Romina Antonella Maiorano, Paycheck Protection Program: Análisis de la Recuperación del Empleo en Compañías Públicas (2024)
Summary
A master's thesis (Tesis de Maestría) in economics by Romina Antonella Maiorano at the Universidad Torcuato Di Tella, dated Julio 3, 2024 and supervised by Prof. Ph.D. Hernán Ruffo. It evaluates the impact of the Paycheck Protection Program (PPP), enacted in the first quarter of 2020 in response to the COVID-19 crisis to protect employment and payrolls at small and medium-sized firms through bank credit lines. Using difference-in-differences (DiD) methods, including doubly robust estimators for multiple periods, on observational data for eligible public companies, it compares employment changes between potentially eligible firms and firms that took the credit before and after receipt of funds. The results indicate a negative medium-term effect: an estimated reduction of between 5 and 15 employees over the three years after applying.
Summary drafted by a model from the document's text below and checked by script against that text before publication. It is a navigation aid, not a reading of what the document proves. Where AI is used
Cite this document
“Romina Antonella Maiorano, Paycheck Protection Program: Análisis de la Recuperación del Empleo en Compañías Públicas (2024).”
Original at repositorio.utdt.edu. Archived at Pandemic Darlings, https://pandemicdarlings.com/source-documents/romina-antonella-maiorano-paycheck-protection-program-an-lisis-de-la-r-43464010ab/
, SHA-256 ff5cf6d8994dbadee03b970c0932b5e8c641910425c68c608ce2b0b40daed188.Full text
Típo de documento: Tesis de Maestría
Departamento de Economía. Maestría en Economía
Paycheck Protection Program:
Análisis de la Recuperación del
Empleo en Compañías Públicas
Autoría: Maiorano, Romina Antonella
Año: 2024
¿Cómo citar este trabajo?
Maiorano, R. (2024) “Paycheck Protection Program:
Análisis de la Recuperación del Empleo en Compañías Públicas”.
[Tesis de Maestría. Universidad Torcuato Di Tella]. Repositorio Digital
Universidad Torcuato Di Tella
https://repositorio.utdt.edu/handle/20.500.13098/13220
El presente documento se encuentra alojado en el Repositorio
Digital de la Universidad Torcuato Di Tella bajo una licencia Creative
Commons Atribución-No Comercial-Compartir Igual 4.0 Argentina (CC
BY-NC-SA 4.0 AR)
Dirección: https://repositorio.utdt.edu
Biblioteca Di Tella
í7TT}. UNIVERSIDAD
'lLL1.J TORCUATO DI TELLA
Universidad Torcuato Di Tella
Departamento de Economía
Maestría en Economía
Paycheck Protection Program:
Análisis de la Recuperación del Empleo en Compañías Públicas
Autora: Romina Antonella Maiorano
Legajo: 20H1384
Tutor: Prof. Ph.D. Hernán Ruffo
Julio 3, 2024
Abstract
El objetivo de este trabajo es realizar una evaluación de impacto del programa "Paycheck
Protection Program" o "Programa de Protección de Pagos" (PPP o el Programa). Este
programa fue anunciado y promulgado durante el primer trimestre de 2020 por el gobierno
de los Estados U nidos de América en respuesta a la crisis económica desencadenada por la
pandemia de COVID-19. El programa tuvo como objetivo reducir el impacto negativo de la
crisis sobre el nivel de empleo y sobre las nóminas de empresas estadounidenses pequeñas y
medianas a través de líneas de crédito otorgadas por bancos privados estadounidenses. El
análisis realizado en este trabajo descansa sobre el uso de métodos de diferencias en
diferencias (DiD), que estima el efecto causal del programa al comparar los cambios en el
nivel de empleo entre firmas potencialmente elegibles y firmas que accedieron a la línea de
créditos, para diferentes períodos antes y después de la recepción de los fondos del PPP,
permitiendo estimar de forma aislada el efecto causal del programa sobre el empleo en las
compañías públicas. Para el análisis se utilizaron datos observacionales de compañías
públicas estadounidenses elegibles para participar del programa. Los resultados encontrados
indicarían un efecto de mediano plazo negativo sobre el nivel de empleo para las compañías
públicas que accedieron al programa. En promedio, se estima una reducción de entre 5 y 15
empleados para los tres años subsiguientes a la aplicación al programa para las compañías
que recibieron el programa.
1/46
Contenidos
l. Introducción ............................................................................................................................................... 3
2. Metodología ............................................................................................................................................. 11
2.1. Distribución de panel ............................................................................................................. 12
2.2. Resultados potenciales .......................................................................................................... 12
2.3. Parámetro de interés .............................................................................................................. 14
2.4. Supuestos .................................................................................................................................... 15
2.5. Identificación de los estimadores ....................................................................................... 18
2.5.1. Estimador DiD Doblemente Robusto ............................................................... 18
2.5.2. Estimador DiD Doblemente Robusto para múltiples períodos .............. 23
3. Identificación de unidades de observación .................................................................................. 26
3.1. Compañías públicas potencialmente elegibles ............................................................. 26
3.2. Participación en M&A como fuente de heterogeneidad en el efecto de
tratamiento .. ... .... ..... ... ..... ... ..... ... .... ..... ... ..... ... ........ .... ... ..... ... ..... ... ..... .... ... ..... ... ..... ... ..... .... ... ... ..... ... ... 30
4. Aplicación y resultados .................................................................................................................. 34
4.1. DRDiD: Estimación por Sant'Anna & Zhao (2020) ................................................. 34
4.2. CSDiD: Estimación por Callaway & Sant'Anna (2021) .......................................... 36
5. Conclusión ................................................................................................................................................ 41
6. Bibliografía .............................................................................................................................................. 43
2/46
l. Introducción
El 27 de marzo de 2020, el Presidente de los Estados Unidos de América firmó la Ley de
Ayuda, Alivio y Seguridad Económica del Coronavirus (Ley CARES, por sus siglas en
inglés) con el propósito de proporcionar asistencia de emergencia y respuesta sanitaria para
individuos, familias y empresas afectadas por la pandemia de coronavirus. Como parte de
este paquete de ayuda, la Administración de Pequeñas Empresas (SBA, o Small Business
Administration) recibió fondos y autoridad para establecer un nuevo programa de
préstamos destinado a ayudar a pequeñas empresas en todo el país, que se habían visto
afectadas adversamente por la crisis económica desencadenada a partir de la pandemia de
COVID-19. La Sección 1102 de la Ley CARES otorgó autoridad temporal a la SBA para
distribuir préstamos bajo este nuevo programa titulado "Programa de Protección de Pagos"
o "Paycheck Protection Program" (PPP o el Programa).
El PPP permitió que pequeñas empresas y otras organizaciones que cumplían con los
Ifil]Uisitos establecidos por la SBA recibieran préstamos con un vencimiento de dos años y
una tasa de interés del uno por ciento. Bajo el PPP, tanto el interés como el monto
principal, serían completamente condonados por la SBA en caso de cumplirse todos los
criterios de retención de empleados ( el empleador debía mantener o volver a contratar a
sus empleados en caso de observar despidos, al mismo tiempo manteniendo los niveles
salariales) y en caso de que los fondos se utilizaran para gastos elegibles, tales como costos
3/46
salariales (al menos el 60 por ciento del monto condonado debía haber sido destinado a
pagos de nómina), intereses de hipotecas, pagos de alquileres o servicios públicos. En el
caso en el que la cantidad de empleados a tiempo completo se viera disminuida, o en caso
de que los salarios y sueldos se vieran afectados negativamente, la condonación del
préstamo se vería reducida.
De acuerdo con los objetivos delineados por la SBA, este programa fue diseñado para
proveer un incentivo directo a pequeñas firmas a mantener sus empleados en nómina y
minimizar la disrupción de sus puestos laborales. Los préstamos se administraron a través
de la Small Business Administration (SBA) y se otorgaron a través de bancos y otras
instituciones financieras participantes. Para incentivar la participación de los bancos, estos
podían aplicar honorarios que ascendían al 5 por ciento del principal para préstamos de
hasta $350,000 dólares, el tres por ciento en préstamos otorgados de entre $350,000 dólares
y $2,000,000 de dólares, y el uno por ciento en préstamos desde $2,000,000 de dólares a
$10,000,000 de dólares.
La discrecionalidad con la que este programa permitió operar a los bancos participantes
generó ciertas inquietudes acerca del proceso de selección y prioritización de compañías
seleccionadas a participar en el programa. La cantidad de préstamos aprobados durante
2020 alcanzó los 11,484,457 préstamos, los cuales representan un monto aprobado de $522
mil millones de dólares estadounidenses (Schweitzer & Guo, 2023).
4/46
Si bien se estima que el programa ayudó a preservar entre 2 y 3 millones de trabajos-por-
año a lo largo de los 14 meses durante los cuales se aplicó el programa, solo entre el 23 y 34
por ciento de los fondos fueron percibidos directamente por trabajadores que, de otro
modo, hubieran perdido sus empleos (Autor et al., 2022). A pesar de que el programa
cumplió el objetivo de ser una fuente rápida de financiamiento ante una situación
económica crítica e inmediata (Hubbard & Strain, 2020), diferentes estudios estiman en
qué medida la falta de precisión a la hora de seleccionar a las firmas beneficiarias generó
una incidencia altamente regresiva del programa en comparación con otros paquetes
estímulo (Autor et al., 2022).
En cuanto a la literatura existente en cuanto a la evaluación del programa, podemos
dividir los estudios disponibles en dos partes. En primer lugar, algunos estudios se enfocan
en el proceso de asignación y obtención de las líneas de crédito. De acuerdo con los
resultados presentados en Duchin et. al, (2021), la probabilidad de obtener un préstamo
dentro del programa se veía aumentada entre un 8 y un 9.3 por ciento cuando existía una
conexión personal entre profesionales de los bancos prestamistas y los representantes de las
firmas prestatarias. Este efecto se ve debilitado en el caso de analizar firmas con mayor
escrutinio o presencia pública o en los medios. En cuanto al carácter discrecional de
otorgamiento de los préstamos, en Chernenko & Scharfstein, (2021), se encuentra que
existe también un componente de discriminación racial al analizar la participación de
5/46
firmas pequeñas. Los autores analizan una muestra de restaurantes domiciliados en Florida,
y estiman, a partir de datos administrativos y reseñas de los restaurantes, que restaurantes
cuyos dueños pertenecen a la comunidad negra tenían un 25 por ciento menos de chances
de recibir el préstamo por el programa de PPP (Chernenko & Scharfstein, 2021).
Siguiendo esta mISma línea, utilizando información obtenida a través de encuestas
realizadas a más de 14,000 pequeñas empresas, en Humphries et al., (2020) se encuentra
evidencia que indicaría que las fricciones informativas que generó el diseño del programa
jugaron un papel importante en la determinación del acceso diferencial a los recursos del
PPP entre las empresas pequeñas en relación a las empresas grandes. Estas fricciones,
relacionadas con que los fondos se asignarían por orden de llegada (first come, first served
basis), son más restrictivas para las empresas pequeñas debido a un menor grado de
sofisticación administrativa. Los resultados también muestran que la menor cantidad de
tasas de solicitud, los tiempos de procesamiento más largos y, en última instancia, el menor
acceso a los programas pueden haber tenido consecuencias negativas para las empresas de
menor escala. La falta de acceso al PPP está asociada, además, con resultados de
rendimiento sustancialmente peores para pequeñas más empresas. Algunos ejemplos son
una mayor cantidad de despidos y una mayor probabilidad percibida de quiebra, y peores
expectativas generales sobre la recuperación de sus negocios.
En segundo lugar, otros trabajos estiman el efecto de corto plazo de la política sobre
6/46
diferentes medidas de desempeño y recuperación de las firmas que accedieron al programa.
En Bartik et. al, (2020) se encuentra que el acceso al PPP aumentó la probabilidad de
supervivencia de las empresas, tal como lo perciben los representantes de estas firmas, en
un rango de 14 a 30 puntos porcentuales. También observan que los bancos asignaron los
fondos del PPP a empresas que reflejaron efectos de tratamiento del PPP más altos. Sin
embargo, estas empresas también tenían más probabilidades de tener conex10nes más
fuertes con los bancos, mientras que las empresas con menos caja disponible tenían menos
probabilidades ver sus solicitudes aprobadas. Los autores, finalmente, encuentran que el
PPP tuvo un impacto positivo pero estadísticamente insignificante en el empleo (Bartik,
2020). Este resultado es consistente con los resultados obtenidos en el presente trabajo.
De acuerdo con lo expuesto en Granja, et. al, (2020), los autores encuentran evidencia de
que el efecto del PPP sobre el empleo en los meses posteriores al lanzamiento del programa
fue más bien modesto. Los autores teorizan que, si bien el programa puede haber tenido un
rol importante en el mantenimiento de la estabilidad financiera de las compañías
receptoras, los fondos podrían haber sido utilizados como ahorros precautorios ante la
incertidumbre de la duración y magnitud de la crisis del COVID-19, en lugar de ser
utilizados para mantener o incrementar el gasto en nóminas (Granja et al., 2020).
Estos resultados son consistentes con lo reportado en otros trabajos que utilizan métodos
de identificación que explotan la heterogeneidad observada alrededor del umbral de 500
7/46
empleados para estudiar los efectos del programa sobre el nivel de empleo (Autor et al.,
2022; Chetty et al., 2020; Hubbard & Strain, 2020). Una de las limitaciones mencionadas
en Granja et. al (2020) al respecto de este tipo de análisis es que el resultado podría no ser
representativo del efecto del programa sobre firmas que estén alejadas del umbral de los
500 empleados.
El presente trabajo se motiva con el objetivo principal de extender el análisis existente en
la literatura (primordialmente enfocado a compañías privadas, pequeñas, y al período
inmediatamente posterior a la aplicación del programa) a un enfoque de mediano plazo,
para compañías que, a pesar de tener un alto nivel de escrutinio público, decidieron aplicar
al programa en cuestión.
La contribución principal de este trabajo se puede resumir en tres puntos principales. En
primer lugar, y a diferencia de otros estudios que se enfocan en el impacto inmediato tras
la implementación del programa, este trabajo se centra en la evolución y recuperación del
nivel de empleo en los años posteriores para las compañías que participaron en el programa
en relación a las compañías que no participaron.
En segundo lugar, en este trabajo realizaremos una revisión de métodos de estimación
novedosos que aprovechan la disponibilidad de una estructura de datos de panel para esta
aplicación. El método de diferencias en diferencias (DiD) aplicado a estudios cuasi-
experimentales ha sido ampliamente extendido en la literatura econométrica reciente.
8/46
Algunas de estas ampliaciones incluyen la extensión del modelo canónico de dos períodos, y
dos grupos, al estudio de múltiples períodos temporales y la posterior agregación de dichas
estimaciones (Callaway & Sant'Anna, 2021). Los métodos utilizados en este trabajo, bajo
el cumplimiento de ciertos supuestos, identifican o estiman el efecto promedio de
tratamiento sobre las unidades tratadas.
Por último, y relacionado con el segundo punto, a diferencia de los trabajos existentes
sobre el resultado del Programa para compañías públicas (Cororaton & Rose, 2021), o
compañías privadas, pequeñas (Fairlie et al., 2021; Rossi et al., 2021; Tasci, 2021), o
específicos para ciertas industrias (Chernenko & Scharfstein, 2021), nuestro trabajo busca
estudiar si existe evidencia sobre la persistencia del efecto del programa sobre el nivel de
empleo en compañías públicas.
Este trabajo se estructura en 6 secciones principales. En la segunda sección del documento,
se realizará una revisión del marco metodológico elegido para la evaluación de esta política,
que consiste en una revisión sistemática del modelo canónico de diferencias en diferencias,
los supuestos que subyacen al modelo y las extensiones que nos interesará analizar.
En la tercera sección, presentaremos una descripción del proceso de identificación de firmas
que serán parte del dataset, junto con el método de eliminación de compañías que no
califiquen dentro de los estándares propuestos por la SBA.
9/46
En el cuarto capítulo presentaremos los resultados obtenidos a partir de la aplicación de
dos tipos principales de modelos: diferencias en diferencias a partir del enfoque de dos
períodos de Sant'Anna & Zhao (2020), y a partir del enfoque de múltiples períodos de
Callaway & Sant'Anna (2021). Los resultados y avances de este trabajo se presentarán de
forma sintetizada en la quinta sección.
Finalmente, la sexta y última sección reúne las referencias bibliográficas consultadas para
realizar el trabajo.
10/46
2. Metodología
En este trabajo se utilizará el método de diferencias en diferencias (DiD) para estimar el
efecto del acceso al programa sobre el nivel de empleo en las compañías tratadas.
El método de diferencias en diferencias (DiD) en su forma canónica ofrece una técnica no
experimental para estimar el efecto tratamiento promedio sobre los tratados (ATT -
Average Treatment Effect on the Treateá), al comparar la diferencia temporal del promedio
de la variable de resultado entre el grupo de control y el grupo de tratamiento. Este
método propone utilizar el cambio observado en la variable de interés para el grupo de
control como una estimación del contrafáctico verdadero para el grupo de tratamiento. El
método de DiD admite la inclusión de controles que incluyan tanto factores observables
como no observables, - estos últimos, siempre que sean constantes en el tiempo, y que sean
comunes a ambos grupos {tratamiento y control) -.
Diferentes extensiones al modelo canónico han sido desarrolladas en trabajos recientes con
el objetivo de lograr estimadores más robustos y eficientes (Athey & Imbens, 2021;
Callaway & Sant'Anna, 2021; Sant'Anna & Zhao, 2020). A continuación se explicarán las
bases de los modelos a utilizar y los supuestos que proponen los autores referenciados para
identificar el efecto del tratamiento.
11/46
2.1. Distribución de panel
El dataset de este trabajo se estructura como una colección de datos
{Y¡ 1, Dit, X¡¡}i=l , t = 2017, ... , 2023, donde Y¡ 1 identifica a la variable de interés ( cantidad de
empleados de tiempo completo según lo reportado en el Balance Fiscal de cada compañia
anualmente). D¡1 es una variable que toma valor 1 cuando la compañía i es expuesta al
tratamiento ( aplicó y recibió el préstamo) en el período t. X¡ 1 es un conjunto de covariables
cualitativas y cuantitativas, algunas de ellas periódicas y otras constantes en el tiempo, que
son específicas para cada compañía o industria. Cada combinación
{Yit, Dit, X¡¡}i=l , t = 2017, ... , 2023 identifica a una firma que podría, potencialmente, haber
aplicado y recibido el préstamo del programa.
2.2. Resultados potenciales
El modelo de resultados potenciales de Rubin, también conocido como el marco de
resultados potenciales, es un enfoque fundamental para el análisis causal en estadística y
econometría. Este modelo establece que el efecto causal de una intervención o tratamiento
se define como la diferencia entre los resultados que se observarían si una unidad (por
ejemplo, una persona o empresa) recibiera el tratamiento y los resultados que se
observarían si no lo recibiera.
En Heckman et al., (1997), se retoma la discusión del modelo de resultados potenciales
12/46
presentado en trabajos previos (Rubin, 1974, 1978), y se explica que el problema de
evaluación de es un problema, fundamentalmente, de datos faltantes. En cualquier
momento, las unidades analizadas pueden estar en uno de dos estados potenciales:
tratamiento y control, pero no en ambos. Los estados asociados con recibir tratamiento y
no recibir tratamiento se denotan como 11 1 11 y "O" respectivamente.
Para cada firma o unidad i, para cada período t, denotamos por Y¡,t(O) al resultado
potencial del periodo t en el caso de que la unidad no sea tratada en ninguno de los
períodos temporales, y por Y¡,t(g) al resultado potencial que la unidad i experienciaría en el
momento t, en el caso de pertenecer al grupo de tratamiento indicado por g. En la
aplicación de este trabajo contamos con un único grupo de tratamiento y una única
intensidad de tratamiento: aquellas compañías que recibieron el préstamo de PPP son
consideradas parte del grupo g = 2020.
Como es habitual en este tipo de aplicaciones, podemos expresar al resultado observado Yi,t
para la unidad i en términos de los resultados potenciales como:
Yi,t(O) + [ Yi,t(2020) - Yi,t(O) ] G¡,2020 (1)
Donde G¡,2020 es una variable binaria que toma valor igual a 1 cuando la compañía
pertenece al grupo de tratamiento, y O en caso contrario.
13/46
2.3. Parámetro de interés
El parámetro de interés en este tipo de aplicaciones es el efecto tratamiento promedio sobre
los tratados. Este parámetro se define como:
ATT (2)
Asumiendo que las observaciones son independientes, idénticamente distribuidas, podemos
re-expresar (2) como:
El desafío en este contexto consiste en computar E [ Y1(0) 1 D = 1] con la información
disponible.
En Sant'Anna & Zhao, (2020) se desarrolla una estimación doblemente robusta para este
estimador, para el caso en el que se cuentan con dos períodos de observación relevantes:
pre y post tratamiento. En Callaway & Sant'Anna, (2021), se extiende el modelo canónico
para considerar una generalización de este parámetro: el group-time average treatment
effect o efecto tratamiento promedio por grupo. Este será el segundo efecto de interés en la
aplicación del presente trabajo. Ambos tipos de estimadores serán desarrollados en la
Sección 2.5.
14/46
2.4. Supuestos
Para la aplicación de los métodos a seguir en este trabajo debemos verificar el
cumplimiento de una serie de supuestos habituales que permitirán la identificación del ATT
por grupos. Seguiremos la propuesta de identificación indicada en (Callaway & Sant'Anna,
2021).
Supuesto 1 Irreversibilidad de tratamiento
Dt-l = 1 implica que D 1 = l (3)
Este supuesto expresa que una vez que una unidad es tratada, la misma unidad
permanecerá bajo tratamiento en el período siguiente. Consideramos que este supuesto se
cumple en nuestra aplicación ya que analizamos el caso de compañías que recibieron el
préstamo y no han decidido devolverlo.
Supuesto 2 No anticipación o anticipación limitada del tratamiento
Existe 8 O tal que:
JE [Y1(g) 1 X, Gg = 1] = JE [Yt(O) 1 X, Gg = 1] (4)
15/46
para todo g E @, t E {2016, ..., 2023} tal que t < g- 8
Este supuesto expresa que las unidades pueden anticiparse solo de forma limitada a la
aplicación del tratamiento. En el caso analizado, el Paycheck Protection Program fue
promulgado el 27 de Marzo de 2020, y el primer préstamo fue aprobado el 3 de Abril de
2020. Consideramos que este supuesto es válido dado que las compañías analizadas no
podrían haber anticipado o modificado sus nóminas o estructuras salariales en vista del
potencial acceso al programa.
Supuesto 3 Tendencias paralelas, condicional en covariables
JE [Y1(0)- Yo(O) 1 D = 1, X] = JE [Y1(0)- Yo(O) 1 D = O, X] (5)
El supuesto de tendencias paralelas indica que, en ausencia de tratamiento, el resultado
promedio condicional del grupo de compañías tratadas debería evolucionar en paralelo al
grupo de compañías no tratadas. Si bien este supuesto admite la presencia de tendencias
condicionando en covariables, no permite la presencia de tendencias específicas para cada
unidad observacional. Como veremos en las próximas secciones, este supuesto se cumple
para el dataset analizado al condicionar en covariables cualitativas y cuantitativas de cada
compañía.
16/46
Supuesto 4 - Condición de superposición.
Para cada t E {2017, ... , 2023} , con g E@, existe algún E > O tal que:
E < lP (Gg = 1) y lPg,t (X) < 1 - E (6)
El término de la izquierda indica que al menos una pequeña fracción de la población de
interés se encuentra bajo tratamiento al formar parte del grupo g E@. El término de la
derecha indica que, para cada posible combinación de las covariables incluidas en X, para
todos los grupos de tratamiento g E @, el tratamiento no está identificado de forma exacta
o segura.
17/46
2.5. Identificación de los estimadores
En este trabajo nos enfocaremos en dos especificaciones o modelos para la estimación.
Cada uno de estos métodos descansa sobre un proceso de identificación en particular. A
continuación describiremos ambos tipos de estimaciones.
2.5.1. Estimador DiD Doblemente Robusto
Considerando una población finita de N unidades, asumimos inicialmente que cada unidad
es asociada a sus resultados potenciales: Yit( ·) := (Yit(O), Y¡t(l)) , que refieren
respectivamente a la variable de resultado bajo pertenencia al grupo de control, y al grupo
de tratamiento, en los períodos pre y post tratamiento: t = O, l.
El resultado observado para una compañía i entonces es:
Yit D¡ Yit(l) + (1 - D¡) Y¡ 1 (O)
Donde D¡ refleja el estado de tratamiento de la unidad i. Tanto las N unidades como su
colección de resultados potenciales Y¡(·) := {Y¡ : i = 1,. .. , N} son fijas. La naturaleza
estocástica de los datos proviene del vector de asignación al tratamiento.
Cada unidad se asigna independientemente al tratamiento de acuerdo a D¡ ~ Bernoulli (p¡)
donde p¡ es la probabilidad específica de ser asignada al tratamiento para cada compañía, y
18/46
desconocida para el/la investigador/ a. Esta probabilidad puede estar relacionada de forma
arbitraria a los resultados potenciales, o a otras covariables determinísticas.
Bajo el cumplimiento del Supuesto 1, Supuesto 2 y Supuesto 4, existen dos procedimientos
de estimación relativamente flexibles para estimar el ATT, (Sant'Anna & Zhao, 2020): el
enfoque de regresión sobre el resultado ( outcome regression u OR por sus siglas en inglés),
desarrollado en Heckman et al., (1997) y el enfoque de ponderación por inversa de
probabilidad ( inverse probability weighting o IPW, por sus siglas en inglés) (Abadie, 2005).
Bajo el enfoque OR, el ATT puede ser estimado según la siguiente expresión:
......---...._OR
ATT (7)
y.
Donde Y d,t = ~i ID =d T =t ....!!.. es el promedio muestral de la variable de resultado utilizando
i , i na,t
en el cálculo las nd,t unidades que se encuentran en tratamiento, por pertenecer al grupo d,
en el momento t. Podemos ver que este estimador se define en términos de dos períodos
relevantes en el análisis: pre y post tratamiento.
Por otro lado, µd_¡(X¡) es un estimador de md,t = JE [Y1 1D = d, X= x], que identifica la
regresión de resultado u outcome regression "verdadera" (Heckman et al., 1997).
19/46
La consistencia del estimador de outcome regression depende de la correcta especificación
de los estimadores de ma,t: íla,/Xi). En resumen, este estimador ajusta un modelo de
regresión al resultado, controlando por covariables, y utiliza los valores predichos para
estimar el efecto del tratamiento.
Por otra parte, bajo el enfoque IPW podemos reexpresar el ATT como sigue:
ATTIPW 1 [ D - p(X) ]
JE [D] JE l -p(X) (Y1 - Yo) (8)
En este caso, la consistencia de este estimador descansa sobre la correcta especificación de
p(X) = lP (D = 1 1 X), que representa el verdadero puntaje de propensión o propensity
score (Abadie, 2005). Bajo esta especificación, el estimador propuesto puede reescribirse
como:
......-......JPW
ATT (9)
Donde ?T(X) es un estimador del puntaje de propensión. El estimador IPW utiliza
ponderaciones inversas basadas en la puntuación de propensión para equilibrar las
distribuciones de covariables entre los grupos tratados y de control. También se puede
definir el estimador IPW Estandarizado, que ajusta las ponderaciones de acuerdo al
tamaño de la muestra.
20/46
Basándose en estos dos métodos principales, Sant'Anna & Zhao, (2020) construyen un
estimador de diferencias en diferencias doblemente robusto (DRDiD). El estimador
expresado en (10) es doblemente-robusto en el sentido de que se identifica el ATT
consistentemente si el modelo de propensión o el modelo de resultado están especificados
correctamente.
(10)
Donde, .LiY = Y1 - Yo y definimos µa,t,.(X) = µa,o(X)- µa,o(X) , con d = O, 1, siendo µa,o(X)
un modelo para la outcome regression verdadera: ma,1(x) = JE [Y1 1 D = d, X= x], y donde,
para un g genérico:
g(X) (1-D)
D
w 0 (D,X; n) =
1-g(X)
y
JE[D] JE [g(X) (1-D)]
1-g(X)
Para identificar este efecto se propone una estrategia de dos pasos. En el primer paso, se
estima p ( ·) a partir de algún modelo para rr ( • ), y ma,1 ( ·) usando µa,t( • ), con d, t = O, l.
En el segundo paso se utilizan los valores ajustados para las estimaciones de p ( • ) y
ma,t ( • ) en el análogo muestral:
(11)
21/46
donde
and w (D, X; ) = n(X; y)(l - D) / IEn [ n(X; y)(l - D)]'
0 Y 1-n(X;y) 1-n(X;y)
Para estas expresiones consideramos y como un estimador para el pseudoverdadero y•, /'-...
f3o, 1
es un estimador para el pseudoverdadero f3~,t . Además, para f3 0 , {3 1 genéricos:
Los autores mencionan que puede se puede mejorar la eficiencia del estimador al considerar
los siguientes modelos para los nuisance functions mencionadas:
exp(X'y)
n(X, y) = - - - - y µ04 (X; f3o, /31) X' f3o,t,.
1 + exp(X'y)
Teniendo en cuenta esta especificación, el estimador propuesto es el denominado estimador
doblemente-robusto mejorado ( improveá) que está dado entonces por el siguiente estimador
de tres pasos:
ATTIMP = IEn w (D) - w D, X; y
...,...........DR [(,,..... ,,..... ( .,._ipt))[Ll Y - µ !in ( X; ,,.._wlsJ]]
{3 , (12)
1 0 04 04
Donde los primeros dos pasos consisten en estimar:
22/46
ipt = arg maxyEI' lEn [ Dx'
,,,_wlsp .
/30/4 = arg mmbES lEn [
y- (1 - D) exp (x' y)],
A ( X, y
(
,,._ipt)
1 - A x' y1pt
. ) (L1 Y - x'b)
2 l
,
. ,,._ipt ,,,_wls
siendo y el estimador por probabilidad inversa propuesto por Graham (2012), y f3M un
estimador por mínimos cuadrados ponderados.
En lo que sigue del trabajo nos referiremos a los estimadores que surgen del procedimiento
propuesto en Sant'Anna & Zhao, (2020) como estimadores DRDiD.
2.5.2. Estimador DiD Doblemente Robusto para múltiples períodos
Para explotar la disponibilidad de información para múltiples períodos previos y
posteriores a la aplicación del programa, redefinimos la disponiblidad de datos como una
muestra aleatoria:
Denotamos, además, por D i,t a una variable binaria que toma valor 1 si la unidad i ya fue
tratada en el momento t, y O en cualquier otro caso. Asumimos el cumplimiento del
supuesto de irreversibilidad del tratamiento.
Definimos con la variable groupyear al período temporal en el que una unidad es tratada
23/46
por primera vez. Por el supuesto de irreversibilidad del tratamiento, esta variable define
grupos de pertenencia para cada unidad según qué tan temprano empiezan a participar en
el tratamiento. En el caso a analizar en el presente trabajo todas las compañías obtienen el
primer préstamo durante el año 2020. Por lo tanto, consideramos groupyear 2020 como el
único grupo que determina cuándo y si se recibe el tratamiento. Una posible alternativa o
extensión a esta especificación sería considerar información diaria o mensual para la
generación de grupos. Sin embargo, la métrica que mide la variable de interés ( cantidad de
empleados) se reporta en base anual en la mayoría de las compañías a analizar. Por otra
parte, se considera también la variable control, que toma valor 1 para las unidades que no
son tratadas en ningún momento (never-treated group), y valor O en caso contrario.
En el caso en que las covariables juegan un rol importante en la identificación del efecto de
diferencias en diferencias, y las unidades asociadas al grupo de control son unidades nunca
tratadas, Callaway & Sant'Anna, (2021) mencionan la posibilidad de utilizar los métodos
de estimación previamente mencionados: OR, IPW o DRDiD. (Callaway & Sant'Anna,
2021). Dada la robustez del estimador DRDiD, los autores extienden este método para
incorporar información para múltiples períodos, pre y post tratamiento.
Para el caso a analizar en este trabajo, el estimador relevante o novedoso de Callaway &
Sant'Anna (2021) se expresa de la siguiente forma:
24/46
(13)
Donde
,,,._treat
wg
,,.. ,,._ ,,,.._nev ( ,,..nev )
En estas expresiones, pgCX; ng), mg,t,ó X; ~g,t,íi son estimadores paramétricos de
Este estimador extiende el alcance de los estimadores doblemente robustos de Sant'Anna &
Zhao (2020), al permitir la estimación de efectos de tratamiento en estudios con múltiples
períodos (Frios-Avila, n.d.)1. La agregación del parámetro sigue la siguiente estructura:
AGGTT=_L_(w~g_,t*_A_T_T_~_,t_))
L (wg,1)
donde Wg,t es la ponderación asignada según cuánta información del dataset se utiliza para
estimar ATT~, t). Estimadores con mayor incidencia de información y, por lo tanto, más
precisos, recibirán un mayor peso en la agregación.
1 Frios-Avila, J. (n.d.). Playing with Stata: Main DRDID. Retrieved June 25, 2024, disponible en
https: //friosavila.github.io IPIBY.ingwithstata/main drdid.html
25/46
3. Identificación de unidades de observación
En este trabajo la población de interés consiste en compañías públicas, domiciliadas en
Estados Unidos, potencialmente elegibles para participar del PPP. En los próximos
apartados se detallará el criterio de elección de las compañías, tanto para construir el
listado de compañías potencialmente elegibles, como para construir el listado de compañías
que recibieron el préstamo.
3.1. Compañías públicas potencialmente elegibles
Para obtener la lista de compañías públicas que serán parte del dataset nos enfocamos en
incluir compañías que cotizaban en mercados públicos en Estados Unidos durante el primer
trimestre del año 2020. Además, se recolectó información financiera, de mercado y
características cualitativas y cuantitativas, invariantes en el tiempo, para cada compañía.
El detalle de las métricas principales utilizadas y sus definiciones se encuentran en el
Apéndice l.
En este trabajo se utilizan dos fuentes principales para crear la lista de compañías. En
26/46
primer lugar, utilizando la plataforma S&P Capital IQ Pro 2, se identifica un listado inicial
de compañías que cotizaban en mercados públicos durante los meses de Enero, Febrero y
Marzo de 2020, y que cumplen con el criterio de estar domiciliadas en Estados Unidos.
Obtenemos un listado de 7160 empresas. Adicionalmente, utilizaremos criterios de
disponibilidad de información para eliminar compañías que no sean requeridas a informar
su desempeño financiero. Mantenemos en el dataset a aquellas compañías que cumplen los
siguientes criterios:
• Activos Totales (Total Assets) disponibles para el período 2017-2020.
• Ingresos Netos (Net Income) disponibles para el período 2017-2020.
• Número de empleados de tiempo completo disponibles para el período 2017-2020.
Por otro lado, utilizaremos la base de datos de la Small Business Administration (SBA) 3
para validar la información disponible a nivel de préstamos solicitados y que no han sido
devueltos. Utilizando este dataset y la información de S&P Capital IQ Pro mantendremos
en el dataset a aquellas firmas que cumplan con los estándares de tamaño establecidos por
la SBA. Estos estándares se pueden aplicar según características de cantidad de empleados,
2 Las opiniones, resultados y comentarios acerca de este trabajo no están relacionadas ni
influenciadas, ni reflejan la opinión de S&P Global Market Intelligence o ninguna de sus subsidiarias
o compañías afiliadas.
3 Disponible en https://www.sba.gov/ funding- programs /loans / covid-19-relief-options / paycheck-
protection-program/ ppp-data
27/46
tamaño de la firma en términos de valuación neta o ingresos netos. En particular,
mantendremos en el análisis a compañías que cumplan los siguientes criterios:
• Poseen menos de 500 empleados reportados en el balance fiscal del año 2019 o
• Están evaluadas en términos de valuación neta en no más de 15 millones de dólares
estadounidenses y tuvieron ingresos netos por no más de 5 millones de dólares
estadounidenses, en promedio, durante los últimos dos años fiscales.
- La medición de valuación neta representa el monto total de activos totales
menos el monto total de deuda total para el fin del año fiscal 2019.
• No pertenecen a la industria denotada por el código NAICS 52.
Bajo estos criterios identificamos 1064 compañías, de las cuales 170 recibieron el préstamo.
En la Tabla 1 se adjunta el detalle de la cantidad de compañías públicas, potencialmente
elegibles, desglosadas por industria.
Podemos observar que el acceso al programa fue relativamente variado en términos de
industrias que participaron. Sólo se excluyó del análisis a la categoría '' Utilities" por no
tener en nuestro dataset ninguna compañía tratada clasificada dentro de esta categoría.
28/46
Industria No-PPP ppp
Communication Services 42 7
Consumer Discretionary 38 10
Consumer Staples 49 9
Energy 61 10
Financials 5 1
Health Care 364 53
Industrials 75 18
Information Technology 124 48
Materials 42 9
Real Estate 94 5
Total 894 170
Tabla 1: Distribución de tratamiento por industria.
29/46
3.2. Participación en M&A como fuente de heterogeneidad en el efecto
de tratamiento
Si bien existen diferentes métricas de desempeño financiero y de mercado que se pueden
utilizar, a nivel compañía y a nivel industria, para explicar los cambios en el nivel de
empleo, en este trabajo utilizaremos una clasificación adicional para dar cuenta de una
potencial presencia de heterogeneidad en el efecto de tratamiento: la participación en
transacciones (fusiones o adquisiciones).
Para ilustrar esta idea, clasificaremos en cuatro grupos a las compañías analizadas. Estos
grupos serán definidos por la variable "intensity" y se definen como sigue:
Grupo 1 Grupo 2 Grupo 3 Grupo 4
N1 = 633 N 2 = 261 N1 = 129 N1 = 41
Obtuvo un préstamo dentro del No No Si Si
ppp
Participó como No Si No Si
compradora/inversora de (al
menos) una fusión o adquisición
30/46
En el Gráfico 1 se reportan los promedios observados para el cambio porcentual del nivel
de empleo, medido de forma anual, desagregado por grupos. Por ejemplo: para el año t, se
employeest - employeest
utiliza el cálculo: empgrowth 1 = - - - - - - - - - * 1 0 0 dentro de cada grupo.
employees 1_ 1
Podemos observar que los grupos 2 y 4, es decir, los grupos que completaron transacciones
durante los años 2020-2021, experimentan un pico en el año 2021 en crecimiento de número
de empleados. Esto es razonable considerando que, tras la unificación de operaciones de dos
compañías que se fusionan, o tras la incorporación de compañías adquiridas, el nivel de
trabajadores reportados bajo la compañía "que sobrevive" aumentaría según el tamaño de
la operación incorporada. Por la naturaleza endógena de la decisión de involucrarse en una
fusión o adquisición estas compañías no serán consideradas en el análisis.
31/46
No-PPP, No M&A No-PPP, completó al menos 1 M&A
1 2
100-
o
Q) 50-
a.
E
UJ
e:
Q)
o::§:. o-
o
:.e
E PPP, No M&A PPP, completó al menos 1 M&A
Q)
3 4
"O
.Q 100 -
"O
Q)
E
o
a:
50 -
0-
1 1 1 1 1 1 1 1 1 1
2016 2018 2020 2022 2024 2016 2018 2020 2022 2024
Year
Gráfico 1: Cambio porcentual en nivel de empleo, por grupos.
En las secc10nes subsiguientes nos referiremos por grupo de tratamiento a compañías
públicas, elegibles, que accedieron al préstamo dentro del marco del Paycheck Protection
Program. Por otro lado, nos referimos a grupo de control, a compañías públicas, elegibles,
que no accedieron al préstamo. En todos los casos, ninguna de las compañías analizadas
completó una transacción como compradoras de otras firmas. De esta manera, contamos
con un total de 129 firmas públicas que recibieron el tratamiento, y 619 firmas como parte
del grupo de control.
32/46
Apéndice 1 Detalle de variables
Variable Definición
entityid Indicador de panel que identifica de forma unívoca a las compañías en el dataset.
sp_ entity_ name Nombre actual de la compañía según lo reportado en S&P Capital IQ Pro.
industr-ymi Industria según clasificación de sector primaria de S&P Capital IQ Pro.
naicsfull Código de industria NAICS con su definición.
state Estado donde se incorporó la firma.
avgnetincome Promedio de ingresos netos durante los años 2018 y 2019.
netincome Ingresos netos al final del periodo fiscal.
employees Cantidad de empleados de tiempo completo al final del año fiscal, según lo reportado en la
hoja de balance. Esta variable es la variable dependiente en las regresiones reportadas.
liabtoassets Ratio que representa la cantidad total de pasivos dividido por la cantidad de activos al
final del periodo fiscal, según lo reportado en la hoja de balance.
marketcap Capitalización de mercado al final del año calendario para cada año.
empgrowth Cambio porcentual anual en la cantidad de empleados al final del periodo fiscal, según lo
reportado en la hoja de balance.
33/46
maindicator Variable binaria que indica participación en una fusión o adquisición completada durante
los años 2020 y 2021, en el rol de compradores o inversores.
treated Variable binaria que indica participación en el Paycheck Protection Program.
4. Aplicación y resultados
4.1. DRDiD: Estimación por Sant'Anna & Zhao (2020)
En este apartado revisaremos los resultados obtenidos a partir del estimador doblemente
robusto de Sant'Anna & Zhao (2020). A través del programa II drdid" en Stata se puede
estimar la forma canónica del modelo de diferencias en diferencias de dos períodos. Para
esta aplicación consideramos como el período "pre-tratamiento" el año fiscal 2019, y como
el período "post-tratamiento" el año fiscal 2020.
En la Tabla 2 se reportan los resultados para los 6 métodos de estimación disponibles para
el estimador identificado por las ecuaciones (7)- (12) . Podemos observar que el efecto
estimado es negativo y significativo en todos los modelos, situandose en torno a los 6-8
empleados de diferencia entre el período pre y post tratamiento. Es interesante notar que
los modelos denotados por las columnas (2) y (3) permiten entender el rol de las
covariables, no solo a la hora de explicar la variable de resultado, sino también a la hora de
diferenciar los 6 tipos de estimadores computados.
34/46
Tabla 2: Efectos del PPP sobre el empleo, estimación DiD de dos períodos.
¡ ¡
1....................................................................Sant.'Anna.. &.. Zhao···(2020)······································································
1
(1) (2) (3)
Sin covariables Covariables ind. Cov. ind. y por industria
i i - i i
¡ ¡ ¡ ¡
-8.900** 7.857* -6. 761 *
Doubly Robust IPW¡···························································)·················································································r·························································
! (3.201) ! (3.408) ! (3.291) !
¡ ¡ ¡ ¡
i -8.900** i -8.017* i -6.742* i
Outcome regression ;·····························································;·················································································;·························································
: : : :
..........................................................l.....................(3.201) ....................l............................... (3.290)·······························l·····························(3.220) ............................!
Abadie(2005) IPW
i i -7.742* i -6.683* i
Standardized IPW ¡ ¡ ¡ ¡
J··-····-····~·-··-····-····-····/s.42s
-···-····-····-····-····-··-····-··l·····-····-····/"·201 )·-····-····-····-~····-····-····-····/3. 290J··-····-····-····l
,IPW and Regression -8.900** ! -7.896* ! -6. 715* !
i : : :
.i. . . . . . ....................i...............................(3.4.º? ............................. i.............................(3.291) ............................1
adjustment·····································(3.201)
Nota: La tabla representa el resultado del método de DiD para dos períodos basado en
Sant'Anna & Zhao (2020). En todos los modelos la variable dependiente es el nivel de
empleo, medido como la cantidad de empleados reportados al final del año fiscal.
Errores estándar en paréntesis - * p<0.05, ** p<0.01, *** p<0.001
35/46
4.2. CSDiD: Estimación por Callaway & Sant'Anna (2021)
En esta sección consideraremos el análisis del efecto del tratamiento utilizando como grupo
de tratamiento al grupo 3, y como grupo de control relevante al grupo l. Recordamos que
estos grupos comparten la característica de no haber participado en fusiones o
adquisiciones completadas durante los años 2020 y 2021.
En la Tabla 3 se adjuntan los resultados obtenidos para tres especificaciones de modelos
estimados utilizando estimadores doblemente robustos, extendidos a múltiples períodos
(Callaway & Sant'Anna, 2021). Se incluye la representación gráfica de estos resultados en
los siguientes gráficos: Gráfico 2, Gráfico 3, Gráfico 4. Los modelos tienen como variable
dependiente la cantidad de empleados reportados al final del año fiscal por cada compañía,
y difieren según si incluyen o no covariables en la ecuación de nivel de empleo.
La primera columna corresponde a un modelo que no incluye covariables. La segunda
columna corresponde a un modelo que incluye covariables específicas de cada empresa
como ingresos netos, ratio de pasivos sobre activos, capitalización bursátil y crecimiento de
empleo en períodos anteriores. La tercera columna corresponde al modelo que adiciona
covariables específicas de empresa mencionadas anteriormente y los promedios por
industria correspondiente a cada caso. Observamos que la hipótesis de tendencias paralelas
se cumple de forma condicional en las variables explicativas en los modelos (2) y (3).
36/46
Tabla 3: Efectos del PPP sobre el empleo. Estimación CSDiD de múltiples períodos.
! (1) ! (2) ! (3) !
_ _ _ _ _ __ _ _j_ _ _s~=:'.1: __ L_~:'~"b'.'ª_'."':1~'.1: _J_~: 1~d~p=:~:'':J
¡ ¡ ¡ ¡
-p=~:¡~~=:·:~: :r :::;:~:~ :::r :::~:~: :::r ::~:~'.: ::1
-4.694 * -5.002** -3.628*
Promedio Post-Tratamiento
(7.195)
T - 2 (2018)
T - 1 (2019)
T (2020)
T + 1 (2021)
T + 2 (2022)
T + 3 (2023)
Nota: La tabla representa el resultado del método de DiD para múltiples períodos basado en
Callaway & Sant'Anna (2021). En todos los modelos la variable dependiente es el nivel de empleo,
medido como la cantidad de empleados reportados al final del año fiscal.
Errores estándar en paréntesis - * p<0.05, ** p<0.01, *** p<0.001
37/46
En cuanto al efecto tratamiento estimado, para la subpoblación analizada, encontramos
que para el año fiscal 2020, el efecto estimado es negativo y significativo en todos los
modelos. Se estima en promedio una disminución en la cantidad de empleados reportada en
entre 7. 7 y 8.8 empleados. Estos resultados son consistentes con lo estimado en otros
trabajos contemporáneos a la aplicación del programa que miden el impacto inmediato
para el año fiscal que siguió a la aplicación del préstamo.
También observamos que los tres modelos estiman un efecto negativo y significativo según
valores tradicionales para el nivel de empleo para el año fiscal posterior a la aplicación del
programa, 2021, donde se estima una caída de aproximadamente 19 a 20 empleados en
promedio para las observaciones tratadas. La magnitud del efecto se atenúa levemente en
los modelos que incluyen controles por covariables, pero el efecto sigue siendo significativo
a valores tradicionales. Para los años 2022 y 2023 el efecto tratamiento promedio estimado
es negativo pero no significativo en todas las especificaciones. En promedio, encontramos
que el efecto de tratamiento promedio sobre los tratados para el período de tres años luego
de la aplicación del programa es de una caída de entre 12.85 y 13.86 empleados de tiempo
completo en el nivel reportado por las compañías.
38/46
Modelo 1 - Sin covariables
10-
o
•
-10-
f-
• •
-20-
-30-
- Pre-treatment
Post-treatment
-40 -
1 1 1 1 1
-2 -1 o 2 3
Periods to Treatment
Gráfico 2: CSDiD: Corresponde al Modelo (1), donde se estima el ATT sobre la cantidad de
empleados reportados al final del año fiscal, sin control por covariables.
1O - Modelo 2 - Con covariables individuales
o
•
-10- •
f-
• •
-20-
-
-30-
Pre-treatment
Post-treatment
-40-
1 1 1 1 1
-2 -1 o 2 3
Periods to Treatment
Gráfico 3: CSDiD: Corresponde al Modelo (2), donde se estima el ATT sobre la cantidad de
empleados reportados al final del año fiscal, controlando por ingresos netos y ratio de pasivos sobre
activos, a nivel individual.
39/46
1O- Modelo 3 - Con covariables individuales y por industria
o
•
-10-
-20-
-
-30-
Pre-treatment
Post-treatment
-40-
1 1 1 1 1
-2 -1 o 2 3
Periods to Treatment
Gráfico 4: CSDiD: Corresponde al Modelo (3), donde se estima el ATT sobre la cantidad de
empleados reportados al final del año fiscal, controlando por ingresos netos y ratio de pasivos sobre
activos, a nivel individual, y controlando por el promedio de industria de ingresos netos, ratio de
pasivos sobre activos y capitalización bursátil.
40/46
5. Conclusión
En este trabajo se buscó analizar el efecto de una política pública bajo el caso de presencia
de heterogeneidad de efectos de tratamiento por grupos, y considerando disponibilidad de
información histórica para diferentes períodos pre y post tratamiento.
De acuerdo al análisis realizado, los resultados sugieren que la aplicación del programa no
alcanzó a contrarrestar los efectos negativos sobre el número de empleados en compañías
públicas que no estuvieran en vías de completar una transacción de fusión o adquisición.
Con un efecto negativo promedio post-tratamiento de entre 5 y 15 empleados, según el
modelo, no encontramos signos de la relevancia del programa en la recuperación de la
cantidad de empleados a mediano y largo plazo.
Particularmente, encontramos que todos los modelos son consistentes en cuanto al efecto
inmediato post-tratamiento: Para las compañías tratadas vemos que durante el año 2020, el
nivel de empleo cambia de forma negativa, significativamente. Al observar los períodos
posteriores, y comparar con el grupo no tratado, vemos que la diferencia en el número de
empleados es significativa y negativa para las compañías que habían accedido al préstamo
en el caso de los modelos de múltiples períodos en el año 2021. Luego, aunque sigue siendo
negativo, el efecto se atenúa y deja de ser significativo para los años 2022 y 2023.
Es importante mencionar que en este trabajo no estamos caracterizando el proceso de
41/46
acceso al programa. De acuerdo a lo revisado en literatura reciente, el proceso de aplicación
fue diferenciado para compañías que no tuvieran antecedentes comerciales con un banco
aprobado por la Small Business Administration, es decir, compañías que podrían utilizar
ese vínculo comercial para obtener financiamiento con otras fuentes.
El acceso al programa de compañías públicas con capacidad de recurnr al mercado de
capitales da cuenta, además, de una decisión de comportamiento del directorio de estas
compañías, que elige hacer uso de formas de financiación de II salvataje", en lugar de
recurrir a otras fuentes de financiación típicas como emisión de acciones o deuda pública, o
financiación por capital privado. Este comportamiento puede ser percibido por los actores
del mercado de forma negativa y podría impactar en el desempeño de la compañía en
diferentes niveles.
En conclusión, este análisis presenta una contribución novedosa en el área de estudio, ya
que, tras una exhaustiva revisión de la literatura, no se ha encontrado evidencia de
investigaciones previas que aborden específicamente la evaluación del Paycheck Protection
Program sobre compañías públicas, utilizando métodos recientemente desarrollados en el
campo de la Microeconometría. La falta de estudios previos en esta área resalta la
originalidad de esta investigación y subraya la importancia de los resultados obtenidos para
el avance del conocimiento en este campo.
42/46
6. Bibliografía
Abadie, A. (2005). Semiparametric Difference-in-Differences Estimators. The Review of
Economic Studies, 12(1), 1-19. htt12s://doi.org/10.1111/0034-6527.00321
Abadie, A., Athey, S., & Wooldridge, J. (2020). Sampling-based versus design-based
uncertainty in regression discontinuity designs (N. 0 48584340). National Bureau of
Economic Research.
Athey, S., & lmbens, G. W. (2021). Design-based analysis in difference-in-differences
settings with staggered adoption. Joumal of Econometrics.
Autor, D., Cho, D., Crane, L., & Goldar, M. (2021). Evaluation Using Administrative
Payroll Data: Insights from the Paycheck Protection Program (N. 0 w29972). National
Bureau of Economic Research.
Autor, D., Cho, D., Crane, L., Goldar, M., Lutz, B., Montes, J., Peterman, W., Ratner, D.,
Vallenas, D. V., & Yildirmaz, A. (2022). The $800 Billion Paycheck Protection Program:
Where Did the Money Go and Why Did it Go There? National Bureau of Economic
Research. htt12s: //doi.org/10.3386/w29669
Balyuk, T., Prabhala, N., & Puri, M. (2020). Indirect Costs of Government Aid and
Intermediary Supply Effects (N. 0 w28114). National Bureau of Economic Research.
Bartik, et al., A. (2020). The Targeting and lmpact of Paycheck Protection Program Loans
to Small Businesses. National Bureau of Economic Research.
Baumeister, C., León, A. C., & Sims, E. (2020). Weekly State-Level Economic Conditions:
COVID-19 and Beyond (N. 0 w29003). National Bureau of Economic Research.
Beggs, A. (2021). Fraud and abuse in investment advisory firms. Joumal of Financial
Economics.
43/46
Callaway, B., & Sant'Anna, P. H. C. (2021). Difference-in-Differences with Multiple Time
Periods. N ational Bureau of Economic Research.
Campello, M., Kankanhalli, G., & Muthukrishnan, P. (2020). Corporate Hiring under
COVID-19: Labor Market Concentration, Downskilling, and Income Inequality (N. 0
w27208). National Bureau of Economic Research.
Chernenko, S., & Scharfstein, D. (2021). Racial Disparities in the Paycheck Protection
Program (N. 0 w29748). National Bureau of Economic Research.
Chetty, R., Friedman, J. N., Hendren, N., & Stepner, M. (2020). How Did COVID-19 and
Stabilization Policies Affect Spending and Employment? A New Real-Time Economic
Tracker Based on Private Sector Data. National Bureau of Economic Research.
Cororaton, A., & Rose, J. (2021). Public Firm Borrowers of the US Paycheck Protection
Program. Journal of Financial Intermediation.
Crump, R. K., Hotz, V. J., Imbens, G. W., & Mitnik, O. A. (2009). Dealing with limited
overlap in estimation of average treatment effects. Biometrika, 96(1), 187-199.
Duchin, R., Farre-Mensa, J., Platt, J., & Ruan, T. (2021). Concierge Treatment from
Banks: Evidence from the Paycheck Protection Program. National Bureau of Economic
Research.
Fairlie, R. W., Fossen, F. M., Johnsen, D., & Droboniku, R. (2021). Were Small Businesses
More Likely to Permanently Glose during the COVID-19 Pandemic? (N. 0 w30285).
National Bureau of Economic Research.
Graham, B., Pinto, C., & Egel, D. (2012). Inverse Probability Tilting for Moment Condition
Models with Missing Data. The Review of Economic Studies, 79(3), 1053-1079.
Granja, J., Makridis, C., Yannelis, C., & Zwick, E. (2020). Did the Paycheck Protection
Program Hit the Target? (N. 0 w27095). National Bureau of Economic Research.
Guo, S., Culhane, J., & King, K. (2021). Basic Facts on the Coverage of the Paycheck
Protection Program. Economic Policy Review.
44/46
Heckman, J. J., Ichimura, H., & Todd, P. E. (1997). Matching As An Econometric
Evaluation Estimator: Evidence from Evaluating a Job Training Programme. The Review of
Economic Studies, 64(4), 605-654. https://doi.org/10.2307 /2971733
Hubbard, R. G., & Strain, M. R. (2020). Has the Paycheck Protection Program Succeeded?
(N. 0 w28032). National Bureau of Economic Research.
Humphries, J. E., Neilson, C. A., & Ulyssea, G. (2020). Information Frictions and Access to
the Paycheck Protection Program. National Bureau of Economic Research.
King, G., & Nielsen, R. (2020). Why Propensity Seores Should Not Be Used for Matching.
Political Analysis, 27( 4), 435-454.
Li, L., Strahan, P. E., & Zhang, S. (2020). Banks as Lenders of First Resort: Evidence from
the COVID-19 Crisis (N. 0 w27256). National Bureau of Economic Research.
Neilson, C. A., Humphries, J. E., & Ulyssea, G. (2020). Information Frictions and Access to
the Paycheck Protection Program (N. 0 w27624). National Bureau of Economic Research.
Rambachan, A., & Roth, J. (2020). Design-based Uncertainty for Quasi-experiments. arXiv
preprint arXiv: 2008. 00602v6.
Rossi, B., Barraza, C., & Yeager, Z. (2021). Short-term Effect of the Paycheck Protection
Program. Economics Letters.
Rubin, D. B. (1974). Estimating causal effects of treatments in randomized and
nonrandomized studies. Journal of Educational Psychology, 66(5), 688-701. httRs://doi.orgL
10.1037/h0037350
Rubin, D. B. (1978). Bayesian Inference for Causal Effects: The Role of Randomization.
The Annals of Statistics, 6(1), 34-58.
Sant'Anna, P. H. C., & Zhao, J. (2020). Doubly Robust Difference-in-Differences
Estimators. Journal of Econometrics.
45/46
Schweitzer, M. E., & Guo, A. (2023). Basic Facts on the Coverage of the Paycheck
Protection Program. En Working paper (Federal Reserve Bank of Cleveland). Federal
Reserve Bank of Cleveland. https: //doi.org/10.26509 /frbc-wp-202324
Tasci, M. (2021). PPP Loans and State-Level Employment Growth. National Bureau of
Economic Research.
Wooldridge, J. M. (2021). Econometric Analysis of Cross Section and Panel Data. 3906345.
46/46
File and source
- File
- maiorano-2024-paycheck-protection-program-analisis-de-la-recuperacion-del-empleo-en-compan.pdf
- Size
- 9,833,349 bytes
- SHA-256
- ff5cf6d8994dbadee03b970c0932b5e8c641910425c68c608ce2b0b40daed188
- Our copy
- maiorano-2024-paycheck-protection-program-analisis-de-la-recuperacion-del-empleo-en-compan.pdf
- Original
- repositorio.utdt.edu