Professional Documents
Culture Documents
El problema que será analizado consiste en el escaso nivel de acceso a la educación que
poseen los presos argentinos. Según el último informe del Sistema Nacional de Estadísticas sobre
Ejecución de la Pena (Sneep, 2017), publicado por el Ministerio de Justicia y Derechos Humanos
de la Nación, el 48% de los presos de todo el país no participa de ningún programa educativo
dentro de las cárceles. A su vez, dichas cifras arrojan que alrededor del 50% de la población
carcelaria no ha terminado la escuela y el 60% de estos ni siquiera logró completar sus estudios
primarios.
Esta situación dificulta aún más el tiempo que atraviesan los presos en las cárceles, dado
que aquellos que terminan su condena y son liberados se ven imposibilitados de encontrar una
salida laboral debido, no sólo a sus antecedentes penales, sino también a la falta de estudios. Esto
trae como consecuencia que las tasas de reincidencia aumenten (alrededor del 60% de los presos
reinciden según las estadísticas).
Por lo tanto, la intervención será a través del ya desarrollado programa UBA XXII,
creado en 1986 a través de un convenio firmado entre el Servicio Penitenciario Federal y la
Universidad de Buenos Aires. Este programa tiene como objetivo brindar educación universitaria
en las cárceles. Su núcleo funciona en el Centro Universitario Devoto (CUD), un anexo de la
UBA en la ex Unidad 2 de Villa Devoto, y a su vez posee presencia en la cárcel federal de
Ezeiza. En el marco del programa, los presos tienen la opción de elegir entre cinco carreras
universitarias: Contador Público, Derecho, Letras, Psicología y Sociología. También existen
talleres y actividades educativas complementarias.
Por último, respecto a los factores externos creemos que uno importante puede llegar a
ser el del recorte al presupuesto educativo debido a un eventual ajuste en el gasto público
nacional por razones de la macroeconomía argentina. Otro podría ser el crecimiento repentino en
las tasas de detención (potenciado, en general, por el aumento en las desigualdades sociales) lo
que haría que los efectos del programa se “diluyan” de cierta manera.
● Variable independiente:
○ Tasa de Reincidencia
● Variables dependientes:
○ Nivel de Instrucción antes de ingresar al establecimiento
penitenciario
○ Situación Laboral al ingresar al establecimiento penitenciario
○ Nivel Educativo al ingresar a la cárcel
○ Tipo de delito cometio
○ Participación en UBA XXII
La elección de estas variables dependientes se deben a la alta causalidad que provocan en
la variable independiente. Se considera que estas variables son importantes al conformar los
grupos tratamientos y control ya que son factores que influyen al momento de cumplir la
condena y reinsertarse en el mercado laboral.
Como las variables a analizar son muchas, se puede volver dificultoso encontrar
una pareja para cada una de las personas del grupo de tratamiento. Por esta razón, es que
se utiliza lo que se denomina “Propensity score matching”. Este método ya no se
necesita matchear cada persona del grupo de tratamiento con aquella del grupo de
control en base a las características de observadas. En cambio,en este caso, se tiene en
cuenta la probabilidad o propensión a ser parte del tratamiento.
Estos tres conceptos (tamaño de la muestra, margen de error y nivel de confianza) están
estrechamente ligados. Al querer obtener un determinado margen de error y nivel de confianza es
necesario un tamaño de muestra mínimo correspondiente. Al modificar alguno de estos tres
parámetros, altera los otros. Es decir, reducir el margen de error obliga a aumentar el tamaño de
la muestra; al aumentar el nivel de confianza también obliga a aumentar el tamaño de la muestra;
si aumenta el tamaño de la muestra, se puede reducir el margen de error o aumentar el nivel de
confianza.
Por lo tanto, los cálculos de potencia permiten ajustar el tamaño de la muestra para
detectar el efecto mínimo deseado. Para que una evaluación identifique un impacto moderado,
será necesario que las estimaciones de cualquier diferencia en los resultados medios entre los
grupos de tratamiento y de comparación sean muy precisas, lo que requiere una muestra grande.
En cambio, para las intervenciones que solo se considera que valen la pena si generan grandes
cambios en los indicadores del resultado, las muestras para evaluar impacto serán más pequeñas.
No obstante, el efecto mínimo detectable debe fijarse de manera conservadora, ya que es poco
probable que se detecte cualquier impacto inferior al efecto mínimo deseado.
Por su parte, se encuentra el inconveniente de la validez externa, que se refiere a que los
resultados de una intervención puedan ser generalizados a otros sujetos, poblaciones y lugares.
Una posible amenaza a la validez externa es el sesgo de selección, que se explicó en el primer
párrafo, seleccionando sujetos que cuenten con atributos especiales que no se encasillen en
características no observables. El factor situacional también se puede considerar una amenaza a
la validez externa, ya que no se puede comprobar si el ambiente influye en los resultados. En
otro contexto o ambiente, la población estudiada podría comportarse de otra forma, por ende, no
podríamos generalizar los resultados.
Además del problema mencionado, otra complejidad con la que cuenta esta técnica es
que se requieren grandes bases de datos con grandes muestras. Muchas veces se usa esta técnica
cuando no se pueden usar otras, ya que no se cuentan con datos de línea base, es decir, con datos
previo a la intervención. Ante esta ausencia de datos, se selecciona el propensity score matching
para generar una situación contrafáctica y subsanar la ausencia de los datos ex-ante.
La maldición de las dimensiones es otro conflicto que conlleva esta metodología, que es
resuelta por el Propensity Score Matching. La llamada “maldición de las dimensiones” se refiere
a la dificultad que lleva el querer tener en cuenta todas las características posibles en un sistema.
Al creer que es mejor tener mayor cantidad de datos, se cae en un desperdicio de tiempo al
buscar variables que quizás no son útiles para la evaluación de impacto. A medida que aumenta
el número de dimensiones o características que se quieren “matchear”, es más difícil identificar
una pareja para cada una de las unidades del grupo de tratamiento.
------------------------------------------------------------------------------
uba | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
delito | .0121067 .0054599 2.22 0.027 .0014055 .0228078
instruccin | .448832 .0255039 17.60 0.000 .3988453 .4988186
situacionl~l | -.0304365 .039737 -0.77 0.444 -.1083196 .0474466
capacitacion | -.2233971 .0412664 -5.41 0.000 -.3042778 -.1425165
_cons | -2.953955 .1836173 -16.09 0.000 -3.313838 -2.594072
------------------------------------------------------------------------------
Note: the common support option has been selected
The region of common support is [.07225649, .72991431]
Description of the estimated propensity score
in region of common support
******************************************************
Step 1: Identification of the optimal number of blocks
Use option detail if you want more detailed output
******************************************************
The final number of blocks is 5
This number of blocks ensures that the mean propensity score is not different for treated
and controls in each blocks
**********************************************************
Step 2: Test of balancing property of the propensity score
Use option detail if you want more detailed output
**********************************************************
The balancing property is satisfied
This table shows the inferior bound, the number of treated and the number of controls for
each block
Inferior |
of block | uba
of pscore | 0 1| Total
-----------+----------------------+----------
.072 | 739 168 | 907
.2 | 250 102 | 352
.3 | 19 0 | 19
.4 | 27 2 | 29
.6 | 14 1 | 15
-----------+----------------------+----------
Total | 1,049 273 | 1,322