La asignación aleatoria como un valioso instrumento operativo (continúa)

La asignación aleatoria a menudo puede derivarse de las reglas operati- vas de un programa. En numerosos programas, la población de posibles participantes –es decir, el conjunto de individuos que el programa qui- siera servir– es mayor que el número de participantes a los que el programa se  puede realmente dirigir en un determinado momento. Por ejemplo, en  un  solo año un programa educativo puede proporcionar materiales escolares a 500 escuelas de un total de 1.000 escuelas elegibles en el país.

O  un  programa de mejora de caminos rurales puede tener el objetivo de pavimentar 250 caminos rurales, aunque haya cientos de caminos más que el programa desearía mejorar. O un programa de empleo para jóvenes puede tener la meta de llegar a 2.000 jóvenes desempleados en su primer año de funcionamiento, aunque haya decenas de miles de jóvenes en dichas circunstancias que el programa quisiera servir. Por diversos motivos, puede que los programas no logren alcanzar al conjunto de la población de interés. Las limitaciones presupuestarias pueden impedir que los administradores ofrezcan el programa a todas las unidades elegibles desde el comienzo. Aunque haya presupuestos disponibles para cubrir un gran número de participantes, las limitaciones de capacidad a veces impedirán que un pro- grama pueda ser implementado para todos al mismo tiempo. Por ejemplo, en el caso del programa de formación profesional para jóvenes, la cantidad de jóvenes desempleados que desean obtener una formación profesional puede ser superior al número de plazas disponibles en las escuelas técnicas durante el primer año del programa, y eso puede restringir el número de alumnos que pueden matricularse.

Cuando la población de participantes elegibles es superior al número de plazas disponibles en el programa, alguien debe tomar la decisión de quién participará y quién no. En otras palabras, los administradores del programa deben defi nir un mecanismo de selección para asignar los servicios del mismo. El programa podría funcionar según un principio de orden de llegada, o basarse en características observables (por ejemplo, atendiendo primero las zonas más pobres); la selección también podría basarse en características no observables (por ejemplo, dejar que los individuos se ins- criban a partir de sus propias motivaciones y conocimientos), o se podría recurrir a un sorteo. Incluso en contextos donde es posible clasifi car a los participantes potenciales en función de la necesidad, puede que convenga asignar parte de los benefi cios mediante un sorteo. Por ejemplo, piénsese en un programa que tiene como objetivo al 20% más pobre de los hogares sobre la base de una medida del ingreso. Si el ingreso solo se puede medir de forma imperfecta, el programa podría usar esta medida para incluir a todos los participantes potenciales que se identifi can como “de extrema pobreza” (por ejemplo, el 15% inferior). Sin embargo, dado que el ingreso se mide de manera imperfecta, los hogares que se encuentren justo por debajo del umbral de elegibilidad en el percentil 20º, en la realidad pueden ser elegi- bles o no serlo (si se pudiera medir el verdadero ingreso), mientras que los hogares que se hallen justo por encima del percentil 20º también pueden ser elegibles o no. En este contexto, utilizar un sorteo para determinar qué hogares serían benefi ciarios en torno al percentil 20º (por ejemplo, entre los percentiles 15º y 25º de la distribución del ingreso) podría ser una manera justa de asignar los benefi cios en este grupo de hogares.

¿Por qué la asignación aleatoria produce una excelente estimación del contrafactual?

Como ya se ha visto, el grupo de comparación ideal sería lo más similar posible al grupo de tratamiento en todos los sentidos, excepto con respecto a su participación en el programa que se evalúa. Cuando se asignan unida- des de manera aleatoria a los grupos de tratamiento y de comparación, ese  proceso de asignación aleatoria producirá dos grupos que tienen una alta probabilidad de ser estadísticamente idénticos, siempre que el número de unidades potenciales a las que se aplica el proceso de asignación aleatoria sea sufi cientemente grande. Concretamente, con un gran número de unida- des el proceso de asignación aleatoria producirá grupos que tienen prome- dios estadísticamente equivalentes en todas sus características.4

El gráfi co 4.1 ilustra por qué la asignación aleatoria produce un grupo de  comparación estadísticamente equivalente al grupo de tratamiento. Supóngase que la población de unidades elegibles (el conjunto de partici- pantes potenciales, o la población de interés para la evaluación) consiste en más de 1.000 personas. Entonces, se asigna aleatoriamente la mitad al grupo de tratamiento y la otra mitad al grupo de comparación. Por ejemplo, se escriben los nombres de las 1.000 personas en trozos de papel individuales, se mezclan todos los trozos en una caja, y luego se le pide a alguien que extraiga a ciegas 500 nombres. Si los primeros 500 nombres constituyen el grupo de tratamiento, entonces tendríamos un grupo de tratamiento asig- nado de forma aleatoria (los primeros 500 números extraídos) y un grupo de comparación asignado también de manera aleatoria (los 500 nombres que quedaron en la caja).

Ahora supóngase que el 40% de las 1.000 personas originales eran mujeres. Dado que los nombres se han asignado al azar, de los 500 nombres que

Concepto clave

En la asignación aleatoria, cada unidad elegible tiene la misma probabilidad de ser seleccionada para el tratamiento, de modo que se asegura la equivalencia entre los grupos de tratamiento y comparación tanto en las características observables como en las no observables.

Gráfi co 4.1 Características de los grupos bajo tratamiento con asignación aleatoria

Población de unidades elegibles

Grupo de tratamiento: asignado al tratamiento

Grupo de comparación: no asignado al tratamiento La asignación aleatoria

conserva las características

La asignación aleatoria conserva las características

se sacaron de la caja, alrededor del 40% serán también mujeres. Si entre las 1.000 personas, el 20% tenía los ojos azules, entonces casi el 20% de ellas en los grupos de tratamiento y de comparación también deberían tener los ojos azules. En general, si la población de unidades elegibles es lo sufi cientemente grande, el mecanismo de asignación aleatoria asegura que cualquier caracte- rística de la población se transfi era tanto al grupo de tratamiento como al grupo de comparación. Del mismo modo que las características observables, como el sexo o el color de los ojos de un individuo, se transfi eren tanto al grupo de tratamiento como al de comparación, es lógico pensar que las carac- terísticas que son más difíciles de observar (variables no observables), como la motivación, las preferencias u otros rasgos de la personalidad que son complejos de medir, también se aplicarán por igual al grupo de tratamiento y al de comparación. Así, los grupos de tratamiento y comparación generados a través de la asignación aleatoria serán similares no solo en cuanto a sus características observables sino también en relación con las no observables. Tener dos grupos similares en todos los aspectos asegura que la estimación del contrafactual se aproxime al valor verdadero del resultado en ausencia de tratamiento, y que una vez que el programa se haya implementado, las esti- maciones de impacto no sufrirán un sesgo de selección.

Cuando una evaluación utiliza la asignación aleatoria para generar los grupos de tratamiento y de comparación, en teoría, el proceso debería pro- ducir dos grupos equivalentes, siempre que se cuente con un número de unidades lo sufi cientemente grande. Con los datos de línea de base de la muestra de evaluación con la que se cuente, se podrá comprobar empírica- mente este supuesto y verifi car que, de hecho, no hay diferencias sistemá- ticas en las características observables entre los grupos de tratamiento y de comparación antes del inicio del programa. Luego, si después de lanzar el programa se observan diferencias en los resultados entre los grupos de tratamiento y comparación, sabremos que esas diferencias se deben única- mente a la incidencia del programa, dado que los dos grupos eran idénticos en la línea de base, antes del inicio del programa, y que están expuestos a los mismos factores externos a lo largo del tiempo. En este sentido, el grupo de comparación contiene todos los factores que también pueden explicar el resultado de interés.

Para estimar el impacto de un programa bajo la asignación aleatoria, se debe observar la diferencia entre el resultado bajo tratamiento (el resul- tado medio del grupo de tratamiento asignado de forma aleatoria) y nues- tra estimación del contrafactual (el resultado medio del grupo de comparación asignado de manera aleatoria). Así, podemos confi ar en que nuestro impacto estimado constituye el verdadero impacto del programa, puesto que se han eliminado todos los factores observados y no observados que, de otra manera, podrían explicar la diferencia en los resultados.

En los recuadros 4.2 a 4.6, se analizan las aplicaciones de la asignación alea- toria en el mundo real para evaluar el impacto de diversas intervenciones en todo el mundo.

En el gráfi co 4.1 se presupone que todas las unidades de la población ele- gible serán asignadas ya sea al grupo de tratamiento o al grupo de compara- ción. Sin embargo, en algunos casos no es necesario incluir todas las unidades en la evaluación. Por ejemplo, si la población de unidades elegibles es de 1 millón de madres y se quiere evaluar la efectividad de los bonos en efectivo en la probabilidad de que estas madres vacunen a sus hijos, bastará con seleccionar una muestra aleatoria representativa de, por ejemplo, 1.000 madres y asignar a esas 1.000 madres ya sea al grupo de tratamiento o de comparación. El gráfi co 4.2 ilustra este proceso. Según la misma lógica que

Recuadro 4.2: La asignación aleatoria como regla de selección de