ECONOMETRÍA

Pregunta 1

\[P(trabaja_i=1) = \frac{1}{1+e^{-\beta_0-\beta_1 esc_i-\beta_2 exp_i - \beta_3 exp_i^2 - \beta_4 mujer_i - \beta_5 IFE_i}}\]

Donde: \(trabaja_i\) es la variable dicotómica que toma el valor 1 si la persona i trabaja. \(esc_i\) es el nivel de escolaridad de la persona i. \(exp_i\) es la experiencia potencial de la persona i. \(mujer_i\) es la variable dicotómica que toma el valor 1 si la persona i es mujer. \(IFE_i\) es la variable dicotómica que toma el valor 1 si el hogar de la persona i recibió el IFE.

library("haven")
CasenPandemia <- read_dta("Casen_en_Pandemia_2020_STATA_revisada2022_09.dta")

data_santiago <- subset(CasenPandemia, provincia == 131 & qaut <= 3 & edad >= 18 & edad <= 59)

INGRESO <- data_santiago$y1
PARTICIPA <- ifelse(!is.na(INGRESO) & INGRESO > 0, 1, 0)
ESCOLARIDAD <- data_santiago$esc
EXPERIENCIA <- data_santiago$edad - ESCOLARIDAD - 6
MUJER <- data_santiago$sexo - 1
IFE <- ifelse(data_santiago$y26d_hog == 1, 1, 0)
MENOR <- data_santiago$men18c
EXPERIENCIA2<- EXPERIENCIA*EXPERIENCIA


datos_logit <- data.frame(PARTICIPA, ESCOLARIDAD, EXPERIENCIA, EXPERIENCIA2, MENOR, MUJER, IFE)

modelo_logit <- glm(PARTICIPA ~ ESCOLARIDAD + EXPERIENCIA + EXPERIENCIA2 + MUJER + IFE, data=datos_logit, family=binomial(link='logit'))
summary(modelo_logit)
## 
## Call:
## glm(formula = PARTICIPA ~ ESCOLARIDAD + EXPERIENCIA + EXPERIENCIA2 + 
##     MUJER + IFE, family = binomial(link = "logit"), data = datos_logit)
## 
## Deviance Residuals: 
##     Min       1Q   Median       3Q      Max  
## -1.2791  -0.7851  -0.6231  -0.3810   2.4980  
## 
## Coefficients:
##                Estimate Std. Error z value Pr(>|z|)    
## (Intercept)  -2.6245511  0.1427798 -18.382  < 2e-16 ***
## ESCOLARIDAD   0.0653802  0.0089218   7.328 2.33e-13 ***
## EXPERIENCIA   0.1224818  0.0075598  16.202  < 2e-16 ***
## EXPERIENCIA2 -0.0024713  0.0001783 -13.858  < 2e-16 ***
## MUJER        -0.3550733  0.0529607  -6.704 2.02e-11 ***
## IFE          -0.3472108  0.0538588  -6.447 1.14e-10 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 9223.8  on 8345  degrees of freedom
## Residual deviance: 8785.4  on 8340  degrees of freedom
##   (143 observations deleted due to missingness)
## AIC: 8797.4
## 
## Number of Fisher Scoring iterations: 4

Pregunta 2

library("margins")
margenes <- margins(modelo_logit, type="response")
summary(margenes)
##        factor     AME     SE        z      p   lower   upper
##   ESCOLARIDAD  0.0114 0.0015   7.3974 0.0000  0.0083  0.0144
##   EXPERIENCIA  0.0213 0.0013  16.8794 0.0000  0.0188  0.0237
##  EXPERIENCIA2 -0.0004 0.0000 -14.2675 0.0000 -0.0005 -0.0004
##           IFE -0.0603 0.0093  -6.4933 0.0000 -0.0785 -0.0421
##         MUJER -0.0617 0.0091  -6.7580 0.0000 -0.0796 -0.0438

INTERPRETACIÓN:

ESCOLARIDAD: Un aumento de un año en la escolaridad se asocia, en promedio, con un aumento del 1,14% en la probabilidad de trabajar, manteniendo las otras variables constantes. El valor z y el valor p indican que este efecto es estadísticamente significativo (p < 0,05), y la magnitud del efecto es moderada.

EXPERIENCIA: Un aumento de un año en la experiencia potencial se asocia, en promedio, con un aumento del 2,13% en la probabilidad de trabajar, manteniendo las otras variables constantes. El valor z y el valor p indican que este efecto es estadísticamente significativo (p < 0,05), y la magnitud del efecto es moderada.

EXPERIENCIA2: Un aumento de un año en la experiencia potencial al cuadrado se asocia, en promedio, con una disminución del 0,04% en la probabilidad de trabajar, manteniendo las otras variables constantes. El valor z y el valor p indican que este efecto es estadísticamente significativo (p < 0,05), y la magnitud del efecto es pequeña.

IFE: El hecho de que el hogar haya recibido el IFE se asocia, en promedio, con una disminución del 6,03% en la probabilidad de trabajar, manteniendo las otras variables constantes. El valor z y el valor p indican que este efecto es estadísticamente significativo (p < 0,05), y la magnitud del efecto es moderada.

MUJER: Ser mujer se asocia, en promedio, con una disminución del 6,17% en la probabilidad de trabajar, manteniendo las otras variables constantes. El valor z y el valor p indican que este efecto es estadísticamente significativo (p < 0,05), y la magnitud del efecto es moderada.

Pregunta 3

Sí, a partir de los resultados del modelo logit y los efectos marginales promedio (EMPs) proporcionados, se puede concluir que el IFE tuvo un efecto negativo en la participación laboral en Chile, es decir, que desincentivó la participación laboral. El EMP promedio para la variable IFE fue de -6,03%, lo que indica que el hecho de que el hogar haya recibido el IFE se asoció con una disminución en la probabilidad de trabajar. Además, el valor z y el valor p indican que este efecto es estadísticamente significativo (p < 0,05).

Sin embargo, es importante tener en cuenta que el modelo logit solo permite establecer una asociación entre las variables predictoras y la probabilidad de trabajar, pero no permite establecer una relación causal definitiva. Es posible que haya otros factores no incluidos en el modelo que expliquen la disminución en la participación laboral observada, y que el IFE sea solo un factor más entre muchos otros. Por lo tanto, se deben considerar otros estudios e investigaciones para confirmar o refutar esta conclusión.

Además, es importante tener en cuenta la posible presencia de endogeneidad en la relación entre el IFE y la participación laboral. Es posible que las personas que tienen una mayor probabilidad de no trabajar también tengan una mayor probabilidad de recibir el IFE, lo que podría sesgar los resultados y llevar a una sobreestimación del efecto negativo del IFE en la participación laboral. Para abordar este problema, se podrían utilizar técnicas econométricas como el estimador de variables instrumentales, utilizando una variable que no esté correlacionada con la participación laboral pero que influya en la probabilidad de recibir el IFE como instrumento. Es importante considerar la posibilidad de endogeneidad al interpretar los resultados y tomar medidas adecuadas para abordar este problema en caso de ser necesario.

Pregunta 4

logit_VI<-glm(IFE ~ MENOR +ESCOLARIDAD + EXPERIENCIA + EXPERIENCIA2 + MUJER,
              family = binomial(link = "logit"), data = datos_logit)
a <- dplyr::select(datos_logit, MENOR, ESCOLARIDAD, EXPERIENCIA, EXPERIENCIA2, MUJER)
datos_logit$IFE2 <- predict(logit_VI,a)
MCO<-lm(log(INGRESO) ~ ESCOLARIDAD + EXPERIENCIA + EXPERIENCIA2 + MUJER + IFE2, datos_logit)
summary(MCO)
## 
## Call:
## lm(formula = log(INGRESO) ~ ESCOLARIDAD + EXPERIENCIA + EXPERIENCIA2 + 
##     MUJER + IFE2, data = datos_logit)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -4.0027 -0.1586  0.0577  0.2684  1.4029 
## 
## Coefficients:
##                Estimate Std. Error t value Pr(>|t|)    
## (Intercept)   1.191e+01  6.710e-02 177.452  < 2e-16 ***
## ESCOLARIDAD   5.216e-02  4.812e-03  10.840  < 2e-16 ***
## EXPERIENCIA   2.896e-02  3.552e-03   8.153 6.17e-16 ***
## EXPERIENCIA2 -4.556e-04  8.423e-05  -5.408 7.12e-08 ***
## MUJER        -2.750e-01  2.293e-02 -11.993  < 2e-16 ***
## IFE2          2.097e-01  4.506e-02   4.654 3.46e-06 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.4769 on 2008 degrees of freedom
##   (6475 observations deleted due to missingness)
## Multiple R-squared:  0.1355, Adjusted R-squared:  0.1333 
## F-statistic: 62.95 on 5 and 2008 DF,  p-value: < 2.2e-16

Pregunta 5

margenes2 <- margins(MCO, type="response")
summary(margenes2)
##        factor     AME     SE        z      p   lower   upper
##   ESCOLARIDAD  0.0522 0.0048  10.8405 0.0000  0.0427  0.0616
##   EXPERIENCIA  0.0290 0.0036   8.1532 0.0000  0.0220  0.0359
##  EXPERIENCIA2 -0.0005 0.0001  -5.4083 0.0000 -0.0006 -0.0003
##          IFE2  0.2097 0.0451   4.6543 0.0000  0.1214  0.2980
##         MUJER -0.2750 0.0229 -11.9935 0.0000 -0.3199 -0.2300

Para la variable ESCOLARIDAD, el AME es positivo (0.0522) y significativo (p < 0.001), lo que indica que un año adicional de escolaridad se asocia con un aumento del 5.22% en el ingreso, manteniendo constantes las otras variables.

Para la variable EXPERIENCIA, el AME también es positivo (0.0290) y significativo (p < 0.001), lo que indica que un año adicional de experiencia se asocia con un aumento del 2.9% en el ingreso, manteniendo constantes las otras variables.

Para la variable EXPERIENCIA2, el AME es negativo (-0.0005) y significativo (p < 0.001), lo que sugiere una relación no lineal entre la experiencia y el ingreso. El coeficiente negativo indica que el efecto positivo de la experiencia sobre el ingreso disminuye a medida que la experiencia aumenta.

Para la variable IFE2, el AME es positivo (0.2097) y significativo (p < 0.001), lo que indica que la probabilidad de que el hogar haya recibido el IFE se asocia con un aumento del 20.97% en el ingreso, manteniendo constantes las otras variables.

Para la variable MUJER, el AME es negativo (-0.2750) y significativo (p < 0.001), lo que indica que ser mujer se asocia con una disminución del 27.5% en el ingreso, manteniendo constantes las otras variables.

Pregunta 6

A partir de los efectos marginales presentados, se puede concluir que el IFE tuvo un efecto positivo en la generación de ingresos laborales, lo que significa que no desincentivó la generación de ingresos laborales en Chile. El EMP promedio para la variable IFE fue de 0,2097, lo que indica que la probabilidad de que el hogar haya recibido el IFE se asoció con un aumento del 20,97% en el ingreso laboral promedio. Además, el valor z y el valor p indican que este efecto es estadísticamente significativo (p < 0,05).

Es importante tener en cuenta que el modelo de regresión lineal no permite establecer relaciones causales definitivas, y que otros factores no incluidos en el modelo pueden influir en la generación de ingresos laborales, como, por ejemplo, variables inobservables.

REDES Y CIENCIAS SOCIALES COMPUTACIONALES

Pregunta A

library("haven")
CasenPandemia <- read_dta("Casen_en_Pandemia_2020_STATA_revisada2022_09.dta")

### Pregunta A ### 
library(dplyr)
## 
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union
library(igraph)
## 
## Attaching package: 'igraph'
## The following objects are masked from 'package:dplyr':
## 
##     as_data_frame, groups, union
## The following objects are masked from 'package:stats':
## 
##     decompose, spectrum
## The following object is masked from 'package:base':
## 
##     union
CasenPandemia <- dplyr::select(CasenPandemia,comuna,r1b_c_cod,r1b_p_cod)
CasenPandemia$ORIGEN <- ifelse(is.na(CasenPandemia$r1b_p_cod), as.integer(CasenPandemia$r1b_c_cod), as.integer(CasenPandemia$r1b_p_cod))
CasenPandemia$DESTINO <- as.integer(CasenPandemia$comuna)
CasenPandemia <- filter(CasenPandemia, ORIGEN > 0)
CasenPandemia <- filter(CasenPandemia, ORIGEN != DESTINO)
MIGRATION <- cbind(as.integer(CasenPandemia$ORIGEN), as.integer(CasenPandemia$DESTINO))

RED1 <- graph_from_data_frame(MIGRATION,directed = T)
plot(RED1, 
     layout=layout.fruchterman.reingold, 
     main="Red dirigida migración", 
     vertex.size = 2, 
     edge.color = "lightgray",
     vertex.shape = "circle",
     vertex.label=NA,
     edge_arrow_size = 0.2)

#Pregunta A.a
## METRICAS GLOBALES ##
# Calcular el número de nodos y aristas
n_nodos <- vcount(RED1)
n_aristas <- ecount(RED1)

cat("Número de nodos:", n_nodos, "\n")
## Número de nodos: 415
cat("Número de aristas:", n_aristas, "\n")
## Número de aristas: 79044
# Calcular la densidad de la red
densidad <- edge_density(RED1)
cat("Densidad de la red:", densidad, "\n")
## Densidad de la red: 0.4600664
# Calcular el coeficiente de agrupamiento promedio
clustering_coef <- transitivity(RED1, type = "average")
cat("Coeficiente de agrupamiento promedio:", clustering_coef, "\n")
## Coeficiente de agrupamiento promedio: 0.5665706
# Calcular el diámetro de la red
diametro <- diameter(RED1)
cat("Diámetro de la red:", diametro, "\n")
## Diámetro de la red: 4

Pregunta A. b

library(“haven”) CasenPandemia <- read_dta(“Casen_en_Pandemia_2020_STATA_revisada2022_09.dta”) CasenPandemia <- dplyr::select(CasenPandemia,comuna,r1b_c_cod,r1b_p_cod) CasenPandemia\(ORIGEN <- ifelse(is.na(CasenPandemia\)r1b_p_cod), as.integer(CasenPandemia\(r1b_c_cod), as.integer(CasenPandemia\)r1b_p_cod)) CasenPandemia\(DESTINO <- as.integer(CasenPandemia\)comuna) CasenPandemia <- filter(CasenPandemia, ORIGEN > 0) CasenPandemia <- filter(CasenPandemia, ORIGEN != DESTINO) CasenPandemia <- filter(CasenPandemia, DESTINO ==13101) MIGRATION2 <- cbind(as.integer(CasenPandemia\(ORIGEN), as.integer(CasenPandemia\)DESTINO))

RED2 <- graph_from_data_frame(MIGRATION,directed = T)

library("haven")
CasenPandemia <- read_dta("Casen_en_Pandemia_2020_STATA_revisada2022_09.dta")
CasenPandemia <- dplyr::select(CasenPandemia,comuna,r1b_c_cod,r1b_p_cod)
CasenPandemia$ORIGEN <- ifelse(is.na(CasenPandemia$r1b_p_cod), as.integer(CasenPandemia$r1b_c_cod), as.integer(CasenPandemia$r1b_p_cod))
CasenPandemia$DESTINO <- as.integer(CasenPandemia$comuna)
CasenPandemia <- filter(CasenPandemia, ORIGEN > 0)
CasenPandemia <- filter(CasenPandemia, ORIGEN != DESTINO)
CasenPandemia <- filter(CasenPandemia, DESTINO ==13101)
MIGRATION2 <- cbind(as.integer(CasenPandemia$ORIGEN), as.integer(CasenPandemia$DESTINO))
RED2 <- graph_from_data_frame(MIGRATION2, directed = F)
plot(RED2, 
     layout=layout.fruchterman.reingold, 
     main="Red migración hacia la comuna de Santiago", 
     vertex.size = 2, 
     edge.color = "lightgray",
     vertex.shape = "circle",
     vertex.label=NA,
     edge_arrow_size = 0.2)

En esta oportunidad se optó por considerar la migración hacia la comuna de santiago. Para ello, se filtró la base y se obtuvo una red que se presenta anterirmente. El estudio de la migración hacia la comuna de Santiago es importante por varias razones. En primer lugar, la comuna de Santiago es la capital de Chile y una de las ciudades más importantes del país. Como tal, es un centro neurálgico para la actividad económica, social, cultural y política. La migración a esta comuna, por lo tanto, puede ser un indicador o proxy de los patrones de movimiento de la población en el país y de los factores que influyen en la toma de decisiones de las personas para cambiarse de comuna.

Además, la migración a la comuna de Santiago puede tener implicancias en términos de la dinámica demográfica, social y económica de la comuna y de las regiones circundantes. Por ejemplo, la migración puede estar relacionada con la concentración de la población en áreas urbanas, la creación de empleos y oportunidades económicas, la distribución de recursos y servicios, y la transformación del paisaje urbano y cultural. Estudiar estos procesos puede tener implicancias importantes para la planificación y gestión de las ciudades y regiones.

Finalmente, el estudio de la migración a la comuna de Santiago también puede aportar información sobre temas más específicos, como la calidad de vida, la movilidad social, la segregación y la exclusión social. Por ejemplo, se puede investigar cómo la migración afecta a la calidad de vida de las personas que se mudan a la comuna de Santiago, si la migración está relacionada con la movilidad social y si hay patrones de segregación y exclusión social asociados con la migración.

Acto seguido, se obtuvieron las siguientes métricas globales de esta red las cuales se presentan a continuación:

#Pregunta A.a
## METRICAS GLOBALES ##
# Calcular el número de nodos y aristas
n_nodos2 <- vcount(RED2)
n_aristas2 <- ecount(RED2)

cat("Número de nodos:", n_nodos2, "\n")
## Número de nodos: 208
cat("Número de aristas:", n_aristas2, "\n")
## Número de aristas: 2071
# Calcular la densidad de la red
densidad <- edge_density(RED2)
cat("Densidad de la red:", densidad, "\n")
## Densidad de la red: 0.0962003
# Calcular el coeficiente de agrupamiento promedio
clustering_coef <- transitivity(RED1, type = "average")
cat("Coeficiente de agrupamiento promedio:", clustering_coef, "\n")
## Coeficiente de agrupamiento promedio: 0.5665706
# Calcular el diámetro de la red
diametro <- diameter(RED2)
cat("Diámetro de la red:", diametro, "\n")
## Diámetro de la red: 2
## MODELO NULO ##
# Generar un modelo nulo usando el modelo de Erdos-Renyi
modelo_nulo <- erdos.renyi.game(n = n_nodos, p.or.m = densidad, type = "gnp", directed = FALSE, loops = FALSE)

# Calcular métricas globales del modelo nulo

densidad_nulo <- edge_density(modelo_nulo)
clustering_coef_nulo <- transitivity(modelo_nulo, type = "average")
diametro_nulo <- diameter(modelo_nulo)

cat("Modelo nulo - densidad:", densidad_nulo, "\n")
## Modelo nulo - densidad: 0.0956871
cat("Modelo nulo - coeficiente de agrupamiento promedio:", clustering_coef_nulo, "\n")
## Modelo nulo - coeficiente de agrupamiento promedio: 0.09463927
cat("Modelo nulo - diámetro:", diametro_nulo, "\n")
## Modelo nulo - diámetro: 3
# Calcular métricas globales de la red original
densidad_original <- edge_density(RED1)
clustering_coef_original <- transitivity(RED1, type = "average")
diametro_original <- diameter(RED1)

cat("Red original - densidad:", densidad_original, "\n")
## Red original - densidad: 0.4600664
cat("Red original - coeficiente de agrupamiento promedio:", clustering_coef_original, "\n")
## Red original - coeficiente de agrupamiento promedio: 0.5665706
cat("Red original - diámetro:", diametro_original, "\n")
## Red original - diámetro: 4

En el código presentado se compara la red original con un modelo nulo generado a partir del modelo de Erdos-Renyi. El modelo nulo es una red generada de forma aleatoria que tiene la misma cantidad de nodos y la misma densidad que la red original, pero que no tiene en cuenta las conexiones reales entre los nodos.

Se puede observar que las métricas globales obtenidas en el modelo nulo son significativamente diferentes de las obtenidas en la red original. La densidad en el modelo nulo es la misma que en la red original, ya que se generó a partir de la misma densidad. Sin embargo, el coeficiente de agrupamiento promedio y el diámetro son significativamente diferentes en el modelo nulo en comparación con la red original.

Esto sugiere que la red original tiene una estructura significativa que no se puede explicar por la aleatorización de las conexiones entre los nodos. El coeficiente de agrupamiento promedio y el diámetro son métricas que indican la presencia de estructuras de clustering y la distancia promedio entre los nodos, respectivamente. En este caso, la presencia de estas estructuras sugiere que la red tiene una organización no aleatoria y que las conexiones entre los nodos no son independientes.

Por lo tanto, se puede concluir que la red original tiene una estructura significativa y que su organización no se puede explicar por la aleatorización de las conexiones entre los nodos. El modelo nulo generado a partir del modelo de Erdos-Renyi es útil como una comparación de referencia para evaluar la significancia estadística de las métricas globales de la red original.

Es importante destacar que aunque hemos comparado las métricas de la red original con las de un modelo nulo, esto no es suficiente para determinar si nuestra red es significativamente diferente de lo que esperaríamos por pura aleatoriedad. Por lo tanto, es recomendable realizar más evaluaciones utilizando otros modelos para descartar la aleatoriedad de nuestro modelo y determinar si hay patrones significativos en la estructura de la red que no se pueden explicar por factores aleatorios. Algunos modelos que podrían ser útiles para este propósito son los modelos de grado, modelos de similitud, modelos de mezcla de comunidades, entre otros.

Pregunta C

  1. Para evaluar si la ley tuvo un efecto sobre la migración entre comunas, se podría utilizar un modelo de regresión discontinua (RDD), una técnica estadística que se utiliza para analizar los efectos de una política o intervención en una población, aprovechando la existencia de un punto de corte o umbral en alguna variable, en este caso, la aplicación de la ley en 2003

El punto de corte sería la edad de 42 a 52 años, ya que la ley se aplica a personas entre 25 y 35 años, 17 años antes de la encuesta. Se podría construir una variable indicadora que tome el valor de 1 para todas las personas que tienen entre 42 y 52 años y cero para el resto de las edades. Luego, se podría evaluar si la tasa de migración entre comunas es diferente para las personas que están justo debajo y encima del umbral de edad.

Si la ley tuvo un efecto positivo en la migración, se esperaría observar un salto discreto en la tasa de migración justo después del umbral de edad, lo que indicaría que las personas estuvieron motivadas a moverse debido al subsidio. Por el contrario, si no hay un salto en la tasa de migración, eso sugeriría que la ley no tuvo efectos.

Pregunta B

Se podrian agregar más controles, pero a efectos de este trabajo sólo se usará el sexo como control de forma ilustrativa.

Para estimar el efecto causal de la ley, se podría utilizar un modelo de regresión discontinua donde \(Y_i\) es la variable dependiente, que en este caso sería una medida de migración entre comunas (por ejemplo, una variable binaria que toma el valor de 1 si la persona se mudó a otra comuna y cero en caso contrario); \(D_i\) es una variable indicadora que toma el valor de 1 si la persona tiene entre 42 y 52 años y cero en caso contrario.

La estimación del parámetro \(\beta\) nos dará un proxy de la eficiencia de la ley. Si \(\beta\) es positivo y estadísticamente significativo, eso sugiere que la ley tuvo un efecto positivo en la migración entre comunas para las personas entre 25 y 35 años de ese entonces. Por el contrario, si \(\beta\) es cercano a cero y no es estadísticamente significativo, eso sugiere que la ley no tuvo efectos en la migración.

Es importante tener en cuenta que esta estimación no es perfecta, ya que hay otras posibles explicaciones para los cambios en la migración en torno al umbral de edad. Por ejemplo, es posible que las personas cerca del umbral de edad sean diferentes en otros aspectos que afecten su probabilidad de migrar (por ejemplo, tener un trabajo inestable o no estar casado). Por so, se recomienda utilizar otras técnicas de análisis para evaluar la robustez de los resultados y reducir el riesgo de confusión causal.

library("haven")
CasenPandemia <- read_dta("Casen_en_Pandemia_2020_STATA_revisada2022_09.dta")
CasenPandemia$ORIGEN <- ifelse(is.na(CasenPandemia$r1b_p_cod), as.integer(CasenPandemia$r1b_c_cod), as.integer(CasenPandemia$r1b_p_cod))
CasenPandemia$DESTINO <- as.integer(CasenPandemia$comuna)
CasenPandemia <- CasenPandemia[!is.na(CasenPandemia$ORIGEN), ]
CasenPandemia <- CasenPandemia[!is.na(CasenPandemia$DESTINO), ]
CasenPandemia <- CasenPandemia[CasenPandemia$ORIGEN != CasenPandemia$DESTINO, ]
CasenPandemia$migracion <- ifelse(CasenPandemia$ORIGEN != CasenPandemia$DESTINO, 1, 0)
CasenPandemia$D <- ifelse(CasenPandemia$edad >= 42 & CasenPandemia$edad <= 52, 1, 0)
modelo_RDD <- lm(migracion ~ D + sexo,  data = CasenPandemia)
summary(modelo_RDD)
## 
## Call:
## lm(formula = migracion ~ D + sexo, data = CasenPandemia)
## 
## Residuals:
##        Min         1Q     Median         3Q        Max 
## -1.000e-14 -1.000e-14  0.000e+00  0.000e+00  3.425e-10 
## 
## Coefficients:
##               Estimate Std. Error    t value Pr(>|t|)    
## (Intercept)  1.000e+00  1.429e-14  6.996e+13   <2e-16 ***
## D           -5.350e-15  1.189e-14 -4.500e-01    0.653    
## sexo         7.921e-15  8.715e-15  9.090e-01    0.363    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1.218e-12 on 79041 degrees of freedom
## Multiple R-squared:    0.5,  Adjusted R-squared:    0.5 
## F-statistic: 3.952e+04 on 2 and 79041 DF,  p-value: < 2.2e-16

como ya se mencionó, se incluyen como variables explicativas la variable “D” que toma el valor de 1 para las personas que tienen entre 42 y 52 años, y la variable “sexo” como control. La variable a explicar en la regresión discontinua es la variable “migracion”.

En los resultados obtenidos, se observa que el coeficiente de la variable “D” es negativo y no es estadísticamente significativo, lo que sugiere que no pareciera haber un efecto causal de la ley sobre la migración entre comunas para las personas entre 25 y 35 años en el 2003. Por lo tanto, podemos concluir que la ley no fue efectiva en promover la migración entre comunas para las personas en ese rango-

Es importante tener en cuenta que este modelo tiene limitaciones y que no podemos descartar la presencia de otros factores que puedan estar afectando la migración entre comunas. Además, esta conclusión sólo esun proxy para medir el efecto de la ley. En general, es necesario cpnsiderar un análisis mas profundo para evaluar la robustez de estos resultados y asegurar que se estén controlando adecuadamente todos los factores que puedan afectar la migración entre comunas.