Voy a intentar dar algunas precisiones más, tratando de ser constructivo. Esta discusión no es algo que uno deba tomar personalmente, sino simplemente seguir lo que dice la ciencia al respecto.
Voy con un hilo:
(1/n)
Cuando se quiere evaluar el impacto de una intervención, y proveer conclusiones causales, se deben seguir ciertos pasos, que ya están establecidos por científicos. No se trata de cuestiones de fe, de cosas que pueden verse a ojo, ni obviamente de cosas ideológicas.
(2/n)
Ejemplo conocido por muchos, a partir de Sputnik y otras: las vacunas. En ese caso, la efectividad se comprueba con un experimento aleatorio controlado. Al ser "controlado", se puede elegir un grupo de control (recibe un placebo) y uno de tratamiento (vacuna).
(3/n)
Al poder elegir los grupos, se puede garantizar que uno es un "contrafáctico" del otro: se eligen aleatoriamente los integrantes de uno y otro, de modo tal que quede balanceada la composición de cada grupo, en términos de las características de sus integrantes.
(4/n)
Cuando lo que quiero evaluar no es un experimento controlable en un laboratorio, como el efecto de la presencialidad en los contagios, voy a pasar a un contexto de evaluación no experimental, donde establecer causalidad es muchísimo más complejo.
(5/n)
Para ello se necesita una estrategia empírica que permita hacer inferencia causal. En el informe que comenta Nora, se eligió "diferencias en diferencias" comparar CABA con AMBA sin CABA antes y después de presencialidad si y no, y ver si se encuentra que hubo un efecto.
(6/n)
Diferencias en diferencias (DiD) NO garantiza que uno pueda hacer inferencia causal así sin más. Lo que el método pide es que se cumplan ciertas condiciones para garantizar que la estrategia de identificación del efecto es correcta. Que el contrafáctico es válido.
(7/n)
Esto no es opinable. No se me ocurrió a mí, ni a los autores del trabajo, ni a Nora. Y no cambia bajo pandemia, en un análisis epidemiológico, económico o el que sea. Si queres inferir causalidad con DiD, necesitas mostrar que cumplís con esos requisitos.
(8/n)
Dos de los supuestos principales son SUTVA y Paralell Trends. El análisis de presencialidad y contagios viola ambos supuestos. Y es muy claro que lo hace.
Parte de SUTVA es que no haya externalidades entre los grupos, lo no se cumple: hay movilidad entre CABA y resto AMBA.
(9/n)
Paralell Trend no se cumple porque la situación y la dinámica epidemiológica no sigue el mismo patrón entre los dos grupos, el gráfico de abajo lo muestra claramente para los 10 días previos a la intervención, CABA viene subiendo, resto AMBA bajando levemente
(10/N)
Entonces: no SUTVA, no Paralell Trend -> no es posible inferencia causal. Esto NO es discutible.
No sirven ejercicios descriptivos adicionales. Hay que probar lo otro. Cualquier otra cosa que quieras mostrar, por más linda que suene, no te permite inferencia causal.
(11/N)
Mostrar otras cosas puede servirte para tener indicios, pero nada más. La causalidad no acepta como demostración los indicios sin la prueba sólida.
Es como cuando en un examen no sabias una pregunta y escribías cosas más o menos relacionadas, esperando zafar.
(12/N)
Qué implica y no implica esto? 1- Implica que no hay por ahora evidencia causal de la relación presencialidad contagios en CABA, ni positiva ni negativa. 2- No implica que no exista relación causal entre presencialidad y contagios, pero esa relación no fue probada.
(13/n)
Se puede probar esa relación causal? Con los datos disponibles hasta ahora diría que es imposible probar uno u otra cosa. Veremos en el futuro.
(14/n)
Finalmente, y aunque nada aporta, mi posición más allá del informe que comenté.
Yo no tengo una idea fuerte sobre si presencialidad aumenta contagios. La mayor parte del tiempo pienso que sí. Pero no tengo seguridad y, sobre todo, desconozco la magnitud del efecto.
(15/n)
Sin embargo, lo mismo creo de otras actividades que siguen abiertas. Y dado que, como muestran muchos trabajos, costos de no presencialidad son altos, sobre todo a mediano y largo plazo y para los + pobres, creo que escuelas deben cerrar solo como último recurso.
Fin
• • •
Missing some Tweet in this thread? You can try to
force a refresh
Van unos tuits sobre el debate Distribución vs. Crecimiento, basado en datos de América Latina (y de algunos otros países).
El gráfico siguiente sitúa a los países de nuestra región en términos de distribución (Gini, eje Y) y nivel de ingresos familiares (eje X):
En el contexto de LatAm, Argentina todavía se ubica en el cuadrante de países con niveles de ingreso relativamente alto y desigualdad relativamente baja.
Los cuadrantes son arbitrarios y contextuales: todos los países de la región tienen desigualdad alta en el contexto global.
Cómo se traducen esas relaciones ingreso/distribución en pobreza?
No hay una relación tan simple, Gini e ingreso medio son medidas que resumen la distribución del ingreso, pero no representan su "forma" en detalle.
El ranking de ARG en la región depende de línea de pobreza usada.
Hoy INDEC comenzó a publicar información socioeconómica de finales de 2020, en este caso de mercado laboral del Trimestre 4. La semana que viene va a publicar el número de pobreza del Semestre II de 2020.
Qué sabemos al respecto?
Va un hilo no tan largo
(1/n)
Último dato de pobreza es Semestre I: 40.9%. Incluye un Trimestre "normal", sin pandemia, y otro "anormal" con pandemia y, sobre todo, con cuarentena fuerte.
Semestre II es algo menos "anormal", con menos cuarentena, pero más pandemia y arrastra los efectos del Trimestre 2
(2/n)
Qué paso con el empleo?
El indicador más apropiado para mirar, a mi juicio, es empleados cada 100 habitantes: después de un mínimo en Trimestre 2, se comenzó a recuperar al relajarse la cuarentena. En Trimestre 4 aún está en niveles menores a los de antes de la pandemia.
(3/n)
Si tuviera que chequear esta nota diría que, como mínimo, es ENGAÑOSA.
En los siguientes tuits explico las razones 👇 ipypp.org.ar/2021/02/13/37m…
La afirmación "3.7 millones de personas salieron de la [...] pobreza" proviene de comparar tasas de pobreza de 2do y 3er trimestre 2020, donde hay caída de 8 puntos y algo.
Al aplicar esa caída a la población nacional (aprox. 45 millones), se llega a ese 3.7 millones.
Pero...
1- La EPH no cubre a la población total del país, por lo que la proyección supone mismo comportamiento en 1/3 no cubierto que en los 2/3 cubiertos, lo cual es + o - razonable) 2- La comparación supone que 2do y 3er trimestres son "comparables", lo que no es para nada razonable
Va un hilo sobre la situación de pobreza e indigencia en países de América Latina en los últimos 10 años, antes de la pandemia, el año que viene miramos el impacto en cada uno de ellos. (1/n)
Miramos metodología oficial en todos los casos (salvo Brasil y Panamá, que miramos líneas de 3.2 y 5.5 dólares diarios), por lo que no hay que mirar niveles y comparar. Lo interesante es ver la evolución. (2/n)
Primero países que vienen bien, luego los demás. Dentro de cada grupo, no hay un orden particular.
Empiezo con Bolivia: fuerte reducción de pobreza (casi 17 puntos) e indigencia (11 puntos) entre 2009 y 2018.
Pronto van a publicar 2019.
Mejoró casi todos los años. (3/n)
Ayer INDEC publicó los microdatos del Trimestre IV de 2019. Con esto se puede resumir la evolución de la pobreza y la desigualdad en el período 2016-2019. Va un intento abajo 👇
Abajo la evolución del Coeficiente de Gini del ingreso. Los datos son semestrales, cuando es I refiere al primer semestre, II al segundo, * refiere al semestre intermedio formado por 2do y 3er trimestres, ** a trimestre intermedio formado por 4to y 1er trimestre de año siguiente
La EPH muestra que el Gini movió en un rango bastante acotado, algo así como 2.5 puntos. Entre puntas (2016-II a 2019-II) la suba en la desigualdad fue < a1 punto. Parte de la historia que no la conocemos, dado que la EPH, como toda encuesta de hogares, no capta bien top incomes.
Mañana comienzan a relajarse, muy gradualmente, las restricciones en Italia. La situación, luego de 55 días de cuarentena es la siguiente:
Hoy hay 100,179 casos activos, personas que aún tienen la enfermedad. Son 8 mil casos menos que 2 semanas atrás, cuando se dió el pico.
También cambió la composición de esos enfermos activos: en el pico, el 25.6% de los enfermos estaba hospitalizado y el 74.4% en aislamiento domiciliario. Hoy esos porcentajes son 18.7% y 78.3%. Es decir, la caída de los enfermos activos se refleja en caída de hospitalizados: