Pregunta Central: ¿Debería usar SCM de Abadie en lugar de fixed-effects panel para estimar impacto de innovación en salud con 125 países?
Respuesta Corta: Depende. SCM es poderoso pero tiene limitaciones críticas para tu caso específico. Analicemos.
El método crea un “control sintético” - una combinación ponderada de unidades de control que replica el comportamiento pre-tratamiento de la unidad tratada. Post-tratamiento, la diferencia entre la unidad real y su síntesis da el efecto causal.
Treated Unit Synthetic Control
(Antes) (Antes)
↓ ↓
[Misma trayectoria pre-tratamiento]
↓ ↓
(Después) (Después contrafáctico)
↓ ↓
Diferencia = Efecto causal✓ No requiere trends paralelos: A diferencia de DiD, SCM solo requiere que control sinético matchee PRE-INTERVENCIÓN ✓ Permite confundidores variantes en tiempo: Unobserved confounders pueden cambiar; SCM captura esto ✓ Transparencia: Pesos de unidades de control son explícitos y revisables ✓ Caso de estudio: Excelente para 1-2 unidades tratadas con muchos controles ✓ Interpretabilidad visual: Gráfica clara del contrafáctico vs. realidad
✗ Diseñado para POCOS tratados: Original para 1 unidad tratada ✗ Panel balanceado requerido: Todos los períodos/unidades completos ✗ Overfitting a ruido: Especialmente con datos con variabilidad temporal alta ✗ Pocas guías teóricas de signficancia: Inferencia estadística formalmente débil ✗ Congruencia pre-tratamiento crítica: Si no matchea bien, colapsa el método
Panel Structure:
- Unidades (i): 125 países
- Período (t): 2010-2024 (15 años)
- Outcome: AVP (Años de Vida Perdidos)
- Intervención: Adopción de medicamentos innovadores (GRADUAL, HETEROGÉNEO)
- Característica CLAVE: Hay múltiples "tratamientos" en momento diferenteSCM clásico asume: - Una unidad tratada (o pocas) - Intervención discreta en momento T₀ - Momento de tratamiento es CONOCIDO y EXÓGENO
Tu realidad: - 125 “unidades tratadas” simultáneamente (todos los países tienen medicamentos innovadores) - Adopción GRADUAL (no discreta) en cada país - Timing ENDÓGENO (depende de regulación, mercado, etc.) - Variabilidad alta: algunos países adoptan rápido, otros lento
Si todos los “tratados” están en el panel (125 países), no tienes control group limpio. SCM necesita controles que NO fueron tratados para construir contrafáctico. Con tu setup:
Problema:
Todos los países gradualmente adoptan medicamentos innovadores
→ No hay "control untreated" perfecto
→ SCM pierde poder discriminatorio| Aspecto | Fixed-Effects Panel | Synthetic Control | Tu Caso: ¿Quién Gana? |
|---|---|---|---|
| Número de Unidades Tratadas | Múltiples OK | 1-2 óptimo | FE: ✓✓✓ |
| Tipo de Intervención | Gradual/continuo | Discreta/step | FE: ✓✓✓ |
| Timing Homogéneo | No requerido | Requerido | FE: ✓✓✓ |
| Requisito Trends Paralelos | Sí (asume) | No (más débil) | SC: ✓ |
| Confundidores Variantes Tiempo | Control solo FE | Capturados mejor | SC: ✓✓ |
| Unidades con Datos Faltantes | Maneja OK | Requiere balanceado | FE: ✓✓ |
| Inferencia Estadística Formal | Robusto | Débil (placebo tests) | FE: ✓✓✓ |
| Interpretabilidad Causal | Menos directa | Muy clara | SC: ✓✓ |
| Escalabilidad a 125 unidades | Excelente | Problemático | FE: ✓✓✓ |
| Datos Pre-intervención Requeridos | Flexibles | Muchos (5-10 años mín) | FE: ✓ |
Veredicto: Para tu setup con 125 países + intervención gradual + heterogéneo, Fixed-Effects Panel es SUPERIOR a SCM puro.
Treated Unit: Colombia
Control Units: 124 otros países
Intervention: Entrada de medicamentos innovadores específicos AFIDRO
Timing: Por ejemplo, si entrada de "Medicamento X" en Colombia fue 2018,
pero en otros países fue 2015-2020, puedes usar SCM para:
- Construir "Colombia sintética" (weighted average de 124 países)
- Comparar AVP Colombia real vs. sintética 2018-2024
- Estimar efecto específico de esa droga en ColombiaVentaja: Narrativa clara, comunicable a AFIDRO
Limitación: Solo 1 unidad tratada; pierdes información de 124 otros países
Agrupar los 125 países en categorías:
- Grupo "Acceso Rápido": Aprobación rápida (EUA, UE, Japón, Canadá) - 20 países
- Grupo "Acceso Medio": Aprobación moderada (Brasil, México, etc.) - 30 países
- Grupo "Acceso Lento": Aprobación lenta (países más pobres) - 75 países
Luego aplicar SCM dentro de cada grupo:
- Usar "early adopter" de cada grupo como tratados
- Usar otros países del grupo como controlesVentaja: Múltiples estudios de caso homogéneos
Limitación: Compleja, requiere muchos análisis paralelos
Hybrid approach:
- Usa pesos sintéticos (como SCM)
- Pero aplica en contexto panel data (como DiD)
- Permite múltiples unidades y períodos
Especificación:
τ̂ᵢₜ = (Y_i,t - Y_i,t₀) - Σⱼ wⱼ(Y_j,t - Y_j,t₀)Ventaja: Lo mejor de ambos mundos (transparencia SC + flexibilidad panel)
Limitación: Reciente, menos adoptado, requiere software especializado
Especificación Principal (mantén como recomendado):
AVP_gt^(y) = Σ(l=0 a 5) β_l × Innovation_g,t-l^(k) + FE's + X + εEspecificación Complementaria (Caso de Estudio):
Aplica SCM para 1-3 países emblemáticos:
Treated Unit: Colombia
Control Pool: 124 otros países
Pre-treatment period: 2010-2017 (7 años)
Post-treatment period: 2018-2024 (7 años)
"Treatment": Entrada masiva de medicamentos AFIDRO priorizados en 2018
(O puedes elegir fecha específica de entrada de medicamento clave)
Objetivo:
- Construir "Colombia sintética" (ponderación óptima de 124 países)
- Comparar AVP Colombia real vs. sintética 2018-2024
- Estimar efecto específico
Resultado: Artículo tipo "case study"
"Did pharmaceutical innovation reduce mortality in Colombia?
A synthetic control analysis"✓ Panel principal: Robusto estadísticamente, captura efectos globales, 125 países ✓ SCM caso de estudio: Narrativa clara, interpretable, AFIDRO ve directamente Colombia ✓ Complementarios: Validación cruzada entre métodos ✓ Publicable: Dos enfoques = más riguroso, más convincente
Modelo Principal:
ln(AVP_g,t^y) = Σ(l=0 a 5) β_l × Innovation_g,t-l^(k)
+ γ X_gt
+ α_g + δ_t + γ_gy
+ ε_gt
Interpretación: Efecto global promedio de disponibilidad de medicamentos
sobre mortalidad prematura en 125 paísesPara Colombia (como treated unit):
STEP 1: Pre-treatment optimization (2010-2017)
Minimizar: Σ(t=1 a 7) [AVP_Colombia,t - Σⱼ₌₁¹²⁴ w_j × AVP_j,t]²
Sujeto a: Σ w_j = 1, w_j ≥ 0
Esto encuentra los pesos w_j óptimos para que Colombia sintética matchee
Colombia real en período pre-tratamiento
STEP 2: Post-treatment comparison (2018-2024)
Comparar:
- AVP Colombia real (2018-2024)
- AVP Colombia sintética (2018-2024) = Σⱼ w_j × AVP_j,2018:2024
Efecto causal = Diferencia
STEP 3: Inferencia (Permutation Test)
Para cada país j en control pool:
- Suponer que j fue "treated" en 2018
- Construir su SC a partir de los otros 123
- Calcular brecha ficticia
Comparar: Brecha Colombia real vs. Brechas ficticias
→ Si Colombia está en cola superior, efecto es significativo| Semana | Tarea | Método |
|---|---|---|
| 1-12 | Compilar datos, construir base | Panel + SCM |
| 13-16 | Estimar Panel FE (especificación 1-3) | Panel |
| 17-20 | Análisis robustez de panel | Panel |
| 20-24 | Aplicar SCM a Colombia + 1-2 países | SCM |
| 24-28 | Escribir 2-3 papers | Ambos métodos |
Panel FE: R (plm, fixest) o Stata (xtreg, reghdfe) -
YA TIENES SCM: - R: Synth package (Abadie
et al.) - Python: pystatsmodels - Stata: synth
command
Ventajas: - ✓ Robusto, estándar, publicable - ✓ Captura todo 125 países - ✓ Inferencia estadística fuerte - ✓ Flexible a intervención gradual
Desventajas: - ✗ Menos intuitivo (“pesos de control” no explícitos) - ✗ AFIDRO querría ver efecto específico Colombia - ✗ Narrativa menos clara para policy makers
Ventajas: - ✓ Muy interpretable - ✓ Gráficas claras - ✓ AFIDRO lo entiende fácilmente
Desventajas: - ✗ Funciona bien solo para 1-2 países - ✗ Pierdes información de 125 países - ✗ Con intervención gradual, menos útil - ✗ Inferencia estadística débil formalmente
Ventajas: - ✓ Fortalezas de ambos métodos - ✓ Validación cruzada - ✓ 2-3 papers vs. 1 - ✓ Comunicable a múltiples audiencias
Desventajas: - ✗ Más trabajo (6-8 meses vs. normal) - ✗ Complejo de explicar - ✗ Requiere expertise en ambos métodos
Respuesta Técnica: - SCM puro: No es óptimo para tu setup (intervención gradual, múltiples unidades, timing heterogéneo) - Pero: Sí es valioso como complemento para caso de estudio (ej. Colombia)
Recomendación: 1. Principal: Mantén Fixed-Effects Panel (como recomendado antes) 2. Complementario: Agrega SCM para 1-3 países específicos como validación/case studies 3. Resultado: 2-3 papers (vs. 1) con mayor rigor
Porque: - Está fundamentada en literatura metodológica - SCM es ideal para lo que te pide, pero tu setup tiene restricciones - El enfoque híbrido maximiza fortalezas de ambos - Publicable y comunicable a AFIDRO
| Tu Pregunta | Respuesta | Método |
|---|---|---|
| “¿Impacto global medicamentos en 125 países?” | Sí, y es robusto | Panel FE ✓ |
| “¿Efecto específico en Colombia?” | Sí, muy intuitivo | SCM ✓ |
| “¿Efecto de medicamento específico (ej. Xarelto) en Colombia?” | Sí, perfecto | SCM ✓✓ |
| “¿Cuál es el rezago óptimo (0-5 años)?” | Comparable directamente | Panel FE ✓ |
| “¿Son los resultados robustos entre métodos?” | Sí, validación cruzada | Ambos ✓✓✓ |
Esta semana (Semana 0): 1. Presenta Panel FE como especificación principal (igual antes) 2. Nuevo: Sugiere a AFIDRO análisis complementario con SCM para Colombia 3. Obtén feedback: ¿Quieren ver análisis específico Colombia?
Semana 1-12: Compilar datos y estimar Panel FE
Semana 20-24 (si aprueban): Implementar SCM para Colombia
Conclusión: SCM es poderoso pero diseñado para otro tipo de problema. Tu configuración (125 países, intervención gradual) es más adecuada para panel FE. Pero usar SCM como validación para 1-2 países específicos da credibilidad y comunicabilidad adicional.
¿Quieres que profundice en cómo implementar específicamente la parte de SCM para Colombia?