La pobreza es sin lugar a duda uno de los fenómenos que generan mayor preocupación alrededor del mundo (Banerjee y Duflo, 2011; Fosu, 2017). De acuerdo con estimaciones del Banco Mundial (2017), en 2013, aproximadamente 770 millones de personas (el 10,7% de la población mundial) vivían con menos de 1,9 dólares al día; la situación se vuelve aún más crítica en el caso de las economías subdesarrolladas, y México no es la excepción. En este país, el panorama de la pobreza es poco alentador, ya que la última estimación oficial de 2016 señala que el 44% de su población se encontraba ensituaciónde pobreza, cifra que se acentúa más cuando se considera únicamente la condición de los hogares que viven en zonas rurales, pues, para el mismo año, cerca del 60% de sus habitantes fue catalogado como pobre (Coneval, 2017b).

Dentro de las estrategias en el combate a la pobreza, se ha considerado, a partir de la creación en 1976 del Banco Grameen en Bangladesh, que las microfinanzas son un mecanismo clave para dicho propósito, ya que le proporcionan acceso a los mercados de crédito a un segmento importante de la población pobre que vive en países subdesarrollados (Bateman, 2011; Kasali, Ahmad y Ean, 2015). Sin embargo, la literatura especializada no ofrece consenso respecto al efecto que el uso de las microfinanzas tiene sobre este fenómeno (Banerjee, Dulfo, Glennerster y Kinnan, 2015; Ghalib, Malki e Imai, 2015; Tarozzi, Desai y Johnson, 2015).

Por un lado, se encuentran estudios que identifican impactos positivos en la reducción de la pobreza originados por las microfinanzas (Attanasio, Augsburg, de Haas, Fitzsimons y Harmgart, 2015; Banerjee et al., 2015; Crepón, Devoto, Dulfo y Pariente, 2015; Ghalib et al., 2015; Imai, Arun y Annim, 2010; Imai y Azam, 2012; Karlan y Zinman, 2009; Khandker, 2005; Khandker y Samad, 2018; Patel, Patel y Patel, 2018; Pitt y Khandker, 1998; Sani, Khan, Ahmed y Aziz, 2017; Sultana, Jamal y Najaf, 2017). Por otro lado, existen investigaciones que muestran un impacto nulo o incluso negativo para el mismo propósito (Banerjee y Jackson, 2017; Morduch, 1998; Tarozzi et al., 2015). Por lo tanto, y bajo este escenario de evidencias contrapuestas, la presente investigación tiene como propósito calcular el efecto que tiene el uso de las microfinanzas en los niveles de pobreza por ingresos de los hogares del sector rural mexicano y, con ello, contribuir a la discusión académica sobre el tema.

Uno de los desafíos más importantes cuando se analiza el efecto de las microfinanzas en la pobreza es el sesgo por autoselección (Ghalib et al., 2015; Imai et al., 2010), es decir, la decisión de solicitar y usar algún crédito no es aleatoria; de hecho, los hogares que emplean algún préstamo se autoseleccionan dadas ciertas características sociodemográficas y económicas probablemente distintas a las de aquellos que no lo hacen. Para minimizar este problema, y considerando que el grupo que no utiliza crédito debe estar conformado por hogares con características muy similares a los que conforman el grupo que sí lo hace (Caliendo y Kopeinig, 2008), en esta investigación se emplea la metodología conocida como propensity score matching (PSM). Los datos utilizados provienen de la Encuesta Coneval a Hogares Rurales de México 2013 (EnChor 2013) (Coneval, 2013), que permite obtener información sobre las características socioeconómicas de los miembros de los hogares, de sus actividades productivas y del acceso a y la participación en los sistemas financieros formales e informales, así como del acceso a la alimentación.

Estudiar los efectos de las microfinanzas en la pobreza es importante por varias razones. En primer lugar, México es uno de los países que a nivel mundial cuenta con más instituciones y programas sociales cuyo propósito es otorgar crédito a familias que se encuentran en situación de pobreza; por lo tanto, resulta indispensable analizar el éxito o fracaso del uso de dichos recursos. Segundo, el número de investigaciones que emplean alguna metodología no descriptiva para analizar la relación entre las microfinanzas y la pobreza en México es realmente escaso. En tercer lugar, para el caso mexicano, este artículo es uno de los primeros en implementar una metodología de efectos de tratamiento para evaluar el impacto del acceso a las microfinanzas en la pobreza por ingresos. Cuarto, analizar este problema es importante ya que permite sugerir medidas de política pública orientadas a promover mecanismos que contribuyan a disminuir la pobreza rural que prevalece en México y en América Latina.

El resto del artículo está organizado de la siguiente manera. La segunda sección contiene una revisión de la bibliografía relevante en el tema; los datos y las estadísticas descriptivas se presentan en la sección tres; en la cuarta sección, se presenta la descripción de la metodología econométrica empleada en el artículo; en la sección cinco, se reportan y discuten los resultados, y, finalmente, la sección seis contiene las conclusiones y recomendaciones de política.

Las investigaciones que se han ocupado de analizar la relación entre pobreza y microfinanzas han sido abundantes en los últimos años, y la mayoría se centra en países de Asia y África (Banerjee et al., 2015; Berhane y Gardebroek, 2010; Chowdhury, Ghosh y Wright, 2002; Crepón et al., 2015; Imai et al., 2010; Imai y Azam, 2012; Khandker, 2005; MkNelly y Dunford, 1998). Si bien los trabajos académicos en el tema apuntan a la existencia de efectos potenciales y significativos en dicha relación, no es posible generalizar que la pobreza se reduzca con el acceso y uso de las microfinanzas (Morduch, 1998; Tarozzi et al., 2015).

En un extremo, se encuentran los estudios que identifican efectos positivos de las microfinanzas en la reducción de la pobreza. Por ejemplo, Pitt y Khandker (1998) estimaron el impacto que tiene la participación, por género, en tres de las más grandes instituciones de microfinanzas en Bangladesh y encontraron un efecto positivo en gasto del hogar, activos en posesión de la mujer, oferta de trabajo y asistencia escolar. En un estudio más reciente para este país, Khandker (2005) muestra que la educación de las mujeres determina en gran parte el monto de crédito solicitado por el hogar y que el aumento en el gasto derivado del crédito incrementa la probabilidad de escapar del círculo de la pobreza. En esta misma línea se encuentran las investigaciones realizadas por Imai et al. (2010) en la India y por Ghalib et al. (2015) en Pakistán; en ambos estudios, los autores utilizan técnicas de efectos de tratamiento para estimar el impacto de las microfinanzas en la pobreza. En el primer caso, los resultados muestran que existen efectos positivos en la mayoría de los indicadores de bienestar analizados, mientras que en el segundo estudio se identifican impactos positivos en el gasto en salud, en el ingreso y en la vivienda.

En esta misma línea se ubican trabajos que, a pesar de no concluir de manera contundente que las microfinanzas contribuyen a disminuir la pobreza, sí encuentran efectos positivos en variables relacionadas con el bienestar de los hogares, como son: el consumo de alimentos, la inversión en activos productivos y el gasto en bienes duraderos (Attanasio et al., 2015; Banerjee et al., 2015; Crepón et al., 2015; Karlan y Zinman, 2009). Dentro de este grupo de investigaciones, vale la pena destacar los trabajos de Crepón et al. (2015) y Banerjee et al. (2015), quienes utilizan experimentos aleatorios para controlar el problema de sesgo por selección.

Por su parte, Crepón et al. (2015) evalúan uno de los programas de microcréditos más grandes de Marruecos e identifican que los créditos incrementan la inversión en activos y los beneficios de sus negocios; sin embargo, dicho incremento se ve contrarrestado por una reducción en los ingresos derivados del trabajo; en conclusión, no existen mejoras en el ingreso neto de los hogares. Por otro lado, Banerjee et al. (2015) realizan un estudio para la ciudad de Hyderabad, en la India, y encuentran que los microcréditos tienen efectos positivos en la inversión y beneficios para los pequeños negocios; así mismo, no encuentran evidencia de cambios importantes en las variables relacionadas con salud, educación y el empoderamiento de las mujeres. Al continuar con el análisis de esta investigación, estos autores encontraron que dos años después, cuando los hogares pertenecientes a las áreas de control tuvieron acceso a los microcréditos y los hogares tratados habían recibido préstamos durante más tiempo y en mayores cantidades, las diferencias entre ambos grupos continuaron siendo poco significativas.

En el otro extremo están aquellos estudios que encuentran un impacto nulo o negativo de las microfinanzas sobre la reducción de la pobreza (George, 2006; Goetz y Gupta, 1996; Morduch, 1998; Tarozzi et al., 2015). En uno de los estudios pioneros en el tema, Morduch (1998) utiliza la misma encuesta que emplearon Pitt y Khandker (1998) e identifica resultados opuestos, pues destaca que las microfinanzas no provocan aumentos significativos en el consumo ni en los niveles de educación de los beneficiarios. En Etiopía, Tarozzi et al. (2015) efectúan un experimento aleatorio para evaluar los impactos de un incremento en el uso de microcréditos, pero, a diferencia del trabajo de Banerjee et al. (2015), en este caso la presencia de otras instituciones microfinancieras antes y durante la realización del experimento fue bastante limitada, razón por la cual los resultados pueden interpretarse como impactos de “primera generación”. Estos autores encuentran que, a pesar del enorme incremento en el número de microcréditos otorgados en las áreas tratadas, no existe un impacto positivo en el ingreso proveniente de actividades agrícolas, crianza de animales, autoempleo no agrícola, oferta de trabajo, escolaridad y empoderamiento de la mujer.

En México, la mayoría de los estudios que han abordado el tema de microfinanzas y pobreza hacen un análisis descriptivo del fenómeno y no emplean metodologías formales que permitan verificar la significancia de los resultados (Cuasquer y Maldonado, 2011; Esquivel, 2010). Sin embargo, Angelucci, Karlan y Zinman (2015) emplean un experimento aleatorio en el norte de México (Sonora) para estimar el impacto, a nivel comunidad, de una expansión en los créditos grupales otorgados por Compartamos Banco, una institución financiera especialista en microfinanzas que opera en México y en América Latina y que cuenta con más de 2,5 millones de clientes, la mayoría de los cuales pertenecen a los segmentos de ingresos bajos de la población (Asociación de Bancos de México, 2011). En este estudio, se estimó el efecto en 37 indicadores distintos, agrupados en seis dimensiones: microemprendimiento, ingreso, oferta de trabajo, consumo, estatus social y bienestar subjetivo. Los resultados muestran evidencia de un incremento en los ingresos de los negocios de los hogares tratados; sin embargo, no identifican efecto en los beneficios. El efecto estimado en los indicadores relacionados con el gasto solo fue estadísticamente significativo en las categorías de gastos en activos y bienes de lujo; vale la pena destacar que la magnitud del efecto, incluso para aquellos indicadores que son significativos, resultó ser bastante pequeña. Así, la conclusión de este trabajo indica que el impacto estimado para la mayoría de las variables analizadas no puede considerarse suficientemente grande como para mejorar las condiciones de vida de los hogares tratados.

Los datos utilizados para realizar esta investigación provienen de la EnChor 2013 (Coneval, 2013), cuyo objetivo fundamental consistió en evaluar el desempeño de la Cruzada Nacional Contra el Hambre (Cruzada), recabando información entre noviembre de 2012 y octubre de 2013; el número total de localidades encuestadas fue de 125 (62 localidades Cruzada y 63 no Cruzada). Cabe señalar que la Cruzada Nacional Contra el Hambre es una estrategia coordinada por el Gobierno Federal de México cuyo propósito es que las familias superen su condición simultánea de carencia alimentaria y pobreza extrema. Todas las personas que se encuentran en dicha condición constituyen la población objetivo de esta estrategia: en 2010, la cifra ascendía a 7,4 millones de mexicanos distribuidos en todo el país (Coneval, 2017a).

La EnChor 2013 (Coneval, 2013) se recabó mediante dos tipos de cuestionarios: el de hogares y el de localidades. El primero incorporó información acerca de las características socioeconómicas, productivas, financieras y de alimentación de los hogares y, por su parte, el segundo permitió conocer información de las actividades productivas, las obras públicas, los destinos migratorios y los mercados financieros de las localidades. El diseño y la selección de la muestra permitieron obtener resultados representativos para los municipios Cruzada y no Cruzada del país; de esta forma, el tamaño de la muestra fue de 2511 hogares, de los cuales el 9% reportó haber empleado algún tipo de microcrédito.

La información de la EnChor posibilita la identificación de los usos más frecuentes de los microcréditos en los hogares del sector rural mexicano, dentro de los que se destaca, en primer lugar, la compra, la construcción o el mejoramiento de la vivienda (25%). El segundo uso más frecuente fue para financiar actividades agropecuarias: el 19% de los microcréditos otorgados se utilizó con este objetivo. La compra o reparación de maquinaria, autos y locales comerciales representó el 16%, mientras que el uso en cuestiones de salud y educación fue del 13 y el 9%, respectivamente.

La tabla 1 resume las estadísticas descriptivas para el total de la muestra, así como para los hogares que utilizaron algún tipo de microcrédito (tratados) y aquellos que no lo hicieron (de control). De igual forma, se presenta la prueba t para la diferencia de medias entre el grupo de hogares tratados (GT) y el grupo de hogares de control (GC), la cual permite verificar si existen disparidades estadísticas en la distribución de cada variable entre el GT y el GC; lo anterior resulta relevante para determinar si la muestra está balanceada y, por lo tanto, si las comparaciones entre ambos grupos están libres de sesgo (Cameron y Trivedi, 2010). Los resultados de la prueba, reportados en la última columna de la tabla 1, muestran que el GT y el GC presentan diferencias estadísticamente significativas en los valores promedio de 9 de las 15 variables consideradas.

Al respecto de las variables utilizadas en el modelo, autores como MkNelly y Dunford (1999), Chowdhury et al. (2002), Banerjee et al. (2015) y Tarozzi et al. (2015) analizan las características sociodemográficas y productivas del hogar para identificar los factores que determinan el uso y acceso a los créditos; estos autores señalan que entre las características más distintivas de los hogares rurales se encuentran el número de sus integrantes y el número reducido de habitaciones o cuartos en sus viviendas. Al respecto, el tamaño promedio del hogar en la muestra fue de 5,08 integrantes, de los cuales 1,4 son niños; por su parte, el número de habitaciones, sin contar la cocina ni el baño, fue de 2,76 (tabla 1). Haciendo uso de esta información, se identificaron aquellos hogares que presentan un grado de hacinamiento (número de personas por cuarto) mayor a 2,5; los resultados indican que el 30% de los hogares analizados poseen esta característica.

Tabla 1 Tabla 1 Estadísticas descriptivas

Variable	Total de la muestra1		Medias para los dos grupos de hogares		Prueba t p-value5
	Media	Desviación estándar	Tratados1	Controles1
Sexo del jefe del hogar2	0,81	0,39	0,85	0,81	0,091*
Edad del jefe del hogar	48,9	16,4	47,4	49,0	0,161
El jefe del hogar habla alguna lengua indígena3	0,22	0,41	0,11	0,23	0,000***
Educación del jefe del hogar-primaria completa	0,23	0,42	0,24	0,22	0,499
Educación del jefe del hogar-secundaria completa	0,19	0,39	0,23	0,20	0,295
Educación del jefe del hogar-preparatoria o superior	0,11	0,31	0,15	0,11	0,028**
Número de niños en el hogar (< 16 años)	1,40	1,42	1,61	1,38	0,022**
Escolaridad más alta de una mujer adulta en el hogar	7,86	4,24	9,39	7,72	0,000***
El hogar recibe transferencias del Gobierno2	0,53	0,49	0,53	0,53	0,913
Número de cuartos en el hogar	2,76	1,42	3,13	2,72	0,000***
Proporción de miembros del hogar con buena salud	0,55	0,34	0,52	0,55	0,186
El hogar tiene tierra agrícola3	0,30	0,46	0,29	0,30	0,654
Superficie de la tierra agrícola4	3,54	5,07	1,50	1,02	0,005***
Instituciones financieras formales en la localidad3	0,16	0,37	0,24	0,15	0,000***
Prestamistas informales en la localidad3	0,25	0,44	0,31	0,25	0,032**

Fuente: elaboración propia con base en Coneval (2013) ¹

El número total de hogares es 2511, de los cuales 2285 fueron de control y 226 fueron tratados

En lo que se refiere a las características del jefe del hogar, las cifras señalan que el 23% de los jefes en el GC reportó hablar alguna lengua indígena, comparado con un 11% en el caso del GT; este resultado revela que, en el sector rural mexicano, hablar alguna lengua indígena reduce la probabilidad de tener acceso a las microfinanzas. Por otro lado, el análisis del nivel de educación señala que el 15% de los jefes en el GT terminó al menos la preparatoria, comparado con el 11% en el GC.

En relación con las características productivas, el 30% de los hogares reportaron tener una parcela agrícola, independientemente del tipo de tenencia; además, no se identificó una diferencia estadística en el valor promedio de esta variable entre el GT y el GC. Sin embargo, respecto a la superficie promedio, sí existe una diferencia significativa entre ambos grupos, pues es menor la del segundo.

De manera adicional, y siguiendo las recomendaciones de Banerjee et al. (2015) y Tarozzi et al. (2015), para identificar factores adicionales que determinaran el acceso a las microfinanzas, se construyeron las siguientes variables: la escolaridad más alta de una mujer adulta en el hogar, la proporción de miembros del hogar con buena salud y dos variables que indican la existencia de instituciones financieras formales y de prestamistas informales dentro de la localidad. En lo que se refiere a estas variables, es posible señalar que la escolaridad más alta de una mujer adulta en el GT fue de 9,39 años, comparado con 7,72 en el GC, lo cual sugiere que la educación de las mujeres dentro de los hogares rurales juega un papel importante para tener acceso a las microfinanzas, más aún si se considera que la mayoría de los programas que se encargan de otorgar microcréditos están dirigidos a integrantes del hogar del sexo femenino. Por otro lado, el 24% del GT vive en localidades en donde existe alguna institución financiera formal, mientras que en el GC solo el 15% tiene acceso a este tipo de instituciones. Así mismo, el 31% y el 25% de los hogares tratados y de control tienen, respectivamente, acceso a prestamistas informales dentro de su localidad.

Las diferencias detectadas mediante la prueba t en los valores promedio de algunas variables de interés entre el GT y el GC podrían atribuirse al hecho mismo de utilizar microcréditos; sin embargo, pensar que esto es así no es estadísticamente correcto, y, por lo tanto, es necesario implementar alguna metodología confiable y robusta que permita obtener estimaciones insesgadas entre ambos grupos de hogares, de tal manera que los efectos encontrados puedan efectivamente atribuirse al uso de los microcréditos; es por ello que se emplea la técnica de propensity score matching, expuesta en el siguiente apartado.

La idea básica para estimar el efecto de las microfinanzas en la pobreza por ingresos de los hogares rurales mexicanos consiste en asumir que utilizar algún microcrédito es como recibir un “tratamiento”, de tal forma que el propósito es medir el impacto de dicho tratamiento en cierta variable de interés, en este caso, los niveles de pobreza. Para lograr lo anterior, es necesario calcular la diferencia en la pobreza por ingresos atribuida al hecho de haber recibido el tratamiento, es decir, la diferencia en los niveles de pobreza entre los hogares tratados y los de control.

Una forma de estimar esta diferencia es mediante el enfoque estándar de matching (Rubin, 1973). De acuerdo con este enfoque, la diferencia entre GT y GC puede definirse como:

⁽¹⁾

donde denota el efecto del tratamiento para el hogar i, con mientras que y representan los resultados potenciales para tratados y controles, respectivamente. A pesar de no contar con datos panel, y asumiendo que se cumplen los supuestos de exogeneidad y superposición (los cuales se explican más adelante), la ecuación (1) aproxima la diferencia entre los resultados potenciales antes y después de recibir el tratamiento para cada hogar. Cabe destacar que para cada hogar i en la ecuación (1) solo es posible observar un resultado, mientras que el otro es un escenario contrafactual que no se puede obtener con la información disponible.

Por lo tanto, la ecuación (1) debe modificarse de tal forma que permita estimar el efecto promedio del tratamiento en los tratados , el cual puede expresarse de la siguiente manera:

(2)

donde mide la diferencia entre el resultado esperado con y sin tratamiento para aquellos hogares que recibieron el tratamiento y donde es una variable que indica el estado de tratamiento ( cuando se recibió y cuando no fue así). Por su parte, el término representa el resultado esperado para los hogares tratados, mientras que el término refiere el resultado hipotético que se habría obtenido si los hogares tratados no hubieran recibido el tratamiento.

A partir del análisis de la ecuación (2), es posible destacar la existencia del problema de inobservabilidad, esto es, se puede estimar el término pero no el término dado que no es observable. Si la igualdad se cumple, entonces el GC puede usarse convenientemente como grupo de comparación con el GT. Sin embargo, cuando se trabaja con datos no experimentales, como es el caso, esta condición generalmente no se cumple, ya que las variables que determinan la decisión de participación también contribuyen a explicar la variable dependiente. Por consiguiente, el resultado para el GT será distinto incluso en la ausencia del tratamiento, lo que ocasiona un problema de sesgo por autoselección. Por lo tanto, la ecuación (2) puede reexpresarse de la siguiente forma:

(3)

donde mide el tamaño del sesgo ocasionado por todas aquellas características observables. Por lo tanto el puede identificarse únicamente cuando el sesgo es cero, es decir, cuando se cumple que:

(4)

Para solucionar este problema, la literatura sugiere implementar procedimientos tales como matching por covariables, o propensity score (Abadie e Imbens, 2011; Rosenbaum y Rubin, 1985; Rubin, 1973).

Ahora bien, como se señaló anteriormente, para obtener estimaciones insesgadas del es necesario imponer dos supuestos fundamentales: el de exogeneidad del tratamiento y el de superposición.

El supuesto de exogeneidad implica que la diferencia en los resultados potenciales —con y sin tratamiento— se debe únicamente a la implementación del tratamiento condicionada en un vector de características X. Más aún, el conjunto de variables que conforman este vector no se ve afectado por el tratamiento y se asume que ha sido totalmente capturado en el modelo, es decir, que no existen variables omitidas. Formalmente, este supuesto se define de la siguiente manera:

Supuesto1 (5)

El segundo supuesto garantiza que todos los hogares con las mismas características dentro de la muestra tengan una probabilidad positiva de ser tratados o controles y, además, descarta la perfecta previsibilidad de participación condicional en el vector de características X. Esta condición se define como:

Supuesto 2:

Si estos dos supuestos se cumplen, es posible estimar la ecuación (2) utilizando propensity score matching (PSM), una técnica que permite resolver el problema de dimensionalidad que surge cuando el vector de características observables X tiene demasiados componentes. Para ello, se utiliza lo que se conoce como puntaje de equilibrio o propensity score, sugerido por primera vez por Rosenbaum y Rubin (1983) y que se define como una función que estima la probabilidad de recibir el tratamiento dado un vector de características previamente observadas X; es decir, permite resumir el vector de características X en un solo número Formalmente, el propensity score se define como:

(7)

El propensity score puede estimarse utilizando los modelos probit o logit, ya que ambos modelos permiten predecir la probabilidad de que un hogar haya utilizado algún tipo de microcrédito basándose únicamente en sus propias características. Tomando esto en consideración, la ecuación (7) puede expresarse de la siguiente forma:

(8)

donde para todos los valores de X; ; y es la función de distribución acumulada de una normal estándar.

Si la ecuación (8) satisface el supuesto de exogeneidad y el de superposición, el estimador de PSM para no presenta problemas de sesgo por autoselección y puede definirse formalmente como:

(9)

Existen distintos algoritmos que la literatura académica utiliza para hacer el matching y estimar el en este trabajo se emplean cinco algoritmos: nearest neighbor, radius, kernel, local linear regression y stratification (Becker e Ichino, 2002; Imbens, 2000; Todd, 2010). El uso de distintos algoritmos permite comparar resultados y al mismo tiempo probar qué tan robustas son las estimaciones; adicionalmente, en el Apéndice A se presentan las pruebas de balance por bloque y por variable y la prueba de balance general, lo que proporciona evidencia suficiente de la correcta especificación del modelo empleado (Cameron y Trivedi, 2010).

Utilizando datos de la Encuesta Coneval a Hogares Rurales de México 2013, en este estudio se estimó el impacto que tiene el uso de las microfinanzas en la pobreza por ingresos de los hogares rurales de México. Para controlar el problema de sesgo por autoselección que surge cuando se trabaja con datos no experimentales, se utilizó propensity score matching (PSM), metodología que permite comparar el resultado alcanzado en la variable dependiente entre el GT y el GC. Con la finalidad de generar robustez en los resultados, el efecto promedio del tratamiento en los tratados ( ) se estimó utilizando cinco diferentes algoritmos de matching.

Los resultados encontrados permiten identificar que el uso de microcréditos disminuye la probabilidad de que un hogar sea pobre; de hecho, el impacto es mayor al 15% como consecuencia de la utilización de crédito. No obstante, esta reducción puede no (o sí) estar ligada con una mejora en las condiciones de vida permanentes de los hogares rurales, sino únicamente estar reflejando el aumento en el ingreso como consecuencia del monto del crédito otorgado.

A pesar de las limitaciones en la metodología de PSM, como puede ser la imposibilidad de observar todas las variables que determinan el uso de los microcréditos, los resultados encontrados en esta investigación permiten sugerir medidas de política enfocadas en facilitar el uso de crédito en los hogares rurales pobres. Promover de manera sostenida este tipo de políticas permitiría reducir los niveles de pobreza que enfrenta una proporción considerable de los hogares rurales de México y, como consecuencia, impulsaría el acceso a mayores oportunidades laborales para los integrantes de dichos hogares.

De forma complementaria a esta investigación, se recomienda el uso de fuentes alternativas de información que permitan verificar si los efectos estimados en este trabajo son de carácter permanente o temporal. Por lo anterior, las conclusiones de este artículo no pueden ni deben tomarse como definitivas y están susceptibles de mejoras mediante la aplicación de otro tipo de metodologías.

Finalmente, resulta fundamental señalar que, para poder diseñar políticas o programas que realmente atiendan las necesidades de los hogares rurales que se encuentran en situación de pobreza, es necesario hacer caso a las recomendaciones que investigadores como Abhijit Banerjee y Esther Duflo hacen al respecto, en el sentido de que primero debemos interesarnos en conocer a fondo la forma en la que estos hogares estructuran sus decisiones (financieras, laborales, de salud, entre otras) para posteriormente proponer medidas adecuadas con base en los conocimientos previamente adquiridos.