Submitted by Bernardo Andrade Lyrio Modenesi (bmodenesi@gmail.com) on 2015-07-22T21:31:40Z No. of bitstreams: 1 modenesi_thesis_v4whatseparatemen.pdf: 819403 bytes, checksum: d0a2f018fe44526173ae5b3f9e4c13a9 (MD5) / Rejected by Suzinei Teles Garcia Garcia (suzinei.garcia@fgv.br), reason: Prezado Bernardo bom dia, Nome da fundação e escola em negrito, o trabalho é em inglês vem primeiro o ABSTRACT depois o RESUMO e para aprovar o trabalho é necessário o seu orientador encaminhar e-mail para o cmcd@fgv.br com o novo Título autorizando o protocolo da versão final. Aguardo! Grata. Suzi 3799-7876 on 2015-07-23T11:30:51Z (GMT) / Submitted by Bernardo Andrade Lyrio Modenesi (bmodenesi@gmail.com) on 2015-07-23T14:56:25Z No. of bitstreams: 1 modenesi_thesis_v4.pdf: 819610 bytes, checksum: 8482a7c46b6c9bada5d33905e41147d7 (MD5) / Approved for entry into archive by Suzinei Teles Garcia Garcia (suzinei.garcia@fgv.br) on 2015-07-23T17:16:31Z (GMT) No. of bitstreams: 1 modenesi_thesis_v4.pdf: 819610 bytes, checksum: 8482a7c46b6c9bada5d33905e41147d7 (MD5) / Made available in DSpace on 2015-07-23T18:29:24Z (GMT). No. of bitstreams: 1 modenesi_thesis_v4.pdf: 819610 bytes, checksum: 8482a7c46b6c9bada5d33905e41147d7 (MD5) Previous issue date: 2015-06-25 / When estimating policy parameters, also known as treatment effects, the assignment to treatment mechanism almost always causes endogeneity and thus bias many of these policy parameters estimates. Additionally, heterogeneity in program impacts is more likely to be the norm than the exception for most social programs. In situations where these issues are present, the Marginal Treatment Effect (MTE) parameter estimation makes use of an instrument to avoid assignment bias and simultaneously to account for heterogeneous effects throughout individuals. Although this parameter is point identified in the literature, the assumptions required for identification may be strong. Given that, we use weaker assumptions in order to partially identify the MTE, i.e. to stablish a methodology for MTE bounds estimation, implementing it computationally and showing results from Monte Carlo simulations. The partial identification we perfom requires the MTE to be a monotone function over the propensity score, which is a reasonable assumption on several economics' examples, and the simulation results shows it is possible to get informative even in restricted cases where point identification is lost. Additionally, in situations where estimated bounds are not informative and the traditional point identification is lost, we suggest a more generic method to point estimate MTE using the Moore-Penrose Pseudo-Invese Matrix, achieving better results than traditional methods. / A estimação de parâmetros relevantes no contexto de intervenções políticas, também conhecidos como efeitos de tratamento, enfrenta diversos problemas práticos como o viés relacionado ao mecanismo de atribuição do status de tratamento. Adicionalmente, efeitos heterogênos na literatura de Avaliação de Impactos é mais comum que efeitos homogêneos. Em situações nas quais estes problemas estão presentes, a estimação do Efeito Marginal de Tratamento (MTE) emprega o método de variáveis instrumentais para contornar o viés de seleção ao tratamento, obtendo ao mesmo tempo efeitos heterogêneos. Mesmo que a literatura identifique pontualmente este parâmetro, as hipóteses por trás da identificação são costumeiramente restritivas. Neste trabalho pretende-se afrouxar as hipóteses vigentes na literatura de modo a obter identificação parcial do MTE, requerendo apenas monotonicidade do mesmo ao longo das diferentes propensões ao tratamento, o que é comum em diversos exemplos da literatura econômica. Simulações de Monte Carlo são performadas, resultando em limites para o MTE que se mostram informativos, mesmo em situações restritas nas quais a tradicional identificação pontual é perdida. Complementarmente, em situações quando a identificação parcial não é informativa e a tradicional ponto identificação é perdida, propomos a ponto identificação utilizando a matrix pseudo inversa de Moore-Penrose. Esta metodologia prescinde da hipótese de monotonicidade e resulta em melhores estimativas quando comparada aos métodos tradicionais.