Aprender para decidir mejor: reglas de asignación óptima y causal machine learning para reducir la pérdida de impacto en programas públicos

Abstract

La presente tesis doctoral analiza el fenómeno del voltage drop en las políticas públicas, entendido como la pérdida sustantiva de efectividad que experimentan los programas cuando son adoptados o replicados en contextos distintos a aquellos en los que fueron originalmente diseñados. La evidencia empírica muestra que esta caída de impacto puede alcanzar magnitudes elevadas, lo que representa un desafío central para la evaluación de impacto y la transferencia de políticas basadas en evidencia. El argumento principal de la investigación sostiene que una de las causas fundamentales del voltage drop radica en las limitaciones de los enfoques tradicionales de evaluación de impacto, particularmente aquellos basados en ensayos aleatorios controlados (RCT) y en la estimación del efecto promedio del tratamiento (ATE). Si bien estas metodologías ofrecen altos niveles de validez interna, su énfasis en efectos promedio tiende a ocultar la heterogeneidad de los efectos entre subgrupos poblacionales, lo que conduce a extrapolaciones imprecisas y, en última instancia, a pérdidas de impacto cuando los programas se implementan en nuevos contextos. Frente a esta limitación, la tesis propone un marco metodológico basado en el Causal Machine Learning (CML), que permite identificar y explotar la heterogeneidad de los efectos de tratamiento mediante la estimación del efecto promedio del tratamiento condicional (CATE). Este enfoque posibilita un análisis más fino de cómo y para quién funcionan las políticas públicas, abriendo la puerta al diseño de intervenciones más adaptativas y focalizadas. La investigación se estructura en tres capítulos. El primero revisa críticamente el uso de los RCT y del ATE como estándar de evaluación, destacando sus límites para la generalización externa. El segundo introduce herramientas de CML, como los bosques aleatorios causales y las reglas de predicción de ensamble, y muestra, a partir de un programa de microcrédito en México, que la focalización basada en subgrupos con mayores efectos condicionales puede reducir la pérdida de impacto. El tercer capítulo integra estas herramientas con el enfoque de aprendizaje de políticas, traduciendo la heterogeneidad estimada en reglas óptimas de asignación. Mediante un análisis comparado entre México y Bosnia-Herzegovina, se evidencia que el valor de explotar la heterogeneidad es contingente al contexto, lo que subraya la importancia de la parsimonia metodológica. En conjunto, la tesis concluye que incorporar de manera sistemática el análisis de la heterogeneidad de los efectos permite reducir significativamente el voltage drop en la adopción de políticas públicas. Al transitar de una lógica centrada en efectos promedio hacia una basada en efectos condicionales y reglas de asignación óptima, es posible maximizar el impacto social y mejorar la eficiencia en el uso de los recursos públicos. El principal aporte del trabajo consiste en ofrecer un marco metodológico que no solo explica la pérdida de impacto, sino que proporciona una hoja de ruta para anticiparla y mitigarla en el diseño de políticas públicas más efectivas.

This doctoral dissertation examines the phenomenon of voltage drop in public policy, defined as the substantial loss of effectiveness that programs experience when replicated outside their original design context. Empirical evidence shows that impact reductions can be large, posing a central challenge for impact evaluation and evidence-based policy transfer. The dissertation argues that a key driver of voltage drop lies in the limitations of traditional evaluation approaches based on randomized controlled trials (RCT) and the estimation of the average treatment effect (ATE). While these methods provide strong internal validity, their focus on average effects obscures treatment effect heterogeneity, leading to inaccurate extrapolation and reduced effectiveness in new implementation settings. To address this limitation, the study proposes a framework grounded in causal machine learning, which estimates the conditional average treatment effect (CATE) to identify for whom and under what conditions policies work. This enables more adaptive and targeted interventions. The dissertation is organized in three chapters. The first critically assesses RCT- and ATE-based evaluation as a standard for external validity. The second introduces causal forests and ensemble prediction rules, showing—using a microcredit program in Mexico—that targeting subgroups with larger conditional effects reduces voltage drop. The third integrates these tools with policy learning, translating estimated heterogeneity into optimal assignment rules. A comparative analysis between Mexico and Bosnia-Herzegovina demonstrates that the value of exploiting heterogeneity is context-dependent, highlighting the importance of methodological parsimony. Overall, incorporating systematic heterogeneity analysis significantly reduces voltage drop in policy adoption. Moving from average-effect reasoning to conditional-effect targeting improves social impact and resource efficiency while providing a practical roadmap for designing more effective public policies.