUC3	Educación Al menos técnica profesional incompleta o completa = 1; Todas las otras = 0.
ETNIA	Etnia. Sin etnia = 0; Todas las otras = 1.
PAIS	Nacionalidad. Chilena = 1; Todas las otras = 0.
HOGLB	Ingresos Totales Autónomos Del Hogar en línea base. Cifras en pesos chilenos divididos por 100.000.
HOGLS	Ingresos Totales Autónomos Del Hogar en línea de salida. Cifras en pesos chilenos divididos por 100.000.
AUTLB	Ingreso Autónomo Individual en línea base. Cifras en pesos chilenos divididos por 100.000.
AUTLS	Ingreso Autónomo Individual en línea de salida. Cifras en pesos chilenos divididos por 100.000.
PHOGLB	Número De Integrantes Del Hogar en línea base.
JEFELB	Jefatura De Hogar en línea base. Es jefe de hogar = 1; No es jefe de hogar = 0.
TREAT	Tratamiento. Grupo tratamiento con crédito = 1; Grupo control sin tratamiento = 0.

Fuente: Elaboración propia en base a datos del programa PAAE.

El Cuadro 7, muestra la descripción de las variables de la muestra de datos PAAE. En el caso de las variables de educación, existen varios niveles que se dividieron en subconjuntos según el nivel de educación alcanzado. Esta cohorte de variables se ha creado para capturar el nivel de educación por segmentos, puesto que es común utilizar este tipo de variables indicadoras (o dummies), cuando no se cuenta con los años de educación que la persona tiene, como dato esencial. Por ejemplo, Aroca (2001) emplea este tipo de variables dummies para el nivel de educación de los individuos.

De este conjunto de variables, se procederá a determinar un subconjunto que permitirá estimar el modelo en forma consistente. El subconjunto de variables puede incluir transformaciones de las variables originales, tales como, variables elevadas al cuadrado, para el caso aquellas variables que poseen valores enteros positivos, tales como, el nivel de ingreso o la edad. Del mismo modo, las transformaciones pueden incluir logaritmos, lo cual se evaluará según si contribuye en una mejor estimación de los modelos. En el Cuadro 26 (en ANEXOS), se encuentran los estadísticos descriptivos de las variables de la muestra PAAE.

Propiedades de la muestra de usuarios PAM

La muestra de datos del programa PAM, posee un total de 30.451 usuarios de los cuales, 314 observaciones corresponden a individuos que recibieron tanto el subsidio PAAE como el microcrédito PAM. A diferencia de la muestra PAAE, la muestra PAM no cuenta con un grupo de control, puesto que la totalidad de este conjunto recibió el microcrédito y no cuentan con observaciones de comparación. Sin embargo, las variables presentes en esta muestra son de gran interés y permitirían realizar un nuevo análisis en situaciones en que se disponga de un buen conjunto de comparación.

Cuadro 8: Descripción de la muestra de datos PAM
Variable	Descripción y abreviación.
ID	Identificador incremental.
RUT	RUT.
EDAD	Edad en años.
SEXO	Sexo (hombre = 1; mujer = 0).
FPS	FPS (Ficha de protección social).
M4313	m4313 (menos de 4.313 puntos en FPS, no puede superar 11.734 puntos).
M8500	m8500 (menos de 8.500 puntos en FPS, no puede superar 11.734 puntos).
COMUNA	Código de comuna USO.
REGION	Código de región USO.
CLUGAR	Código de número de lugares de trabajo (1 = 0; 2 o 3 = 1).
YEAR	Año.
SUBPAM	Monto subsidio otorgado por FOSIS al intermediario divididos por 100.000.
CINST	Código del tipo de institución (fundación, soc. de A. y C. = 0; banco = 1).
MCRED	Monto del crédito divididos por 100.000.
PCRED	Plazo del crédito o cuota en meses.
CFORM	Código de formalización del negocio (no formalizado = 0; formalizado = 1).
VTAPAM	Ventas promedio del negocio divididos por 100.000.
FUCRED	Fecha del último crédito entregado.
FORCED	Fecha de otorgamiento del crédito.
FESIST	Fecha de envío al sistema.

Fuente: elaboración propia en base a datos del programa PAM.

En el Cuadro 8, se encuentran las descripciones de las variables disponibles en la base PAM. En el Cuadro 17 (Anexos) y el Cuadro 18 (Anexos), están los valores extremos de las variables consideradas para ser elegible en el programa PAM.

En la elaboración de un grupo de control alternativo

Tal como se ha planteado en Aroca (2002), se puede hacer uso de la Encuesta de Caracterización Socioeconómica (CASEN) para elaborar un grupo de control alternativo, debido a la similitud de las variables existentes en dicha base, con las variables presentes en las bases PAAE y PAM. A continuación se analizará los tipos de variables presentes en la base CASEN del año 2009 para identificar aquellas que estén presentes en una base o en otra. Las ventajas de poder construir un grupo de control adicional son, que permite comparar los resultados de la estimación con diversas muestras de control que posean una distribución de características similares, que se puede medir con mayor precisión la dirección y magnitud del sesgo de los estimadores entre muestra y muestra, entre otras cosas, tal como es señalado por Essama-Nssah (2006) y por Dehejia y Wahba (1998).

Por un lado, la encuesta CASEN dispone de variables pre-tratamiento que provienen de un ámbito previo a la implementación del programa. La encuesta CASEN 2009 cumple con esto puesto que la información se colectó durante el trienio 2006 - 2008 debido a que se publica cada tres años. La encuesta CASEN 2006, se elaboró con información del trienio 2003 - 2005 y así sucesivamente. Sin embargo, la diferencia entre la base CASEN y la PAAE, es que esta última cuenta además con observaciones post tratamiento, específicamente aquellas que se midieron en línea de salida. Con esta carencia por parte de la encuesta se tiene que los grupos pre y post tratamiento no pueden ser excluyentes, mientras que los grupos tratamiento y control sí son excluyentes. Por lo tanto, la base CASEN no puede ser usada para estimar el modelo econométrico en este informe.

Para determinar qué variables pudieran ser empleadas de los tres conjuntos de datos, es necesario comprobar al menos algunas de ellas estén presentes en las tres muestras y que a su vez estén disponibles en los cuatro grupos requeridos para la elaboración del modelo: grupo de control pre programa, de tratamiento pre programa, de control post programa y de tratamiento post programa. En el Cuadro 9, se muestra la disponibilidad de cada variable en las distintas bases de datos de que se dispone.

Cuadro 9: Presencia de las variables en las distintas bases de datos
Variable	PAAE	PAM	CASEN	Variable	PAAE	PAM	CASEN
RUT	Sí	Sí	No	FPS	No	Sí	No
SEXO	Sí	Sí	Sí	M4313	No	Sí	No
ECIVIL	Sí	Sí	Sí	M8500	No	Sí	No
EDUC1	Sí	No	Sí	COMUNA	Sí	Sí	Sí
EDUC2	Sí	No	Sí	REGION	Sí	Sí	Sí
EDUC3	Sí	No	Sí	CLUGAR	No	Sí	No
ETNIA	Sí	Sí	Sí	YEAR	Sí	Sí	Sí
PAIS	Sí	No	Sí	SUBPAM	No	Sí	No
HOGLB*	Sí	No	Sí	CINST	No	Sí	No
HOGLS*	Sí	No	No	MCRED	No	Sí	No
AUTLB*	Sí	No	No	PCRED	No	Sí	No
AUTLS*	Sí	No	No	CFORM	Sí	Sí	Sí
PHOGLB*	Sí	No	No	VTAPAM	No	Sí	No
JEFELB*	Sí	No	No	FUCRED	No	Sí	No
TREAT	Sí	Sí	No	FORCED	No	Sí	No
EDAD	Sí	Sí	Sí	FESIST	No	Sí	No

Fuente: elaboración propia con datos PAAE, PAM y CASEN.

Según el Cuadro 9, hay variables que pueden ser obtenidas fácilmente de una base, pero no de otra. Además, las variables que solamente están en los cuatros grupos necesarios para el modelo, están sólo presentes en la muestra PAAE, las que corresponden a aquellas que están marcadas con “*”. En resumen, es posible usar solamente la base PAAE para la implementación de los métodos del presente trabajo y se dejan las bases PAM y CASEN para futuras implementaciones.

Por último, en relación con el cruce de datos hecho con las bases PAAE y PAM, siguiendo el apartado de la sección anterior, se presentaron los alcances de las propiedades de los individuos que pertenecen a ambas muestras de datos, es decir, aquellos que recibieron financiamiento de ambos programas. Los cuadros con los resultados pueden ser consultados en los Anexos.

El análisis de los datos cruzados, permitió tener una mejor descripción de los agentes participantes en el proceso, previo a la implementación del modelo econométrico. Específicamente, el Cuadro 18 (Anexos), plantean en mayor detalle las diferencias existentes entre las características de los individuos elegibles de aquellos que no lo fueron con lo cual se ha comprendido mejor qué tipo de variaciones podrían estar presentes o excluidas del modelo.

Estimación econométrica del impacto del programa

El método econométrico que mide el efecto promedio de la asignación de un programa ya sea de subsidio como de microcrédito, cae dentro del tipo de modelos que miden un efecto promedio de una variable de tratamiento (Wooldridge, 2001). Para implementarlo, es necesario analizar y preparar dos conjuntos de datos que posean características que estén presentes en los dos grupos, tal como se señaló previamente.

Estrategia de estimación por método PSM

En el presente trabajo se han analizado varias implementaciones propuestas por investigadores del área económica. Los autores Becker e Ichino (2002) y Leuven y Sianesi (2003), describen dos implementaciones del método PSM en el programa Stata, mientras que el autor Essama-Nssah (2006) presenta las mismas implementaciones con variantes con el programa Eviews. Existen otras implementaciones de gran utilidad para necesidades más específicas en cuánto a esta metodología, los cuales no se emplearán en este la presente tesis. En la mayoría de los casos, las implementaciones proveen de ejemplos haciendo uso de las muestras de datos provenientes de varios de los artículos consultados en la literatura, tales como, los datos, del artículo Lalonde (1986) como del artículo Card y Krueger (1994), para los métodos PSM y DID, respectivamente.

Tal como fue planteado en la sección anterior, el método PSM está constituido de una estrategia de estimación de dos etapas. Los supuestos requeridos para su estimación están en función de que la probabilidad de que, el resultado observado de los participantes, condicionado en la asignación y en su conjunto de características dado por el vector de variables que se incluyan en la ecuación, sea igual al resultado no observado en los no participantes, dado el valor de la asignación y condicionado en sus características observadas. El resultado de los participantes, se dice que es no observado, porque al no ser asignados, se mantiene el supuesto de que sus características sean independientes de la probabilidad de asignación, para ambos grupos.

Una manera de tener seguridad sobre si la especificación es la adecuada es usar la condición de balance de la muestra estratificada del valor estimado de la variable de tratamiento. Como señalan los autores Dehejia y Wahba (1998), en el estimador de estratificación, las características pre-tratamiento están balanceadas entre las observaciones del grupo de tratamiento y del grupo de control. Esto quiere decir que no es necesario realizar un análisis de sensibilidad para probar si la especificación de la función de tratamiento estratificada es adecuada, con lo cual se simplifica el procedimiento de modelación e inferencia.

Estrategia de estimación por método DID

La necesidad de haber determinado el nivel de impacto promedio del programa PAAE, mediante el empleo del método de emparejamiento, radica en que el procedimiento involucra la determinación de un grupo de control proveniente de la estimación, distinto del grupo de control original. Con el grupo de control emparejado se puede realizar una estimación consistente empleando el método de emparejamiento ajustado por regresión (Monteiro, 2004). Del mismo modo, esto también es útil para estimar un modelo DID en forma consistente. Existen menos procedimientos propuestos para la estimación de un método DID. En este trabajo, se consultaron tres implementaciones alternativas, a saber, la de Dehejia y Wahba (1998), la de Becker y Ichino (2002) y la de Leuven y Sianesi (2003). De las implementaciones citadas anteriormente, la del autor Essama-Nssah (2006), señala que es posible obtener las estimaciones DID y ajustada por regresión haciendo uso de las observaciones emparejadas del modelo PSM en vez del grupo de control original.

DISCUSIÓN DE RESULTADOS

El proceso de estimación consistió en la implementación de los métodos PSM y DID, para una forma funcional que coincidiera para los dos casos. La ecuación econométrica fue estimada en forma no lineal usando forma funcional logística y la serie estimada fue usada para la obtención de las variantes de Matching: Nearest-neighbor, kernel gaussiano y kernel epanechnikov. La estimación Matching se realizó en forma sucesiva para varias submuestras, principalmente para subconjuntos agrupados por género debido a la fuerte diferenciación que existen entre los indicadores de las mujeres y de los hombres. Cabe mencionar a modo de recuento que las mujeres son los principales agentes económicos beneficiados por los programas FOSIS.

Resultado del análisis descriptivo

El tipo de información proveniente del cruce de datos permitió conocer un poco más el nivel en que se encuentran los cambios o variaciones entre las muestras, en sus respectivos ámbitos de ocurrencia. En el caso de las variables observadas al inicio del programa y en la línea de salida del programa, hubo en su mayoría un aumento en la en los niveles de cada variable, mientras que entre los grupos de control y de tratamiento, se percibió un mayor nivel en el análisis realizado sobre las muestras de datos, nos permitió tener las siguientes aproximaciones, previo a cualquier implementación estadística.

Resultado de las estimaciones econométricas

Resultado de las estimaciones por método PSM

En el Cuadro 10, se presenta el resultado del modelo de regresión logístico para la muestra total con un número de observaciones total de 9.979 personas. El número de personas con y sin subsidio es de 430 y 9.549, respectivamente. Los valores de las probabilidades de los estadísticos t estandarizados (estadísticos z) son casi todos superiores al 99% siendo el menor de ellos para la variable ETNIA con un nivel de confianza de 98% y JEFELB también con un 98%. El nivel de probabilidad de la significancia global, representado por la prueba F, es superior al 99%. Los valores de los coeficientes estimados y sus magnitudes son coherentes con la estimación. La variable SEXO tiene signo negativo. SEXO toma el valor 1 para hombres y 0 para mujeres. Esto quiere decir que mientras la variable SEXO en promedio tome valores que tiendan a 1, el efecto será negativo sobre la variable de asignación TREAT. Esto implica que la variable dependiente TREAT, que corresponde al tratamiento, responde negativamente si el valor de la variable SEXO en promedio se aproxima a 1.

Cuadro 10: Resultado de la regresión PSM para la muestra total

Variable	Coefficient	Std. Error	z-Statistic	Prob.	Significancia
C	-3,6571	0,1398	-26,1638	0,0000	> 99% ***
SEXO	-0,5510	0,1391	-3,9608	0,0001	> 99% ***
ETNIA	-0,3114	0,1300	-2,3945	0,0166	> 95% **
HOGLB	0,1221	0,0461	2,6489	0,0081	> 99% ***
AUTLB	0,2642	0,0840	3,1449	0,0017	> 99% ***
JEFELB	0,2913	0,1230	2,3681	0,0179	> 95% **
Mean dependent var	0,0431	S.D. dependent var		0,2031
S.E. of regression	0,2025	Akaike info criterion		0,3500
Sum squared resid	408,8968	Schwarz criterion		0,3543
Log likelihood	-1740,1162	Hannan-Quinn criter.		0,3514
Restr. log likelihood	-1772,7143	Avg. log likelihood		-0,1744
LR statistic (5 df)	65,1962	McFadden R-squared		0,0184
Probability(LR stat)	0,0000
Obs with Dep=0	9549	Total obs		9979
Obs with Dep=1	430

Fuente: Elaboración con programa Eviews.

En el Cuadro 11, se aprecian los efectos marginales (columna 2) y elasticidades (columna 6) de las variables explicatorias del modelo PSM presentado previamente. Esta estimación corresponde a la primera etapa de la estimación. Los efectos marginales se pueden obtener al evaluar el valor promedio de la serie estimada índice del modelo (multiplicado por menos 1) en la función de densidad de probabilidad condicional logística. La serie índice es una transformación de la serie estimada que se obtiene en Eviews mediante el procedimiento Forecast. La interpretación económica se puede extender directamente de los efectos marginales considerando el valor de sus magnitudes.

Cuadro 11: Efectos marginales y elasticidades para las variables del modelo

Variable	Coefficient	Standard Error	b/St.Er.	P[Z>z]	Elasticity	Tipo elasticidad
Constant	-0,1411	0,0062	-22,8190	0,0000
SEXO	-0,0186	0,0040	-4,6150	0,0000	-0,0984	Inelástica negativa
ETNIA	-0,0112	0,0043	-2,5950	0,0095	-0,0646	Inelástica negativa
HOGLB	0,0047	0,0018	2,6620	0,0078	0,2219	Inelástica positiva
AUTLB	0,0102	0,0032	3,1670	0,0015	0,2193	Inelástica positiva
JEFELB	0,0106	0,0042	2,5290	0,0114	0,1938	Inelástica positiva

Fuente: Elaboración con programa Limdep.

La interpretación de los efectos marginales requiere un paso adicional. Lo que se ha hecho anteriormente ha sido obtener los efectos marginales de la función de regresión logística que es en esencia no lineal. Con los efectos marginales calculados, sus valores hacen las veces de coeficientes de una función regresión lineal. Las elasticidades calculadas se han presentado en la quinta columna del Cuadro 11. El procedimiento seguido para la obtención de las elasticidades fue el del autor Greene (1999), propiamente el método del capítulo de modelos con variables dependientes discretas.

La variable CONSTANTE (C o Constant) no posee valor de elasticidad, puesto que la derivada de una constante es cero. Por otro lado, el valor de la elasticidad para la variable SEXO y ETNIA, es de -0,09 y -0,06, respectivamente. Tanto la variable SEXO como la variable ETNIA, sugieren que ante un aumento de un 1% en el nivel de cada una de ellas, habrá una disminución de, -0,09% y -0,06%, en el valor de la probabilidad de asignación, respectivamente. Esto se explica porque a medida que la variable SEXO se acerca a 1, su efecto negativo es mayor, puesto que se seleccionó un mayor número de mujeres para los subsidios. Por otro lado, la variable ETNIA, cuyos valores son 0 para quienes no pertenecen a ninguna grupo étnico y 1 para los que sí pertenecen, el signo negativo, tanto del coeficiente como de la elasticidad, sugiere que existió en este caso una tendencia segregadora a la hora de consultar por la presencia de ascendencia étnica en el postulante. Estas dos últimas son variables binarias.

Las variables continuas AUTLB y HOGLB, tienen valores de elasticidades positivas de 0,22 y 0,21, respectivamente. Esto implica que ante un aumento en 1% en el nivel ambas variables, habrá un aumento de un 0,22% y 0,21%, en la probabilidad de asignación, respectivamente. Por último, la variable binaria JEFELB, tiene un valor de elasticidad de 0,19, lo que implica que ante un aumento en un 1% en el valor promedio de la variable JEFELB, habrá un aumento de un 0,19% en el valor de la probabilidad de asignación del subsidio. Todos estos valores resultaron tener una interpretación económica coherente frente al fenómeno que se está analizando. Del mismo modo, la significancia estadística resultó ser adecuada para conducir la segunda etapa de estimación.

Por el lado de la estimación del impacto, se procedió a utilizar el procedimiento para calcular el efecto promedio del tratamiento (ATE), usando la aplicación del autor Essama-Nssah (2006). El resultado se puede ver a continuación en el Cuadro 12. Los valores son estimados empleando tres procedimientos diferentes de los cuales se genera una nueva serie estimada para la variable ingreso total familiar, la que es restada de la serie ingreso total familiar original y cuya diferencia promediada, da el valor mostrado en el cuadro.

Cuadro 12: Estimaciones del impacto promedio de las asignaciones

Tipo Impacto	Valor Impacto	Valor en Pesos
Impacto Nearest-Neighbor	0,2718	27.177
Impacto Kernel Gaussiano	0,5072	50.719
Impacto Kernel Epanechnikov	0,4817	48.174

Fuente: Elaboración con programa Eviews.

En el Cuadro 12, se puede apreciar que los valores están dentro de un rango de los $ 27.177 y $ 50.719. Los valores corresponden al promedio entre las diferencias entre los grupos de control y tratamiento, pero sobre un subconjunto de las observaciones de control, aquellas que no fueron excluidas en el procedimiento de emparejamiento. Estos valores han sido estimados sobre el supuesto de que las diferencias entre los dos grupos, o las variaciones individuales entre las características de las personas en ambos grupos, fueron mínimas. Lo que implica que la diferencia que se obtuvo puede ser considerada como aquella que se habría obtenido para las mismas personas que sí recibieron programa, pero no ellas, sino aquellas del grupo de control que más se les parecen. Esa es la finalidad de este método y eso radica la consistencia de las estimaciones obtenidas.

Adicionalmente a la obtención de estos valores de importancia económica, se logró la obtención de un grupo de control emparejado, el cual minimiza las variaciones entre ambos grupos, lo que garantiza el cumplimiento de los supuestos del modelo PSM. A continuación, para cumplir con los supuestos del siguiente método, el modelo DID, se requiere también que las variaciones sean mínimas, pero entre observaciones pre y post programa. Siguiendo al autor Rosenbaum (2010), se puede complementar el método de emparejamiento, con el de doble diferencias, para implementar una estimación cuyas variaciones entre los dos periodos de tiempo sean mínimas.

Resultado de las estimaciones por método DID

En la sección anterior, se analizaron los resultados de la implementación del método PSM. Esto permitió obtener las magnitudes del impacto económico promedio de las personas que recibieron el apoyo económico. A continuación, se analizarán los resultados de un procedimiento similar para obtener una estimación alternativa del impacto, esta vez implementando el método DID. Tal como se ha señalado, por varios autores, tales como, Essama-Nssah (2006) y Rosenbaum (2010), es posible combinar los métodos PSM y DID, para obtener una estimación consistente usando sub grupos de control procedentes del procedimiento de distancias mínimas en la función de probabilidad de características.

En el procedimiento del autor Essama-Nssah (2006), no se disponía de una manera de obtener un subgrupo de control, de manera que se utilizó el propuesto por Hansen (2007) y citado por Rosenbaum (2010), el cual consiste en una implementación en el programa R, que crea grupos de control emparejados estableciendo condiciones, tales como, número de controles por observaciones de tratamiento, tamaño del diámetro (o caliper), con lo cual se pueden cumplir las condiciones de balance entre las dos muestras.

Por medio de este procedimiento, se procedió a realizar una regresión mínimo cuadrática para estimar la doble diferencia (o DID), utilizando un grupo de variación mínima entre individuos, proveniente del procedimiento PSM. Del mismo modo que en el modelo PSM, se eligió una estrategia de estimación de selección en observables, puesto que como, señala el autor Nichols (2007), el método DID, puede particularmente estimarse como un modelo de panel de efectos fijos, pero dicho método implicaría hacer uso del supuesto de selección en no observables a través del tiempo. Para tal efecto, podría utilizarse un modelo de panel de efectos aleatorios, haciendo uso de la variación temporal entre individuos, pero como se señaló, se procedió a elegir la estrategia alternativa.

Cuadro 13: Resultado estimación por método DID

Variable	Coefficient	Std. Error	t-Statistic	Prob.	Significancia
C	0,9893	0,0438	22,5705	0,0000	> 99% ***
PERIOD	0,0950	0,0231	4,1067	0,0000	> 99% ***
TREAT	-0,0773	0,1206	-0,6410	0,5215
PETR	0,1043	0,0763	1,3677	0,1714
ETNIA	-0,0915	0,0289	-3,1640	0,0016	> 99% ***
JEFE	-0,1609	0,0259	-6,2160	0,0000	> 99% ***
AUT	1,1751	0,0146	80,3724	0,0000	> 99% ***
R-squared	0,4150	Mean dependent var		2,3067
Adjusted R-squared	0,4146	S.D. dependent var		1,3936
S.E. of regression	1,0662	Akaike info criterion		2,9669
Sum squared resid	10746,6652	Schwarz criterion		2,9722
Log likelihood	-14026,3428	F-statistic		1117,4953	N Obs
Durbin-Watson stat	1,9077	Prob(F-statistic)		0,0000	9460

Fuente: Elaboración propia con programa Eviews.

El Cuadro 13 muestra que el valor del coeficiente que mide la doble diferencia, equivale a 0,1261. Esto implica que el valor estimado promedio para el efecto de asignación en doble diferencia es de cerca de $ 10.500, que cae por debajo de la estimación por el método PSM, pero es en cierto modo aproximado. Estadísticamente, hay una buena significancia global y parcial, hay una bondad de ajuste que es del orden de 0,41, tanto para el R^2 como para el R^2 ajustado, lo que señala una buena contribución de las demás variables a la regresión. En cuanto a la significancia económica, el valor del coeficiente, está dentro de un rango aproximación cercana a los obtenidos por el método PSM.

En esta ecuación, la variable SEXO fue excluida debido a su baja significancia parcial, además, porque dicha variable se encontraba muy correlacionada con la variable TREAT de asignación, por lo que se excluyó de la regresión. Se optó como estrategia el uso de la sub muestra proveniente del proceso de matching en la sección anterior, lo cual, según autores como Nichols (2007), presenta mayores ventajas el uso de modelos híbridos. Específicamente en este caso, la sub muestra dio una bondad de ajuste superior a la de la muestra total la que fue de 0,39. Las magnitudes no obstante como los signos de los coeficientes estimados, se mantuvieron en forma similar.

Como resultado, se concluye de esta sección que las dos metodologías empleadas, haciendo uso de supuestos estadísticos y de implementaciones computacionales de uso rutinario, se pudo obtener dos estimaciones de un mismo fenómeno de manera aproximada y la complementación de los métodos PSM y DID, resultó oportuna tanto a la hora de la estrategia de estimación como para la manipulación de las variables para estimación. Las magnitudes económicas mostraron que las diferencias promedios entre los ámbitos pre y post programa como para las personas no y si asignadas, resultó mostrar en promedio aproximaciones alternativas al mero ejercicio de promediar las diferencias observadas de muestras completamente disímiles en sus distribuciones de probabilidades.

CONCLUSIONES

En esta Sección presentan las principales conclusiones que resultaron de la elaboración de este trabajo. Se concluyeron las siguientes ideas tanto de los análisis descriptivos, como de las estimaciones econométricas.

• En el caso de la participación de las mujeres en el programa, por un lado, en las evidencias pertinentes al análisis de las muestras, se observó una mayor participación femenina en el programa PAAE. A su vez, los modelos econométricos mostraron alta significancia estadística en relación con la variable SEXO, mostrando un efecto negativo en la medida que dicha variable aumentaba desde el valor para mujer (cero) hacia el valor para hombre (uno), corroborando la evidencia anterior. En las dos situaciones, se observó una relación entre la variable mujer y la elegibilidad del programa.

• Por un lado, los dos principales agentes intermediarios dentro de los programas de financiamiento, resultaron ser las Fundaciones y los Bancos, mientras que a su vez, los mismos se caracterizaron por tener un mecanismo crediticio muy distinto el uno del otro. Mientras que las fundaciones utilizaron una frecuencia mayor en la circulación de sus créditos, los bancos se enfocaron en menores frecuencias, con tasas más altas y mayores montos. A pesar de esta diferencia de enfoque, una mirada más profunda mostró que ambos mecanismos se igualaban al cabo de unos meses y que ambos agentes lograban el mismo objetivo en términos de fomentar la actividad económica en el mediano y largo plazo.

• En relación con la implementación por el método PSM, se obtuvo un nivel de aumento promedio en las personas que recibieron el programa del orden de $ 27.000, $ 45.000 y $ 50.000, para los tres métodos respectivamente. Estos montos aproximados entre sí, corresponden al valor promedio del incremento obtenido en el conjunto de personas beneficiadas, por efecto de adjudicarse el subsidio de FOSIS, dentro del periodo en que se observó la información contenida en la muestra.

• En cuanto a la implementación por el método DID, a pesar de haber usado una especificación lineal, siguiendo una estrategia similar a la anterior, se obtuvo un valor del impacto de $ 10.400, si bien menor, es aproximado a los resultados anteriores.

• Ambos métodos resultaron eficaces en la estimación de un valor aproximado del efecto de incremento promedio de las personas que recibieron el subsidio PAAE, tomando en cuenta las diferencias entre el universo de postulantes y unas adecuadas observaciones de comparación, con mínimas distancias a la función de probabilidad como relación causal de la asignación.

• Una implementación usando un esquema de selección en no observables podría ser una alternativa que podría arrojar quizás resultado diferentes en cuanto a las propiedades estadísticas de cada modelo.

• El método de emparejamiento puede usarse de manera más eficiente para crear sub muestras de distintos tamaños en virtud de su similaridad entre ambos grupos. Tanto esto, como lo señalado en la conclusión anterior, podría ser de gran interés, y podría entregar distintos valores y propiedades estadísticas.

GLOSARIO

• Corte transversal: conjunto de datos cuyas observaciones están disponibles a nivel individual o desagregado una sola vez en el tiempo.

• DID: Difference-in-differences o double differences, diferencia en diferencias o doble diferencias.

• Endogeneidad: dependencia de una variable sobre otra en un modelo econométrico lo que vulnera la propiedad de independencia del supuesto del modelo PSM o de un modelo convencional.

• Exogeneidad: independencia de una variable sobre otra en un modelo econométrico. Se dice que una variable exógena puede ser usada como instrumento para la estimación de un modelo de varias etapas (ver variable instrumental).

• Experimental: característica de aleatoriedad en la asignación de un programa de apoyo a un grupo de postulantes. Se usa aquí tanto en programa experimental como en muestra o conjunto experimental.

• Ficha de protección social (FPS): cuestionario empleado por varias instituciones para la pesquisa de un indicador de nivel socio económico de las personas que se atienen a alguno de las líneas de financiamiento de las instituciones del sector público y privado.

• FOSIS: Fondo de solidaridad e inversión social.

• Grupo de control: conjunto de observaciones que constituyen aquellos individuos que no recibieron el apoyo económico. Está expresada por una variable indicador que toma el valor 0 para las observaciones que son de este grupo y 1 para las del grupo de tratamiento.

• Grupo de tratamiento: conjunto de observaciones que constituyen aquellos individuos que recibieron el apoyo económico. Está expresada por una variable indicador que toma el valor 1 para las observaciones que son de este grupo y 0 para las del grupo de control.

• Kernel: Método de estimación no paramétrica que consiste en la estimación de una función de distribución de probabilidad que se asemeja a un histograma y difiere de este en que puede tener longitudes de segmento variables y distintas especificaciones funcionales.

• Kernel Gaussiano: Kernel cuya función de distribución de probabilidad se estima como una distribución normal. Se emplean dos parámetros para la función normal, media y varianza, pero difieren de los parámetros de un modelo de regresión paramétrico.

• Kernel Epanechnikov: Kernel cuya función de distribución de probabilidad es simétrica y cuyo valor de longitud de segmento o ventana es conocido e igual a una constante.

• Linealidad: forma del modelo de regresión paramétrica cuya especificación es lineal en los parámetros o coeficientes.

• Longitudinal: conjunto de datos cuyas observaciones están disponibles a nivel individual o desagregado más de una vez en el tiempo. Sinónimo: datos de panel.

• Matching: Emparejamiento o método de emparejamiento.

• No paramétrico: Método de estimación econométrico basado en función de distribución de probabilidad.

• No experimental: característica de no aleatoriedad en la asignación de un programa de apoyo a un grupo de postulantes. Se usa aquí tanto en programa no experimental como en muestra o conjunto no experimental. Sinónimo: observacional, no aleatorio.

• No observables: características de los agentes del estudio que no están disponibles para ser medidas o analizadas en forma numérica dentro de la muestra del estudio. Sin embargo, dichas características sí están presentes en el modelo, en la parte de los residuos del modelo, esto dependiendo de la especificación.

• Paramétrico: Método de estimación econométrico basado en parámetros o coeficientes de regresión.

• PAAE: Programa de apoyo a la actividad económica.

• PAM: Programa de acceso al microcrédito.

• PSM: Propensity score matching o método de puntaje de predisposición y emparejamiento.

• Soporte común: condición que debe cumplir el método matching para garantizar que exista una contraparte muestral con similares características en el grupo de control correspondiente a cada datos del grupo de tratamiento. Sinónimo: condición de superposición, condición de traslape o condición de balance (o common support condition).

• Variable instrumental: variable que no está influenciada por el ámbito de las demás variables del modelo econométrico. Puede emplearse en un modelo de más de una etapa si se conoce que es influenciada sólo por una de las etapas pero no por las dos. En inglés se abrevia como IV (Instrumental variable).

• Variable omitida: característica que no puede ser incluida en el modelo econométrico, dado que no está presente en la muestra en forma numérica. Su ausencia puede causar sesgo e inconsistencia en el modelo econométrico.

BIBLIOGRAFÍA

Aedo, C. (2005). “Evaluación del impacto”. CEPAL, División de Desarrollo Económico. Naciones Unidas. México.

Aroca, P. (2002). “Microcrédito, Evaluación de Impacto Casos: Brasil y Chile”. Universidad Católica del Norte Antofagasta. Chile.

Becker, S. y A. Ichino. (2002). “Estimation of average treatment effects based on propensity scores”. Stata Journal, 358-377.

Blundell, R., M. Costa Dias, C. Meghir y J. Van Reenen (2004). “Evaluating the employment impact of mandatory job-search asistanse. The UK New Deal Gateway”, Journal of the European Economic Association 2(4):569-606.

Blundell, R. y M. Costa Dias (2002). “Alternative Approaches to Evaluation in Empirical Microeconomics”, The Journal of Human Resources, 564-640.

Blundell, R. y M. Costa Dias (2000). “Evaluation methods for non experimental data”, Fiscal Studies 21(4):427-468.

Briones, R. H. Bosselin y C. Briones (2000). “Modelo Economico-Social y Competencia en los Mercados Chile: Un Caso de Oligopolio y Asistencialismo”. Universidad de Chile. Chile.

Caliendo, M. (2006). Microeconometric Evaluation of Labour Market Policies. Springer-Verlag. EE.UU.

Card, D. y A. Krueger (1994). “Minimum Wages and Employment: A Case of the Fast-Food Industry of in New Jersey and Pennsylvania”, The American Economic Review, 772-793.

Dehejia, R., y S. Wahba (1998). “Causal Effects in Non-Experimental Studies: Re-evaluating the Evaluation of Trainning Programs”, NBER Working Paper Series. EE.UU.

Essama-Nssah, B. (2006). “Propensity Score Matching and Policy Impact Analysis: A Demonstration in Eviews.” World Bank Policy Research Working Paper 3877. 1-60.

Fundación Kast. (2000). Capacidad de emprender, clave para superar la pobreza. Santiago, Chile.

Greene, W. (1999). Análisis Econométrico. Prentice Hall. EE.UU.

Hansen, B. (2007). “Optmatch: Flexible, optimal matching for observational studies”, R News, 18-24.

Lalonde, R. (1986). “Evaluating the econometric evaluations of trainning programs with experimental data”, The American Economic Review, 604-620.

Leuven, E., y Sianesi, B. (2003). “PSMATCH2: Stata module to perform full Mahalanobis and propensity score matching, common support graphing, and covariate imbalance testing.” Boston College Department of Economics. EE.UU.

Meyer, B. (1995). “Natural and Quasi-Experiments in Economics”, Journal of Business & Economic Statistics 13(2), JBES Symposium on Program and Policy Evaluation, 151-161.

Monteiro, N. (2004). “Using propensity matching estimators to evaluate the impact of privatisation on wages”, Working Paper Series 12 Universidade do Minho. Portugal.

Nichols, A. (2007). “Causal Inference with Observational Data”, Stata Journal, 507-541.

Rosenbaum, P. (2010). Design of Observational Studies. EE.UU.

SERCOTEC (2010). “La Situación de la Micro y Pequeña Empresa en Chile.” Santiago, Chile.

Wooldridge, J. (2001). “Econometric Analysis of Cross Section and Panel Data Models.” The MIT Press. EE.UU.

Yunus, M. (1997). “Hacia un Mundo sin pobreza”, EE.UU.

ANEXOS

Anexo A: Metodología construcción de datos

Cuadro 14: Distribución de población por decil ficha protección social

Decil Puntaje FPS	Tramo de Puntaje FPS	Personas en FPS	%FPS	% Acumulado FPS	% Población país	% Acumulado población país
1	2072 - 6035	3.768.130	35%	35%	22%	22%
2	6036 - 8500	1.942.800	18%	53%	11%	33%
3	8501 - 10320	1.529.580	14%	67%	9%	42%
4	10321 - 11734	1.066.540	10%	77%	6%	49%
5	11735 - 12666	733.610	7%	84%	4%	53%
6	12667 - 13484	606.530	6%	89%	4%	56%
7	13485 - 14236	469.540	4%	94%	3%	59%
8	14237 - 14557	357.590	3%	97%	2%	61%
9	14558 - 14597	223.530	2%	99%	1%	63%
10	> 14598	84.420	1%	100%	0%	63%
	Total	10.782.270	100%		63%

Fuente: Informe Final, Comité de Expertos, FPS Octubre 2010.

Cuadro 15: Dimensiones del impacto y componentes del modelo

Dimensiones	Componente del Modelo
1° Tipo de variable sobre la que se mide el impacto	Cuantitativas
2° Forma de construcción de la muestra	No experimentales
3° Forma en que se construye un indicador de impacto	Diferencias en diferencias
4° Método de estimación utilizado para cuantificar los impactos	No paramétricos

Fuente: Elaboración del autor, en base a Baker (2000).

Cuadro 16: Promedio tasas interés área metropolitana

PROMEDIO DE TASAS DE INTERÉS INFORMADAS POR BANCOS Y COOPERATIVAS EN LOS CRÉDITOS DE CONSUMO
Semana del 21 al 24 de diciembre de 2009
(% anual)
			0,35	2,075				0,35	1,945
			Monto del préstamo: $500.000					Monto del préstamo: $1.000.000					Monto del préstamo: $3.000.000
			24 meses		36 meses			24 meses		36 meses			24 meses		36 meses
Bancos (*)			Mín	Máx	Mín	Máx		Mín	Máx	Mín	Máx		Mín	Máx	Mín	Máx
Banco de Chile			n/o	n/o	n/o	n/o		13,08	26,64	13,32	27,48		10,56	18,36	11,16	19,20
Banco de Crédito e Inversiones			13,68	27,12	14,04	28,08		13,68	27,12	14,04	28,08		11,16	26,04	11,88	26,16
Banco del Estado de Chile			10,80	30,60	10,80	25,92		8,40	28,20	10,80	25,92		8,40	23,40	10,80	23,52
Banco Falabella			12,12	30,24	12,24	30,48		10,92	27,24	11,04	27,60		10,08	25,20	10,20	25,44
Banco Paris			28,01	46,68	28,01	46,68		25,85	43,08	25,85	43,08		17,93	29,88	17,93	29,88
Banco Ripley			17,52	46,56	17,52	46,56		16,32	42,96	16,32	42,96		15,60	34,80	15,60	34,80
Banco Santander Chile			8,40	31,20	8,40	31,20		8,40	31,20	8,40	31,20		8,40	31,20	8,40	31,20
Banco Itaú Chile			n/o	n/o	n/o	n/o		14,16	26,40	15,36	27,48		12,72	22,20	13,92	22,20
BBVA Banco			10,95	22,56	12,02	24,46		10,95	22,56	12,02	24,46		9,90	20,41	10,69	22,13
Corpbanca			15,00	27,48	15,48	28,20		15,00	26,64	15,00	27,48		10,68	23,52	12,60	23,64
Scotiabank Chile			18,09	20,16	18,70	20,76		18,09	20,16	18,70	20,76		16,91	18,84	17,51	19,44
Divisiones Especializadas (**)
Banco Condell			27,00	47,64	26,52	48,12		24,96	46,44	26,52	47,16		24,12	35,64	24,12	37,92
Banefe			23,88	47,40	23,88	48,00		23,88	45,60	23,88	47,40		23,88	36,00	23,88	37,80
Banco Credichile			33,48	49,80	33,48	49,80		29,88	46,68	29,88	46,68		25,68	45,48	25,68	45,48
Banco Nova			30,30	47,70	31,02	48,42		30,30	46,00	31,02	47,12		21,70	36,40	22,42	38,22
Banco del Desarrollo			22,68	32,40	22,93	32,76		22,34	31,92	22,60	32,28		18,14	25,92	18,40	26,28
Cooperativas
Coopeuch			16,32	32,40	22,32	32,40		14,28	28,08	19,56	28,08		14,28	28,08	19,56	28,08
Coocretal			22,80	35,88	22,80	35,40		22,80	35,88	22,80	35,40		22,80	35,88	22,80	35,40
Oriencoop			16,56	30,36	16,56	30,36		16,56	30,36	16,56	30,36		15,48	26,04	15,48	26,04
Capual (***)			15,71	19,93	15,46	19,67		15,30	19,50	15,17	19,38		15,02	19,22	14,98	19,18
Detacoop			29,40	35,40	29,40	35,40		29,40	35,40	29,40	35,40		26,40	26,40	26,40	26,40
Tasa de interés máxima convencional para operaciones no reajustables menores a UF200: 50,22% anual desde el día 15 de diciembre de 2009.

Fuente: SBIF.

Cuadro 17: Valor máximo y mínimo de microcrédito por instituciones (PAM)

Instituciones 2009	Venta Máxima	Venta Mínima	Crédito Máximo	Crédito Mínimo	Tasa Máxima	Tasa Mínima	FPS Máxima	FPS Mínima
1. Bancos comerciales	1.460.264	8.333	7.687.553	100.517	7,95	0,70	14.679	2.072
2. Cajas y cooperativas	1.400.000	23.333	9.900.000	21.646	3,80	0,70	14.632	2.072
3. Sociedades financieras	2.100.000	45.833	1.500.000	80.000	3,60	3,20	14.571	2.072
4. Fundaciones	1.420.000	1.111	500.000	45.000	4,38	2,96	14.688	2.072
Promedio	1.595.066	19.653	4.896.888	61.791	4,93	1,89	14.643	2.072

Fuente: Elaboración propia del autor.

Cuadro 18: Valor máximo y mínimo de microcrédito por instituciones (grupo intervención, PAM - PAAE)

Instituciones 2009	Venta Máxima	Venta Mínima	Crédito Máximo	Crédito Mínimo	Tasa Máxima	Tasa Mínima	FPS Máxima	FPS Mínima
Bancos comerciales	1.360.000	100.000	5.946.928	101.220	7,77	1,20	14546	2144
Cajas y cooperativas	800.000	200.000	1.050.000	200.000	2,85	2,35	13344	3011
Sociedades financieras	1.350.000	300.000	780.000	135.000	3,40	3,30	8502	2225
Fundaciones	1.000.000	25.000	200.000	55.000	4,38	3,31	14381	2079
Promedio	1.127.500	156.250	1.994.232	122.805	4,60	2,54	12.693	2.365

Fuente: Elaboración propia del autor.

Cuadro 19: Ingreso autónomo familiar en línea base y salida, según sexo

Grupo Intervención	Ingreso Línea Base	Ingreso Línea Salida	Variación	Promedio Edad	Número Personas
Mujeres	207.165	251.239	0,21	43	269
Hombres	258.944	305.743	0,18	49	45
Personas	214.586	259.050	0,21	44	314

Fuente: Elaboración propia del autor.

Cuadro 20: Ingreso autónomo familiar en línea base y salida, según fecha adjudicación pre asociación

Muestra Pre Asociación	Ingreso Línea Base	Ingreso Línea Salida	Variación	Promedio Edad	Número Personas
Mujeres	202.563	245.608	0,21	43	199
Hombres	269.833	299.948	0,11	48	30
Personas	211.375	252.727	0,20	43	229

Fuente: Elaboración propia del autor.

Cuadro 21: Ingreso autónomo familiar en línea base y salida, según fecha adjudicación post asociación

Muestra Post Asociación	Ingreso Línea Base	Ingreso Línea Salida	Variación	Promedio Edad	Número Personas
Mujeres	220.249	267.246	0,21	45	70
Hombres	237.167	317.333	0,34	50	15
Personas	223.234	276.085	0,24	46	85

Fuente: Elaboración propia del autor.

Cuadro 22: Variación ingresos personas atendidas por bancos

Bancos	Ingreso Línea Base	Ingreso Línea Salida	Variación	Promedio Edad	Número Personas
Mujeres	209.095	258.464	0,24	46	88
Hombres	247.984	294.885	0,19	49	31
Personas	219.226	267.952	0,22	46	119

Fuente: Elaboración propia del autor.

De la muestra total, un 38% de los beneficiarios de microcrédito obtuvo uno a través de los bancos. Las mujeres presentan una mayor variación positiva con un 24%. A nivel de personas, aumento el ingreso en 48.726 equivalentes a un 22%, levemente superior 1% al incremento presentado en la muestra total.

Cuadro 23: Variación ingresos personas atendidas por cajas y cooperativas

Cajas y Coop.	Ingreso Línea Base	Ingreso Línea Salida	Variación	Promedio Edad	Número Personas
Mujeres	186.500	209.000	0,12	38	4
Hombres	370.000	433.500	0,17	52	2
Personas	247.667	283.833	0,15	42	6

Fuente: Elaboración propia del autor.

De la muestra total, un 2% de los beneficiarios de microcrédito obtuvo uno a través de las Cajas y Cooperativas. Los hombres presentan la mayor variación positiva con un 17%. A nivel de personas, aumento el ingreso en 36.166 equivalentes a un 15%, inferior en un 6% al incremento presentado en la muestra total.

Cuadro 24: Variación ingresos personas atendidas por sociedades financieras

Soc. Financieras	Ingreso Línea Base	Ingreso Línea Salida	Variación	Promedio Edad	Número Personas
Mujeres	215.000	309.500	0,44	41	10
Hombres	193.750	237.500	0,23	51	4
Personas	208.929	288.929	0,38	44	14

Fuente: Elaboración propia del autor.

De la muestra total, un 4% de los beneficiarios de microcrédito obtuvo uno a través de las Sociedades Financieras. Las mujeres presentan una mayor variación positiva con un 44%. A nivel de personas, aumento el ingreso en 80.000 equivalentes a un 38%, superior en un 17% al incremento presentado en la muestra total.

Cuadro 25: Variación ingresos personas atendidas por fundaciones

Fundaciones	Ingreso Línea Base	Ingreso Línea Salida	Variación	Promedio Edad	Número Personas
Mujeres	206.174	244.954	0,19	42	167
Hombres	306.250	350.000	0,14	48	8
Personas	210.749	249.756	0,19	43	175

Fuente: Elaboración propia del autor.

De la muestra total, un 56% de los beneficiarios de microcrédito obtuvo uno a través de las Fundaciones. Las mujeres presentan una mayor variación positiva con un 19%. A nivel de personas, aumento el ingreso en 39.997 equivalentes a un 19%, inferior en un 2% al incremento presentado en la muestra total.

En resumen, se observa que ni los bancos ni las fundaciones serían las más eficaces a la hora de incrementar los ingresos de los beneficiarios, si no que serían las Sociedades Financieras las que otorgarían mejores condiciones y créditos. Ahí vemos el mayor incremento en uno de los grupos con un 44% de crecimiento en el caso de mujeres. Todas las demás agentes, presentaron débiles índices, en especial las Cajas y Cooperativas y en segundo lugar las Fundaciones, en relación con la muestra total. Los Bancos lograron un incremento un 1% en los ingresos de la muestra, por sobre el de la muestra total.

Anexo B: Estimaciones y resultados econométricos

Cuadro 26: Media y desviación estándar de grupos tratamiento, control y total

Variable	AUTLB	AUTLS	ECIVIL	EDAD	EDUC2	EDUC3	ETNIA	HOGLB	HOGLS
Media	1,05	1,27	0,42	44,82	0,57	0,04	0,18	2,21	2,67
Stdev	0,73	0,77	0,49	10,75	0,50	0,20	0,38	1,31	1,48
N	430	430	430	430	430	430	430	430	430
Media	0,86	1,01	0,43	45,12	0,52	0,04	0,24	1,88	2,15
Stdev	0,68	0,78	0,50	11,41	0,50	0,20	0,42	1,23	1,42
N	9549	9549	9549	9549	9549	9549	9549	9549	9549
Media	0,86	1,02	0,43	45,11	0,52	0,04	0,23	1,89	2,17
Stdev	0,68	0,78	0,50	11,39	0,50	0,20	0,42	1,23	1,43
N	9979	9979	9979	9979	9979	9979	9979	9979	9979
Variable	JEFELB	PAIS	PHOGLB	SEXO	TREAT	UAUTLB	UAUTLS	UHOGLB	UHOGLS
Media	0,78	0,97	3,89	0,12	1,00	0,01	0,03	0,00	0,03
Stdev	0,41	0,18	1,67	0,32	0,00	0,08	0,18	0,05	0,17
N	430	430	430	430	430	430	430	430	430
Media	0,73	0,97	3,86	0,19	0,00	0,04	0,10	0,02	0,09
Stdev	0,44	0,18	1,61	0,39	0,00	0,19	0,30	0,15	0,29
N	9549	9549	9549	9549	9549	9549	9549	9549	9549
Media	0,74	0,97	3,86	0,19	0,04	0,04	0,10	0,02	0,09
Stdev	0,44	0,18	1,61	0,39	0,20	0,19	0,30	0,15	0,29
N	9979	9979	9979	9979	9979	9979	9979	9979	9979

Fuente: Elaboración propia del autor.

Cuadro 27: Diferencias estandarizadas pre y post matching

Variable	SEXO	ETNIA	HOGLS	AUTLS	JEFELS
Promedio Tratamiento Pre Matching	0,1535	0,1744	26,6505	12,7068	0,7628
Promedio Control Pre Matching	0,2158	0,2354	21,4882	10,1340	0,6821
Promedio Tratamiento Post Matching	0,1528	0,1744	24,1172	11,6092	0,7193
Diferencia estandarizada Pre Matching	0,0019	0,0000	0,1709	0,1392	0,0993
Diferencia estandarizada Post Matching	0,1631	0,1515	0,1809	0,1861	0,0814

Fuente: Elaboración propia del autor.

Anexo C: Procedimientos con las implementaciones

En el caso del modelo PSM, se utilizaron 4 procedimientos en forma complementaria. El primero de ellos es el procedimiento pscore en Stata. El segundo psmatch2 en Stata, el tercero en Eviews y el cuarto en R.

*=================================================:

* Comandos Stata, “pscore” Becker e Ichino (2002)

* y “psmatch2” Leuven y Sianesi (2003):

*=================================================:

pscore treat sexo etnia hoglb autlb jefelb , pscore(p_score01) blockid(m_block01) comsup numblo(5) level(0.005) logit

attnd hogls treat sexo etnia hoglb autlb jefelb , comsup boot reps(100) dots logit

psmatch2 treat sexo etnia hoglb autlb jefelb , pscore(p_score01) blockid(m_block01) comsup numblo(5) level(0.005) logit

'=================================================:

' Comandos Eviews, “pscore” Essama-Nssah (2006):

'=================================================:

'DEFINE SUBROUTINES FOR THE PRODUCTION OF MATCHED OUTCOMES

'***Arguments:

'(1) CS=Common Support,

'(2) VP=Vector of Propensity Scores for the Treated,

'(3) PS=Propensity Scores for the Nontreated,

'(4) Y=Outcomes for the Nontreated,

'(5) MO=Matched Outcomes

'***Nearest-Neighbor

SUBROUTINE LOCAL NEIGHBOR(VECTOR VP, SERIES PS, SERIES Y, VECTOR MO)

SMPL @ALL 'No common support imposed

!NT=@ROWS(VP) 'Total number of treated

FOR !K=1 TO !NT

SERIES U{!K}= ABS(VP(!K) - PS)

SCALAR M{!K}=@MIN(U{!K})

SERIES NDIJ{!K}=(U{!K}=M{!K}) 'Indicator of a match

SCALAR DNO{!K}=@SUM(NDIJ{!K}) 'Number of matches

SERIES YNWIJ{!K} 'To hold matched outcomes

IF DNO{!K} THEN

YNWIJ{!K}=(NDIJ{!K}/DNO{!K})*Y

ENDIF

MO(!K)=@SUM(YNWIJ{!K}) 'Matched outcomes for participant !k

NEXT

ENDSUB

'***Gaussian Kernel

SUBROUTINE LOCAL GAUSS(SERIES CS, VECTOR VP, SERIES PS, SERIES Y, VECTOR MO)

!BW=0.06 'Bandwidth, same as the one used by

!NT=@ROWS(VP) 'Becker and Ichino (2002) on the same data set.

SMPL @ALL IF CS 'Impose common support

FOR !K=1 TO !NT

SERIES U{!K}= ABS(VP(!K) - PS)/!BW

SERIES KIJ{!K}=@DNORM(U{!K}) 'Gaussian kernel

SERIES YWIJ{!K}=(KIJ{!K}/@SUM(KIJ{!K}))*Y

MO(!K)=@SUM(YWIJ{!K}) 'Matched outcomes

NEXT

ENDSUB

'***Epanechnikov Kernel

SUBROUTINE LOCAL EPAN(SERIES CS, VECTOR VP, SERIES PS, SERIES Y, VECTOR MO)

!BW=0.06 'Bandwidth

!NT=@ROWS(VP)

SMPL @ALL IF CS 'Common support

FOR !K=1 TO !NT

SERIES U{!K}= ABS(VP(!K) - PS)/!BW

SERIES ED{!K}= U{!K}<=1 'Indicator function for 'the Epanechnikov kernel

SERIES EKIJ{!K}=(1-U{!K}^2)*ED{!K} 'Epanechnikov kernel '(no need to include the 'constant factor 3/4)

SCALAR DNO{!K}=@SUM(EKIJ{!K})

SERIES YEWIJ{!K}

IF DNO{!K} THEN

YEWIJ{!K}=(EKIJ{!K}/DNO{!K})*Y

ENDIF

MO(!K)=@SUM(YEWIJ{!K}) 'Matched outcomes

NEXT

ENDSUB

'START PROGRAM EXECUTION

MODE QUIET

DB PSM

WFOPEN NSWDATA 'Data from the National Supported Work Demonstration

'GROUP ZGRP C AGE AGE2 EDU EDU2 MARRIED BLACK HISP RE74 RE75 RE742 RE752 BLACKU74

'COMPUTE PROPENSITY SCORES

'Invoke the Binary and Fit Commands

PAGESELECT base2009

d logitab

EQUATION LOGITEQ.BINARY(d=L, m=1000, c=1e-10, showopts) TREAT ZGRP

'ZGRP contains pre-treatment attributes

FREEZE(LOGITAB) LOGITEQ.OUTPUT

LOGITEQ.FIT PSHAT 'Genera serie estimada

STORE LOGITEQ LOGITAB 'Guarda objetos a disco

'DETERMINE REGION OF COMMON SUPPORT BASED ON THE SCORES OF THE trat2009

SMPL @ALL IF TREAT=1 'Restrict the sample to the treated

SCALAR MINPS = @MIN(PSHAT)

SCALAR MAXPS = @MAX(PSHAT)

SMPL @ALL

SERIES COMSUP=(PSHAT>=MINPS AND PSHAT<=MAXPS)

'VECTOR COMSUP CONTIENE PUROS 1 (n=185)

'SEPARATE PARTICIPANTS FROM NONPARTICIPANTS

'HASTA AQUI ESTABAN JUNTOS

'ORDEN: 1) COMBINED (SIN NOMBRE) 2) trat2009 3) COMPARISON

'AL HACER PAGECOPY, SE SELECCIONA LA PAGINA CREADA

'PAGECOPY(PAGE=trat2009, SMPL=@ALL IF TREAT=1)

'This corresponds to observations in NSWRE74_trat2009

STOM(PSHAT,VPSP) 'VPSP is a vector of propensity scores for participants

'STOM convierte serie PSHAT a vector VPSP (n=185)

STORE VPSP 'Guarda vector a disco

PAGESELECT COMBINED

'PAGECOPY(PAGE=COMPARISON, SMPL=@ALL IF TREAT=0)

PAGESELECT cont2009

FETCH VPSP 'El mismo vector del grupo tratamiento (185 obs)

!T=@ROWS(VPSP) 'Number of treated equals the size of the vector VPSP

FOR %V YCN YCG YCE

VECTOR(!T) {%V}

NEXT

'CREATE VECTORS YCN YCG AND YCE WITH SIZE EQUAL TO NUMBER OF trat2009

'*** The vectors will hold matched outcomes from nearest-neighbor,

'*** Gaussian and Epanechnikov matching methods.

'COMPUTE NEAREST-NEIGHBOR-MATCHED OUTCOMES

CALL NEIGHBOR(VPSP, PSHAT, HOGLS, YCN)

'COMPUTE GAUSSIAN KERNEL-MATCHED OUTCOMES

CALL GAUSS(COMSUP, VPSP, PSHAT, HOGLS, YCG)

'COMPUTE EPANECHNIKOV KERNEL-MATCHED OUTCOMES

CALL EPAN(COMSUP, VPSP, PSHAT, HOGLS, YCE)

'STORE RESULTS TO BE USED LATER

STORE YCN YCG YCE

'COMPUTE TREATMENT EFFECTS

PAGESELECT trat2009

FOR %V %S %D YCN YNNB NNB YCG YGAUSS GSS YCE YNIKOV EPN

FETCH {%V}

MTOS({%V}, {%S}) 'Convert vector into series

SERIES {%D}=(HOGLS-{%S}) 'Individual gain=(outcome after treatment

'minus estimated counterfactual)

NEXT

VECTOR(3) ATET

!T=1

FOR %D NNB GSS EPN

ATET(!T)=@MEAN({%D})

!T=!T+1

NEXT

FREEZE(IMPACT) ATET

SETLINE(IMPACT, 3)

!ROW=4

FOR %RLB NNBR GSSK EPNK

SETCELL(IMPACT, !ROW, 1, %RLB, "L")

!ROW=!ROW + 1

NEXT

'END OF PROGRAM

'------------------------------------------------------------------------

#==========================================================

# Programas en R (Hansen 2007), (Rosenbaum 2010).

#==========================================================

dat2<-read.csv('tgprepos1r.csv', header=TRUE, sep=",", dec=".")

#p<-glm(dat2$period~dat2$treat + dat2$sexo + dat2$etnia + dat2$hog + dat2$aut + dat2$jefe, family=binomial)$fitted.values

p<-glm(dat2$period~dat2$hog + dat2$aut + dat2$jefe, family=binomial)$fitted.values

#Xb <- as.matrix(cbind(dat2$treat, dat2$sexo, dat2$etnia, dat2$hog, dat2$aut, dat2$jefe))

Xb <- as.matrix(cbind(dat2$hog, dat2$aut, dat2$jefe))

period <- dat2$period

source("rfx.smahal.R")

source("rfx.addcaliper.R")

#source("r.fitvaldid.R")

dmat <- smahal(period,Xb)

dmat <- addcaliper(dmat,period,p)

library(optmatch)

m2<-fullmatch(dmat,min.controls=1,max.controls=1, omit.fraction=4730/9460)

o2<-matched(m2)

library(car)

o2=recode(o2, "'TRUE'=1;'FALSE'=0", as.factor.result=FALSE)

write.csv(o2, file="to2.csv")

#write.csv(m2, file="tm2.csv")

#==========================================================

# Subrutinas en R (Hansen 2007), (Rosenbaum 2010).

#==========================================================

smahal=

function(z,X){

# Rank based Mahalanobis distance.

X<-as.matrix(X)

n<-dim(X)[1]

rownames(X)<-1:n

k<-dim(X)[2]

m<-sum(z)

for (j in 1:k) X[,j]<-rank(X[,j])

cv<-cov(X)

vuntied<-var(1:n)

rat<-sqrt(vuntied/diag(cv))

cv<-diag(rat)%*%cv%*%diag(rat)

out<-matrix(NA,m,n-m)

Xc<-X[z==0,]

Xt<-X[z==1,]

rownames(out)<-rownames(X)[z==1]

colnames(out)<-rownames(X)[z==0]

library(MASS)

icov<-ginv(cv)

for (i in 1:m) {

out[i,]<-mahalanobis(Xc,Xt[i,],icov,inverted=T)}

out

}

#==========================================================

addcaliper =

function(dmat,z,p,caliper=0.2,penalty=1000){

sdp<-sd(p)

adif<-abs(outer(p[z==1],p[z==0],"-"))

adif<-(adif-(caliper*sdp))*(adif>(caliper*sdp))

dmat<-dmat+adif*penalty

dmat

}

#==========================================================

FOSIS realizó una reestructuración de sus líneas de acción, lo cual tuvo lugar durante la elaboración de esta sección de la tesis. La fuente en su sitio web fue consultada en dos ocasiones, primero en Noviembre 2011 y luego en Enero 2012.

Los programas PAAE y PAM, vigentes hasta Diciembre 2011, sufrieron una reorganización dentro del FOSIS, por lo que cambiaron sus nombres y estructuras. No obstante, debido a la fecha de obtención de la base de datos con la que se cuenta, se seguirá haciendo mención a los nombres PAAE y PAM.

Fuente: http://www.fosis.gob.cl/opensite_20090403114742.aspx

Abreviada de ahora en adelante como FPS.

Fuente: http://www.fichaproteccionsocial.gob.cl. Consultado en Enero 2012.

Fuente: Informe Final, Comité de Expertos, FPS Octubre 2010.

Fuente: http://www.fosis.gob.cl/opensite_det_20090525132736.aspx. Consultado en Enero 2012.

Fuente: http://www.sii.cl/pagina/actualizada/noticias/2009/040809noti01rv_pm.htm. Consultado en Enero 2012.

Fuente: www.redmicrofinanzas.cl. Consultado en Enero 2012.

Fuente: Informe Estado de las Microfinanzas en Chile 2009, Informe elaborado para la Red para el Desarrollo de las Microfinanzas en Chile A.G.

Se utiliza el concepto amplio de pobreza establecido por United Nations Committee on Social, Economic and Cultural Rights, 2001 como “una condición humana caracterizada por una crónica privación de los recursos, capacidades, opciones, la seguridad y el poder necesarios para disfrutar de un nivel de vida adecuado y otros derechos civiles, económicos, culturales políticos y sociales”.

Dato longitudinal es aquel que cuenta con registros para más de un momento en el tiempo. En el glosario adjunto al final del documento se puede consultar la definición de este y otros conceptos.

Su fórmula es la siguiente: Valor=(ingreso_salida - ingreso_entrada)/(ingreso_entrada)*100. Son sólo valores PAAE.

Su fórmula es la siguiente: Valor=(ingreso_pam - ingreso_salida)/(ingreso_salida)*100. Son valores PAM y PAAE.

Fuente: http://www.sbif.cl. Consultado en Enero 2012.

FUENTE: Field, E. y Torero, M. 2000. Diferencias en el Acceso de las Mujeres al Micro Crédito en el Perú y el Impacto de la Tenencia del Título de Propiedad. Grupo de Análisis para el Desarrollo (GRADE).

Fuente: http://www.unwomen.org/. Consultado en Enero 2012.

Fuente: http://www.aecid.es. Agencia Española de Cooperación Internacional para el Desarrollo.

Las bases de datos PAAE y PAM, pueden ser solicitadas al autor. Mientras que la base CASEN, se encuentra disponible en el portal de Mideplan.

El mismo procedimiento, fue comparado con Stata, en el cual figuraba el número de observaciones del sub grupo de control, que en el caso del estimador Nearest-Neighbor resultó ser de 2760. El procedimiento corresponde al de los autores Becker e Ichino (2002). Otra alternativa es emplear el programa R, específicamente el paquete Fullmatch (Hansen, 2007).

Se procedió a crear un grupo de control emparejado y se estimaron las diferencias estandarizadas para comparar los promedios antes de emparejar y después de emparejar, pero no se vio una disminución en las diferencias después del emparejamiento. Se adjunta el Cuadro 27 en el anexo.

El valor estimado para esta muestra de 9.460 personas fue de $ 10.500, mientras que el valor estimado para la muestra total de 19.958 personas, fue de $ 12.600. La muestra empleada corresponde a aquella proveniente del método PSM, resultando en una combinación de ambos métodos. En la muestra original el coeficiente DID, resultó ser significativo al 95%.

2

Tipo de Datos

No Experimental

Experimental

Selección en no observables

Selección en observables

Modelos Selección

Métodos VI

Matching

Regresión

- Modelos de selección tratan de modelar el proceso de selección completo. Sin restricciones de exclusión, la identificación puede ser problemática.

- Métodos VI requieren una fuente de variación independiente. Difícil es encontrar buenos instrumentos.

- Métodos VI tienen problemas con heterogeneidad, mientras que los de selección no.

- Ambos asumen CIA.

- Matching resalta la condición de soporte común y evita el uso de forma funcional.

- Si la forma funcional es conocida el método es más eficiente.

- Matching tiene ventajas si el efecto de tratamiento es heterogéneo.