L`approccio controfattuale nella valutazione di impatto sulla
Transcript
L`approccio controfattuale nella valutazione di impatto sulla
LETTI PER VOI: “L’approccio controfattuale nella valutazione di impatto sulla salute” Cinzia Di Novi∗ Università Ca’ Foscari di Venezia, Dipartimento di Economia L’approccio controfattuale alla valutazione degli effetti delle politiche pubbliche si propone di verificare la capacità di una politica pubblica di modificare nella direzione desiderata i comportamenti o le condizioni di una determinata popolazione di destinatari. L’effetto viene definito come differenza tra ciò che è accaduto dopo l’attuazione di una politica (situazione fattuale) e ciò che sarebbe accaduto se quella stessa politica non fosse stata realizzata (situazione controfattuale). Per stimare l’effetto è quindi necessario ricostruire il dato controfattuale. Il metodo quasi-sperimentale viene impiegato in tutte le situazioni in cui non è possibile assegnare i destinatari di un intervento in modo casuale. Si basa su dati osservazionali derivati dalla osservazione del corso naturale degli eventi. Di seguito si presentano due differenti metodi per la ricostruzione del controfattuale: il matching statistico ed il metodo difference-in-difference. V. Carrieri, C. Di Novi, R. Jacobs, S. Robone (2014) “Insecure, sick and unhappy? Well-being consequences of temporary employment contracts” in "Factors Affecting Worker Well ∗ e-mail: [email protected]. 1 Being", Research in Labor Economics, vol 40; ch. 4; Edited by S.W. Polachek, K. Tatsiramos, 40, 157-193. L’articolo prende in considerazione l’introduzione della Legge Biagi e gli effetti del lavoro a tempo determinato sulla salute dei giovani “precari”. I risultati sono ottenuti con stime basate sul propensity score matching (un esempio di costruzione del controfattuale). L’analisi è condotta su un campione di 8280 individui attivi nel mercato del lavoro e di età compresa tra i 15 (età minima legale per iniziare a lavorare in Italia nel 2005) e i 30 anni. I dati provengono dall’Indagine Multiscopo “Condizioni di salute e Ricorso ai Servizi Sanitari” (ISTAT) svolta nel 2004/2005. Per studiare le conseguenze sul benessere individuale del lavoro temporaneo e della mancanza di sicurezza sul lavoro, l’analisi considera quattro indicatori di salute: la salute percepita, una misura di felicità, una misura oggettiva di benessere fisico e una oggettiva di salute mentale. Un possibile problema di uno studio che intende esplorare gli effetti sulla salute dei contratti a tempo determinato è costituito dalla possibilità che gli individui si siano auto selezionati in un lavoro temporaneo a causa di preesistenti problemi di salute. L’eventualità è affrontata nella ricerca tramite il metodo del matching statistico. Il metodo prevede prima di tutto di calcolare la probabilità di essere assunti con un contratto a tempo determinato. Le stime dei parametri della probabilità di avere un lavoro temporaneo vengono trasformate in un punteggio (score) che riassume le caratteristiche osservabili (età, sesso, zona geografica, stato maritale, livello di istruzione, tipo di industria e occupazione, esperienza lavorativa, reddito, composizione familiare ecc.) che differenziano i lavoratori temporanei dai lavoratori con contratto a tempo indeterminato e che sono associate alle condizioni di lavoro e allo stato di salute individuale. Lo score permette di selezionare tra i lavoratori a tempo indeterminato un individuo “gemello” per ogni lavoratore temporaneo così da minimizzare tutte le differenze sistematiche che possono influire sulla stato di salute individuale. I “gemelli” con contratto a tempo indeterminato sono coloro che presentano un punteggio il più vicino possibile all’individuo di riferimento con contratto di lavoro temporaneo. Infine, l’effetto medio del lavoro a tempo determinato (Average treatment effect on the treated, Att) è misurato dalla differenza negli indicatori di salute e felicità: l’ipotesi è che dati due individui il più possibile simili in termini di caratteristiche osservabili, eventuali differenze nello stato di salute fisico e psicologico sono imputabili all’effetto del lavoro a tempo determinato. La tecnica del propensity score matching, formalizzata da Rosenbaum and Rubin (1983), consente quindi di ottenere due gruppi bilanciati, uno trattato (il lavoratore precario) e l’altro di controllo (il lavoratore con contratto a tempo indeterminato): lo score si sostituisce ad 2 una collezione di variabili “confondenti” con un’ unica covariata, funzione di tutte le variabili. Riassumendo le caratteristiche intrinseche che potrebbero generare distorsione, il propensity score consente di comparare attraverso una procedura di abbinamento (matching) i soggetti “trattati” ed i “controlli”. I risultati del lavoro mostrano un effetto negativo dei contratti di lavoro a tempo determinato sulla salute psicologica (Mcs e felicità) ma non fisica dei giovani lavoratori italiani. Come evidenziato dalla tabella 1, i lavoratori a termine, ad esempio, presentano circa mezzo punto percentuale in meno di salute psicologica nello score di salute mentale e dichiarano molto più frequentemente di sentirsi infelici e poco interessati alla vita. Tuttavia, le conseguenze negative del lavoro a tempo determinato sembrano essere tipicamente un problema maschile. Le donne, probabilmente grazie al lavoro flessibile, riescono a conciliare meglio i tempi di vita con quelli lavorativi e pertanto non sembrano soffrire delle condizioni di lavoro più flessibili. C. Di Novi, M.Piacenza, S. Robone, G. Turati (2015) "How does fiscal decentralization affect regional disparities in well-being? Evidence from health inequalities in Italy", Health, Econometrics and Data Group (HEDG) Working Papers 15/23, HEDG, c/o Department of Economics, University of York. L’articolo considera il decentramento fiscale che ha riguardato l’Italia negli anni Novanta e le possibili conseguenze sulla disuguaglianza in salute. Si tratta di esempio di valutazione di una politica con metodo quasi sperimentale- “Difference in Difference Approach”. Nel primo stadio gli autori utilizzano i dati individuali per calcolare la disuguaglianza individuale in salute, accesso alle cure e health-related behaviors (lo stile di vita individuale che la letteratura mostra essere una determinante essenziale nello spiegare lo stato di salute individuale e 3 la disuguaglianza in salute). I dati individuali fanno riferimento all’indagine “Indagine Multiscopo sulle Famiglie, Aspetti della Vita Quotidiana”1994-2007, (ISTAT) con un campione rappresentativo di circa 20 mila famiglie e 60 mila individui residenti in Italia. Gli indici di concentrazione sono stati calcolati facendo riferimento alla recente letteratura sulle disuguaglianze sanitarie in particolare: l’indice di concentrazione relativo allo stato di salute facendo riferimento al lavoro di Kobus & Milos (2012). Si tratta di un indice che tiene conto del fatto che la salute percepita è espressa come scala ordinale. L’indice di concentrazione riferito all’accesso alle cure invece è stato calcolato tenendo conto della correzione Erreygers (2009). Si tratta di un indice di disuguaglianza relativa che tiene conto dei bisogni individuali e che corregge per le misure binarie di accesso alle cure. Lo stessa correzione è stata utilizzata per gli health-related behaviors tenendo conto delle differenze di età e di sesso nello stile di vita e che di nuovo introducendo la correzione dovuta agli indicatori binari di stili di vita – ad esempio fumo sì/no). Nel secondo stadio, i dati relativi alla disuguaglianza in salute, accesso alle cure e stile di vita a livello individuale (calcolati nel primo stadio) sono stati aggregati a livello regionale. Le variabili emerse aggregando i dati individuali e che misurano la disuguaglianza in salute, accesso alle cure, e stile di vita a livello regionale sono state utilizzate in un modello di regressione difference in difference in cui le osservazioni sono le Regioni. La disuguaglianza in salute nel nuovo modello rappresenta la variabile dipendente, gli altri due indici di disuguaglianza (accesso alle cure e stile di vita) sono stati inseriti come regressori insieme ad altre variabili indipendenti. Nel secondo stadio il lavoro utilizza dati panel a livello regionale provenienti dal database ISTAT “Health for All - Italy” che contiene diversi indicatori demografici, socioeconomici, sulla domanda e sull’offerta di servizi sanitari e sulla spesa sanitaria. L’effetto del decentramento è stato poi calcolato nel modello regionale mediante una “doppia differenza” (modello difference in difference): una differenza nel tempo (pre-post decentramento) e una differenza fra soggetti (trattamento). In questo caso specifico per il trattamento non è stata scelta una variabile binaria (come spesso accade negli studi quasisperimentali che considerano le differenze tra trattati e non trattati) bensì una variabile continua: il Prodotto Interno Lordo pro-capite come proxy dello sviluppo economico. Il trattamento in questo caso viene definito “continuous treatment”. Nel testo gli autori si basano sull’ipotesi che:“richer Regions may rely on a significant amount of own tax revenue to be allocated to healthcare, while in the poorer Regions decentralization is likely not to play any relevant role due to the low level of economic activity and the limited tax base “. 4 Qui di seguito è possibile vedere come è stato impostato il modello difference in difference: il coefficiente che misura le “differenze” è quello legato alla variabile di interazione tra il PIL procapite e la variabile DECENTR (variabile temporale che indica il pre-post decentramento): yit = β 0 + β1 Healthcare inequalityit + β 2 Lifestyle inequalityit + + β 3GDPit + β 4 GDP × DECENTRit + + X it + ui + τ t + ε it I risultati contenuti nella Tabella 2, sono robusti sotto differenti specificazioni del modello: Tabella 2: Effetto del decentramento GDP_procap DECENTR98xGDP Fixed Effects Coef. Std. Err t P>|t| -2.283 2.840 -0.800 0.432 -1.483 0.727 -2.040 0.056 GDP_procap DECENTR98xGDP Random Effects Coef. Std. Err t P>|t| -1.020 1.444 -0.710 0.480 -3.131 0.808 -3.880 0.000 GDP_procap DECENTR98xGDP Random Effects + Mundlak Coef. Std. Err t P>|t| -0.700 1.586 -0.440 0.659 -2.949 0.793 -3.720 0.000 Dopo aver controllato per le disuguaglianze nell’accesso ai servizi sanitari e per le disuguaglianze nello stile di vita e per alcune caratteristiche regionali che potrebbero influenzare la disuguaglianza in salute, tutte le stime mostrano un effetto negativo del decentramento sulla disuguaglianza in salute. La magnitudine dell’effetto differisce a secondo del livello di PIL procapite osservato in ciascuna regione, in particolare l’effetto del decentramento è maggiore nelle regioni più “ricche” rispetto a quelle più “povere”. Il decentramento, che ha attribuito maggior poter fiscale alle Regioni sembrerebbe ridurre le disuguaglianze in salute. Bibliografia 1. C. Di Novi, M.Piacenza, S. Robone, G. Turati (2015) "How does fiscal decentralization affect regional disparities in well-being? Evidence from health inequalities in Italy", Health, Econometrics and Data Group (HEDG) Working Papers 15/23, HEDG, c/o Department of Economics, University of York. 5 2. C. Di Novi, M.Piacenza, S. Robone, G. Turati (2015) "How does fiscal decentralization affect regional disparities in well-being? Evidence from health inequalities in Italy", Health, Econometrics and Data Group (HEDG) Working Papers 15/23, HEDG, c/o Department of Economics, University of York. 3. Erreygers G., (2009) Correcting the concentration index. Journal of Health Economics, 28: 504–515. 4. Kobus M., Mi•os P. (2012) Inequality decomposition by population subgroups for ordinal data. Journal of Health Economics, 31: 15-21. 5. Rosenbaum PR, Rubin DB. The central role of the propensity score in observational studies for causal effects. Biometrika 1983;70:41–55. 6