Econometría No Paramétrica 2011

Econometra No Paramtrica y Estimacin de Efectos
Causales en Economa
II Curso de Econometra Aplicada para la Investigacin Econmica
Prof. Carlos Mendiburu
carlos.mendiburu@bcrp.gob.pe
31.08.11
Prof. Carlos Mendiburu (BCRP) Mdulo de Microeconometra 31.08.11 1 / 39
Econometra No Paramtrica y Estimacin de Efectos
Causales
1
Introduccin
2
Efectos causales
3
Estimacin de efectos causales utilizando mtodos no paramtricos:
1 Regresin no paramtrica
2 Matching
3 Mtodos basados en el propensity score
4
Comentarios nales
Introduccin a la econometra no paramtrica
Modelo de regresin lineal: Y
i
= X
i
+
i
.
Modelo de regresin no lineal: Y
i
= f (, X
i
) +
i
.
Modelo general de regresin no paramtrica: Y
i
= f (X
i
) +
i
.
Ventaja: Se gana eciencia (precisin) al relajar el supuesto de
linearidad.
Desventajas:
I
Intepretacin menos directa ("no theory").
I
Mayor costo computacional.
Resultados potenciales
Potential outcome approach: Fisher (1935), Neyman (1923) y Rubin
(1974, 1977, 1978).
N unidades tomadas aleatoriamente de una poblacin.
Dos resultados posibles:
I
Y
i
(0): "sin tratamiento" o "control" y
I
Y
i
(1): "con tratamiento" o "tratamiento activo".
Un vector de caractersticas (covariables): X
i
.
Un tratamiento D
i
0, 1.
Resultados realizados
Para cada unidad se observa un resultado realizado:
Y
i
= Y
i
(D
i
) =
_
Y
i
(0) si D
i
= 0
Y
i
(1) si D
i
= 1
_
Por lo tanto, para i slo se tiene informacin sobre (D
i
, Y
i
, X
i
).
Nuestro inters: la distribucin (D, Y, X).
Deniciones
Propensity score:
e(x) = Pr(D = 1 [ X = x) = E[D [ X = x]
Funciones de regresin condicional:
d
(x) = E[Y(d) [ X = x], para d 0, 1
Funciones de varianza condicional:
2
d
(x) = V[Y(d) [ X = x], para d 0, 1
Efectos de Tratamiento Poblacionales
Population Average Treatment Eect (PATE)
P
= E[Y(1) Y(0)]
Population Average Treatment Eect for the Treated (PATT)
P
T
= E[Y(1) Y(0) [ D = 1]
Efectos de Tratamiento Muestrales
Sample Average Treatment Eect (SATE)
S
=
1
N
N
i =1
[Y
i
(1) Y
i
(0)]
Sample Average Treatment Eect for the Treated (SATT)
S
T
=
1
N
T

i :D
i
=1
[Y
i
(1) Y
i
(0)]
Efectos de Tratamiento Condicionales
Conditional Average Treatment Eect (CATE)
(X) =
1
N
N
i =1
E[Y
i
(1) Y
i
(0) [ X
i
]
Conditional Average Treatment Eect for the Treated (CATT)
(X)
T
=
1
N
N
i :D
i
=1
E[Y
i
(1) Y
i
(0) [ X
i
]
Supuestos de Identicacin
1
[Y(0), Y(1)] l D [ X
2
0 < Pr(D = 1 [ X) < 1
3
E[Y(d) [ D, X] = E[Y(d) [ X], para d 0, 1
4
Y(0) l D [ X
5
Pr(D = 1 [ X) < 1
Estimacin
Veremos las siguientes alternativas de estimacin para los efectos
promedio poblacionales:
1
Regresin no paramtrica
2
Emparejamiento (matching)
3
Mtodos basados en el propensity score
4
Otros mtodos
Regresin
Objetivo: estimar consistentemente
d
(x) para d = 0, 1.
Con el estimado
d
(x) se pueden construir las funciones PATE, SATE
y CATE:

reg
=
1
N
N
i =1
[
1
(X
i
)
0
(X
i
)]
As como las funciones PATT y SATT:

reg,T
=
1
N
T
N
i =1
D
i
[Y
i

0
(X
i
)]
Regresin
Estimacin tradicional de
d
(x):
I
Regresin paramtrica:
d
(x) = x + d.
I
El valor del efecto causal viene dado por .
I
Receta: estimar por mnimos cuadrados la regresin:
Y
i
= + X
i
+ D
i
+
i
Regresin
d
(x):
I
d
(x) = x + d.
I
I
Y
i
= + X
i
+ D
i
+
i
Regresin
d
(x):
I
d
(x) = x + d.
I
I
Y
i
= + X
i
+ D
i
+
i
Spline Regression
X
i
: escalar.
Regression spline model:
Y
i
=
0
+
p
j =1

j
X
j
i
+
l
j =p+1

j
1
[x
i
>k
j p
]
(x
i
k
j p
)
p
+
i
Cubic spline:
Y
i
=
0
+
1
X
i
+
2
X
2
i
+
3
X
3
i
+
+
4
1
[x
i
>k
1
]
(x
i
k
1
)
3
+
+
5
1
[x
i
>k
2
]
(x
i
k
2
)
3
+
+ . . . +
+
3+l
1
[x
i
>k
l
]
(x
i
k
l
)
3
+
i
Spline Regression
X
i
: escalar.
Y
i
=
0
+
p
j =1

j
X
j
i
+
l
j =p+1

j
1
[x
i
>k
j p
]
(x
i
k
j p
)
p
+
i
Cubic spline:
Y
i
=
0
+
1
X
i
+
2
X
2
i
+
3
X
3
i
+
+
4
1
[x
i
>k
1
]
(x
i
k
1
)
3
+
+
5
1
[x
i
>k
2
]
(x
i
k
2
)
3
+
+ . . . +
+
3+l
1
[x
i
>k
l
]
(x
i
k
l
)
3
+
i
Spline Regression
X
i
: escalar.
Y
i
=
0
+
p
j =1

j
X
j
i
+
l
j =p+1

j
1
[x
i
>k
j p
]
(x
i
k
j p
)
p
+
i
Cubic spline:
Y
i
=
0
+
1
X
i
+
2
X
2
i
+
3
X
3
i
+
+
4
1
[x
i
>k
1
]
(x
i
k
1
)
3
+
+
5
1
[x
i
>k
2
]
(x
i
k
2
)
3
+
+ . . . +
+
3+l
1
[x
i
>k
l
]
(x
i
k
l
)
3
+
i
Una disgresin: Densidades Kernel
Supongamos que queremos estimar empricamente una funcin de
densidad f (x).
I
Marginal o condicional?
I
Cul es la opcin ms simple?
I
Cul es el problema con la opcin ms simple?
I
Qu se puede hacer? Ventanas
I
Qu ms se puede hacer? Ventanas mviles
Estimador de densidades kernel:
f
h
(x) =
1
N h
N
i =1
K
_
x x
i
h
_
densidad f (x).
I
I
I
I
I
f
h
(x) =
1
N h
N
i =1
K
_
x x
i
h
_
densidad f (x).
I
I
I
I
I
f
h
(x) =
1
N h
N
i =1
K
_
x x
i
h
_
densidad f (x).
I
I
I
I
I
f
h
(x) =
1
N h
N
i =1
K
_
x x
i
h
_
densidad f (x).
I
I
I
I
I
f
h
(x) =
1
N h
N
i =1
K
_
x x
i
h
_
densidad f (x).
I
I
I
I
I
f
h
(x) =
1
N h
N
i =1
K
_
x x
i
h
_
densidad f (x).
I
I
I
I
I
f
h
(x) =
1
N h
N
i =1
K
_
x x
i
h
_
Funciones kernel
Sea u = x x
i
.
Funciones kernel frecuentes:
I
Triangular:
K(u) = (1 [ u [) 1
[[u[<1]
I
Uniforme:
K(u) = (0.5) 1
[[u[<1]
I
Epanechnikov:
K(u) = (0.75) (1 [ u
2
[) 1
[[u[<1]
I
Normal:
K(u) =
e
0.5u
2
_
2
Eleccin del ancho de banda (bandwith)
Elegir el valor de h que minimize el Error Cuadrtico Medio Integrado
(IMSE):
I
Error Cuadrado Integrado: ISE(h) =
_
[
f
h
(x) f (x)]
2
dx
I
Error Cuadrado Medio Integrado : E[ISE(h)] =
_
E[
f
h
(x) f (x)]
2
dx
El ancho de banda ptimo sera:
h = [
_
f
//
(x)
2
dx]
0.2
(N
0.2
)
donde =
_ _
K(u)
2
du
[
_
u
2
K(u)du]
2
_
0.2
.
Eleccin del ancho de banda (bandwith)
Silverman:
h = 1.364 N
0.2
min(s, iqr /1.349)
donde:
I
iqr es la distancia entre el cuartil 0.25 y el cuartil 0.75.
I
s es la desviacin estndar muestral de x.
Densidades kernel bivariadas
Objetivo: Estimar f (x, y).
Estimador de densidades kernel bivariado:
f
h
(x, y) =
1
N h
1
h
2
N
i =1
K
_
x x
i
h
1
,
y x
i
h
2
_
Densidades kernel bivariadas
Generalizaciones de funciones kernel al caso bivariado:
I
Triangular:
K(u) =
_
(1 [ u
1
[) 1
[[u
1
[<1]
_
_
(1 [ u
2
[) 1
[[u
2
[<1]
_
I
Uniforme:
K(u) = (0.25) 1
[[u
1
[<1]
1
[[u
2
[<1]
I
Epanechnikov:
K(u) = (9/16)
_
1
[[u
1
[<1]
(1 u
2
1
)
_
_
1
[[u
2
[<1]
(1 u
2
2
)
_
Densidades kernel condicionales
Objetivo: Estimar f (y [ x).
Por denicin:
f (y [ x) =
f (x, y)
f (x)
.
Estimador de densidades kernel condicionales:
(Sup.: h
1
= h
2
= h)
f
h
(y [ x) =

f
h
(x, y)
f
h
(x)
=
1
h
N
i =1
K
_
xx
i
h
,
y y
i
h
_
N
i =1
K
_
xx
i
h
_
Estimacin de la esperanza condicional
Objetivo: Estimar E[y [ x].
Por denicin:
E[y [ x] =
_
yf (y [ x)dy
Estimador de esperanza condicional kernel:
_
y
f
h
(y [ x)dy =
_
y
_
_
1
h
N
i =1
K
_
xx
i
h
,
y y
i
h
_
N
i =1
K
_
xx
i
h
_
_
_
dy
Estimacin de la esperanza condicional
Integrando y simplicando: Nadaraya (1964) y Watson (1964)
_
y
f
h
(y [ x)dy =
N
i =1
_
K
_
xx
i
h
_
[y
i
]
N
i =1
K
_
xx
i
h
_
Kernel Regression
Estimacin no paramtrica de
d
(x) = f (x), con f no lineal.
Una regresin kernel es una tcnica de regresin no paramtrica que
se utiliza para estimar la esperanza condicional de una variable,
cuando se piensa que esta funcin es no lineal y el vector X tiene
dimensin mayor a 1.
Dado un punto x, se encuentran los puntos ms cercanos a x, los
mismos que se ponderan de acuerdo a una funcin kernel K().
La cercana est denida por el ancho de banda h.
Kernel Regression
Heckman, Ichimura y Todd (1997, 1998) y Heckman, Ichimura, Smith
y Todd (1998):

d
(x) =

i :D
i
=d
K
_
X
i
x
h
_
Y
i
i :D
i
=d
K
_
X
i
x
h
_
Eleccin crtica: ancho de banda.
I
Qu pasa con la curva cuando aumenta el ancho de banda?
Generalizacin a N variables: es posible?
Curse of Dimensionality
Kernel Regression
y Todd (1998):

d
(x) =

i :D
i
=d
K
_
X
i
x
h
_
Y
i
i :D
i
=d
K
_
X
i
x
h
_
I
Kernel Regression
y Todd (1998):

d
(x) =

i :D
i
=d
K
_
X
i
x
h
_
Y
i
i :D
i
=d
K
_
X
i
x
h
_
I
Kernel Regression
y Todd (1998):

d
(x) =

i :D
i
=d
K
_
X
i
x
h
_
Y
i
i :D
i
=d
K
_
X
i
x
h
_
I
Kernel Regression
y Todd (1998):

d
(x) =

i :D
i
=d
K
_
X
i
x
h
_
Y
i
i :D
i
=d
K
_
X
i
x
h
_
I
Emparejamiento (Matching)
Supuesto: [Y(0), Y(1)] l D [ X
La idea es comparar unidades tratadas (D
i
= 1) con unidades de
control (D
i
= 0) que tienen valores similares de X
i
.
Sean N
T
y N
C
el nmero de unidades tratadas y unidades de control,
respectivamente.
Denamos N
T
conjuntos de ponderaciones w
i
(j ), con N
C
pesos
dentro de cada conjunto, con i = 1, . . . , N
T
, j = 1, . . . , N
C
.
I
Algo suma 1?
i
control (D
i
i
.
Sean N
T
y N
C
respectivamente.
Denamos N
T
i
(j ), con N
C
pesos
T
, j = 1, . . . , N
C
.
I
Algo suma 1?
i
control (D
i
i
.
Sean N
T
y N
C
respectivamente.
Denamos N
T
i
(j ), con N
C
pesos
T
, j = 1, . . . , N
C
.
I
Algo suma 1?
i
control (D
i
i
.
Sean N
T
y N
C
respectivamente.
Denamos N
T
i
(j ), con N
C
pesos
T
, j = 1, . . . , N
C
.
I
Algo suma 1?
i
control (D
i
i
.
Sean N
T
y N
C
respectivamente.
Denamos N
T
i
(j ), con N
C
pesos
T
, j = 1, . . . , N
C
.
I
Algo suma 1?
Matching y efectos causales
Se imputan los resultados potenciales no observados utilizando valores
observados para unidades de anlisis similares.
Una opcin es imputar los resultados potenciales de la siguiente
manera:
Y
i
(0) =
_
_
_
Y
i
, si D
i
= 0
1
M

j J
M
(i )
Y
j
, si D
i
= 1
_
_
_
Y
i
(1) =
_
_
_
1
M

j J
M
(i )
Y
j
, si D
i
= 0
Y
i
, si D
i
= 1
_
_
_
w
i
(j )?
Abadie & Imbens (2002) denen un estimador simple de
emparejamiento (matching):

sm
M
=
1
N
N
i =1
[

Y
i
(1)

Y
i
(0)]
Denamos de manera general el estimador matching:

M
=
1
N
T

i D=1
[Y
i

j D=0
w
i
(j )Y
j
]
Abadie & Imbens (2002) denen un estimador simple de
emparejamiento (matching):

sm
M
=
1
N
N
i =1
[

Y
i
(1)

Y
i
(0)]
Denamos de manera general el estimador matching:

M
=
1
N
T

i D=1
[Y
i

j D=0
w
i
(j )Y
j
]
Qu observacin(es) utilizar como match para la observacin i ?
I
Criterio de cercana
X discreto
Matching para X continuo
Nearest neighbor:
w
i
(j ) =
_
1, si j : min
X
j
d(X
i
X
j
)
0, en otro caso
_
I
Mtricas:
I
Eucldea:
D(X
i
, X
j
) = (X
i
X
j
)
/
(X
i
X
j
)
I
Mahalanobis:
D(X
i
, X
j
) = (X
i
X
j
)
/
1
x
(X
i
X
j
)
Alguna otra idea?
Nearest neighbor:
w
i
(j ) =
_
1, si j : min
X
j
d(X
i
X
j
)
0, en otro caso
_
I
Mtricas:
I
Eucldea:
D(X
i
, X
j
) = (X
i
X
j
)
/
(X
i
X
j
)
I
Mahalanobis:
D(X
i
, X
j
) = (X
i
X
j
)
/
1
x
(X
i
X
j
)
Alguna otra idea?
Nearest neighbor:
w
i
(j ) =
_
1, si j : min
X
j
d(X
i
X
j
)
0, en otro caso
_
I
Mtricas:
I
Eucldea:
D(X
i
, X
j
) = (X
i
X
j
)
/
(X
i
X
j
)
I
Mahalanobis:
D(X
i
, X
j
) = (X
i
X
j
)
/
1
x
(X
i
X
j
)
Alguna otra idea?
Nearest neighbor:
w
i
(j ) =
_
1, si j : min
X
j
d(X
i
X
j
)
0, en otro caso
_
I
Mtricas:
I
Eucldea:
D(X
i
, X
j
) = (X
i
X
j
)
/
(X
i
X
j
)
I
Mahalanobis:
D(X
i
, X
j
) = (X
i
X
j
)
/
1
x
(X
i
X
j
)
Alguna otra idea?
Nearest neighbor:
w
i
(j ) =
_
1, si j : min
X
j
d(X
i
X
j
)
0, en otro caso
_
I
Mtricas:
I
Eucldea:
D(X
i
, X
j
) = (X
i
X
j
)
/
(X
i
X
j
)
I
Mahalanobis:
D(X
i
, X
j
) = (X
i
X
j
)
/
1
x
(X
i
X
j
)
Alguna otra idea?
Matching: comentarios
til cuando interesa
P
T
y hay muchas unidades de control.
Con ello se podra en principio asociar cada unidad tratada a uno o
ms controles.
Se debe elegir el nmero de coincidencias.
I
Dado un par de unidades asociadas, el efecto de tratamiento sobre una
unidad se estima como la diferencia en resultados.
I
El estimador de
P
T
se obtiene promediando estas diferencias.
til cuando interesa
P
T
ms controles.
I
I
El estimador de
P
T
til cuando interesa
P
T
ms controles.
I
I
El estimador de
P
T
til cuando interesa
P
T
ms controles.
I
I
El estimador de
P
T
til cuando interesa
P
T
ms controles.
I
I
El estimador de
P
T
El estimador de Abadie & Imbens (2002) tiene un sesgo que no
desaparece cuando crece N, y:
I
El nmero de covariables continuas es 2 o 3.
I
El nmero de controles crece ms lentamente que el nmero de
unidades tratadas.
El sesgo se puede reducir combinando esta tcnica con la regresin.
I
Rubin (1973) y Quade (1982):
Y
i
(1)

Y
i
(0) = + [

X
i
(1)

X
i
(0)] +
i
En general los estimadores no son ecientes.
I
I
unidades tratadas.
I
Rubin (1973) y Quade (1982):
Y
i
(1)

Y
i
(0) = + [

X
i
(1)

X
i
(0)] +
i
I
I
unidades tratadas.
I
Rubin (1973) y Quade (1982):
Y
i
(1)

Y
i
(0) = + [

X
i
(1)

X
i
(0)] +
i
I
I
unidades tratadas.
I
Rubin (1973) y Quade (1982):
Y
i
(1)

Y
i
(0) = + [

X
i
(1)

X
i
(0)] +
i
I
I
unidades tratadas.
I
Rubin (1973) y Quade (1982):
Y
i
(1)

Y
i
(0) = + [

X
i
(1)

X
i
(0)] +
i
I
I
unidades tratadas.
I
Rubin (1973) y Quade (1982):
Y
i
(1)

Y
i
(0) = + [

X
i
(1)

X
i
(0)] +
i
Propensity score
X mutidimensional: Rosenbaum y Rubin (1983, 1985), Dehejia y
Wahba (2002):
I
Caso simple: Si todas las N variables contenidas en X son binarias, el
nmero de valores posibles en X es 2
N
.
Objetivo: utilizar el Propensity Score, e(x), para crear una muestra
balanceada entre unidades tratadas y unidades de control.
Supuestos:
1
[Y(0), Y(1)] l D [ X
2
0 < Pr(d = 1 [ X) < 1
Bajo estos supuestos: [Y(0), Y(1)] l D [ e(X)
Clave: Supuesto 2.
Propensity score
Si no se conoce el Propensity Score, ste debe ser estimado.
Dehejia y Wahba (2002) proponen:
1
Estimar un modeo logit sencillo.
2
Ordenar las observaciones de acuerdo al propensity score estimado.
3
Estraticar la muestra utilizando el propensity score estimado.
4
Realizar pruebas estadsticas para vericar que, para cada covariable, la
diferencia de medias en cada estrato no es signicativamente diferente
de cero,y en cada covariable
Utilizando el Propensity Score
1
Regresin lineal:
Y
i
=
0
+
1
D
i
+
2
D
i
e(X
i
) +
3
e(X
i
) +
i
.
== ATE :
1
+
2
e(X
i
).
2
Blocking on the Propensity Score: K bloques
=
K
k=1

k
[
N
1k
+N
0k
N
]
3
Weighting with the Propensity Score: balancear con pesos:

P
=
1
N
N
i =1
[
D
i
Y
i
e(X
i
)

(1 D
i
) Y
i
1 e(X
i
)
]
1
Regresin lineal:
Y
i
=
0
+
1
D
i
+
2
D
i
e(X
i
) +
3
e(X
i
) +
i
.
== ATE :
1
+
2
e(X
i
).
2
=
K
k=1

k
[
N
1k
+N
0k
N
]
3

P
=
1
N
N
i =1
[
D
i
Y
i
e(X
i
)

(1 D
i
) Y
i
1 e(X
i
)
]
1
Regresin lineal:
Y
i
=
0
+
1
D
i
+
2
D
i
e(X
i
) +
3
e(X
i
) +
i
.
== ATE :
1
+
2
e(X
i
).
2
=
K
k=1

k
[
N
1k
+N
0k
N
]
3

P
=
1
N
N
i =1
[
D
i
Y
i
e(X
i
)

(1 D
i
) Y
i
1 e(X
i
)
]
Propensity Score Matching: aspectos prcticos
Con reemplazo o sin reemplazo?
I
Con reemplazo: cada unidad tratada se empareja con la unidad de
control ms parecida. Se reduce sesgo pero ....?
I
Sin reemplazo: el orden puede ser importante (Rosenbaum, 1995).
Cuntas unidades de control comparables utilizar?
I
Una: menor propensity score
I
Varias: Mayor precisin, pero ...?
F
M nearest neighbors
F
Cochran y Rubin (1973): Caliper matching. Distancia torelable
mxima.
Mtodos mixtos
Regresin + Weighting on the Propensity Score.
I
Robins y Ritov (1997). Estimar por mnimos cuadrados ponderados:
Y
i
= + X
i
+ D
i
+
i
I
Utilizando como pesos:
w
i
=
_
D
i
e(X
i
)
+
1 D
i
1 e(X
i
)
Regresin + Blocking on the Propensity Score.
I
Rosenbaum y Rubin (1983). Estimar por MCO en cada bloque:
Y
i
=
k
+
k
X
i
+
k
D
i
+
i
I
Cmo combinar estas estimaciones para obtener ?
Mtodos mixtos
I
Y
i
= + X
i
+ D
i
+
i
I
w
i
=
_
D
i
e(X
i
)
+
1 D
i
1 e(X
i
)
I
Y
i
=
k
+
k
X
i
+
k
D
i
+
i
I
Mtodos mixtos
I
Y
i
= + X
i
+ D
i
+
i
I
w
i
=
_
D
i
e(X
i
)
+
1 D
i
1 e(X
i
)
I
Y
i
=
k
+
k
X
i
+
k
D
i
+
i
I
Mtodos mixtos
I
Y
i
= + X
i
+ D
i
+
i
I
w
i
=
_
D
i
e(X
i
)
+
1 D
i
1 e(X
i
)
I
Y
i
=
k
+
k
X
i
+
k
D
i
+
i
I
Mtodos mixtos
I
Y
i
= + X
i
+ D
i
+
i
I
w
i
=
_
D
i
e(X
i
)
+
1 D
i
1 e(X
i
)
I
Y
i
=
k
+
k
X
i
+
k
D
i
+
i
I
Mtodos mixtos
I
Y
i
= + X
i
+ D
i
+
i
I
w
i
=
_
D
i
e(X
i
)
+
1 D
i
1 e(X
i
)
I
Y
i
=
k
+
k
X
i
+
k
D
i
+
i
I
Aplicaciones empricas
Matching vs datos experimentales
Lalonde (1986) dataset
I
Experimento en mercado laboral.
I
Dehejia y Wahba (1999), Smith y Todd (2003).
Arcenaux, Gerber y Green (2006)
I
Experimento con los votantes.
Recomendaciones prcticas
Estimacin de varianza: mtodos de kernel, bootstrapping (Abadie e
Imbens, 2006).
Evaluar supuesto de exogeneidad.
Evitar incluir covariables dbilmente correlacionadas con los
resultados y con los indicadores de tratamiento.
Evaluar si hay superposicin suciente:
I
Observar las distribuciones (histogramas) de las covariables.
I
Estimar el Propensity Score y comparar su distribucin en los grupos de
tratamiento y control.
Si la superposicin es dbil, los mtodos de emparejamiento y los
basados en el Propensity Score son preferibles a los mtodos de
regresin.

Econometría No Paramétrica 2011

Caricato da

Informazioni sul documento

Descrizione originale:

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Econometría No Paramétrica 2011

Caricato da

Copyright:

Formati disponibili

Econometra No Paramtrica y Estimacin de Efectos

Potrebbero piacerti anche