wd <- divorce %>%
filter(year>=1964 & year<=1996 & sex==2) %>%
mutate(suicide_rate=suicide*1000000/(stpop*fshare),
year=as.numeric(year),
divyear = ifelse(divyear>1996, Inf, divyear),
unilateral=ifelse(year>divyear, 1, 0))Respuestas a la tarea 3
Respuestas
Pregunta 1
Stevenson, B. & Wolfers, J. (2006)1 estudian los efectos de la introducción de leyes que permiten el divorcio unilateral en los Estados Unidos. La librería bacondecomp incluye los datos usados en dicho artículo (debe instalar y cargar la librería). Usaremos los datos de 1964 a 1996 para mostrar cómo impactan las leyes de divorcio express (unilateral) a la tasa de suicidios en mujeres.
Al correr el pedazo de código anterior, obtendrá un objeto de datos wd en donde la variable de impacto es la tasa de suicidios en mujeres, suicide_rate, st identifica a los estados, year identifica a los años y divyear es el año en que se introdujo la legislación del divorcio unilateral. La última fila del código crea el indicador de tratamiento unilaterial, que toma el valor de 1 para los estados tratados en los periodos post tratamiento.
[5 puntos] Presente una tabla donde muestre el número de estados que es tratado en cada periodo del panel. ¿Cuántos estados son nunca tratados? ¿Cuántos estados son siempre tratados?
Si hacemos un tabulado de divyear para un año fijo, notamos cuántos estados se vuelven tratados en cada año. Solo 5 estados son nunca tratados. Por otro lado, como el panel comienza en 1964 y hay 9 estados tratados en 1950, estos 9 estados son siempre tratados.
table(filter(wd, year==1996)$divyear)1950 1969 1970 1971 1972 1973 1974 1975 1976 1977 1980 1984 1985 Inf 9 2 2 7 3 11 3 2 1 3 1 1 1 5[5 puntos] Como punto de partida, estime el efecto del tratamiento sobre suicide_rate usando efectos fijos por estado y año (TWFE) y empleando una librería específica para efectos fijos, como felm. Tome en cuenta la agrupación de los errores. Interprete sus resultados.
Usando felm podemos incorporar ya el nivel de agrupación de los errores:
summary(felm(suicide_rate ~ unilateral | st + year | 0 | st, data = wd))Call: felm(formula = suicide_rate ~ unilateral | st + year | 0 | st, data = wd) Residuals: Min 1Q Median 3Q Max -37.517 -6.157 -0.141 5.577 57.004 Coefficients: Estimate Cluster s.e. t value Pr(>|t|) unilateral -3.777 2.201 -1.716 0.0923 . --- Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 Residual standard error: 10.85 on 1599 degrees of freedom Multiple R-squared(full model): 0.6844 Adjusted R-squared: 0.668 Multiple R-squared(proj model): 0.007963 Adjusted R-squared: -0.04353 F-statistic(full model, *iid*):41.77 on 83 and 1599 DF, p-value: < 2.2e-16 F-statistic(proj model): 2.945 on 1 and 50 DF, p-value: 0.09231[5 puntos] Compruebe que puede obtener el mismo resultado con una regresión lineal usando el paquete lm e incluyendo, además de la variable de tratamiento, dummies de estado y de año.
Estimamos con dummies:
summary(m1 <- lm(suicide_rate ~ unilateral + factor(st) + factor(year), data = wd))$coef[1:2,1:3]Estimate Std. Error t value (Intercept) 56.732642 2.468251 22.984953 unilateral -3.776552 1.054148 -3.582562Luego estimamos errores agrupados:
modelsummary(list(m1), output = 'gt', vcov=clubSandwich::vcovCR(m1, type='CR1', cluster=wd$st), coef_map = "unilateral", gof_map = "nobs")(1) unilateral -3.777 (2.200) Num.Obs. 1683 Obtenemos los mismos coeficientes. Aquí también podrán volver a comprobar la importancia de usar errores agrupados. El error agrupado es más de dos veces más grande que el error clásico.
[10 puntos] Ahora muestre que podemos obtener el coeficiente de TWFE a partir de una regresión bivariada entre la tasa de suicidios y unilateral, una vez purgada por efectos fijos. Para ello, primero estime una regresión de unilateral en función de los efectos fijos. Obtenga la predicción y luego defina una nueva variable igual a la diferencia entre unilateral y la predicción que acaba de obtener. Finalmente, obtenga el coeficiente de TWFE con una regresión de la tasa de suicidios en función de la diferencia antes definida.
Corremos la primera regresión para purgar los efectos fijos:
d1 <- lm(unilateral ~ factor(st) + factor(year), data = wd)Definimos la nueva variable:
wd <- wd %>% mutate(unilateral_hat = unilateral-predict(d1))Y finalmente estimamos:
summary(m2 <- lm(suicide_rate ~ unilateral_hat, data = wd))$coef[1:2,1:3]Estimate Std. Error t value (Intercept) 54.422503 0.4585884 118.673960 unilateral_hat -3.776552 1.8276582 -2.066334Obtenemos el mismo coeficiente. Frisch–Waugh–Lovell tenían razón.
[10 puntos] Realice la descomposición de Goodman-Bacon (2021). Construya un gráfico donde muestre en el eje \(x\) el peso otorgado a cada comparación 2x2 que el estimador de TWFE realiza mecánicamente y en el eje \(y\) el efecto estimado correspondiente a cada comparación. Interprete el gráfico obtenido.
Como vimos en laboratorio, la descomposición de Bacon se puede obtener con la función bacon:
#Goodman-Bacon decomposition df_bacon <- bacon(suicide_rate ~ unilateral, data = wd, id_var = "st", time_var = "year")type weight avg_est 1 Earlier vs Later Treated 0.11558 0.13489 2 Later vs Always Treated 0.41990 -6.95245 3 Later vs Earlier Treated 0.23125 2.33743 4 Treated vs Untreated 0.23328 -6.05881coef_bacon <- sum(df_bacon$estimate * df_bacon$weight) print(paste("Suma ponderada de la descomposición =", round(coef_bacon, 4)))[1] "Suma ponderada de la descomposición = -3.7766"twfe <- felm(suicide_rate ~ unilateral | st + year | 0 | st, data = wd) #Gráfico---- df_bacon %>% ggplot(aes(x=weight, y=estimate, shape=type)) + geom_point() + geom_hline(yintercept = round(twfe$coefficients, 4))
Las comparaciones que más pesan en el estimador de efectos fijos son las de estados tratados con los que siempre estuvieron tratados en el panel, recibiendo dos de esas comparaciones alrededor de 13 y el 7% del peso (los dos triángulos más hacia la derecha). otra comparación que recibe alrededor de 7% del peso es la de los tratados con los nunca tratados (cruz más hacia la derecha). En total, las comparaciones con los estados que iniciaron siendo tratados se llevan el 42% del peso. Las comparaciones entre los tratados tarde y los tratados temprano también reciben un peso alto de 23%.
[10 puntos] Implemente el estimador de Callaway & Sant’Anna (2021) para estimar los efectos del tratamiento específicos para cada cohorte, usando el paquete did. Utilice como grupo de comparación los estados no tratados aún. La columna stid es un identificador numérico de los estados (lo requerirá cuando use att_gt del paquete did).
atts_nyt <- att_gt(yname = "suicide_rate", tname = "year", idname = "stid", gname = "divyear", data = wd, control_group = "notyettreated", est_method = 'reg', bstrap = TRUE, biters = 1000, print_details = FALSE, panel = TRUE) summary(atts_nyt)Call: att_gt(yname = "suicide_rate", tname = "year", idname = "stid", gname = "divyear", data = wd, panel = TRUE, control_group = "notyettreated", bstrap = TRUE, biters = 1000, est_method = "reg", print_details = FALSE) Reference: Callaway, Brantly and Pedro H.C. Sant'Anna. "Difference-in-Differences with Multiple Time Periods." Journal of Econometrics, Vol. 225, No. 2, pp. 200-230, 2021. <https://doi.org/10.1016/j.jeconom.2020.12.001>, <https://arxiv.org/abs/1803.09015> Group-Time Average Treatment Effects: Group Time ATT(g,t) Std. Error [95% Simult. Conf. Band] 1969 1965 -1.9053 5.0021 -16.4688 12.6583 1969 1966 4.5124 5.8057 -12.3910 21.4158 1969 1967 0.5622 4.8998 -13.7036 14.8281 1969 1968 5.1789 2.8622 -3.1543 13.5122 1969 1969 -0.7447 4.7347 -14.5298 13.0404 1969 1970 -10.2717 7.8442 -33.1101 12.5666 1969 1971 -12.3880 6.7309 -31.9849 7.2090 1969 1972 -4.1259 3.4859 -14.2750 6.0231 1969 1973 1.4524 6.8054 -18.3615 21.2662 1969 1974 -1.4022 5.1655 -16.4414 13.6370 1969 1975 -0.9265 4.5063 -14.0466 12.1935 1969 1976 -12.7344 6.0394 -30.3181 4.8494 1969 1977 -2.3415 9.3507 -29.5662 24.8831 1969 1978 -11.4247 7.7205 -33.9028 11.0534 1969 1979 -6.0427 9.0310 -32.3365 20.2511 1969 1980 -7.9345 5.6002 -24.2396 8.3705 1969 1981 -1.7430 9.4993 -29.4000 25.9140 1969 1982 -6.7020 7.4160 -28.2936 14.8895 1969 1983 4.7154 10.1305 -24.7795 34.2103 1969 1984 -9.5175 11.8409 -43.9924 24.9573 1969 1985 5.9598 16.9500 -43.3902 55.3097 1969 1986 -8.5962 11.1317 -41.0061 23.8137 1969 1987 -8.6897 7.0919 -29.3376 11.9582 1969 1988 -11.9815 7.9439 -35.1101 11.1471 1969 1989 -5.9781 14.9263 -49.4361 37.4799 1969 1990 -7.7327 10.8247 -39.2488 23.7834 1969 1991 -14.7659 11.0815 -47.0297 17.4979 1969 1992 -6.6956 6.5059 -25.6374 12.2462 1969 1993 0.5290 11.2436 -32.2068 33.2648 1969 1994 -6.1575 15.7991 -52.1564 39.8414 1969 1995 -6.7870 15.8578 -52.9569 39.3830 1969 1996 3.0338 13.1707 -35.3127 41.3804 1970 1965 2.4919 3.1408 -6.6523 11.6362 1970 1966 1.8500 3.1626 -7.3580 11.0580 1970 1967 -2.0438 3.9758 -13.6192 9.5317 1970 1968 -3.7538 7.0782 -24.3620 16.8543 1970 1969 9.0725 3.6333 -1.5059 19.6509 1970 1970 0.3548 4.7693 -13.5309 14.2406 1970 1971 -1.9698 3.2340 -11.3857 7.4461 1970 1972 -1.4067 6.1382 -19.2779 16.4645 1970 1973 -11.2801 3.8980 -22.6291 0.0689 1970 1974 -11.1775 3.6941 -21.9329 -0.4220 * 1970 1975 -12.0330 6.1919 -30.0608 5.9948 1970 1976 -17.7592 7.6964 -40.1671 4.6487 1970 1977 -16.3994 5.1386 -31.3603 -1.4384 * 1970 1978 -29.1877 10.0444 -58.4318 0.0565 1970 1979 -26.8802 12.4721 -63.1927 9.4324 1970 1980 -39.5660 11.0135 -71.6317 -7.5002 * 1970 1981 -30.0122 11.1197 -62.3871 2.3627 1970 1982 -36.1714 9.5763 -64.0528 -8.2900 * 1970 1983 -31.0969 17.3064 -81.4844 19.2907 1970 1984 -31.4749 18.4672 -85.2420 22.2921 1970 1985 -30.6346 19.0705 -86.1583 24.8891 1970 1986 -37.0754 20.0211 -95.3669 21.2160 1970 1987 -37.6630 22.4908 -103.1450 27.8189 1970 1988 -43.0563 21.5567 -105.8185 19.7059 1970 1989 -45.1314 17.9619 -97.4274 7.1646 1970 1990 -43.1765 20.6293 -103.2385 16.8856 1970 1991 -49.9116 20.1250 -108.5055 8.6822 1970 1992 -50.9515 16.3952 -98.6861 -3.2170 * 1970 1993 -44.5526 22.5578 -110.2296 21.1244 1970 1994 -51.5405 17.8275 -103.4453 0.3642 1970 1995 -48.4108 21.0256 -109.6267 12.8051 1970 1996 -48.0618 21.2992 -110.0743 13.9507 1971 1965 -2.2110 3.7081 -13.0070 8.5851 1971 1966 -5.9450 3.4193 -15.9004 4.0104 1971 1967 6.1535 3.9253 -5.2750 17.5820 1971 1968 5.3039 3.5976 -5.1705 15.7784 1971 1969 -4.8826 3.6959 -15.6433 5.8781 1971 1970 0.5878 5.3715 -15.0512 16.2268 1971 1971 -7.5805 6.0796 -25.2811 10.1201 1971 1972 -11.4260 7.2161 -32.4358 9.5838 1971 1973 -5.8221 7.9810 -29.0588 17.4146 1971 1974 5.7926 5.5585 -10.3909 21.9762 1971 1975 0.0590 5.7795 -16.7679 16.8859 1971 1976 -0.7920 7.7647 -23.3990 21.8150 1971 1977 0.5899 7.9569 -22.5767 23.7565 1971 1978 -9.5946 9.1872 -36.3431 17.1538 1971 1979 -8.8180 5.9349 -26.0975 8.4616 1971 1980 -15.0039 7.0264 -35.4613 5.4535 1971 1981 -6.0810 8.2545 -30.1138 17.9519 1971 1982 -15.5575 8.6964 -40.8770 9.7619 1971 1983 -6.7973 5.9079 -23.9982 10.4035 1971 1984 -8.1090 7.1407 -28.8991 12.6810 1971 1985 -9.3683 8.6304 -34.4955 15.7590 1971 1986 -16.9260 8.0305 -40.3068 6.4548 1971 1987 -12.9962 11.1915 -45.5800 19.5877 1971 1988 -14.6487 8.8895 -40.5304 11.2330 1971 1989 -18.7126 9.7399 -47.0702 9.6450 1971 1990 -17.6198 6.9695 -37.9114 2.6718 1971 1991 -17.2789 9.4179 -44.6992 10.1414 1971 1992 -22.1825 10.4209 -52.5229 8.1580 1971 1993 -9.1278 9.7365 -37.4755 19.2199 1971 1994 -13.7091 9.0653 -40.1027 12.6845 1971 1995 -15.3270 7.8235 -38.1050 7.4509 1971 1996 -11.2124 9.8387 -39.8577 17.4329 1972 1965 1.9641 1.8879 -3.5325 7.4607 1972 1966 2.3826 6.2550 -15.8288 20.5940 1972 1967 -3.8865 5.9873 -21.3185 13.5455 1972 1968 7.6954 2.7321 -0.2592 15.6500 1972 1969 -8.7084 3.0863 -17.6942 0.2774 1972 1970 0.1004 2.5219 -7.2419 7.4428 1972 1971 1.1463 3.3423 -8.5848 10.8774 1972 1972 -4.8115 4.7816 -18.7331 9.1101 1972 1973 -2.3073 6.4750 -21.1591 16.5446 1972 1974 0.7950 4.7232 -12.9566 14.5465 1972 1975 -2.8930 4.6434 -16.4123 10.6264 1972 1976 -2.9838 9.9494 -31.9515 25.9840 1972 1977 2.8759 5.8415 -14.1317 19.8835 1972 1978 -13.9499 6.9152 -34.0834 6.1836 1972 1979 -4.7118 9.6540 -32.8196 23.3959 1972 1980 -9.9424 7.0280 -30.4045 10.5197 1972 1981 0.7622 6.6934 -18.7256 20.2501 1972 1982 -5.7949 7.6817 -28.1601 16.5702 1972 1983 -2.5286 7.4012 -24.0771 19.0200 1972 1984 -5.7192 7.7805 -28.3722 16.9338 1972 1985 -8.5492 8.3653 -32.9048 15.8064 1972 1986 -3.2909 6.0279 -20.8411 14.2594 1972 1987 -14.5853 7.6227 -36.7786 7.6081 1972 1988 -12.6795 6.6749 -32.1133 6.7543 1972 1989 -10.9845 6.5700 -30.1130 8.1440 1972 1990 -7.7794 7.3031 -29.0422 13.4834 1972 1991 -13.7033 5.3662 -29.3270 1.9205 1972 1992 -11.0100 9.2189 -37.8508 15.8309 1972 1993 -17.3770 6.9952 -37.7434 2.9894 1972 1994 -16.6543 7.8719 -39.5733 6.2647 1972 1995 -16.0626 6.5878 -35.2428 3.1176 1972 1996 -13.6292 5.0248 -28.2588 1.0005 1973 1965 -1.6544 3.2281 -11.0530 7.7442 1973 1966 -3.5308 4.2168 -15.8081 8.7465 1973 1967 5.5388 5.7733 -11.2701 22.3478 1973 1968 -4.1286 5.3947 -19.8354 11.5782 1973 1969 1.9470 3.8187 -9.1712 13.0652 1973 1970 0.3836 5.0856 -14.4231 15.1903 1973 1971 -0.4064 6.1066 -18.1858 17.3730 1973 1972 -0.7103 6.4314 -19.4354 18.0148 1973 1973 9.0122 6.5123 -9.9482 27.9726 1973 1974 7.0826 6.4264 -11.6278 25.7931 1973 1975 8.7932 9.8774 -19.9648 37.5513 1973 1976 5.5815 6.9796 -14.7396 25.9027 1973 1977 9.2638 7.0693 -11.3184 29.8460 1973 1978 -2.8479 7.8371 -25.6656 19.9697 1973 1979 3.5441 8.0299 -19.8348 26.9231 1973 1980 -3.7998 8.8494 -29.5647 21.9652 1973 1981 3.7874 8.8168 -21.8829 29.4576 1973 1982 -2.3342 9.8270 -30.9453 26.2770 1973 1983 0.3746 7.3870 -21.1326 21.8818 1973 1984 -4.0602 9.2552 -31.0065 22.8861 1973 1985 -3.3503 7.4183 -24.9488 18.2482 1973 1986 -9.9416 5.0424 -24.6225 4.7393 1973 1987 -10.5611 9.3995 -37.9277 16.8055 1973 1988 -13.3770 10.1725 -42.9940 16.2401 1973 1989 -9.7072 7.1490 -30.5214 11.1069 1973 1990 -12.5464 6.2453 -30.7296 5.6367 1973 1991 -15.9396 7.6914 -38.3329 6.4538 1973 1992 -17.9985 7.9687 -41.1994 5.2025 1973 1993 -13.8426 8.3306 -38.0972 10.4120 1973 1994 -9.0985 6.2647 -27.3379 9.1410 1973 1995 -12.4104 4.3054 -24.9455 0.1246 1973 1996 -14.4985 5.7258 -31.1691 2.1720 1974 1965 -3.4980 5.4360 -19.3248 12.3288 1974 1966 4.0405 5.9789 -13.3670 21.4480 1974 1967 -2.4469 2.6914 -10.2829 5.3892 1974 1968 -4.1701 5.4285 -19.9752 11.6349 1974 1969 3.0794 2.0502 -2.8897 9.0485 1974 1970 3.9844 2.6442 -3.7140 11.6829 1974 1971 -7.0304 3.1395 -16.1712 2.1103 1974 1972 6.3385 3.4217 -3.6238 16.3009 1974 1973 0.5656 5.4608 -15.3334 16.4646 1974 1974 -2.4409 4.3340 -15.0594 10.1777 1974 1975 1.3647 5.4230 -14.4245 17.1538 1974 1976 -3.5756 6.1408 -21.4546 14.3034 1974 1977 -4.0728 5.6083 -20.4014 12.2558 1974 1978 -8.9231 5.4853 -24.8935 7.0472 1974 1979 -1.7408 6.2213 -19.8541 16.3724 1974 1980 -9.7770 5.4015 -25.5035 5.9495 1974 1981 -2.8322 5.9442 -20.1388 14.4743 1974 1982 -7.4517 5.1390 -22.4140 7.5106 1974 1983 -4.3400 6.9754 -24.6489 15.9688 1974 1984 -7.8279 6.3810 -26.4061 10.7502 1974 1985 0.9048 10.6300 -30.0444 31.8540 1974 1986 -3.4953 8.6356 -28.6379 21.6473 1974 1987 -9.3045 9.3295 -36.4674 17.8583 1974 1988 -9.0434 8.5952 -34.0682 15.9813 1974 1989 -6.4758 9.7005 -34.7187 21.7671 1974 1990 -7.6369 8.4986 -32.3806 17.1068 1974 1991 -14.7133 7.8071 -37.4438 8.0172 1974 1992 -14.7711 7.9707 -37.9777 8.4356 1974 1993 -11.2274 9.1194 -37.7784 15.3235 1974 1994 -14.4350 10.5207 -45.0658 16.1958 1974 1995 -13.4194 9.8548 -42.1116 15.2728 1974 1996 -14.8017 10.4631 -45.2650 15.6617 1975 1965 18.6039 13.2240 -19.8978 57.1055 1975 1966 -3.3872 3.5095 -13.6051 6.8306 1975 1967 -2.4321 1.9944 -8.2386 3.3745 1975 1968 7.3667 5.1703 -7.6864 22.4199 1975 1969 -4.2480 6.2084 -22.3237 13.8278 1975 1970 -11.4912 6.4573 -30.2915 7.3091 1975 1971 5.6632 8.3399 -18.6183 29.9446 1975 1972 -15.6310 6.8924 -35.6981 4.4362 1975 1973 16.2449 6.4778 -2.6152 35.1050 1975 1974 -0.4082 6.2543 -18.6176 17.8012 1975 1975 -2.3510 2.7454 -10.3442 5.6423 1975 1976 -2.3824 5.7233 -19.0457 14.2808 1975 1977 -4.1345 8.0632 -27.6104 19.3415 1975 1978 -7.0822 6.3401 -25.5413 11.3770 1975 1979 -12.0112 12.6362 -48.8013 24.7789 1975 1980 -10.7602 5.1151 -25.6528 4.1324 1975 1981 -7.1236 5.1125 -22.0087 7.7615 1975 1982 -10.5685 7.0478 -31.0882 9.9512 1975 1983 -9.0308 5.8602 -26.0928 8.0312 1975 1984 9.8022 5.4215 -5.9826 25.5869 1975 1985 -5.6163 8.3116 -29.8156 18.5829 1975 1986 -5.2183 4.7325 -18.9970 8.5603 1975 1987 -0.8638 5.9079 -18.0645 16.3370 1975 1988 -15.3668 10.9143 -47.1437 16.4102 1975 1989 -5.4933 5.4099 -21.2442 10.2575 1975 1990 8.5067 5.4844 -7.4613 24.4746 1975 1991 0.7631 6.1256 -17.0716 18.5978 1975 1992 -4.2255 6.0728 -21.9063 13.4553 1975 1993 1.1200 2.6826 -6.6905 8.9304 1975 1994 -8.3655 7.6252 -30.5663 13.8354 1975 1995 1.8041 3.7171 -9.0183 12.6265 1975 1996 -6.9207 5.3361 -22.4569 8.6155 1976 1965 -11.0522 1.6915 -15.9769 -6.1275 * 1976 1966 0.1018 2.0470 -5.8579 6.0615 1976 1967 -5.9143 1.9751 -11.6649 -0.1637 * 1976 1968 -1.6479 2.0468 -7.6072 4.3114 1976 1969 -6.6407 1.8972 -12.1645 -1.1170 * 1976 1970 8.5784 1.8981 3.0520 14.1048 * 1976 1971 4.0973 2.5332 -3.2780 11.4726 1976 1972 -0.9903 2.8345 -9.2428 7.2622 1976 1973 -20.1263 3.9010 -31.4841 -8.7685 * 1976 1974 39.6133 2.6712 31.8360 47.3906 * 1976 1975 -3.5747 2.8347 -11.8280 4.6785 1976 1976 3.7698 5.2793 -11.6010 19.1406 1976 1977 33.5942 4.9991 19.0395 48.1490 * 1976 1978 -3.1195 2.3473 -9.9538 3.7148 1976 1979 1.3342 7.2083 -19.6528 22.3212 1976 1980 -10.4124 3.9110 -21.7993 0.9744 1976 1981 -10.4368 5.7455 -27.1646 6.2911 1976 1982 -12.4922 3.4351 -22.4935 -2.4909 * 1976 1983 -15.8081 6.3242 -34.2209 2.6047 1976 1984 -20.6870 4.3502 -33.3525 -8.0215 * 1976 1985 -0.2053 11.6139 -34.0191 33.6085 1976 1986 -27.7992 8.3181 -52.0172 -3.5811 * 1976 1987 -9.9985 3.6973 -20.7631 0.7662 1976 1988 -22.8540 5.8685 -39.9403 -5.7678 * 1976 1989 -14.3020 6.3277 -32.7250 4.1210 1976 1990 -16.7275 4.8656 -30.8936 -2.5614 * 1976 1991 -29.9838 5.3052 -45.4300 -14.5377 * 1976 1992 -35.9431 6.1194 -53.7598 -18.1264 * 1976 1993 -33.5630 6.2298 -51.7011 -15.4249 * 1976 1994 -19.1785 10.5829 -49.9905 11.6334 1976 1995 -18.8943 9.0197 -45.1550 7.3665 1976 1996 -20.0712 8.0000 -43.3631 3.2206 1977 1965 6.8982 11.5917 -26.8510 40.6475 1977 1966 -11.1214 7.8070 -33.8514 11.6086 1977 1967 10.8566 5.9907 -6.5854 28.2986 1977 1968 -11.0425 11.6854 -45.0646 22.9796 1977 1969 10.1932 12.0317 -24.8372 45.2235 1977 1970 2.9004 5.8655 -14.1771 19.9779 1977 1971 3.0530 8.2289 -20.9055 27.0115 1977 1972 -0.6535 9.9246 -29.5489 28.2419 1977 1973 3.1405 8.1827 -20.6833 26.9644 1977 1974 -14.4506 5.8144 -31.3792 2.4779 1977 1975 -0.1240 4.9821 -14.6295 14.3815 1977 1976 5.5263 17.4444 -45.2630 56.3155 1977 1977 -0.1462 15.5577 -45.4424 45.1500 1977 1978 -17.4422 17.0998 -67.2283 32.3439 1977 1979 -7.6652 28.1347 -89.5793 74.2489 1977 1980 -12.0752 23.7722 -81.2879 57.1376 1977 1981 -11.8110 21.2199 -73.5925 49.9705 1977 1982 -18.5556 16.2495 -65.8658 28.7547 1977 1983 4.2551 30.1774 -83.6062 92.1164 1977 1984 -3.0226 22.8061 -69.4225 63.3774 1977 1985 -14.8995 20.4874 -74.5485 44.7494 1977 1986 -12.3230 14.2920 -53.9341 29.2882 1977 1987 -23.6769 27.0571 -102.4536 55.0997 1977 1988 -25.5547 22.2544 -90.3483 39.2389 1977 1989 -9.2602 31.0752 -99.7354 81.2149 1977 1990 -13.7369 28.6830 -97.2475 69.7737 1977 1991 -25.9731 23.5938 -94.6663 42.7201 1977 1992 -29.9220 23.2090 -97.4948 37.6508 1977 1993 -14.9531 26.2789 -91.4639 61.5578 1977 1994 -11.6033 33.0840 -107.9272 84.7205 1977 1995 -29.0098 21.0814 -90.3883 32.3687 1977 1996 -16.0590 20.9341 -77.0086 44.8905 1980 1965 -4.7817 1.6709 -9.6465 0.0831 1980 1966 -2.0295 2.0384 -7.9642 3.9052 1980 1967 0.2462 1.9512 -5.4347 5.9272 1980 1968 4.9725 2.0634 -1.0351 10.9801 1980 1969 -5.6981 1.8605 -11.1149 -0.2812 * 1980 1970 7.6920 1.9457 2.0273 13.3568 * 1980 1971 -9.5134 2.5279 -16.8734 -2.1533 * 1980 1972 5.9170 2.8378 -2.3454 14.1794 1980 1973 -3.6509 4.0330 -15.3930 8.0912 1980 1974 1.1846 4.3231 -11.4021 13.7713 1980 1975 -1.4249 2.8457 -9.7101 6.8604 1980 1976 1.5220 5.8828 -15.6057 18.6496 1980 1977 -1.8998 2.8071 -10.0726 6.2731 1980 1978 -6.1099 4.8000 -20.0852 7.8654 1980 1979 6.0177 8.1746 -17.7827 29.8181 1980 1980 -11.0694 5.2066 -26.2285 4.0897 1980 1981 -7.3267 2.7095 -15.2153 0.5620 1980 1982 -9.2663 9.5864 -37.1771 18.6446 1980 1983 1.6316 3.2064 -7.7038 10.9670 1980 1984 -2.4538 5.5165 -18.5151 13.6075 1980 1985 4.4467 5.1164 -10.4496 19.3430 1980 1986 -9.5981 7.0565 -30.1430 10.9468 1980 1987 -10.0537 11.6490 -43.9696 23.8622 1980 1988 -10.9789 10.8204 -42.4824 20.5247 1980 1989 -6.9527 5.9212 -24.1922 10.2869 1980 1990 -5.3312 6.8183 -25.1825 14.5201 1980 1991 -8.8820 8.4870 -33.5918 15.8278 1980 1992 -12.0023 11.0607 -44.2054 20.2008 1980 1993 -8.3192 9.2339 -35.2036 18.5653 1980 1994 -12.5474 6.6539 -31.9203 6.8254 1980 1995 -6.7308 8.7926 -32.3304 18.8688 1980 1996 -9.1678 7.7440 -31.7144 13.3787 1984 1965 2.2727 1.7173 -2.7273 7.2727 1984 1966 -1.6070 2.0508 -7.5780 4.3640 1984 1967 -1.8538 1.9421 -7.5082 3.8006 1984 1968 -1.3557 2.0526 -7.3319 4.6205 1984 1969 2.1619 1.9118 -3.4042 7.7280 1984 1970 -0.3449 1.9767 -6.1002 5.4103 1984 1971 -10.9305 2.5181 -18.2620 -3.5990 * 1984 1972 5.8536 2.7651 -2.1971 13.9042 1984 1973 -1.9239 3.9663 -13.4716 9.6238 1984 1974 -7.1605 4.2240 -19.4586 5.1376 1984 1975 -1.6437 2.8679 -9.9935 6.7061 1984 1976 5.6685 5.7003 -10.9280 22.2650 1984 1977 3.2342 2.9185 -5.2631 11.7315 1984 1978 -7.3151 5.0227 -21.9386 7.3083 1984 1979 1.9466 8.5925 -23.0704 26.9635 1984 1980 -8.6205 5.8434 -25.6336 8.3926 1984 1981 10.4692 4.8613 -3.6846 24.6229 1984 1982 -5.4364 7.9954 -28.7149 17.8421 1984 1983 12.0264 8.7568 -13.4691 37.5219 1984 1984 -0.7730 3.0431 -9.6331 8.0871 1984 1985 4.0744 3.8064 -7.0079 15.1567 1984 1986 -8.0341 2.9094 -16.5048 0.4367 1984 1987 -10.4189 8.9490 -36.4738 15.6360 1984 1988 -7.8277 6.1942 -25.8620 10.2067 1984 1989 -9.2894 3.4826 -19.4290 0.8502 1984 1990 -6.2529 2.7864 -14.3657 1.8598 1984 1991 -10.1584 5.2819 -25.5367 5.2199 1984 1992 -11.4694 8.6653 -36.6983 13.7595 1984 1993 -9.2844 4.8880 -23.5158 4.9469 1984 1994 -14.6630 5.2893 -30.0627 0.7368 1984 1995 -12.5044 3.6796 -23.2174 -1.7914 * 1984 1996 -10.2449 3.1374 -19.3793 -1.1104 * 1985 1965 -4.3499 1.6685 -9.2076 0.5077 1985 1966 37.6989 1.8713 32.2505 43.1473 * 1985 1967 -19.2838 1.9297 -24.9022 -13.6653 * 1985 1968 -4.2545 2.1005 -10.3700 1.8610 1985 1969 10.5295 1.8767 5.0654 15.9935 * 1985 1970 7.2143 1.9756 1.4623 12.9664 * 1985 1971 6.9735 2.5312 -0.3960 14.3429 1985 1972 5.8781 2.8318 -2.3667 14.1228 1985 1973 -38.9329 2.9232 -47.4437 -30.4220 * 1985 1974 8.7158 4.2363 -3.6182 21.0499 1985 1975 -7.1533 2.7258 -15.0895 0.7829 1985 1976 -0.8308 5.8266 -17.7948 16.1333 1985 1977 -2.2605 2.8358 -10.5167 5.9958 1985 1978 7.7405 5.9099 -9.4663 24.9473 1985 1979 -4.9814 8.4658 -29.6297 19.6668 1985 1980 2.9209 5.9700 -14.4609 20.3026 1985 1981 -4.4773 5.0164 -19.0825 10.1279 1985 1982 13.7629 9.0270 -12.5192 40.0451 1985 1983 -7.4210 9.1244 -33.9868 19.1447 1985 1984 -5.5493 3.0943 -14.5584 3.4598 1985 1985 11.4728 6.8301 -8.4128 31.3585 1985 1986 10.1715 3.1749 0.9278 19.4153 * 1985 1987 17.5291 5.1061 2.6627 32.3955 * 1985 1988 -9.6423 3.9206 -21.0571 1.7725 1985 1989 19.8229 4.9977 5.2720 34.3737 * 1985 1990 26.2350 0.9371 23.5066 28.9633 * 1985 1991 6.2209 3.5620 -4.1499 16.5917 1985 1992 18.3602 5.5364 2.2411 34.4793 * 1985 1993 23.0343 2.8585 14.7120 31.3567 * 1985 1994 15.2612 6.2622 -2.9711 33.4936 1985 1995 15.4633 4.6990 1.7822 29.1444 * 1985 1996 26.5282 3.5315 16.2464 36.8101 * --- Signif. codes: `*' confidence band does not cover 0 Control Group: Not Yet Treated, Anticipation Periods: 0 Estimation Method: Outcome Regressionggdid(atts_nyt)
[5 puntos] Reporte los resultados agregados obtenidos a partir del estimador Callaway & Sant’Anna (2021), usando una agregación dinámica que muestre los efectos promedio para cada periodo antes y después del tratamiento. Grafique e interprete los resultados.
Graficamos:
agg.es <- aggte(atts_nyt, type = "dynamic") summary(agg.es)Call: aggte(MP = atts_nyt, type = "dynamic") Reference: Callaway, Brantly and Pedro H.C. Sant'Anna. "Difference-in-Differences with Multiple Time Periods." Journal of Econometrics, Vol. 225, No. 2, pp. 200-230, 2021. <https://doi.org/10.1016/j.jeconom.2020.12.001>, <https://arxiv.org/abs/1803.09015> Overall summary of ATT's based on event-study/dynamic aggregation: ATT Std. Error [ 95% Conf. Int.] -9.628 3.804 -17.0838 -2.1722 * Dynamic Effects: Event time Estimate Std. Error [95% Simult. Conf. Band] -20 -4.3499 1.6517 -8.9412 0.2413 -19 19.9858 13.2450 -16.8321 56.8036 -18 -10.4454 7.1535 -30.3302 9.4395 -17 -3.0542 1.0485 -5.9689 -0.1395 * -16 4.5869 2.3299 -1.8895 11.0633 -15 1.5315 3.3729 -7.8442 10.9072 -14 1.5330 2.2900 -4.8325 7.8986 -13 -1.6021 5.7469 -17.5771 14.3730 -12 -1.2353 9.6621 -28.0936 25.6229 -11 -6.1889 4.6557 -19.1307 6.7529 -10 7.0286 5.3754 -7.9135 21.9708 -9 -5.6915 3.1019 -14.3141 2.9311 -8 1.1876 2.3485 -5.3406 7.7158 -7 -0.6219 2.1357 -6.5587 5.3149 -6 1.1581 2.6840 -6.3028 8.6190 -5 -2.9106 2.3321 -9.3933 3.5722 -4 2.9082 1.4977 -1.2549 7.0713 -3 -1.9822 2.6375 -9.3136 5.3493 -2 0.7311 2.6199 -6.5516 8.0137 -1 1.4763 2.4508 -5.3364 8.2889 0 0.5890 2.7890 -7.1636 8.3417 1 -1.2422 3.1567 -10.0171 7.5327 2 -0.3815 4.2220 -12.1177 11.3547 3 -0.4662 3.7223 -10.8132 9.8808 4 -0.3563 4.3884 -12.5548 11.8422 5 -3.4207 4.5733 -16.1334 9.2919 6 -2.4065 4.5559 -15.0708 10.2577 7 -6.4250 4.8840 -20.0012 7.1512 8 -5.8964 4.4018 -18.1323 6.3395 9 -6.3944 4.2770 -18.2835 5.4947 10 -7.7061 4.8278 -21.1263 5.7141 11 -8.8186 5.3034 -23.5608 5.9236 12 -7.2921 4.6542 -20.2296 5.6454 13 -11.1384 4.2721 -23.0139 0.7370 14 -11.1558 4.4582 -23.5486 1.2370 15 -14.8167 5.0785 -28.9335 -0.6999 * 16 -11.6965 5.1491 -26.0096 2.6167 17 -14.3232 4.7708 -27.5847 -1.0617 * 18 -17.1010 4.5812 -29.8357 -4.3664 * 19 -17.4748 4.4698 -29.8996 -5.0499 * 20 -14.9783 4.4465 -27.3384 -2.6182 * 21 -15.8960 4.6464 -28.8118 -2.9801 * 22 -15.2219 4.7176 -28.3355 -2.1082 * 23 -16.2453 5.1252 -30.4921 -1.9984 * 24 -17.8714 7.7076 -39.2965 3.5537 25 -17.0567 9.2784 -42.8483 8.7350 26 -27.4244 18.6170 -79.1749 24.3261 27 3.0338 14.6867 -37.7916 43.8592 --- Signif. codes: `*' confidence band does not cover 0 Control Group: Not Yet Treated, Anticipation Periods: 0 Estimation Method: Outcome Regressionggdid(agg.es)
Se obtiene una reducción en la tasa de suicidios que es estadísticamente significativa a partir de 13 años después de la introducción de la legislación.
[5 puntos] Reporte los resultados agregados obtenidos a partir del estimador Callaway & Sant’Anna (2021), usando una agregación or grupos que muestre los efectos promedio para cada cohorte del tratamiento. Grafique e interprete los resultados.
Graficamos:
agg.es <- aggte(atts_nyt, type = "group") summary(agg.es)Call: aggte(MP = atts_nyt, type = "group") Reference: Callaway, Brantly and Pedro H.C. Sant'Anna. "Difference-in-Differences with Multiple Time Periods." Journal of Econometrics, Vol. 225, No. 2, pp. 200-230, 2021. <https://doi.org/10.1016/j.jeconom.2020.12.001>, <https://arxiv.org/abs/1803.09015> Overall summary of ATT's based on group/cohort aggregation: ATT Std. Error [ 95% Conf. Int.] -8.2876 3.2716 -14.6999 -1.8753 * Group Effects: Group Estimate Std. Error [95% Simult. Conf. Band] 1969 -5.3569 7.9093 -22.7579 12.0441 1970 -30.6010 12.3985 -57.8787 -3.3233 * 1971 -10.3173 6.0787 -23.6909 3.0563 1972 -7.9006 4.7166 -18.2775 2.4764 1973 -4.5364 5.5781 -16.8086 7.7358 1974 -7.3929 6.2207 -21.0789 6.2931 1975 -4.3417 3.2696 -11.5352 2.8517 1976 -13.5133 4.6239 -23.6863 -3.3402 * 1977 -14.6717 21.8462 -62.7351 33.3917 1980 -7.3295 5.5493 -19.5384 4.8793 1984 -8.2189 2.9925 -14.8027 -1.6352 * 1985 15.0381 3.0445 8.3401 21.7362 * --- Signif. codes: `*' confidence band does not cover 0 Control Group: Not Yet Treated, Anticipation Periods: 0 Estimation Method: Outcome Regressionggdid(agg.es)
Notamos un efecto negativo en la tasa de suicidos que es estadísticamente significativa para los estados que fueron tratados en 1970, 1986 y 1984.
[5 puntos] ¿Cuáles son las ventajas del estimador de Callaway & Sant’Anna (2021) respecto al estimador de TWFE?
Las ventajas del estimador de Callaway & Sant’Anna respecto a TWFE son las siguientes: - Evita las comapraciones prohibidas (usar unidades tratadas como controles para unidades que son tratadas en periodos posteriores) - Hace explícito el grupo de comparación que se usa para comparar a las unidades tratadas - Hace explícita la manera en que se agregan los resultados de cada comparación \(ATT(g,t)\) - No impone efectos monótonos en el tiempo ni homogéneos entre unidades
Pregunta 2
La ENIGH 2020 incluyó un módulo para la evaluación del Programa Jóvenes Construyendo el futuro. Se buscó que la cobertura de la encuesta pudiera incluir suficientes participantes del programa para poder compararlos con los no participantes. Los datos en datos_jcf_analisis.csv fueron construidos a partir de dicha encuesta. En este ejercicio estimaremos el efecto de participar en el programa sobre el ingreso trimestral, ingtot_tri, usando métodos de matching.
Las siguientes variables están incluidas en el archivo de datos: mujer (dummy de sexo), indigena (dummy de pertenencia a una etnia), rural (dummy del ámbito rural), escoacum (años de escolaridad), casadounion (dummy para casados o en unión libre), jefehog (dummy para jefes del hogar), haymenores (dummy para la presencia de menores de edad en el hogar), proggob (dummy para beneficiarios de programas de gobierno), y tot_integ (número de miembros del hogar). También se incluye la clave de las entidades, cve_ent.
[5 puntos] Considere la comparación para el ingreso trimestral, ingtot_tri, entre beneficiarios y su grupo de comparación, que serán los jóvenes que no asisten a la escuela y no están empleados. Los beneficiarios tienen jcf2==1 y los jóvenes que no asisten a la escuela y no están empleados tienen jcf2==0. Muestre qué tan similares o qué tan diferentes son los individuos en ambos grupos en términos de las características indicadas anteriormente y del ingreso trimestral.
Estadística descriptiva:
data.jcf <- read_csv("../files/datos_jcf_analisis.csv") set.seed(1023)Aquí usé datasummary para calcular la estadística descriptiva por grupos:
datasummary(ingtot_tri + mujer + indigena + rural + escoacum + casadounion + jefehog + haymenores + proggob + tot_integ ~ factor(jcf2) * (mean + sd) * Arguments(na.rm=TRUE), fmt = "%.2f", data = data.jcf)tinytable_uy949959h4oavhy4bb3w 0 1 mean sd mean sd ingtot_tri 1510.36 8478.60 9643.06 6632.56 mujer 0.76 0.43 0.59 0.49 indigena 0.22 0.41 0.59 0.49 rural 0.40 0.49 0.35 0.48 escoacum 10.39 3.23 12.03 2.70 casadounion 0.53 0.50 0.41 0.49 jefehog 0.06 0.23 0.14 0.35 haymenores 0.66 0.47 0.54 0.50 proggob 0.19 0.39 0.21 0.41 tot_integ 4.82 1.97 4.25 2.00 Claramente los individuos que participan en el programa son diferentes a los que no. En el programa hay una proporción menor de mujeres que en el grupo no tratado; en el grupo tratado hay un nivel mayor de escolaridad acumulada; y los individuos del grupo tratado viven en hogares más pequeños que los del grupo no tratado. Entre muchas otras diferencias.
El problema entonces es que existen factores que influyen en la probabilidad de recibir el tratamiento y en el ingreso, por lo que una comparación simple de individuos tratados y no tratados confundirá el efecto del tratamiento.
[5 puntos] Estime el TOT (TT o ATT) del programa en el ingreso trimestral, ingtot_tri usando el algoritmo de vecino más cercano. Para estimar el impacto en el ingreso trimestral se comparan a los beneficiarios de JCF con los jóvenes que no asisten a la escuela y no están empleados. Los beneficiarios tienen jcf2==1 y los jóvenes que no asisten a la escuela y no están empleados tienen jcf2==0. Escoja la especificación del propensity score que más le parezca adecuada. Realice la inferencia estadística con errores agrupados a nivel grupo de emparejamiento. ¿De qué tamaño es el TOT estimado y es este efecto estadísticamente significativo?
Este es el modelo para el propensity score que yo escogí:
sub.data <- data.jcf %>% dplyr::select(ingtot_tri, jcf2, mujer, indigena, cve_ent, rural, escoacum, casadounion, jefehog, haymenores, proggob, tot_integ, factor.x) sub.data <- sub.data[complete.cases(sub.data), ] m.out.a <- matchit(formula=jcf2 ~ mujer + indigena + factor(cve_ent) + rural + escoacum + casadounion + jefehog + haymenores + proggob + tot_integ, method = "nearest", distance= "glm", replace = FALSE, data = sub.data)Estimamos el efecto del tratamiento:
tt1 <- lm(ingtot_tri ~ jcf2, data = match.data(m.out.a)) #Errores agrupados a nivel subclass coeftest(tt1, vcov. = vcovCL, cluster = ~subclass)t test of coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 1669.95 407.99 4.0931 5.735e-05 *** jcf2 7973.11 708.27 11.2572 < 2.2e-16 *** --- Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Se estima un efecto de 7973 pesos adicionales de ingreso trimestral para los participantes en el programa.
[5 puntos] En el matching de la parte b., evalúe qué tan bueno es el procedimiento en balancear las características observadas una vez realizado el matching. Cree un love plot para evaluar qué tan bueno es el procedimiento de matching para obtener una muestra balanceada.
bal.tab del paquete cobalt nos permite ver un resumen del balance:
#Con esto elimino las dummies de estado de la salida bal.tab(m.out.a, m.threshold=0.1, un=T)Balance Measures Type Diff.Un Diff.Adj M.Threshold distance Distance 1.1091 0.0881 Balanced, <0.1 mujer Binary -0.1660 0.0551 Balanced, <0.1 indigena Binary 0.3714 0.0551 Balanced, <0.1 factor(cve_ent)_01 Binary -0.1720 -0.0157 Balanced, <0.1 factor(cve_ent)_02 Binary -0.3428 -0.0079 Balanced, <0.1 factor(cve_ent)_03 Binary 0.0168 0.0079 Balanced, <0.1 factor(cve_ent)_04 Binary 0.5524 0.0157 Balanced, <0.1 factor(cve_ent)_05 Binary -0.0544 0.0000 Balanced, <0.1 rural Binary -0.0553 0.0709 Balanced, <0.1 escoacum Contin. 0.6086 -0.2096 Not Balanced, >0.1 casadounion Binary -0.1170 0.0709 Balanced, <0.1 jefehog Binary 0.0831 0.0551 Balanced, <0.1 haymenores Binary -0.1193 0.0787 Balanced, <0.1 proggob Binary 0.0220 0.0079 Balanced, <0.1 tot_integ Contin. -0.2856 0.0158 Balanced, <0.1 Balance tally for mean differences count Balanced, <0.1 14 Not Balanced, >0.1 1 Variable with the greatest mean difference Variable Diff.Adj M.Threshold escoacum -0.2096 Not Balanced, >0.1 Sample sizes Control Treated All 1894 127 Matched 127 127 Unmatched 1767 0Y finalmente el loveplot:
m.out.a[["X"]][["factor(cve_ent)"]] <- NULL love.plot(bal.tab(m.out.a), threshold = .1)
Parece haber un buen balance, aunque la educación es la única variable que no queda bien balanceada. Después del emparejamiento, las medias (estandarizadas) entre tratados y no tratados difieren en más de 0.1.
[5 puntos] Estime ahora el TOT en el ingreso trimestral, como en la parte b., pero usando un caliper de 0.05 y 5 vecinos a ser emparejados. ¿Cómo cambian sus resultados respecto a los de la parte b.?
sub.data <- data.jcf %>% dplyr::select(ingtot_tri, jcf2, mujer, indigena, cve_ent, rural, escoacum, casadounion, jefehog, haymenores, proggob, tot_integ, factor.x) sub.data <- sub.data[complete.cases(sub.data), ] m.out.c <- matchit(formula=jcf2 ~ mujer + indigena + factor(cve_ent) + rural + escoacum + casadounion + jefehog + haymenores + proggob + tot_integ, method = "nearest", distance= "glm", ratio = 5, caliper = 0.05, replace = FALSE, data = sub.data)Estimamos el efecto del tratamiento:
tt3 <- lm(ingtot_tri ~ jcf2, data = match.data(m.out.c)) #Errores agrupados a nivel subclass coeftest(tt3, vcov. = vcovCL, cluster = ~subclass)t test of coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 2135.55 372.22 5.7374 1.717e-08 *** jcf2 7155.74 699.21 10.2341 < 2.2e-16 *** --- Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Se estima ahora un efecto de 7155 pesos, menor al efecto de 7973 pesos estimado en la parte b.
Notas
Stevenson, B. & Wolfers, J. (2006). Bargaining in the Shadow of the Law: Divorce Laws and Family Distress. The Quarterly Journal of Economics, 121(1), 267-288.↩︎