Problem 

Set 2: Schools
Matteo Vasca – ID 3020928

1. School vouchers
a.  I   would   expect   a   downwardly   biased   value  of  ββ1  with   respect   to  β1.   This   happens   because,
intuitively,   the   effect   of   school   vouchers   would   have   been   higher   if   only   all   the   students   who
received the voucher could have used it.

b. If we consider all the students who didn’t attend private schools as part of the control group, we
will find an upwardly biased ββ1, because the students who drop out of private school are more likely
to be low­scores students; so our treatment group will be made “only” of high­scores students.
We find the mean score of the control group:
[ 60*(100%) + 40*(20%) ] / 1.20 = [ 60 + 8 ] / 1.20 = 56.67
Now we calculate the ββ1 by subtracting this result from 75 (the score of the students who went to
private school) and we obtain ββ1 = 18.33 > β1 = 10.

c.  In this case we have a problem of  attrition: some students (20%), we considered part of the
treated group, didn’t receive any treatment (private school). We can use an intent­to­treat technique
by simply considering this 20% still part of the treated group. In this case we expect to have a
downwardly biased  ββ1rand, because of two reasons: first, some students didn’t receive any private
instruction even if they were supposed to; second, the students who drop out of private schools
could probably be the less good ones, so their scores make our results lower in the treatment group.
In order to calculate the ββ1rand, we find the mean score in the treatment group:
75*(80%) + 40*(20%) = 60 + 8 = 68
From this result we can say that the ββ1rand value is 68 – 60 and so ββ1rand = 8. Since the real β1 value
is 10 points on a scale of 100, we confirm that our estimation is downwardly biased.

d. In this case, in the equation 1 we will consider part of the treatment group also those low­income
students who managed to obtain a scholarship to private schools. Since they obtained a scholarship,
we can deduce that they are more likely to be high­scores students and so we expect our  ββ1 to be
upwardly biased (only the low­scores students will remain into the control group).

e. In this example the students who attended private school without a voucher were not that good.
This will have a negative effect on our ββ1, that will be downwardly biased.
Let’s check. We calculate the average score of the students who went to private schools:
[ 70*(100%) + 60*(20%) ] / 1.20 = [ 70 + 12 ] / 1.20 = 68.33
And so we find that ββ1 = 68.33 – 62.5 = 5.83 < β1 (downward effect).

f. In this case, with the ITT analysis, ββ1rand will be downwardly biased again. In fact, in the “public
school” control group, we do not consider the lowest­score students (and so the average score of
this subgroup will be higher), but the students who went to the private schools – even if they hadn’t
a voucher – could have got a also lower score if they had remained in public schools (so the effect
on the average score of the control group will be upward).
Let’s calculate the average score of the control group:
62.5*(80%) + 60*(20%) = 50 + 12 = 62
And, so, we have ββ1 = 70 – 62 = 8 < β1.

g. From this analysis we can simply conclude that the ITT estimator is always downwardly biased.
This happens because we can have an upward effect on the control group (non­compliance) or a
negative effect on the treatment group (attrition often reduces the ββ1 value). On the other hand, we
don’t know ex ante the bias direction in the equation 1 case and we have to calculate it case by case.

2. Schools construction in Indonesia (Duflo, 2001)

a. We report the results of the regression.
. reg educ Young Low Young_x_Low

      Source |       SS           df       MS      Number of obs   =    30,720
­­­­­­­­­­­­­+­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­   F(3, 30716)     =    282.28
       Model |  12555.4369         3  4185.14564   Prob > F        =    0.0000
    Residual |  455397.438    30,716  14.8260658   R­squared       =    0.0268
­­­­­­­­­­­­­+­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­   Adj R­squared   =    0.0267
       Total |  467952.875    30,719  15.2333369   Root MSE        =    3.8505

­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­
        educ |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
­­­­­­­­­­­­­+­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­
       Young |   .3749735   .0684179     5.48   0.000     .2408716    .5090754
         Low |    1.32188   .0619635    21.33   0.000     1.200429    1.443331
 Young_x_Low |  ­.1171635   .0893285    ­1.31   0.190     ­.292251     .057924
       _cons |   8.539234   .0478549   178.44   0.000     8.445436    8.633031
­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­

b. Here is the table, filled in terms of β0, β1, β2 , and β3:

Low Intensity High Intensity              Diff (Low – High)

Young β0 + β1 + β2 + β3 β0 + β1 β2 + β3
Old β0 + β2 β0 β2
             Diff (Young – Old) β1 + β3 β1 β3
c. Here is the table, filled in terms of A, B, E, and F.

Low Intensity High Intensity             Diff (High – Low)

Young E F F – E
Old A B B – A
             Diff (Old ­ Young) A – E B – F (F – B) – (E – A)

Where:
➢ (A – E) indicates the value of having been young when the program was implemented in a low
intensity region;
➢ (B – F) indicates the difference between having been  young  instead of  old  in 1974 in a  high
intensity region;
➢ (F – E) indicates the “added” value of being in a high intensity region if you were young in 1974;
➢ (B – A) is the same of (F – E), but calculated on old children in 1974;
➢ (F   –   B)   –  (E  –   A),   that   can   also   be  written   as  “(F  –  E)   –   (B   –  A)”   –   but   with   a   different
interpretation –, can be seen as the real value of the program. Is the difference of having been in
a high intensity region (instead of a low intensity region) of the difference between having been
young when the program started (instead of being old). So indicates the effect of the program on
young  children in 1974, independently from the fact that they were in a  high  or  low intensity
region: difference­in­difference analysis.

d.  ββ2  indicates  the  difference   for   a  child   who  was  old  in   1974  (when   the  schools  construction
started) of having been in a low intensity region instead of in a high one. Since we expect that the
program had no effect on children who were old in 1974, and the low regions had a higher level of
education (in terms of years of schooling) instead of the high regions, we expect this coefficient to
be positive (as it is in the regression).

e. ββ1 indicates the effect of being young in a high intensity region in 1974. So it says that a young
child is more likely to have an higher number of years of schooling than an old one, if both are in a
high   intensity   region.   For   these   reason,   we   expect  ββ1  to   be   positive   (and   in   fact  ββ1  =   0.3750,
statistically significant at 99% level).

f.  Because the  very old  children were already too old when the program started (they were more

than 12 years old) and so they received no effect from it (as we expect also for the old children).
The use of this cohorts would  have been  useful only in order to calculate the trend of  years of
education before the schools construction started.
The  intermediate  cohorts, instead,  were an intermediate case: they weren’t  fully exposed  at  the
program   and   so   the   effect   on   them   depended   very   much   on   the   age   of   the   pupils   (they   were
between 7 and 12 years old when the program started).
Another   reason   for   excluding   these   two   groups   is   that,   by   using   only  young  and  old,   we   can
calculate the difference­in­difference coefficient much better (it would have been more complicated
to calculate it with also the other groups).

g.  We can say that the high enrollment regions were the lower density regions in our previous figure
on slide 231  and so, as the Problem Set 2 text asks, we have to suppose that   the government of
Indonesia wants to improve the areas in which there is already a high level of enrollment (this
is how I interpret the fact that the government  “targeted the program  […]  to districts which had
initially high enrollment, but parallel trends assumption still holds”).
Here is the new appropriate version of the figure on slide 23.

Do – file
cd "\\Client\A$\Università\3_anno\Northwestern\COURSES\Economics_of_developing_countries\PS2"
log using MVasca.log, replace
use duflo_winter17.dta
sum agegroup
drop if agegroup == 2
drop if agegroup == 4
gen Young= agegroup==1
gen Low= high==0
gen Young_x_Low= Young*Low
reg educ Young Low Young_x_Low

1
 E. Duflo, in her paper at pp. 2, 9, writes that “the government’s effort [was] to allocate more schools to the regions were 
initial enrollment was low” and also that “the program provision that more schools would be built in lower enrollment 
regions is reflected in the differences between the education in law and high program regions”