

BEN OLKEN: OK, deci
doar ca să vă reamintesc
unde am fost ultima dată...
Deci vorbim despre...
în mijlocul
lucrurilor despre cum ne dăm
seama cine este sărac
pentru  programe de redistribuire.
Și despre ce vă spuneam
a fost primul experiment pe
care l-am făcut în Indonezia, privind
abordările bazate pe comunitate
pentru a identifica cine este sărac.
Deci ideea este că vor
clasifica oamenii sau orice altceva.
Deci despre ce vreau să vorbesc
este puțin despre asta.
Și apoi vreau să vorbesc despre
lucrarea de auto-țintire.
Deci un lucru pe care îl poți face este că
putem doar... Deci cum
evaluăm asta?
Care sunt rezultatele?  Așa că
doar pentru a vă reamintesc
unde eram miercuri
când am vorbit despre asta--
Miercuri, da-- am
avut un sondaj de bază
pentru a măsura adevărul.
Apoi randomizăm satele
în diferite moduri
de a identifica gospodăriile sărace.
Și apoi vrem să evaluăm
care s-au descurcat mai bine.
Deci, un
lucru simplu pe care îl puteți face este să
spuneți că putem
defini direcționarea greșită doar ca să
fie o variabilă inactivă
dacă am înțeles greșit.
Deci, dacă ești sărac și ți-am
dat programul,
este o eroare.
Dacă suntem bogați și tu...
scuze, săraci și nu ai primit
programul, este o eroare.
Rich și ai primit acel
program este o eroare.
E cam discret.
Dar poate vrem să facem
ceva diferit.
Și, în special,
unul dintre lucrurile pe care
ne-a interesat în
această lucrare a fost dacă...
încercarea de a evalua aceste lucruri
pe diferite măsurători de bunăstare.
Deci, în special, am
vrut să identificăm
ce nu numai că au
făcut mai bine la consum,
dar au făcut mai bine cu
alte măsuri alternative
de bunăstare.
Așa că am început prin a
spune consum,
din nou, că
consumul pe cap de locuitor.
Apoi am vrut să spunem, ei
bine, comunitățile,
atunci când ierarhizează
oamenii, fac o treabă mai bună
în acel sat, de a
se potrivi cu modul în care oamenii se
clasifică
reciproc în intimitatea
propriei case.
Există o
noțiune general acceptată
în acest sat despre cine este
sărac și cine nu?
Și poate asta se
potrivesc.
Poate se potrivesc cu modul în care
elitele din acest sat
se potrivesc cu oamenii.
Și celălalt lucru pe care îl
fac
este că se potrivesc --
poate că se
potrivesc cu
autoevaluarea oamenilor, cu propriul tip
de
concepții interne despre sărăcie.
Și așa am măsurat toate cele patru
lucruri la bază - toate cele patru
lucruri
de fapt la linia de bază.
Și așa am vrut să comparăm
care dintre aceste lucruri
se potrivește mai bine cu aceste
patru valori diferite de bunăstare.
Și lucrul pe care am
vrut să-l subliniez
este că o problemă este că acestea sunt
la scări foarte diferite.
Așa că am vrut să găsim
un fel de modalitate de evaluare,
așa că trebuie să punem toate
aceste lucruri într-un fel de
metrică comparabilă
pentru a ne asigura că
comparăm lucruri comparabile.
Și așa că ceea ce am făcut a fost că am
venit cu o corelație clasificată.
Așa că, în special, am luat
fiecare dintre acele patru metrici,
iar acelea
sunt aproape ordonarea
oamenilor din
sat, poate cu legături.
Deci, cum Ben este cel mai bogat
bazat pe consum,
sau Ben este cel mai bogat bazat pe...
sau cel mai fericit pe baza unui
tip de
utilitate autoevaluat sau orice altceva.
Deci toate acele lucruri
generează clasamente.
Și apoi putem calcula -
și fiecare metodă de direcționare generează, de asemenea,
un clasament complet.
Acesta a fost clasamentul din...
în acesta, este
clasamentul de pe perete
sau de pe linia de haine.
În testul mijloacelor proxy, este
scorul de venit estimat,
este și un clasament.
Și apoi, pentru fiecare dintre cele 600 de
sate din experimentul nostru,
putem calcula, putem calcula
o corelație clasificată, care
este corelația
rangurilor dintre
rezultatul țintirii și fiecare dintre
cele patru tipuri diferite
de măsurători de bunăstare.
Și așa m-am gândit că a
fost... este un pic
neobișnuit pentru că a
trebuit să ne gândim
cum să luați aceste lucruri
și să le puneți la o scară comună?  Așa
că vom ajunge să
creăm în esență de 600 de
ori 4 corelații de rang diferite,
deoarece există
4 metrici diferite de bunăstare
și 600 de sate.
Deci vor exista 2.400 de
corelații de rang diferite.
Și apoi vom regresa
pentru fiecare măsurătoare de bunăstare diferită,
această
corelație de rang în sine în funcție de
metoda de direcționare utilizată.
Deci încercăm
să prezicem care... a
generat această metodă
o corelație de rang mai mare?
Deci este puțin neobișnuit, pe
care am vrut doar
să-l descriu în detaliu.
Și deci ce găsești?
Ei bine, pe de o parte,
descoperiți că metoda comunității a
făcut mai multe erori.
Așadar, aceasta regresează
cam ca această manichină
de direcționare greșită, bazându-se pe
ipoteză pe comunitate
și hibrid -
nu voi vorbi
prea mult despre hibrid -
și predominant un
fel de oameni
aproape de mijlocul
distribuției.
Dar, pe de altă parte, dacă te
uiți la cele 4 ranguri diferite --
dacă treci la
acest tabel în care
regresez
corelațiile celor 4 ranguri
pentru diferite
tratamente, ceea ce
poți găsi este că
într-adevăr este în
concordanță cu ceea ce
tocmai am făcut.  V-am arătat,
corelația de rang
între ceea ce
este produs prin direcționare
și bunăstarea de bază
este mai mică dacă folosim consumul
ca bunăstare de bază
în tratamentul comunitar.
Dar este mai mare la
practic orice altceva.
Deci, nu este doar faptul că
aceste comunități
sunt ca și cum ar fi
greșit în mod sistematic sau sunt total
capturate de elite sau orice altceva.
Nu, ceea ce se întâmplă de fapt
este,
cred, în opinia mea,
cea mai bună evaluare, cel
mai bun lucru care se
întâmplă este că există
unele noțiuni locale
despre ce este sărăcia
în acest sat, care este
foarte corelată cu venitul, dar nu este
perfect corelat
cu veniturile.
Și când le spui comunităților
să-ți spună cine este sărac,
asta primești.
Și, în special,
înțelegeți
că este foarte corelat cu...
ceea ce avem în comunități este
foarte corelat cu ceea ce ați
obține dacă întrebați
oamenii despre cine
este sărac și cine este
bogat în intimitatea
propriei case.
Și este, de asemenea, corelat cu...
același lucru dacă îi ceri
șefului de subsat,
șefului de cartier,
să facă același lucru.
Este foarte corelat cu asta.
Este, de asemenea, destul de
puternic corelat
doar cu propria
sărăcie autoevaluată.
Aceasta este doar o scară pe scară.
Pe o scară de la 1 la 6, unde 6
este cei mai bogați oameni din societate
în 1 este cel mai sărac,
unde te pui,
acel lucru generează ranguri.
Și ceea ce obțineți din
tratamentul comunitar
este cu 10 puncte procentuale
mai corelat cu acel lucru
din comunitate.
Așa că se pare că
înțelegi
un fel de
măsură diferită a bunăstării.
Așa că cred că este destul de
interesant că poate
aceste valori diferite ale
bunăstării locale,
și asta este ceea ce ați
înțeles aici.
Și celălalt lucru pe care îl
voi menționa
este că tuturor comunităților le place mult mai bine
această abordare bazată pe comunitate
.
Deci, o altă întrebare este aceasta -
și am măsurat
acest lucru în două moduri -
una este doar o
satisfacție generală.
La fel ca într-un sondaj online,
sunteți mulțumit de modul în care
a fost făcută direcționarea
în acest sat?
Mult mai mulțumit de
tratamentul comunitar?
Celălalt lucru este să
le arătăm lista
și să spunem, iată lista.
Ne-a fost dor de cineva?  Ar
trebui adăugat cineva?
Și fac mai
puține modificări în listă.
Așadar, se pare că într-
adevăr a preluat un
fel de
măsurătoare a bunăstării locale
și sunt mult mai
mulțumiți de ea.
Deci, în general, un fel de idee
al acestei lucrări cred că este că
comunitatea are o oarecum-- am
început prin a
proiecta de fapt întreg acest
proiect ca-- ne-am
gândit că este un
compromis între o
captare a scurgerilor și informații mai bune.
Asta a fost decizia.
Dar, de fapt, a apărut al
treilea lucru la care
nu ne
așteptam cu adevărat,
care era într-adevăr despre
această măsurătoare diferită.
Și cred că de
fapt asta cred că
este cel mai important lucru.
Deci nu găsim
practic nicio captură de elită.  Am
făcut tot acest
efort de a măsura elitele
după cine este conectat
cu șeful satului
și cine sunt membrii familiei cui.
Și așa că nimic din toate acestea nu
pare să conteze.
De fapt, arătăm că
există informații locale
despre consum.
Au
informații suplimentare pe care
guvernul
nu le are.
Dar ei tind să
facă ceva puțin
diferit.
OK, deci aveți întrebări
despre asta înainte de a trece
la următoarea lucrare?
Bine, deci cred că
concluzia este că,
dacă doriți să utilizați
numărul de sărăcie, să
minimizați
numărul de sărăcie, poate ați
dori să utilizați
abordarea bazei de date.
Dar dacă scopul tău este
să maximizezi utilitatea
și crezi că
utilitatea socială este
o funcție a
utilităților individuale
și crezi că
asta captează,
atunci această abordare
ar putea funcționa mai bine.
Deci, lucrarea pe care ați
citit-o pentru ultima oară și
că vreau să petrec destul de
mult timp -- despre care se va
vorbi și pe
site-ul cu probleme
este această lucrare despre auto-țintire.
Deci care este ideea?
Așa că ideea se
întoarce la această lucrare
a lui Nichols și Zeckhauser,
care este că... ceea ce spun ei,
spun ei sau ofertele pot fi
folosite pentru a-i viza pe cei săraci.
Și ce vor să spună prin asta?
Ei bine, iată un exemplu.  Să
presupunem că trebuie să așteptați
într-o coadă foarte lungă
pentru a obține indemnizații de șomaj.
Și poate să presupunem că
biroul de șomaj
este deschis doar de la 9:00 la 3:00
în mijlocul zilei de lucru.  Ce va
face asta?
Asta
nu va fi foarte costisitor...
Adică este costisitor pentru
toată lumea pentru că nimeni nu vrea
să stea la coadă pentru
alocațiile de șomaj.
Dar este diferit de costisitor
pentru șomeri față de cei angajați,
deoarece șomerii
nu
au prea multe de făcut între
9:00 și 3:00 într-o zi de lucru.
Adică au
alte lucruri pe care ar
prefera să le facă, dar nu
trebuie să meargă la un loc de muncă
pentru că sunt șomeri.
În timp ce angajații ar
trebui să piardă o zi de muncă
pentru a face asta.
Așa că va
fi diferențial -
deci ideea este că această
idee că trebuie să vă
prezentați o dată pe săptămână
pentru a vă verifica
indemnizațiile de șomaj pentru a vă recertifica șomajul

va
verifica diferențial
între persoanele care
sunt cu adevărat șomeri
și persoanele care nu sunt.  .
Și-- o secundă--
și dezavantajul
acestei abordări
este că impune un cost
șomerilor, care
este, în principiu, credeți că
acest cost este doar un
fel de pierdere totală.
De parcă nu vrem să fim nevoiți să-i punem pe

șomeri
să facă asta.
Singurul beneficiu este
costul screening-ului.
Deci, modul de a gândi la
acest lucru este, pe de altă parte,
dacă putem exclude
destui oameni care nu au nevoie,
am putea lua toate acele
economii și am putea oferi
șomerilor cu adevărat ceva mai mult.
Deci, ar putea fi de fapt
benefic pe net
dacă te poți gândi la
asta prin faptul
că poți să
crești transferurile pe care le
oferi celor cu adevărat nevoiași.
Dar impune costuri.
Da, [INAUDIBIL].
PUBLIC: Ei bine,
spuneam că acest lucru nu-i
vizează tocmai pe cei săraci, nu?
Acest lucru vizează doar oamenii
cu costuri reduse [INAUDIBIL]
ale timpului, ceea ce dacă...
BEN OLKEN: Corect.
AUDIENTĂ: Deci dacă ai fi...
nivelul tău de venit ar fi același
cu nivelul venitului altcuiva,
dar nu ai avut
atâta avere ca ei,
ar putea fi...
BEN OLKEN: Corect,
da, da, da, da.
Deci corect.
Ține minte idea.  Ei
bine, acesta este...
da, deci acesta este
să vizeze prestațiile de șomaj.
Deci, aceasta încearcă în mod explicit
să vizeze oamenii care nu sunt.
Acesta, acest exemplu
încearcă să vizeze
oamenii care sunt șomeri.
Deci, cred că acel exemplu
funcționează destul de bine.
Dar cred că ai perfectă
dreptate că întrebarea generală
ori de câte ori ai
astfel de mecanisme
este, țintește
lucrul pe care îl dorești sau nu?
Și voi vorbi
despre o grămadă de motive
pentru care asta ar putea sau nu să
funcționeze în practică.
Alte intrebari?
OK, deci iată o versiune de bază
a modelului.
Așa că imaginați-vă că...
acum, în acest exemplu,
aceasta este acum din lucrarea noastră.
Dar acesta este cazul de bază
în care trebuie --
trebuie să mergem pe jos -- să mergem
ceva -- să parcurgeți o anumită distanță
pentru a solicita beneficii.
Iar lucrul pe care
încercăm să-l analizăm
este
costul de oportunitate al timpului.
Așa că imaginați-vă că costul
va fi oarecum -
așa că, practic, oamenii
care sunt mai bogați
își imaginează că au un
cost de oportunitate mai mare al timpului,
deoarece salariul lor este mai mare.
Așa că imaginați-vă că aceasta este o
singură dimensiune, unde
este salariul dvs.
Așadar, în acest caz,
dacă ați avut o apropiere --
nu trebuie să mergeți
foarte departe, costul
va fi în scădere
a consumului.
Dar vor avea o pantă mai descendentă
a consumului
dacă măresc distanța,
deoarece timpul pe care
trebuie să-l petreci
mergând acolo sau orice altceva,
deoarece asta va fi
proporțional cu salariul tău.
Și asta înseamnă a impune
un cost pentru toată lumea.
Deci iată
totul acum, dar ar
trebui să fie diferențiat
pentru săraci sau bogați.
Și, prin urmare, cine
va apărea se va
deplasa la stânga.
În acest exemplu,
toți... oamenii
vor apărea dacă se află
peste această linie.
Prin urmare, creșterea
costurilor în acest fel
vă va aduce o
direcționare mai bună.
Acum, de fapt, este mai
complicat decât atât
din o grămadă de motive.  Cred că
ați
menționat un fel
de ele, și anume că poate
lucrul pe care îl vizați este...
ceea ce doriți să vizați, să
zicem, este poate bogăția.
Și ceea ce vizați de fapt
este un fel de salariu.
Și acestea pot să nu fie
perfect corelate.
Deci acesta este un exemplu.  Își
amintește cineva
alte exemple despre care
vorbim din alte motive pentru care
aceste lucruri pot fi sau nu
la fel?
Da.
PUBLIC:
Costuri diferite și ajungerea acolo,
ca să ai o mașină.
BEN OLKEN: Corect, deci s-ar putea
ca acest calvar să fi fost pregătit
pentru a ne imagina
mersul tuturor,
dar de fapt avem
diferite moduri de a face față
calvarului.
Deci poate putem conduce.
Poate dacă ești cu adevărat
bogat, poți angaja pe cineva care să
stea la coadă pentru tine.
Puteți plăti un agent să
facă acest lucru pentru dvs.
Și așa ca de fapt,
poate că bogații
au modalități de a
anula această încercare.
Alte lucruri?
Deci cel care ne
îngrijora cu adevărat
a fost acesta,
de fapt, ceea ce se
întâmplă dacă ai o
utilitate cu adevărat concavă într-o zi de
salariu, de exemplu.
Și asta de fapt... când
testam asta pilot,
nu era evident ex ante că
va funcționa.  Cu
siguranță ne-am
gândit că ar putea funcționa,
așa că de aceea am făcut-o.
Dar existau motive
să cred că s-ar putea să nu.
Și singurul lucru pe care l-am auzit
din unele rapoarte calitative
este că unii oameni au spus,
uite, nu pot face asta,
nu pot să apar pentru o zi,
chiar dacă sunt
vreo 1.000 USD de beneficii
aici, în NPV.  termenii
de la prezentarea mea în
aplicarea pentru acest program.  O să
pierd o
zi de muncă dacă fac asta.
Și asta va fi...
practic, ceea ce câștig în
ziua aceea este ceea ce mănânc în ziua aceea.
Deci, practic, va trebui să

rămân fără mâncare pentru o zi.
Așa că este foarte costisitor
pentru mine să aplic pentru asta.
Adică aș putea să o fac,
dar este super costisitor.
În timp ce, să zicem, pentru oamenii mai bogați
, ei nu aveau asta.  Poate ar putea
netezi
asta, de exemplu.
Deci s-ar putea ca
deși acesta precedent a fost
din punct de vedere al venitului, venitului net.
Dar dacă încep să pun
utilitatea concavă,
dacă chestia este
super concavă,
atunci de fapt faptul
că aceasta este deplasată în jos
este de fapt de ordinul întâi,
ar putea fi cu adevărat important,
pentru că de fapt acești oameni
ar putea pierde
mult din utilitate aici.
Și deci dacă pun
utilitatea concavă, poate că lucrul
arată așa, de
exemplu, pentru că aici
avem-- această parte,
avem efectul standard pe care l-am
avut înainte.
Aici avem
efectul că utilitatea este
super duper concavă aici.
Și acești oameni pur și
simplu se confruntă cu --
chiar dacă poate este o
pierdere mai mică a veniturilor utilității,
este o pierdere mai mare a
veniturilor utilității.
Și astfel, în acest exemplu,
de fapt, poate ceea ce se întâmplă
este că aveți oameni care
aplică schimbarea sau orice altceva.
Deci nu este evident.
Și, de asemenea, despre cum ați
vorbit voi băieți, a
existat un exemplu de poate
schimbați, un fel
de tehnologii de comutare.
Deci, poate, de exemplu, bogații
au tehnologii diferite.
Și pe măsură ce costul crește, ei
schimbă modul în care ajung acolo.
Deci, scopul a fost
să spunem că de fapt...
primul punct pe care cred că
vrem să îl spunem este că, uite,
această idee de Nichols Zeckhauser
este o idee bună în teorie,
dar nu este ex-ante
total evidentă.
Și acestea sunt lucruri pe care am
vrut să le testăm empiric
în date.
Al doilea lucru a fost...
și din nou, acesta este, de asemenea, o
parte a procesului nostru de învățare
în scris, în
realizarea acestui proiect.
Când ne-am propus
să facem această lucrare,
ceea ce eram îngrijorați
erau chestiile astea.
La fel am avut
în vedere motivele pentru care s-
ar putea să nu
funcționeze sau lucrurile
care ar putea fi cu adevărat importante.
Ceea ce ne-am dat seama ex
post după ce am scris
lucrarea este că a
existat un alt factor,
care a fost foarte important, despre
care se referă lucrarea, și anume

că, în contextul pe care îl vom
studia, despre ceea ce
ați citit a fost că
nu este  doar că
faci chestia asta
și obții
cu siguranță beneficiul.
Ce se întâmplă este că
faci chestia asta.
Și apoi obțineți ceva stocastic
ca... obțineți beneficiul
cu o oarecare probabilitate.
Și probabilitatea este
testul mijloacelor proxy
despre care am vorbit data trecută.
Și așa, în exemplul de
aici, după ce s-au prezentat
și au solicitat beneficii, ei
încă te testează prin mijloace proxy.
Și poți să o primești sau nu.
Și așadar, pe lângă costul
și beneficiile aplicării,
trebuie și să prognozați, cum ar
fi probabil să primesc acest lucru
sau nu?
Și o să
ții cont de asta.
Și asta va adăuga o
altă complicație
modelului, și anume că
gospodăriile sofisticate
vor--
și există două
moduri diferite de a modela acest lucru.  În primul rând, este

posibil să înțeleg pe deplin ce

va face guvernul,
caz în care, de fapt,
nu există prea multă incertitudine.  S-
ar putea să existe încă puțină
incertitudine, dar nu multă.
Și apoi celălalt
caz este, ei bine, poate că
nu înțeleg ce
va face guvernul.
Și în acest caz, este destul
de interesant să spun, uite,
dacă sunt...
și de fapt este
destul de rezonabil, adică
tu spui,
uite, îmi cunosc venitul.
Am o oarecare idee despre ceea ce li se poate întâmpla
altor persoane cu nivelul meu de venit

.
Dar nu prea
înțeleg detaliile
a ceea ce face guvernul
cu acel test de mijloace proxy.
Și acest lucru este destul de plauzibil.
E ca și cum cel puțin unul
dintre voi în comentariile voastre a spus
, ei bine, poate ar
trebui să știe.
Dar cred că este cel
puțin plauzibil
că ei nu
știu neapărat exact ce se întâmplă.
Și asta înseamnă că...
deci dacă asta se întâmplă.
Dacă se întâmplă acest lucru sofisticat
,
acesta este totuși util
pentru guvern,
deoarece trebuie să se
deranjeze să filtreze oamenii care
oricum nu o vor primi.
Dar acesta este
acum cu adevărat valoros,
deoarece îmi iau
decizia dacă
aplic sau nu în funcție de
yul meu real, venitul meu real.
Dar guvernul... și
asta include partea din
venitul meu pe care
guvernul o respectă
și partea din venit pe care
guvernul nu o respectă.
Așa că iau
decizia incluzând
informațiile mele neobservabile
și, făcând acest lucru,
dezvălui guvernul
acele informații despre aceasta
.
Și astfel guvernul
obține mai multe informații,
într-un anumit sens,
prin această decizie.
Și asta
credem că este util aici.  Așadar,
doar pentru a vă arăta cum
arată asta,
deci asta se întâmplă dacă
tragem în date,
așa că în lucrare, știm
scorul dvs. de consum de bază.
Și în sondajul nostru de bază
, am colectat, de asemenea,
toate
variabilele care sunt
utilizate de guvern pentru
screening-ul de testare a mijloacelor proxy.
Și astfel putem reproduce
screeningul prin proxy înseamnă testare.
Putem calcula
scorul dvs. de proxy înseamnă test
așa cum l-ați fi observat.
Să presupunem că știi
formula guvernului
și știi adevărul despre tine.
Putem spune, care este
scorul tău de proxy la test?
Și apoi putem spune pentru cei
care s-au prezentat efectiv, au

beneficiat sau nu?
Aceasta ar trebui să fie o
funcție pas, nu?  Te-ai
gândi.
De fapt,
pragurile au fost puțin
diferite în fiecare provincie.  De
aceea
există linii diferite.
Deci ar trebui să fie ca și cum ar fi funcții în șase trepte, au
fost șase...
scuze, fiecare district,
șase districte.  Ar
trebui să existe șase
funcții pași în acest grafic.
De ce nu există
funcții în șase pași?
Pentru că atunci când
guvernul intră
măsoară cele patru
variabile ale tale sau poate
o mică
eroare de măsurare
în comparație cu momentul în care măsurăm
cele patru variabile diferite.
Deci nici măcar chestia asta
nu este perfectă.
Dar este destul de abrupt.
O secundă, pe de altă
parte, dacă reprezentăm același lucru în
raport cu venitul tău total
sau consumul tău total,
este încă în pantă descendentă,
dar este mult mai plat.
Și asta surprinde doar
faptul că nu
știu pe deplin, încă --
dacă știu -- deci asta
înseamnă doar,
ce deduc despre
probabilitatea mea de a obține beneficii
dacă sunt, să zicem, aici jos față de
amabil  de aici sau orice altceva.
Și este încă în pantă descendentă
, dar nu este la fel de
plat pentru că
guvernul-- se bazează
pe această componentă neobservabilă.
Și componentă observabilă,
nu prevăd pe deplin asta.
Îmi pare rău.
Cineva avea mâna sus.
Da, [INAUDIBIL].
PUBLIC: [INAUDIBIL] proiectarea
unui experiment ca acesta,
cât de mult te gândești
la lucrarea teoretică la
care ai făcut referire
la început?
BEN OLKEN: Cel de la Nichols
și Zeckhauser?
PUBLIC: Da, cât de mult
te gândești doar
la contextul local?
BEN OLKEN: Ne-am gândit în totalitate
la
lucrările lui Nichols și Zeckhauser.
Deci și un context local...
Adică, ambele.
Cred că... ne
gândeam la
ziarul Nichols și Zeckhauser.
Și de aceea, în mod
intenționat, nu numai...
Așa că ne-am dat înapoi...
Deci ce făceam?
Așa că făcând un pas, mult înapoi... am
făcut prima lucrare.
Și am prezentat
rezultatele guvernului.
Și au spus, asta e
destul de interesant.  Se
pare că acest
lucru de îmbunătățire a direcționării
are un anumit potențial.
Dar ai făcut-o înainte
într-un
mediu cu mize mici.
Am dori să încercați câteva
lucruri într-un mediu real
acum și să vedeți ce funcționează de fapt.
Deci întregul... așa că mai întâi
am făcut mici piloți.
Apoi am făcut-o într-un fel de
mediu cu mize mici.
Atunci au fost
suficient de intrigați.  Au
spus să facem asta într-
un mediu cu mize mari.
Și, în special, au
spus că
extindem programul de
transfer condiționat de numerar
la nivel național,
sau nu la nivel național,
la o grămadă de noi zone.  Au
spus că sunt 600 de
sate care nu au
primit programul până acum.
Și am dori să testați
în acele 600 de sate
trei abordări diferite
pentru a face țintirea pentru a vedea
care dintre ele va funcționa cel mai bine
pentru a ne informa viitoarele decizii
.  Deci, de
aceea am putut
face asta pentru o miză mare,
cum ar fi pentru programe reale,
deoarece guvernul
a vrut să înțeleagă
ce se va întâmpla.
Deci, de fapt, există
o a treia parte
din asta, pe care nu
cred că am analizat-o aici,
dar am scris-o într-un
raport, în care de fapt
reproducem versiunea
tratamentului comunitar în
alte 200 de sate și
arătăm că arată
destul de asemănător,  nu exact
la fel, dar destul de asemănător.
Asta nu este pe această lucrare pentru că
noi nu... nu așa am
scris această lucrare.
Dar așa cum am făcut noi...
de fapt,
erau 600 de sate.
200 dintre ei merg la replicarea
chestiei comunității.
Celălalt lucru pe care l-am spus
guvernului a fost, uite,
există ideea că poate
aplicația la cerere -- așa o
numesc ei
în sfera politicii --
vă poate ajuta atât să
reduceți eroarea de includere,
cât și eroarea de excludere.  Ei
bine, pot reduce
eroarea de includere,
incluzând în mod fals pe cei bogați.
Este exact pentru argumentul
auto-screening și
auto-selecție.
Așa că am avut în vedere.
De ce ar putea
reduce eroarea de excludere?  Asta pentru că
, dintr-un motiv cu totul --
acesta este un motiv de context local
, care este,
practic, -- dar cred că de
fapt este de fapt
destul de adevărat din punct de vedere generic, și anume că
încerci să mergi din ușă în
ușă și să-i găsești pe toți,
dar îți este dor de unii oameni.
Și în special,
oamenii săraci, pentru că
trăiesc la margine -- de multe ori
trăiesc la marginea societății
și la marginea
satului, sau poate că
nu sunt pe ecranul radar al tuturor
, s-ar putea să-i fie dor.  Prin
urmare, deschiderea unui
proces de aplicare la cerere
permite oamenilor să se facă
cunoscuți.
Deci piesa aceea a fost un fel
de piesă din lumea reală.
Deci am avut în minte atât o teorie,
cât și genul
de piesa din lumea reală.
Dar am mai spus,
uite, există
motive pentru a testa acest lucru
înainte de a-l extinde la nivel
național, deoarece, din
motivele despre care vorbeam,
poate săracii nu vor
putea face asta.
Poate că vor fi prea ocupați.  De
aceea, vrem să-l testăm
și să vedem dacă va funcționa.
În ceea ce privește
teoria, cred că am
avut acest
tratament apropiat versus departe,
în care am variat în mod explicit
măsura, distanța pe care
a trebuit să o parcurgeți.
Și asta s-a bazat în mod explicit
pe această idee teoretică
că mai mult -
că a face încercarea
puțin mai dificilă
ar trebui să îmbunătățească screening-ul.
Și asta am
vrut să testăm.
Așadar, acea aplicație aproape versus departe--
așa că aplicarea la cerere
a fost un fel de lucru
de care erau interesați în general.
Dar acest
tratament aproape versus departe
a fost conceput în mod explicit
din teorie.
Acum, nu aveam
modelul complet scris aici.
Și asta a venit după.
Așa că vreau să spun că o parte
a venit în paralel.
Dar... și a fost...
permiteți-mi să amân
puțin partea modelului până
când ajung la partea modelului.
Vreau să vorbesc
despre asta într-o secundă.
Dar asta oferă un
pic de fundal?
Și dar cred că,
în măsura în care,
puteți avea o teorie
în minte în timp ce vă
proiectați
experimentele, cu atât mai bine
pentru că sunt
lucruri pe care le veți face și care vor
fi mai precise.
Faci lucruri care sunt
mai precise.
Și în special, de fapt, una
dintre provocările empirice -
de fapt, a apărut legat
de unul dintre comentariile tale,
uit care dintre ele.
Dar unul dintre lucrurile
pe care le-am găsit de fapt, în
care aveam o
idee teoretică în minte, și anume,
uite, vrem să
avem de fapt aceste teste
dacă aceste încercări
îmbunătățesc screening-ul.
Se dovedește că,
de fapt, impunerea unor
calvaruri oamenilor
fără niciun motiv întemeiat
decât screening-ul este
ceva ce cred că
este contrar naturii umane.
Și așa am avut această problemă-- am
avut această situație
care s-a întâmplat
în lumea reală, cum ar fi tot
felul de organizare spontană
în teren pentru a
ușura încercarea oamenilor.
Deci, de exemplu, oamenii ar
fi ca, oh, ești la coadă.
Ești numărul 74 la rând.
Iată un mic
chip care este la 74.
Vă puteți întoarce mai târziu
când este rândul vostru.
Sau oh, sunt atât de
mulți oameni la coadă.
Linia este atât de
lungă, de ce nu ne
place să împărțim acest sat
în patru subsate
și să vină cartierul unu
în ziua de azi, cartierul
doi să vină astăzi,
numărul trei să vină astăzi
și cartierul patru
să vină astăzi, pentru a face  ar fi
mai puțin costisitor pentru oameni.
Deci, cred că asta este de
fapt... este
bine în sensul că este
un mare impuls faptul
că oamenii încearcă să
ușureze viața tuturor.
Îngreunează
testarea unora
dintre aceste idei teoretice.
PUBLIC: Deci
ai asta în minte.
BEN OLKEN: Exact.
Deci motivul este...
motivul pentru care am menționat
că acesta a fost
lucrul pe care am încercat să-l
înțelegem, a fost important
să monitorizăm aceste probleme
și să le ținem evidența.
Și așa cum am spus, punctul pe care
vreau să-l subliniez aici
este că scopul aici este
că, deși
impuneți costuri
oamenilor, obiectivul este că
dacă puteți elimina în mod diferențiat
suficient de cei care nu sunt săraci,
puteți câștiga suficient de
mari.  sume în transferuri pe care de
fapt le puteți
oferi mult mai multe beneficii
ex-post celor săraci.
Deci, chiar dacă impuneți
aceste costuri în
partea de screening, poate fi
extrem de benefic
pentru cei săraci,
deoarece costurile
legate de program sunt--
costurile sunt, să
zicem, nu știu, doar o
jumătate de zi de salariu.
să stea acolo.
Și puteți obține
1.000 USD în program.
Deci, dacă putem...
peste 150 de dolari pe an timp de șase ani.
Deci, dacă poți elimina o grămadă
de oameni bogați și economisi toți
acești bani, există o uriașă -- îți
poți imagina cu ușurință că aceasta ar putea
fi --
și folosești acești bani pentru a
crește dimensiunea beneficiului.
Ai putea face din acesta un
program substanțial mai bun
pentru cei săraci, chiar și
cu aceste costuri.
Deci este important
de reținut.
Acesta este motivul aici,
este impunerea acestor costuri
pentru a îmbunătăți screening-ul, ceea ce
poate face programele
mai bune pentru toată lumea.
Alte intrebari?
OK, deci cum funcționează modelul?
Așa că permiteți-mi să spun... da, permiteți-mi să
spun încă un lucru
înainte de a intra în
detaliile modelului.
Acesta este un exemplu în
care cred că am
învățat multe de la model.
Și în special, ar
putea fi un exercițiu distractiv.
Nu știu dacă mai am.
Dacă prima schiță a scrisului
scris al acestei lucrări
nu a fost așa,
nu a evidențiat acest întreg,
ca și cum aș fi prognozat
lucrul lambda.
Ne-am gândit că această lucrare a fost
mult mai mult despre
tipul de bază Nichols și Zeckhauser de
screening și
costurile de oportunitate.
Și ne-am uitat la faptul, ei au
spus, oh, uite, sărac versus-- aproape
versus
departe, pare că
face un pic
de screening, pare
că totul se întâmplă.
Și chiar am crezut că
această lucrare era despre asta.
Și abia după ce am
notat
și am încercat să calibrăm
un model din asta, am
realizat că
acele lucruri, acele forțe
erau
prea mici din punct de vedere cantitativ pentru a explica
felul de magnitudine ale
lucrurilor pe care le primim.
Și această altă forță
părea să
conducă într-adevăr lucrurile.
Deci, dacă comparați un fel de
prima noastră schiță de diapozitive de
pe această lucrare, chiar și odată ce am văzut
rezultatele în sine, vizând un
fel de direcționare îmbunătățită cu
mult, am avut o teorie simplă.
Am explicat de ce ar putea fi.
Și s-a bazat pe această
idee de Nichols și Zeckhauser.  Am
avut rezultate care spuneau că
auto-țintirea funcționează.
Și face chestia asta.
Dar până când am notat efectiv
și am estimat modelul,
nu ne-am dat seama că acele
efecte despre care vorbeam
, unde
erau calitativ
în direcția corectă, nu erau suficient de
mari cantitativ.  Așa
că a fost un exemplu
în care cred că am
învățat de fapt multe și
ne-am schimbat părerile
și ceea ce a însemnat cu adevărat lucrarea,
parcurgând acest exercițiu
și încercând să cuantificăm
unele dintre chestii.
Așa că am vrut doar să
menționez și asta.
Deci care este modelul?
Deci, în fiecare perioadă,
gospodăriile obțin o utilitate
din consumul x.
Preferințele sunt
separabile suplimentar în utilitatea lor prezentă
și viitoare -
delta factorului de reducere.
Venitul lor de flux
este y în fiecare perioadă.
Nu există economii.
y0 este cota observată
de guvern.
Deci vom calcula--
y0, putem calcula
asta ca și înainte, deoarece
știm testul mijloacelor proxy.
Deci y este consumul tău.
y0 este un proxy înseamnă
consumul estimat de testare.
Și yu,
partea neobservabilă, este y minus y0.
Așadar, gospodăriile decid
dacă se înscrie sau nu,
echilibrând costurile față de
reducerea așteptată a beneficiilor.
Deci costul
înscrierii este c din l y, unde
l este distanța până la
locul unde trebuie să vă înscrieți
și y este venitul dvs.
Dar vom modela asta
ca fiind proporțional cu salariul tău
și poate cu modul în care ajungi acolo.
Pentru
gospodăriile sofisticate, veți
spune că primesc beneficiul
B cu probabilitatea mu de y0,
unde acesta este mu.
Așa că
le vom oferi credințe corecte.
Și pentru
gospodăriile nesofisticate,
când se ridică, o primesc
cu probabilitatea lambda de y,
care este chestia asta de aici.
Deci oamenii mu...
oamenii sofisticați
cunosc curba abruptă.
Și cei mu doar știu--
[INAUDIBIL] celălalt.
Și există o măsură de șoc de utilitate
, care este f de epsilon.
Deci, care este beneficiul meu așteptat
de la apariție?  Ei
bine, pentru
cei sofisticați,
este doar costul
apariției plus
beneficiile așteptate de a obține
programul folosind un fel de
mu, cel adevărat.
Și pentru cei naivi
e același lucru,
dar folosind
chestia cu lambda acolo.
Și ne vom imagina că
ponderea alfa a gospodăriilor
este sofisticată.
1 minus alfa
nu sunt sofisticate.
Și ultimul
lucru, care este doar
un mic detaliu tehnic, dar
în lucrare este acest lambda--
acest lucru mu este doar o
funcție brută a
tehnologiei guvernamentale de bază.
Lambda este de fapt un
fenomen de echilibru,
deoarece depinde de cine
apare de fapt în persoană.
Deci, există o condiție - există
un fel de integrală I nu --
cred că este ecuația 8 -
există o integrală în
lucrare care, practic, afirmă
că mii de
credințe raționale în echilibru doar
pentru a închide modelul.
Deci, ce a fost...
OK, deci acesta este modelul.
Deci, care a fost experimentul?
Deci am avut 400 de
sate care au făcut asta.
Acest program a fost doar...
aceasta este o constrângere
cu care lucrăm.
Acesta este un program destinat celor
foarte, foarte săraci.
Deci, acesta este guvernul
țintește pentru cei 10% de jos
din populație în ceea ce privește...
Și astfel, în sate, au fost
randomizați în testele de mijloace proxy
sunt auto-țintite.
Și auto-țintirea este că ai trebuit să
mergi la auto-țintă--
modul în care funcționează auto-țintirea este că te-ai
dus la locul central de întâlnire
și ai spus că
vreau să aplic.  Să
aștepți la o coadă.
Și apoi
numărătorii guvernamentali ți-au cam
luat toate informațiile, le-au pus
într-un computer.
Și apoi dacă... modul în care a
funcționat a fost dacă răspunsurile tale spun că
ești afară, atunci ești afară.
Dacă răspunsurile dvs. spun că sunteți în prag
și guvernul are date
înainte care spun, de asemenea, că sunteți...
din sondajul anterior vizat,
care spune, de asemenea, că
sunteți în prag și nici măcar nu aproape
de prag,
atunci vă aflați. Dacă
sunteți aproape deloc sau dacă
guvernul nu are date despre dvs., de
fapt fac o
vizită pe teren pentru a verifica dacă pur și
simplu nu inventați lucruri.
Și am menționat că am variat
distanța până la
site-ul aplicației.  A
existat, de asemenea, un tratament
în care am variat
costul de oportunitate al aplicării,
solicitând de fapt
ca ambii soți să apară în
același timp, ca o modalitate de a varia
costurile de oportunitate.
Acela, dacă îmi
amintesc bine,
a trebuit să introducem excepții
în caz, pentru că, în mod rezonabil,
cum ar fi ce s-ar întâmpla dacă
soțul tău ar fi cam afară...
asta este de fapt ceea ce am
învățat în procesul pilot.
Oamenii spun, ei bine, ce se
întâmplă dacă soțul meu este plecat
din oraș?
Ca și cum nu ar trebui să mi se refuze
beneficiile programului.
Și bineînțeles că este corect.
Așa că trebuia să existe
un proces de excepție,
spunând că șeful satului
sau orice altceva,
șeful cartierului ar putea semna o scrisoare prin care să
spună că soțul tău
lucrează în
altă parte și nu poate veni.
Și cred că de fapt, acesta
nu a făcut prea multe în practică
pentru că, practic, oricine al
cărui soț nu a putut veni,
putea primi această scrisoare.
Deci, nu cred că a
făcut
o diferență atât de mare în
ceea ce privește costul de oportunitate real
.
Deci, de aceea, nu o analizăm la fel de
mult în lucrare.
Așa că vom
investiga cine s-a înscris,
îi vom compara cu
PMT-ul experimental
și vom estima
structural modelul pentru a dezvălui
aceste mecanisme.
Deci aceasta este
probabilitatea de a apărea
în funcție de
consumul dvs. pe cap de locuitor.
Deci, deoparte, în lucrare,
vorbim despre regresii Fan
sau regresii neparametrice.  A
mai văzut cineva astea?
Are cineva idei?
Primul punct este să
clarific o confuzie
de când eram student.
Aceștia nu sunt fani așa
, ca un fan ca și tine.
Acesta este ca domnul Fan.
Așa că clarifică asta, clarifică
ani de confuzie din partea mea.
În al doilea rând, ce este asta?
Deci acestea sunt practic
regresii locale.
Deci, practic, ceea ce
faci este să presupunem că
ai o
variabilă x aici
și că ai un
nor de rezultate asemănătoare.
Și dacă pui o linie
prin chestia asta,
va arăta așa.
Și nu este chiar
ceea ce vrei să surprinzi.
Deci doriți să
rezumați acest lucru
într-un mod neparametric.
Deci, ceea ce fac aceste regresii
este că spun pentru fiecare punct, să
ne împărțim axa x
în 100 de binsuri egale,
să spunem doar, indiferent,
un anumit număr de bins.
Și pentru fiecare coș,
vom începe de aici.
Și vom
rula o regresie
în care fiecare punct
este ponderat
pe baza distanței de la acest coș.
Și există greutăți diferite.
Greutatea pe care o utilizați
se numește sâmburi.
Deci există nuclee diferite.
Deci unul simplu este un
nucleu triunghiular, care
de exemplu arată așa.
Deci, ceea ce vom face
aici este să mergem aici
și vom rula o
regresie locală în care acest punct este
ponderat mult, iar acesta
este cântărit puțin,
iar acesta este cântărit
puțin și așa mai departe  .
Și vom obține o pantă
care arată așa.
Și apoi vom face asta
pentru fiecare dintre aceste 100 de puncte,
așa.
Și apoi vom conecta punctele.
OK, deci asta este.
Deci, în theta, l poly face asta.
Sunt sigur că există o versiune r
care face și asta.
Dar mă întâlnesc cu mine pentru că
știu această comandă de date, nu
comanda r.
Și am vrut doar să
menționez asta pentru că cred că
acestea sunt foarte drăguțe.
Și apoi puteți
bootstrap, apropo,
pentru a obține intervale de încredere.
Deci am vorbit
despre bootstraps?
Da?
În regulă, asta e...
Mi se pare foarte drăguț pentru că
rezumă datele
în moduri puțin
greu de văzut cu nori de puncte,
mai ales pentru că, dacă aceasta este
o variabilă binară, dacă încerci
să reprezentați acest
lucru ca o împrăștiere,
nu arata asa.
Chiar dacă acesta este un
binar -- dacă trasezi acest lucru
la un scatter, ceea ce
arată este ca o grămadă
de x și niște y și
nu este foarte ușor de vizualizat
ca scatter, deoarece
este o variabilă binară.
Așadar, consider că aceste tipuri de regresii
neparametrice, ponderate local, sunt

foarte utile
ca modalitate de a
rezuma datele.
Sfârșitul deoparte.
Întrebări?
Și apoi poți...
apropo, celălalt
lucru despre asta este să te
joci cu lățimea de bandă.
Deci, cu cât
faci acest lucru mai larg, cu atât
vei
impune mai mult netezirea lui.
Dacă îl faceți super
îngust, atunci veți
primi doar norul de puncte înapoi.
În cele din urmă, ajunge să
arate ca o împrăștiere în coș.
Deci trebuie să te joci cu...
poate exista...
Nu știu dacă există
o lățime de bandă optimă pentru acestea.
Nu cred că există despre care să
știu.
Dar poate exista.
Dar cu siguranță vă puteți
juca cu lățimea de bandă
pentru a obține un
grad rezonabil de netezire
atunci când realizați aceste grafice.
Și erorile standard tind
să explodeze cu cozile
pentru că nu aveți atâtea
date aici pentru a
le estima.
Deci ce spune asta?
Deci, acesta este ca un
venit în pantă descendentă, grozav.
Dar
punctul mai interesant este
că apoi îl putem
descompune pe baza
observabilelor dvs. și a
consumului neobservabil.
Și îl obțineți în jos
în consum observabil.
Și apoi asta spune, uite,
poate că gospodăriile astea au cam
prognozat că nu o vor
primi și nu aplică.
Genul de parte cu adevărat
interesantă din
perspectiva țintirii cred că este de
fapt înclinată în jos
în componenta neobservabilă
a componentei consumului,
care este ceea ce este.
Deci, acesta este y minus
observabilul-- y minus y pălărie
pe axa x.
Și dacă ai
apărut și ai cerut
să fii ecran pe axa y.
Și aceasta este, de asemenea,
înclinată în jos.
Și asta spune că guvernul poate
obține
unele informații.
Și așa și asta
îți arată doar acest lucru
sub formă de regresie, și anume
că probabilitatea ta
de a apărea depinde atât
de partea observabilă,
cât și de
partea neobservabilă a consumului tău.
Bine, așa că atunci ne putem
uita la rezultate.
Deci acesta este un CDF al rezultatelor.
Deci, un alt aspect este că îmi
place foarte mult să arăt
rezultate CDF din două motive.
Nu știu dacă ați
vorbit despre această pepiță.
Deci sunt două avantaje.  În
primul rând, cineva
vrea să interpreteze asta?
Ce luăm din asta?
Wesley ridică mâna.
Haide, Wesley.
PUBLIC: Deci, sub
auto-direcționare,
consumul pe cap de locuitor,
astfel încât veți ajunge la 100% din...
veți ajunge la întreaga gamă
de indivizi care aplică mai devreme
în consumul lung pe
cap de locuitor
sub auto-direcționare
[INAUDIBIL  ]..
BEN OLKEN: Da, [INAUDIBIL],
ce aveai de gând să spui?
PUBLIC: Bănuiesc că cel
care este mai în stânga
se descurcă mai bine.
BEN OLKEN: În ceea ce privește?
PUBLIC: În ceea ce privește direcționarea.
BEN OLKEN: Da, identificând
gospodăriile sărace...
Corect.
Și doar pentru a fi clar,
această linie de ordinul întâi
este această linie de ordinul întâi
domină stocastic
această linie.
Deci este ca și cum ar fi la
stânga peste tot
pe distribuție.
Deci, de ce îmi place să complotez
CDF-uri spre deosebire de PDF-uri?
Sunt două motive.
Primul, dacă doriți să afișați
datele dvs. neparametric,
nu există statistici
în crearea acestui grafic.
Nu există... acestea sunt literalmente
doar datele, pentru că de ce?
Cum faci... ce este un CDF?  Ei
bine, un CDF este pentru
fiecare punct, doar
calculezi cum este --
pentru fiecare x,
doar calculăm
care este probabilitatea ca
venitul să fie mai mic decât un x,
condiționat de faptul că
tratamentul este egal cu 1 sau 0.
Deci suntem  Vom face acest lucru
pentru fiecare dintre acele lucruri
și doar treceți peste întreaga
gamă de valori diferite.
Asta este un CDF.
Deci nu există... asta e ca
și cum ai file datele.  Nu
este nimic nou
de estimat aici.
Când doriți să începeți să
estimați PDF-uri, trebuie să--
un PDF este, deoarece sunt sigur că
știți derivatul PDF-ului.
Dar trebuie și să netezi
aceste lucruri în practică.
Și din nou, asta poate depinde
de parametrii tăi de netezire.
Acestea sunt literalmente doar datele.
Bine, deci e frumos
pentru că este doar
un fel de mod de a-ți afișa datele.
Celălalt lucru este că aceasta
vă arată o mulțime de informații,
deoarece aceasta vă arată și
diferența dintre tratamentele dumneavoastră
la fiecare cuantilă.
Și, ca să citești asta, ai
citit asta,
deci care este diferența
dintre tratament
și control evaluat la
percentila 50 a
distribuției rezultatelor?  Ei
bine, mă duc doar la...
Mă duc chiar aici și pot
citi încrucișarea aici.
Și acest decalaj aici este
ca a 50-a cuantilă.
Și pot spune,
de exemplu, că
acest lucru are efecte
mai mici sau mai mari în
distribuția venitului sau orice altceva.
Deci nu este neapărat
cel mai important în acest context.
Dar în multe alte
contexte, acest tip
de informații suplimentare
pot fi cu adevărat valoroase.
Deci, oricum, acesta este CDF.
Așa că asta vă spune
diferența dintre...
ca să puteți vedea că
oamenii care sunt selectați
sunt cam uniform
lăsați, sunt mai săraci.
Aceasta
vă arată probabilitatea
de a obține beneficii.
Deci, aceasta este reprezentarea grafică -
aceasta este acum
estimarea
neparametrică, care
este probabilitatea de a
obține beneficii
la fiecare tip de nivel.
Și ceea ce vezi este că
vezi două lucruri.
Deci, intervalul de direcționare dorit
este aici.
Vedeți două lucruri care se întâmplă.
Numărul unu, această
linie neagră este practic mult,
mult sub linia portocalie.
De ce este asta?
Asta pentru că
oamenii bogați nu se deranjează să--
oamenii bogați care ar putea trece
prin testarea mijloacelor proxy
ca din greșeală nu se
deranjează să apară.
Și asta este un fel de cheie...
Cred că lucrul cheie care se
întâmplă în multe ziare
este că acești oameni pur și simplu
nu se deranjează să apară.
Și, prin urmare, chiar dacă
ar fi reușit,
probabilitatea
ex ante că
ar fi făcut cu adevărat
mică că au decis să
nu o facă.
Un alt lucru care
este interesant este
celălalt punct, la care
nu ne așteptam,
de fapt, este că
linia neagră este
mai mare decât linia portocalie.
Și asta din acest alt
motiv la extrema stângă.
Acesta este celălalt
motiv pe care l-am menționat, și
anume că încerci să-ți dai seama
cine ar trebui să fie controlat
într-o abordare din ușă în ușă.
Dar poate că nu îi înțelegi pe
toți neapărat.  În
timp ce într
-o abordare la cerere,
oamenii se pot face
cunoscuți și spun, uite, sunt sărac.
Vă rog să mă includeți
în acest program.
Și așa se dovedește că,
de fapt, această abordare are ambele
beneficii de a-i exclude pe cei
bogați care nu ai vrut
să fii, pe care nu ai intenționat
să-i ținti, și de a-i
permite săracilor să se
includă.
Și celălalt lucru pe care îl
voi spune este că
în raport cu alte tipuri de
abordări care folosesc un fel
de încercări costisitoare ca țintire.
Unele abordări sunt
ca programele workfare.
Deci, de exemplu, probabil cel
mai mare program
din lumea în curs de dezvoltare,
programul anti-sărăcie
este programul MNREGA
din India chiar acum.
Și este cel mai mare -- este
unul dintre cele mai mari programe, un
program foarte mare, 140 de
milioane de oameni, cred.  Cu
siguranță, de ordinul a
100 de milioane de oameni sau mai mult
în acest program.
Și ce au
de făcut în MNREGA?
Practic, trebuie să meargă la muncă.
Dacă vrei să
fii plătit, trebuie să
lucrezi prin
muncă manuală pentru un proiect
câte ore sau orice altceva.
Și primești salariul minim.
Este o
încercare costisitoare pentru că ar
putea avea alte lucruri pe care le-
ar putea face cu timpul lor.
Sau ar putea să nu le placă
munca manuală sau alte lucruri,
este un lucru foarte costisitor.
Îți ia tot
timpul timp de 100 de zile.
Aceasta, prin comparație, este
un calvar foarte mic.
Este ca o jumătate de
zi din timpul tău.
Și deci cred că ceea ce este cu
adevărat atractiv aici
este să spunem, uite, ideea lui
Nichols Zeckhauser
spune că avem aceste
încercări foarte mari pe care o vom
face.
Dar aici,
revenind la perioada anterioară
și valorificând această
incertitudine pe care oamenii o
vor avea cu privire la
procesul de aplicare,
poate că putem obține de fapt
multe dintre aceste beneficii de screening
cu încercări destul de mici.
Și cam asta
arată asta.
PUBLIC: Un lucru care
aș fi curios cu această lucrare
este chiar și la vârful
[INAUDIBILUL],
aveți mai puțin de 20%.
BEN OLKEN: Da, câțiva dintre
voi ați menționat asta, da.
PUBLIC: Deci, poate din punct de vedere
calitativ,
aveți o idee
dacă asta se
datorează acestei probleme pe care ați
vorbit înainte, unde încă mai sunt
oameni care nu se
anunță, chiar și
cu acest tratament de auto-țintire
[INAUDIBIL]..
BEN OLKEN: Deci, eu  cred că sunt
două lucruri... deci
cred că ai dreptate.  De
ce este doar 20%?  Asta nu e
grozav.
Așa că cred că se întâmplă câteva
lucruri aici.
Prima este rata de apariție
în partea de jos este de aproximativ 60%.
Deci, o parte din aceasta este că 40% dintre
oamenii de aici nu aplică.
Asta nu e tot.  Asta face
parte din asta.
Și nu știu dacă asta
este neapărat stigmatizare.  S-
ar putea ca unii dintre
oameni să aibă de fapt
provocări.
Cred că e real.
Nu sunt sigur că stigmatizarea a fost o
problemă uriașă aici în acest context,
de fapt.
Dar asta ar putea fi.
Dar nu cred că
este o problemă reală.
Cred că e mai mult
doar că oamenii sunt ocupați.  Au
alte lucruri de făcut.  Au
fost multe eforturi
pentru a scoate informațiile.
Poate că nu toată lumea a înțeles-o.
Deci cred că este corect.
Și cred că poate făcând
acest tip de mai multe ori
poate ar fi
foarte important să
creștem acest număr.
Dar al doilea punct este
că proxy înseamnă că testele
sunt imperfecte.
Și cred că asta e
cealaltă parte.
Care este probabilitatea să
obțineți beneficii?
Nu l-am adus în
funcție de total.
Oh, da, aici, care este
probabilitatea de a obține beneficii
în funcție de y totalul tău?  Ei
bine, este doar ca 0,3.
Și asta pentru că
este imperfect.
Și este, de asemenea,
imperfect tocmai
pentru că încearcă să
vizeze o parte foarte mică
de oameni.
Ei stabilesc
asta foarte bine.
Și asta este un fel de
decizie politică.
Există o întrebare mai amplă
a acestei politici comerciale,
cum ar fi vrei să
ținți cu adevărat strâns?
Și veți face mai puține
erori de includere, dar și
mult mai multe erori de excludere.
Sau doriți să
vizați mai larg?
Și veți face
mai puține zone de excludere și mai multe
erori de includere.
Și programul special
este vizat foarte bine.
Deci cred că este combinația
dintre acest fapt și acest fapt.
Așa că cred că este mai mult
despre imperfecțiunile
din testul de mijloace proxy, în mod
fundamental,
pentru a viza oamenii care sunt
atât de săraci, cred că mai mult.
Și cred că înțelegerea
modului de a remedia această problemă
și de a reduce excluderea este o
problemă de primă ordine pe care nu cred că
ne înțelegem bine.
Și, de fapt, pentru mine,
în mintea mea, de fapt,
cred că una dintre cele mai mari probleme pe
care nu cred că le
înțelegem cu adevărat este cum poți...
cum poți reduce
eroarea de excludere în aceste contexte?
Și cred că această
abordare spune de fapt,
în ciuda faptului că doar
60% dintre oameni sau 60% sau 70%
dintre oameni care aplică aici,
pe net, această abordare de
fapt reduce
eroarea de excludere pentru că
are și celălalt
beneficiu de cel puțin
noi permitem  toată lumea are
opțiunea de a aplica.
Deci, pe net, acest lucru este mai bun
decât status quo-ul.
Dar sunt complet de acord cu tine.
Există o grămadă de
excludere aici.
Și cred că
modul în care reduceți
acest lucru este foarte important.
Deci sunt complet de acord
cu această întrebare.
Alte intrebari?
Deci punctul final...
deci atunci vrem să înțelegem
diferitele
mecanisme teoretice.
Deci vom
estima modelul.
Deci cum facem asta?
Deci ce trebuie să facem?  Ei
bine, primul lucru este că
trebuie să parametrizăm unele lucruri.
OK, trebuie să luăm acele
lucruri vagi precum c din l și y
și să le transformăm în
numere reale pe care le putem estima,
conectați la un model
în computer.
Deci parametrizați unele lucruri.
Deci vom parametriza
costul după cum urmează.  Vom
spune salariul dvs. -
costul este egal cu salariul dvs. înmulțit cu

timpul de călătorie plus timpul mediu

pe care trebuie să îl așteptați acolo.
Acesta este costul estimat.
Nu este
conștientizarea dvs. a costului.
Costul așteptat.
Așa că ar trebui să fie... este
cât de mult
estimați că
vă va costa să aplicați pentru acest
lucru, plus orice cost monetar
al călătoriei acolo.
Și apropo, ne
gândeam la asta în avans,
așa că am colectat variabilele de care
aveam nevoie pentru a obține acest lucru, a
estima acest lucru.
Doar știam distanța.
Și știam cum
ajung oamenii de obicei în aceste locuri
și orice altceva.
Și am colectat
asta în
sondajele de bază pentru că aveam
o idee care ne-ar fi
interesat de această întrebare.
Asta e alta, revenind
la punctul de teorie,
am crezut că asta va
fi chestia asta cu costurile a fost
diferită, costul era important.
Așa că am încercat să colectăm
niște date care vor
fi utile pentru a le estima.
Un lucru, care
apropo, este de primă ordine aici,
este că consumul este probabil
măsurat cu eroare.
Și deci trebuie să ne
ocupăm de asta.
Deci urma să parametrizăm
aici eroarea de măsurare.  Asta e
bine.
Avem un set de date diferit
cu un panou scurt.
Și așa vom folosi asta în
cazul în care măsurăm consumul de
două ori la rând pentru
aceiași oameni
și îl vom folosi pentru a parametriza
eroarea de măsurare.
Și motivul este
că observăm consumul
măsurat cu eroare.
Dar presupunem că oamenii
iau deciziile pe
baza consumului adevărat.
Deci vrem să parametrizăm asta.  În
caz contrar, vom încărca
prea multe lucruri pe
termenul de eroare, practic, dacă
nu includeți asta.
Avem nevoie de acest termen lambda.
Vom face doar asta...
vom presupune că este un probit.
Pare sensibil.
Și astfel,
parametrii necunoscuți,
trebuie să ne estimăm alfa,
care este cota care
sunt sofisticate.
Habar n-avem.
Media și varianța
șocurilor de utilitate epsilon
și parametrii sondei
de distribuție lambda,
care este a oamenilor - care este ceea ce

vor crede oamenii nesofisticați?
Și așa vom estima -
deci ceea ce obținem din
model este că pentru orice
persoană dată, i, probabilitatea dvs.
de a aplica pentru beneficii
este, ei bine, dacă sunteți
sofisticat,
este dată de asta -
ce este  probabilitatea
ca câștigul dvs.
din aplicarea în funcție
de observabile
să fie mai mare decât --
mai puțin decât -- indiferent,
mai mare decât epsilonul,
mai mare decât costul epsilonului
și, poate, cu o eroare minus.
Și același lucru
pentru neobservabili.
Deci asta ne
oferă modelul
în funcție de
parametrii necunoscuți.
Și asta este ceea ce
încercăm să estimăm.
Și așa ai trecut peste
un GMM săptămâna trecută.
Deci toate acestea ar trebui să
vă fie familiare.
Dar vreau doar să
spun un cuvânt despre GMM,
adică auziți multe, multe,
multe despre modele structurale
în multe clase
și multe lucrări.
Și cred că s-au terminat...
de parcă ar avea
tot acest hype în jurul lor.
Și nu sunt chiar atât de
complicate.
Și așa că am vrut doar să
petrec un diapozitiv făcând tot posibilul
să le demistific, pentru că mi-a
luat mult timp
să-mi dau seama.
Așa că vreau să
vă salvez timpul acela.
Deci, ce facem când
estimăm un model structural?
Deci scriem
un model, care este
ca un
model teoretic, care are
niște parametri necunoscuți în el.
OK, deci în cazul nostru,
tocmai am notat
un model, care are
parametri necunoscuți, care
generează o probabilitate
ca eu să apar în
funcție de
caracteristicile individualizate
și de niște parametri necunoscuți.
În cazul nostru, a fost ca
alfa și distribuția șocului de utilitate
și
distribuția de date sau
distribuția lambda.
Ceea ce
spune estimarea structurală
este că aș dori să știu
acești parametri necunoscuți.
Deci, ce valori ale acelor
parametri necunoscuți
obțin modelele prezise
arată probabilități
pentru a se potrivi cu
probabilitățile reale de apariție
în date pentru persoane similare.
Deci, modelul este ca probabilitatea
de a apărea pentru individul i
este o funcție a
acestor diverse lucruri.
Și vreau doar să
aleg valorile
acelor parametri necunoscuți,
astfel încât modelele prezise să
apară și afișarea reală
în unele date să fie aceleași.
OK, deci pentru a face asta,
definiți momentele.
Momentele sunt
statistici ale datelor pe
care le puteți
calcula și în model.
Și trebuie să ai cel
puțin atâtea momente
câte parametri necunoscuți.
Sau poți avea mai multe.
Mai mult este bine, dar
nu poți avea mai puține.
OK, și vrei să spui că apoi
cauți ceea ce
faci este să faci doar o căutare
peste acești vectori parametri necunoscuți
, în acest caz, vectori cu parametri cinci--
cinci-dimensionali
,
astfel încât momentele
din model să se
potrivească cât mai aproape.  pe cât posibil
momentele din date.
Și de aceea se numește
metoda momentelor.
Deci o secundă.
Si asta e.
Aceasta este ideea de bază.
Configurați un model, în funcție
de parametrii necunoscuți,
calculați câteva momente în
acei parametri necunoscuți.
Și căutați-- și
continuați să năruiască
cu valorile
parametrilor
până când valorile celor
cinci momente ale voastre
ating valorile celor
cinci momente similare la țintă
cinci din date.
Deci asta e ideea principală.
Așa că am spus că asta este.
Restul sunt comentarii.
Deci, un comentariu important

este, ei bine, ce se
întâmplă dacă aveți
mai mulți parametri decât momente.
Dacă ai mai mulți parametri decât
momente, nu poți face nimic.
Dacă ai mai multe
momente decât parametri,
acum nu voi putea
să lovesc generic
toate momentele pentru că nu
am suficiente grade de libertate.
Deci, unul dintre multele
lucruri utile pe care le face GMM
este cum ar trebui să
cântăresc în mod optim
diferitele momente pentru a încerca
să potrivesc parametrii cât mai bine
.
OK scuze.
PUBLIC: Oh, da.
Mă întrebam cum...
pentru că cred că ceea ce ne
potrivim aici este probabilitatea.
Tocmai am învățat
modele [INAUDIBILE]
sau modele și valori probit.
Bănuiesc că facem
un lucru foarte asemănător.
Mă întreb
doar din punct de vedere conceptual,
poate cum se
compară asta cu când
rulez un model probit în Stata.
BEN OLKEN: Deci acestea sunt
modele cu probabilitate maximă.
Deci, există două moduri în care
puteți estima un model.
Ne pare rău, aceasta este versiunea GMM.
Cealaltă versiune este cea de
probabilitate maximă, în care
specific tipul complet
de funcție de probabilitate
din date și spun, care a fost procesul
meu complet de generare a datelor
, și caut
pe-- și, practic,
spui cu cea mai mare
probabilitate, că ești
spunând în esență, care este
setul de parametri de bază,
astfel încât să maximizeze
probabilitatea
ca datele pe care le observ să provină de fapt
din acea distribuție.
PUBLIC: Dar pot să pot
adapta și modelul meu probit la GMM.
BEN OLKEN: Puteți potrivi un
model de variabilă binară cu GMM, da.
Dar modelul de bază pe care îl
înveți în metrică
este un [INAUDIBIL].
PUBLIC: Bănuiesc că poate am formulat
greșit întrebarea.  Deci are
sens.
BEN OLKEN: Și, Ed,
apropo, corectează-mă
dacă spun greșit.
AUDIENTĂ: Asta, ceea ce
tocmai ai descris
este ceva ce este o
linie în Stata, nu?
BEN OLKEN: Care?
PUBLIC: Cum ar fi rularea
probabilității maxime de y pe x.
Evident, aceasta nu este
o singură linie în Stata.
BEN OLKEN: Nu,
nu sunt atâtea rânduri --
poate, în funcție de setul p.
PUBLIC: Nu
aveți neapărat funcția de probabilitate.
Deci aveți mai multe informații
când aveți
funcția de probabilitate.
BEN OLKEN: Corect.
PUBLIC: OK.
PUBLIC: Deci
nu ați
dori neapărat să introduceți un
model probit în GMM,
deoarece dacă
presupuneți deja că știu totul
despre
procesul de generare a datelor,
atunci puteți utiliza toate
informațiile probabile.
PUBLIC: Văd, văd.
În timp ce aici nu știm cum se
mapează parametrii [INAUDIBIL]..
BEN OLKEN: Nu știm
întregul proces de generare a datelor.
PUBLIC: Dar faci
câteva puncte [INAUDIBILE]
trebuie să le satisfacă.
BEN OLKEN: Corect.
PUBLIC:
Presupuneți că [INAUDIBIL]..
BEN OLKEN: Sunt de acord cu asta.
Este mai puțin restrictivă...
știi mai puține.
PUBLIC: Un punct
despre care am fost confuz este...
BEN OLKEN: Oh, scuze, lasă-mă să
spun un lucru înainte de o întrebare.
Dar, adesea, notarea
întregii funcții de probabilitate
este foarte dificilă.
În timp ce acest lucru, de obicei,
puteți
face în mod generic.
Nu întotdeauna, trebuie să--
există
condiții pentru a te asigura
că modelul tău este identificat,
care este această idee pe care o ai pe care
de fapt o poți recupera,
că nu este cazul în care
mai multe combinații diferite
de parametri ți-ar da
același lucru  momente.
Este o
problemă de identificare.
Dar în afară de
asta, există o mulțime
de cazuri în care
poți face acest lucru.  Îmi
pare rău, continuă.
PUBLIC: Da,
încerc doar să înțeleg, la
ce te gândești
când ai nevoie de
experimente sau [INAUDIBIL]?
BEN OLKEN: Aceasta este
o întrebare grozavă.
Deci de unde vin
momentele?
Și sunt momentele...
deci cred că...
deci modul de a
mă gândi la asta cred că dvs.... Să
văd dacă pot crea un
răspuns bun la această întrebare.
În general, dacă ai un...
lasă-mă să văd dacă pot
veni cu un răspuns bun, îmi pare
rău, stai o secundă.
Pe măsură ce schimb lucrurile în
distribuția momentului,
așa că imaginați-vă că calculez
pentru momente diferite
pentru oameni înalți și
oameni scunzi, de exemplu.
În model, voi
afirma
că singurele diferențe
dintre acești oameni
sunt scunde versus înalte.
Și în date, voi

observa doar oameni scunzi și
oameni înalți, scunzi și înalți, nu?
Dacă acea variație
între scund și înalt
este în esență aleatorie--
imaginați-vă că a fost
randomizat, atunci,
de fapt, acele diferențe pe care o să le
observ,
un fel de acele
momente reale,
vor fi de fapt lucrurile adevărate
pe care ar trebui să le fiu.  conectarea
la model pentru că
va fi adevărata,
diferența cauzală dintre
trecerea de la scurt la înalt.
În timp ce în
lumea reală, s-ar putea să vă
imaginați că scurtul este
corelat cu alte lucruri.
Și înalt este corelat
cu alte lucruri.
Și astfel, acele diferențe
dintre scurt și înalt
nu pot reflecta doar un fel
de diferențe scurte,
iar diferențele de înaltă
în modelare respectă un
fel de alte
caracteristici neobservate.
Așadar, în același mod în care
analizați un fel de
lucru cu formă redusă, s-ar putea să vă îngrijorați
de părtinirea variabilei omise,
ați putea fi îngrijorat
de aceleași lucruri
în estimarea structurală.
În practică, oamenii
nu se îngrijorează întotdeauna
de asta în același mod.
Dar cred că, în general, este
același tip de preocupări.
Și așa cum puteți, așa cum
vedeți de fapt în această lucrare,
o mare parte din ceea ce
încercăm să facem sunt
lucruri care identifică
modelul pe lucruri care arată un
fel de mișcări experimentale.
PUBLIC: Așa că atunci când
scrii un model,
rezolvi teoretic
[INAUDIBIL] ar
trebui să te gândești la ce
ipoteze [INAUDIBIL]..
BEN OLKEN: Nu, îmi pare rău, nu
înțeleg ultima parte.
PUBLIC: Ca și în
perioada în care te
gândești unde ai avea nevoie de
variație experimentală, atunci
rezolvi
modelul, ești
[?  gândindu-vă?] ce
presupuneri
faceți, cum ar fi
tipul de forme funcționale pe care le
alegeți.
BEN OLKEN: Da, sau un
alt mod de a spune că
este ca și cum ai vrea să
spui așa ceva...
Adică, un alt mod de a
gândi despre asta este
ca din perspectiva designului.
Deci iată un model.
Iată principalii
parametri necunoscuți pe care
aș dori să îi identific.
Ceea ce doriți este că ați dori
să aveți o variație experimentală
în lumea reală, care dacă aș rula
același experiment în modelul meu,
mi-ar oferi
răspunsuri foarte diferite
în funcție de
vectorul parametrului.
Deci, dacă vreau cu adevărat
să identific...
acesta este cel mai bun
mod de a gândi la asta.
Deci, dacă chiar vreau să
identific un parametru,
mi-aș lua modelul.
Și aș spune, ei bine, ce dacă
aș schimba asta în lume, aș
obține răspunsuri cu adevărat diferite
în funcție de diferite niveluri
ale acelui vector parametru?
Și asta va spune
că acest experiment
va
identifica intuitiv acel parametru.
Și așa mă gândesc din punct de vedere tehnic ce
este asta dacă tu... este... nu-
mi pot aminti niciodată.
Cred că este... ceea ce vrei tu
este ca d theta hat d moment,
moment i.
Așa că vrei să alegi
momente experimentale,
lucrurile vor
varia de fapt
în lumea reală, ceea ce îți va
oferi... care vor
identifica
vectorul parametru teta
care te interesează.
Și apropo, Ed, dacă  vrei
să adaugi orice comentariu despre asta,
deoarece tocmai ai făcut o
recitare întreagă despre asta,
sunt deschis la sugestii.
PUBLIC: Doar pentru a vă oferi
un punct obiectiv care
nu este atât de diferite
moduri de a gândi despre asta.
BEN OLKEN: Da.
OK, alte întrebări?
PUBLIC: Aș spune
în [?  Berquist ?]
și [?  Bennerstein?]
hârtii [INAUDIBIL]..
BEN OLKEN: Ce?
Îmi pare rău.
PUBLIC: În recitare,
am făcut [?  Bergquist ?]
și [?  Bennerstein.  ?] Și au
fost exact două
obiecte specifice de care aveai nevoie
pentru a estima și a proiecta
experimentul.
BEN OLKEN: Și
experimentul le estimează...
da.
O altă lucrare a fost, de asemenea, cam
în aceeași perioadă,
este
lucrarea despre piața muncii a lui Gabriel Kreindler de pe vremea când
era student aici, care
este o caracteristică similară a lui el a
notat-- aceasta este o
hârtie de transport.
Deci nu
o predăm în această clasă.
Dar avea un cuplu --
ziarul avea un cuplu --
avea un model și câțiva
parametri necunoscuți.
Și a spus, uite,
vreau neapărat să mă duc la
proiectarea unui experiment care să-
mi ofere cu adevărat
variația de care am
nevoie pentru a estima
acești parametri necunoscuți.
Și așa a fost un fel de caz în care a
notat modelul, și-a dat seama
ce fel de
parametrii necunoscuți
sunt și apoi a conceput un
experiment care
avea să obțină în mod explicit acest
tip de variație.
Deci, acesta este un alt
frumos care
duce această relație între
estimarea structurală a modelului
în faza ex ante și
proiectarea experimentelor
care vor estima -
care va genera
variația de care aveți nevoie
pentru a estima modelul în mod clar.
PUBLIC: Nu știu dacă
acest lucru se încadrează în
partea de explicație a părții articolului.
Ai menționat asta, când ai
[?  ilustrați?] un model,
ați descoperit că dimensiunea mecanismului de calvar
nu era mare lucru
și de fapt era
probabilitatea.
BEN OLKEN: De unde
provine asta din acest slide.
Nu pe acest slide.  Va
urma.
PUBLIC: OK, bine.
Dar este ca și cum ai fi putut
nota
modelul într-un mod
care să nu-ți permită
să-i deosebești pe cei doi.
De unde ați știut să scrieți
modelul în modul
în care ați putut
să [INAUDIBIL]?
BEN OLKEN: Deci ce
faci odată ce ai modelul?
Nu ti-am uitat
intrebarea.
Ce faci
odată ce ai...
acesta este mai mult despre
calibrarea modelului.  De
fapt, o să...
asta este tot cum facem noi...
oh, nu, îmi pare rău, acest lucru
este de fapt relevant.
Deci ce facem?
Deci acum avem modelul.
Acum putem face diferite
contrafactuale.
Deci, ceea ce
înseamnă asta este că putem lua
modelul cu
parametrii și începem să
schimbăm diferite lucruri
despre model și să vedem
cum s-ar comporta lumea
în diferite
lumi contrafactuale.  Așa că
primul lucru pe care l-am
făcut a fost că am fost de genul, OK,
credem că este această
tehnologie complet diferită--
deci prima-- face
backup.
Am găsit selecție.
Nu am găsit prea
multe între
tratamentul apropiat și cel îndepărtat.
Asta a fost ciudat.  Ne-am
așteptat
să găsim asta.
Nu am găsit asta.
Atunci ne-am gândit,
ce se întâmplă aici?
Așa că prima noastră ipoteză a
fost
ca toate tehnologiile diferite
pentru a face față calvarului.
Bogații iau autobuzul.  Bogații bogații
iau
autobuzul sau iau motocicleta,
iar săracii se plimbă.
Cam asta a fost ideea noastră.
Deci suntem ok, hai să ne
jucăm cu asta în model.  De
fapt, nu am
avut variații aleatorii
în ceea ce privește forțarea lor să
adopte aceeași tehnologie.
Probabil că nu am fi putut face
asta.
Dar am spus, ei bine, poate asta să fie...
clar și acest lucru a fost într-un
fel calitativ acolo,
în ceea ce privește cum ai
ajuns de fapt la locul respectiv,
sau cum ai
ajunge în acest loc.
Și făceau
lucruri diferite.
Dar este suficient de mare pentru a
face de fapt diferența?
Deci ce facem?
Am spus, OK, să parametrizăm
chestia asta cu costul călătoriei.
Și hai să reluăm modelul
scoțând chestia asta.
Așa că vom
relua modelul,
dar vom oferi tuturor
exact aceeași
tehnologie de transport.
Și răspunsul a fost că nu a avut nicio
diferență, în esență.
Și așa am ajuns la concluzia
că acest lucru, deși
era calitativ în
direcția la care ne gândim
, nu era
suficient de mare cantitativ
pentru a explica nimic, cel puțin
în contextul modelului nostru.
Pe de alta parte, am
luat exact acelasi model
si am scos lambda
si am pus in bar lambda.
Așa că spunem să presupunem că
toată lumea are aceleași convingeri
despre trecerea la lucru.
Și asta
explică practic totul.
Deci asta a fost din punct de vedere cantitativ,
așa că ambele
au fost calitativ
în direcția corectă.
Dar aveam nevoie de o modalitate de a
cuantifica care
dintre aceste lucruri diferite
erau mari sau mici.
Și astfel, luând
modelul estimat
și reluând-l sub diferite
tipuri de contrafactuale,
am putea spune, ei bine, care
dintre acești factori diferiți
sunt cu adevărat importanți?
Pentru că sunt toți
acolo.
Și le scoți cam
una câte una în model.
Și așa ne-am dat
seama.
Și despre asta spuneam de
parcă nu știam asta,
dar de fapt nu știam.  Am
scris într-adevăr o lucrare ca
o prezentare PowerPoint
sau o prezentare Beamer
undeva pe computerul meu,
care este totul despre
aceasta pentru că
era ca și calitativ acolo.
Și de fapt aveam
dovezi care arătau că au
luat
tehnologii diferite.
A fost cu adevărat grozav.  S-a dovedit
că, odată ce am
notat modelul,
suntem ca, oh, sunt ca două
ordine de mărime prea mici
sau ceva pentru a
explica ceva.
Deci asta era ideea.
Alte comentarii?
Și astfel, asta vă arată o
contrafactuală diferită
sau orice altceva.
Deci, de exemplu, acesta este
coeficientul consumului de bușteni.
Acesta este adevăratul tip de
coeficient experimental,
indiferent de consumul care
prezice negativ dacă aplicați.
Acesta este modelul estimat.
Este, de asemenea, un fel de
negativ, nu atât de surprinzător,
deoarece potrivim
modelul la date.
Corect, nu este chiar atât de
surprinzător acolo.
Dar apoi putem vedea ce se întâmplă, am
oprit diferite lucruri.
Și cum ar fi, de exemplu,
dacă dezactivați...
dacă dați tuturor
același tip de convingeri
cu privire la probabilitatea
de a trece,
acest lucru pur și simplu
dispare.
Dar oferiți tuturor
același tip
de tehnologie de
călătorie care [INAUDIBLE]
face o mare diferență.
OK, orice alții...
merg puțin mai încet
decât am sperat...
dar orice alți băieți au avut o
mulțime de comentarii grozave.
Oh, așa că permiteți-mi să răspund la
câteva dintre întrebările
pe care le-ați ridicat din
răspunsul dumneavoastră la asta.
Așadar, unul a fost, cred că am
vorbit despre cum
alegeți momentele.
Vrei să alegi momente în care
acest lucru va fi adevărat,
iar momentele pe care le crezi că
sunt bine identificate,
în care există
diferența în momente care
nu sunt corelate în mod
ideal [INAUDIBIL].  Mai
sunt și alte
întrebări pe care voi, băieți, am
vorbit despre
punctul de excludere.  Mai sunt și
alte
întrebări pe care ați
vrut să le ridicați din
lectura dvs. despre asta?
Știu că a fost ca miercuri.
Îmi pare rău.
Alte comentarii
sau întrebări despre această lucrare?
Așa că acum vei
exersa de fapt să
faci asta pe setul de probleme.
Bine, deci ce vreau
să spun și despre redistribuire,
câteva lucruri.
Deci, unul este acum că știm
ceva despre direcționare,
cum ne gândim despre
bunăstare în acest sens?
Cum facem de fapt niște
judecăți de bunăstare în acest sens?
Așadar, pentru a face asta,
trebuie să luați o poziție cu privire la
cum credeți despre
eroarea de excludere și
eroarea de includere.
Și trebuie să fii
specific când scrii
pe un model despre cum te
gândești la aceste două
tipuri diferite de greșeli.
Deci, iată un exemplu
despre cum am făcut-o.
Dar puteți alege
diferite funcții de bunăstare.
Dar punctul de bază este că
trebuie să scrieți
o funcție de bunăstare.
Și, de asemenea, trebuie să specificați
cum se schimbă programele dvs.
Deci am făcut
următoarele ipoteze.
Am spus să presupunem că toată lumea
are utilitate CRRA unde
acesta este venitul de bază și
acestea sunt beneficiile pe care le obțineți.
Și vom presupune
o valoare a parametrului.
Cred că facem trei
cred că în ziar.
Poate facem două.
De fapt, nu-mi
amintesc, două sau trei.
Și vom presupune, de asemenea,
un buget fix b.
Deci există o
sumă fixă ​​de bani pe care
guvernul vrea să o
cheltuiască pentru acest program.
Și vom spune că, pe măsură ce vom
face programul mai bine
vizat, mai puțini oameni
îl vor primi.
Dar suma pe care o
vor primi
va crește
proporțional.
Și vom folosi, de asemenea,
tipul real de teste de mijloace proxy
pentru a ne gândi la
eroarea de includere a excluderii.
Deci ceea ce vreau să spun prin asta
este că ne întoarcem la...
drum înapoi, mult înapoi,
mai înapoi, aici.
Deci, în principiu, vom
spune, uite,
aceasta este o tehnologie fundamentală cu
care avem de-a face aici,
care spune, iată
consumul tău estimat
în funcție de
consumul tău real.
Și cum
arată diferite programe este că vom
trage linia
în locuri diferite.
Așa că putem avea un program într-adevăr
țintit îngust, care să tragă o linie
aici, așa cum un program universal
trage linia aici.
Guvernul
nu poate neapărat-- vom
menține acest
nor ca fix și vom
vedea ce se întâmplă pe măsură ce
mutăm linia pentru a-l face
mai mult sau mai puțin
țintit,
menținând această
tehnologie ca fixă.
Acum trebuie să măresc din nou înainte
.
Aproape acolo.
Bine, deci la asta mergem... facem un
fel de contrafactual.
Ceea ce facem atunci este să spunem, ei bine,
care este tipul total de --
în această
funcție de bunăstare, care este --
puteți face o altă
funcție de bunăstare --
care este utilitatea socială totală
luând
în considerare acestea.
Și în acest caz,
așa că, îmi pare rău,
vom reprezenta acest lucru în
funcție de eroarea de includere.
Deci cât de mult... acesta este
programul cel mai incluziv,
acesta este programul cel mai puțin
incluziv.
Poate ar fi trebuit să
alegem un alt... am
ales asta pentru a face să arate
ca o curbă ROC
în statistici.
Dar poate am fi putut
alege diferite axe.
Ideea pe care vreau să-l
subliniez este că, în acest exemplu, se
dovedește că
programele relativ înguste direcționate
arată optim pentru bunăstare,
deoarece vizați --
chiar dacă aveți
mai multe erori de excludere,
vizați mult mai mult
către cei săraci  în această simulare.
Dar ai putea să o faci
în alt mod.  Punctul
mai general pe care
vreau să-l subliniez
este că trebuie să-- dacă faceți
unele compromisuri,
trebuie să luați o poziție cu privire la
modul în care evaluați
diferitele compromisuri.
Și apoi îți poți
evalua decizia pe
baza acestei
ipoteze de bunăstare.
Și puteți alege, așa cum
am spus, dacă veți
alege, pe măsură ce creștem
rândul aici și punem din ce în ce mai mult și
mai multă pondere pe cei mai
săraci,
acest schimb poate ajunge să arate
diferit.
Așa că poți face
diferit-- trebuie să
iei o poziție cu privire la
funcția de bunăstare
și apoi poți
spune câteva lucruri.
Un alt lucru pe care îl
voi observa, totuși,
este că aveți
cealaltă problemă
aici, care nu este capturată
în această funcție de utilitate,
este inechitatea orizontală.
Deci, acesta este faptul că
diferiți ca oamenii, inechitatea
este probabilitatea ca
oamenii care sunt la fel să
fie tratați diferit.
Deci calculăm asta.
Care este
probabilitatea ca oamenii
care sunt tratați cam la fel,
care sunt cam la fel,
îmi pare rău, aproximativ la fel în ceea ce privește
consumul lor, să
obțină rezultate diferite.
Și, de fapt, aceste
programe țintite îngust,
au o mulțime de
inechități orizontale
tocmai pentru că
țintiți în partea groasă
a acelui nor al PMT.
Și așa faci
multe greșeli.
Și, așadar, cred că, în
general, doriți
să vă gândiți la,
de la maximizarea unui
tip de
metrică utilitară a bunăstării sociale, aceste
programe țintite îngust sunt grozave.
Dar au această
problemă reală a inechității orizontale.
Și cred că unul
dintre avantajele abordării
bazate pe comunitate
este
că poate ajuta la reducerea
unora dintre provocările legate
de inechitatea orizontală,
deoarece cel puțin oamenii au
o înțelegere locală cu privire la
cine primește programele
și cine nu.
OK, deci asta am vrut
să spun despre direcționare.  O
ultimă întrebare despre asta?
Așa că am vrut să spun puțin
despre forma transferurilor.
Și apoi cred că vom vorbi
despre impozit de data viitoare.
Așa că există acum o
întreagă literatură
despre cum credeți despre
proiectarea programelor de transfer
în contextele țărilor în curs de dezvoltare?
Și cum te gândești
la aceste probleme?
Și așa cred că am vrut să
evidențiez două probleme.
Și apoi o a treia
este toată această problemă
a capcanelor sărăciei, despre
care a vorbit Esther
mai devreme în semestru.
Deci nu am de gând
să vorbesc despre asta.
Dar există o grămadă de întrebări
de genul, ar trebui să dai bani?  Ar
trebui să dai lucruri în natură?
Ar trebui să oferiți
active productive?  Ar
trebui să dai...
ar trebui să
condiționezi transferurile
de activități sau nu?
Ar trebui să oferiți un
transfer mare, unic
sau o mulțime de transferuri mici?
Ar trebui să le oferi oamenilor
programe workfare precum
programul MNREGA despre care vorbeam?  Ar
trebui să le dai numerar?
Cum ar trebui să rulați programul?
Ar trebui să dați numerar
față de plăți electronice?
Cum identifici
oamenii pentru aceste programe?
Ar trebui să folosești carduri inteligente?
Deci folosiți autentificarea biometrică

și așa mai departe.
Cred că toate acestea sunt de fapt
un domeniu de cercetare destul de activ.
Cred că aceasta a
fost un fel de zonă de cercetare activă
în ultimii 10 ani sau cam asa ceva.
Cred că aceasta a devenit un
domeniu de cercetare cu adevărat activ
în ultimii doi ani.
Dar cred că
ambele domenii
sunt domenii în care oamenii se
gândesc foarte mult la modul în care
proiectăm și livrăm în mod eficient
aceste programe într-un
context de țară în curs de dezvoltare, unde
avem o mulțime de
provocări de informare de tipul celor pe care le-am
văzut în direcționare,
unde  au o
mulțime de
provocări de guvernare de tipul despre care vorbim
în clasele de economie politică
și așa mai departe.
Cum faci de fapt
acest lucru eficient?
Așa că vreau doar să subliniez,
cred că două sau trei exemple
aici.
Deci unul este despre
numerar versus în natură.
Deci, ce înseamnă asta?
Cash înseamnă că ei, literalmente,
îți oferă doar bani.
Și în natură vă dau lucruri.
Deci, cum...
înainte să intru în asta, cum te
gândești la diferența
dintre numerar și în natură?
Pune-ți
pălăriile de economist, pe care ar trebui să le port mereu
la această clasă.
Cum credeți despre
diferența dintre numerar
și în natură?
Care sunt unele dintre
lucrurile la care te gândești?
PUBLIC: Dacă oamenii
sunt raționali, ar
trebui să
le dăm numerar pentru că
nu poți prescrie cea mai mare
utilitate [INAUDIBIL]..
BEN OLKEN: Da,
așa că economiștii iubesc
banii pentru motivul
[?  Rega?] tocmai a spus, și
anume că ar trebui
să fim ca și cum am avea încredere în oameni
să ia propriile decizii.
Și nu știu ce
vor, dar ar
trebui să știe ce vor.
Și cu numerar,
pot să-l cumpere.
PUBLIC: Sprijinul public pentru
un program care este în natură
ar putea fi mai mare.
Deci, dacă trebuie să [INAUDIBIL].
BEN OLKEN: De ce?
PUBLIC: Dacă oamenii află--
dacă oamenii nu sunt de acord cu
tipurile de lucruri pe care
oamenii aleg să le cumpere,
chiar dacă este
maxim pentru ei,
societatea ar putea simți că
ar trebui să aibă programe,
așa că în măsura în care...
mai ales în Statele Unite.  De
aceea am restricționa
bonurile alimentare ale oamenilor,
deoarece chiar dacă cumpărarea de alcool
ar putea face oamenii să se simtă mai bine
sau să se bucure mai mult de el.
BEN OLKEN: Da, exact.
Oamenii pot avea
presiuni paternaliste--
politice--[INAUDIBIL]
motiv pentru care oamenii
vor-- vor doar ca ei să folosească
banii pentru anumite lucruri.
Patrick.
PUBLIC: S-ar putea să puteți
rezolva unele dintre
problemele de direcționare cu cardurile [INAUDIBILE].
BEN OLKEN: Ce, scuze?
PUBLIC: S-ar putea să vă
adresați unora dintre țintirea...
BEN OLKEN: Cum?
PUBLIC: Dacă vizați
produse inferioare.
BEN OLKEN: Da.
PUBLIC: [INAUDIBIL]
BEN OLKEN: Da, exact.
Deci, dacă dau bunuri inferioare,
atunci oamenii bogați s-
ar putea să nu le dorească.
Poate avea
proprietăți bune de direcționare.
Absolut.
Alte lucruri la care ați
dori să vă gândiți?
Da.
PUBLIC: Dacă facem
un transfer în natură,
ar putea ajuta și
furnizorii.
Dacă ne-ar plăcea cu adevărat să
dorim să ajutăm o companie de orez
și să dăm
orez multor oameni săraci,
guvernul ar
ajuta industria orezului.
BEN OLKEN: Care sunt
condițiile pentru care acest lucru
ar trebui să fie adevărat?
PUBLIC: Ar trebui să
producă șocul de aprovizionare care
altfel nu s-ar întâmpla.
BEN OLKEN: Corect.  Deci
da.
Deci trebuie să ai
un șoc de aprovizionare.
Deci, când va
avea un șoc de aprovizionare?
Publicul: Ca și cum...
BEN OLKEN: Deci,
[INAUDIBIL] înapoi.
Există anumite condiții în care
un transfer în natură nu ar fi
generat un șoc de aprovizionare?
PUBLIC: Ca și cum ar fi de gând să-
l cumpere cu banii.
BEN OLKEN: Da, oricum vor
cumpăra cu numerar.
Asta ai de
gând să spui?
Da.
Așa că imaginați-vă că voi
cumpăra...
ca în Indonezia, de exemplu,
toată lumea mănâncă mult orez.
Dar să presupunem că toată lumea
are nevoie de 30 de kilograme de orez.
Și le împart tuturor
5 kilograme de orez.  Ar
trebui să fie total
irelevant în ceea ce privește aprovizionarea,
deoarece oamenii
oricum vor cumpăra acel orez.
Acest lucru este valabil atâta timp
cât piața, deoarece
piețele locale
au o ofertă elastică.
Dacă piețele în sine
nu au aprovizionare inelastică,
chiar dacă oamenii vor
consuma tot acel orez, s-
ar putea să fii ca și cum ai
muta orezul fizic
și asta se poate schimba de fapt
prin oferta agregată
dintr-o zonă.
Deci este de fapt un
pic complicat.
Deci numărul unu este, din
partea cererii, nu este...
din partea cererii,
dacă oricum oamenii ar
consuma
toate astea,
nu va
fi automat un șoc al ofertei.
Dar vremea acolo
depinde într-un fel de cum

arată structura pieței de bază.
Deci poate exista sau
nu un șoc de aprovizionare.
Alte probleme la care te-ai
putea gândi?
PUBLIC: Probleme de asigurări, deci
spui că alimentele mai sigure,
cum ar fi să le ofere
în natură, atunci oamenii
nu trebuie să-și facă griji cu
privire la fluctuația
prețurilor la alimente de-a lungul sezoanelor.
Bănuiesc că este ca o
formă de asigurare.
BEN OLKEN: Exact.
Și există o lucrare nou-nouță
despre exact acest punct numit
transferuri în natură ca formă
de asigurare, care a apărut
ca în ultimul an și ceva, a fost de
fapt prezentată la
ședințele BNR de acum câteva săptămâni.
Și ceea ce face exact acest
aspect că, de obicei, atunci când
fixăm
sumele de transfer în natură,
spunem că vă oferim o
anumită cantitate de lucruri,
10 kilograme de orez, un
apartament, orice altceva.
În timp ce, atunci când reparăm lucrurile
în numerar, de obicei spunem că
vă vom oferi
o anumită sumă de numerar.
Acum, în principiu,
îl puteți ajusta în orice fel.
Aș putea spune că o să-ți
dau echivalentul a 10
kg de orez la ceva...
sau orice altceva.
Sau o să vă dau
cantitatea echivalentă de orez pe
care o pot cumpăra cu 100.000 de
rupii la prețurile pieței.
Și pot muta
cantitățile.
Sau invers, pot indexa
transferul la inflație,
de exemplu, sau anumite
tipuri de bunuri.
Dar, în practică,
este imperfect.
Și, prin urmare,
cred că de fapt
oferă asta în și din acest
tip de asigurare în natură.
Cred că nu am timp.
Lasă-mă să mă opresc aici.  Voi
vorbi data viitoare
despre o problemă
, care este
problema șocului de aprovizionare.
Dar toate acestea sunt
oarecum relevante.
Și apoi voi vorbi despre
ultimele două lucrări despre care voi
vorbi în această secțiune
înainte de a vorbi despre
impozite, voi
vorbi despre aceasta
, Cunha et al.
document privind șocurile de aprovizionare
și transferurile în natură.  O să
vorbesc despre cumpărarea
cash versus condition paper
[?  Ursul?] şi colab.
pe transferuri de numerar condiționate.
Și apoi promit că vom
trece la impozite data viitoare.
Și deci nu ar trebui să...
Cred că lectura pentru
azi a fost cea a taxelor.
Deci despre
asta vom vorbi data viitoare.
Bine, multumesc.