Sobre la Técnica de Puntajes de Propensión (Propensity Score Matching) y sus usos en a en la investigación en educación

Claudia Patricia Ovalle Ramírez

Universidad de Antioquia

PDF

Palabras clave

Propensity Score Matching
investigación
diseño cuasi-exper imental
educación
causalidad

PDF

Resumen

La técnica de Propensity Score Matching no es nueva, pero su uso no ha sido extenso en la investigación en Educación. En el presente artículo se argumenta que la utilización de esta técnica es conveniente en investigación en educación porque permite solucionar dificultades como el sesgo de selección y la imposibilidad de llevar a cabo experimentos por motivos éticos u otros. En ese sentido desarrollar diseños cuasi-experimentales ayudados con técnicas estadísticas como Propensity Score Matching (PSM) puede ser una alternativa viable que arroja resultados más precisos (al nivel de los hallados en situaciones experimentales) sobre efectos de interés.

PDF

Citas

Agodini, R. Dinaski, M. (2001). Are experiments the only option? A look at dropout prevention programs. Mathematica Policy Research Inc.

Dehejia, R.H., Wahba,S. (1999). Causal effects in non-experimental studies: reevaluating the evaluation of training programs. Journal of the American Statistical Association, 94 (448), 1053-1063.

Heinrich, C., Maffioli, A., y Vasquez, G. (2010). A primer for applying propensity score matching. Impact Evaluation Guidelines. Techinical Notes N IDB-TN-161. Interamerican Development Bank.

Holmes, W.M (2014). Using Propensity Scores in Quasi Experimental Designs. Los Angeles: Sage.

Hsieh, M., Hamilton, Z.K. (2014). Predicting success in residential substance abuse interventions: New Jersey’s pre release incarceration alternatives. Criminal Justice Policy Review, 1-21.

Imbens, G.W., y Angrist, J.D. (1994). Identification and estimation of local average treatment effects. Econometrica, 62(2), 467-475.

Lane, F.C., Gibss,S. (2015). Propensity score analysis: a secondary data analysis of work-life Policy and performance outcomes. Advances in Developing Human Resources, 17(1), 102-116.

Randolph, J.J., Falbe, K., Kureethara-Manuel, A., & Balloun, J.L. (2014) A step by step guide to Propensity Score Matching. Practial Assessment, Research and Evaluation, 19 (18), 1-6.

Rosenbaum, Rubin (1984) Reducing bias in observational Studies using sub-classification on the propensity score. Journal of the American Statistical Association, 79(387), 516-524

Shadish, W. R., Cook, T. D., & Campbell, D. T. (2002). Experimental and quasi-experimental designs for generalized causal inference. Boston, MA: Houghton Mifflin.

Tanaka, S., Kawakami, K. (2015). Methodological issues in observational studies and non-randomized controlled trials in oncology in the era of big data. Japanese Journal of Clinical Oncology, 45(4), 323-327.

Ten Brummelhuis, L.L., Van Der Lippe, T. (2010). Effective work-life balance support for various household structures. Human Resource Management, 49, 173-193.

Vinha, K. (2006). A primer on Propensity Score Matching estimators. Documento CEDE 2006-13. ISNN 1657-7191. Obtenido de: https://economia.uniandes.edu.co/components/com_booklibrary/ebooks/d2006-13.pdf

What Works Clearinghouse (2012). Procedures and Standards Handbook (versión 2.0). US Department of Education. Institute of Education Sciences.