Estimação de Efeito Causal
|
|
- Valdomiro Alvarenga Carvalho
- 6 Há anos
- Visualizações:
Transcrição
1 Estimação de Efeito Causal Rafael Borges June 4, 2012
2 Outline Resultados Potenciais Aleatorização Seleção em observáveis Seleção em não-observáveis: Variáveis Instrumentais Seleção em não-observáveis: Dif-in-Dif Seleção em não-observáveis: Regressão Descontínua
3 Tratamento em hospitais melhora a saúde das pessoas? Pensemos em pacientes admitidos na emergência de hospitais. Primeira maneira de responder a pergunta: comparar o estado saúde entre pessoas internadas e não internadas. Estado de saúde dos internados será, na média, pior que o dos não internados. Hospitais pioram a saúde? Provavelmente não. Essas pessoas já eram menos saudáveis antes da internação. Problema similar: pessoas que passam por programas de treinamento para reinserção no mercado de trabalho aumentam seus salários? Simples comparação diria que o programa reduz salários.
4 Resultados Potenciais Considere uma variável de tratamento binária: D i = {0, 1}. O resultado de interesse: Y i = {Y 0i, Y 1i }. A pergunta que queremos responder é se Y i é afetado por D i. Pensemos em alguns contra-factuais: o que teria acontecido com a pessoa que foi internada caso ela não tivesse sido? o que teria acontecido com a pessoa que não foi internada, caso ela tivesse sido?
5 Resultados Potenciais Para cada indivíduo, teremos dois resultados potenciais (RP): { Y 1i se D i = 1 RP = Y 0i se D i = 0 Y 1i é a sáude do indivíduo i caso seja internado e Y 0i é sua sáude caso não seja internado. Apenas um resultado é de fato observado: Y i = Y 0i + (Y 1i Y 0i ) D i quando D i = 1, temos Y i = Y 1i. quando D i = 0, temos Y i = Y 01i. Para cada indivíduo i, o efeito causal de tratamento está dado por: ρ i = Y 1i Y 0i
6 Resultados Potenciais Na prática, nunca observamos o indivíduo i em ambas as situações D i = 1 e D i = 0 Problema Fundamental da Inferência Causal. Não observamos ρ i. Por isso, teremos de construir uma distribuição contra-factual. A validade deste contra-factual é a chave para a validade da inferência causal crível.
7 Parâmetro de Interesse Efeito de Tratamento Médio (ETM, ATE): E [Y 1i Y 0i ] = E [ρ i ]. Efeito esperado do tratamento para uma pessoa escolhida de forma aleatória na população. Em alguns casos, o ETM não é o parâmetro de interesse. Em programas de treinamento, não gostaríamos de usar como grupo de comparação indivíduos ricos que nunca passariam por tal programa. Efeito de Tratamento Médio nos Tratados (ETT, ATT): E [Y 1i Y 0i D i = 1] = E [ρ i D i = 1]. Efeito médio do programa para aquelas pessoas que receberam o programa.
8 Resultados Potenciais e Viés de Seleção Com os dados de que dispomos, o que podemos calcular? Média de saúde dos tratados: E [Y i D i = 1] = E [Y 1i D i = 1] Média de saúde dos não tratados: E [Y i D i = 0] = E [Y 0i D i = 1] O viés de seleção está dado pela diferença média em Y 0i entre os que receberam e os que não receberam o tratamento. Exemplo: pessoas mais doentes, com pior saúde na ausência do tratamento (pior Y 0i ) tem maior chance de se internar. Viés de seleção será negativo.
9 Como criar contra-factuais? Aleatorização: a probabilidade de ser alocado ao grupo de tratamento ou controle é independente do resultado potencial. D i (Y 0i,Y 1i ) Seleção em observáveis: a probabilidade de tratamento é independente do resultado potencial, após condicionarmos em um grupo de características observáveis X i. D i (Y 0i,Y 1i ) X i Seleção em não-observáveis (IV, RD, Dif-in-Dif)
10 Aleatorização e viés de seleção Ao aleatorizarmos, garantimos que D i (Y 0i,Y 1i ). Aleatorização do tratamento resolve o problema de seleção. Por quê? D i passa a ser independente dos resultados potenciais. E [Y0i D i = 0] = E [Y 0i D i = 1] = E [Y 0i ] Média de saúde observada dos não tratados é um bom contra-factual para a média de sáude dos tratados caso não tivessem sido tratados. E [Y i D i = 1] E [Y i D i = 0] = E [Y 1i D i = 1] E [Y 0i D i = 0] = E [Y 1i Y 0i D i = 1] = E [Y 1i Y 0i ] = E [ρ i ] Recuperamos o Efeito de Tratamento Médio.
11 Estimando o ETM através de regressão Considere o seguinte modelo: Y i = α + ρd i + η i E [Y i D i = 1] = α + ρ + E [η i D i = 1] = α + ρ E [Y i D i = 0] = α + E [η i D i = 0] = α ρ = E [Y i D i = 1] E [Y i D i = 0] = E [Y 1i Y 0i ] quando assumimos D i (Y 0i,Y 1i ). Aleatorização garante que o termo de erro é não correlacionado com o tratamento, e o ETM é estimado corretamente pelo parâmetro ρ. Se o tratamento é de fato aleatorizado, incluir controles X i não afetará a estimativa pontual de ρ. Por quê incluir X i na regressão? Se X i tem poder preditivo sobre Y i, então aumentamos a precisão do estimador devido à redução da variância residual e erro padrão da regressão. Assim, podemos estimar: Y i = α + δd i + X i γ + η i
12 Avaliando o Progresa
13 Avaliando o Progresa
14 Avaliando o Project STAR
15 Avaliando o Project STAR
16 Avaliando o Project STAR
17 Seleção em observáveis Seleção em observáveis: D i (Y 0i,Y 1i ) X i Permitimos a correlação entre o tratamento e os resultados potenciais, mas não condicionando em X i. Nosso intuito é comparar indivíduos com as mesmas características, portanto precisamos do suporte comum: 0 < pr (D i = 1 X i = x) < 1, para todo x Suponha que nossa única covariada seja gênero. Devemos ter mulheres no grupo de tratamento e no grupo controle. Média de saúde observada das mulheres não tratadas será um bom contra-factual para a média de sáude das mulheres tratadas caso não tivessem sido tratadas.
18 Matching A idéia básica do matching é imputar um valor para o resultado potencial utilizando o resultado Y de indivíduos "parecidos" no grupo de tratamento oposto. Geralmente, há duas escolhas a serem feitas: a métrica de distância e o número de vizinhos que serão usados. Exemplo: One-to-one matching, onde para cada indivíduo tratado em uma célula, escolhemos um não-tratado para formar o grupo controle. Haverá um trade-o entre viés e precisão. Se utilizarmos somente uma observação para parear, teremos pouco viés, mas sacricaremos em precisão (maior variância). Com matching, identicamos o Efeito de Tratamento nos Tratados.
19 Matching no caso discreto Seja δ X = E [Y i X i, D i = 1] E [Y i X i, D i = 0] o estimador "ingênuo" do efeito de tratamento. δ FEM = E [Y i X i = FEM, D i = 1] E [Y i X i = FEM, D i = 0] seria a diferença de média de saúde entre as mulheres tratadas e não tratadas. O estimador pode ser implementado como: E [Y 1i Y 0i D i = 1] = x δ x P (X i = x D i = 1)
20 Matching no caso discreto É uma média ponderada das diferenças de médias entre grupos de tratamento e controle, onde os pesos dependem da distribuição empírica das covariadas entre os tratados. Maior peso é dado para aquelas células que são mais representativas do grupo de tratamento. Comparação é feita entre células. Quando, em uma célula, só temos tratamento ou controle, jogamos fora estas células. Quando temos muitas covariadas ou uma covariada contínua, temos o problema de dimensionalidade. Não é possível fazer estas comparações de maneira não paramétrica.
21 Regressão no lugar do matching Podemos estimar um modelo onde controlamos pela mesma série de covariadas usadas para fazer o matching: Y i = x d ix β x + δ R D i + ε i onde d ix é uma dummy que indica X i = x e δ R é o coeciente de interesse. Podemos mostrar que o modelo de regressão difere do modelo de matching somente nos pesos usados para ponderar os efeitos de tratamento de cada célula. Matching: usa a distribuição de covariadas entre os tratados para dar peso às diferentes estimações. Regressão: média ponderada pela variância (maior peso para as células com proporções semelhantes de tratados e não tratados).
22 Escore de propensão Se estamos dispostos a assumir seleção em observáveis, a independência dos resultados potenciais também se dará em relação a qualquer função das covariáveis, e em particular do escore de propensão p (x) = pr (D i = 1 X i = x) O uso do escore de propensão reduz a dimensionalidade do nosso problema. Estimamos o escore de propensão através de um probit ou logit. Podemos estimar o efeito de tratamento fazendo matching no escore de propensão.
23 Escore de propensão
24 Variáveis Instrumentais Suponha que estejamos interessados em estimar o efeito de servir ao exército sobre salários. Poderíamos pensar em uma regressão do tipo y i = θd i + X i β + u i. É possivel que indivíduos mais habilidosos escolham não servir o exército, indo direto para o mercado de trabalho. O modelo correto a ser estimado seria: Y i = α + ρd i + A iγ + ν i Como não observamos a habilidade A i, resta-nos um modelo no qual a variável de tratamento D i é correlacionada com o termo de erro u i = A γ + ν i i. Dizemos que D i é uma variável endógena. A estimação desta regressão por OLS nos fornece estimativas incosistentes do efeito de tratamento.
25 Efeito de serviço militar sobre salários (Angrist 1990) Parte da variação que observamos em D i tem como fonte variações nas habilidades não observadas. Para estimar corretamente o efeito de tratamento, precisamos de uma fonte de variação exógena sobre D i. Nos anos 60 e início dos 70, jovens americanos corriam o risco de serem convocados a servir na guerra do Vietnam. Em 1970, institui-se uma loteria baseada em data de nascimento para denir quem deveria, obrigatoriamente, se apresentar. Muitos homens sorteados não serviram devido a problemas de saúde ou outros motivos, e muitos homens não sorteados serviram como voluntários. Ainda assim, a loteria apresenta uma alta correlação com o serviço militar.
26 Efeito de serviço militar sobre salários (Angrist 1990) Uma variável dummy para a loteria, devido à aleatorização, é independente da habilidade não-observada dos indivíduos. É a fonte de variação externa de que necessitávamos. A estimação do efeito de tratamento por IV consiste em retermos, da variável D i, apenas aquela variação explicada pela loteria, obtendo ˆDi. estimar a regressão de salários sobre esta variável ˆDi, obtendo o efeito de tratamento.
27 Efeito de serviço militar sobre salários (Angrist 1990) Que efeito de tratamento conseguimos estimar? Efeito de tratamento sobre os compliers. A loteria se relaciona com a decisão dos indivíduos de 3 formas: always-takers: indivíduos que serviriam ao exército, sorteados ou não. never-takers: indivíduos que não serviriam ao exército, sorteados ou não. compliers: indivíduos que somente serviriam ao exército se sorteados. Note que ao instituirmos a loteria, fomos capazes de gerar variação apenas sobre os compliers. Portanto, o efeito de tratamento que estimamos é especíco a este grupo de indivíduos.
28 Variáveis Instrumentais: Teoria y i = θd i + X i β + u i D i = X i π 1 + w i π 2 + v i Viés de variável omitida porque E [D i u i ] 0. Podemos pensar como D i não sendo independente de (y 0i, y 1i ). w i será um instrumento válido se: For independente de (y 0i, y 1i ), ou seja, E [w i u i ] = 0. Manipular o tratamento: E [w i D i ] 0. Estimamos o efeito de tratamento sobre os compliers através de: ˆDi = X i ˆπ 1 + w i ˆπ 2 y i = θ ˆDi + X i β + u i
29 Diferenças em Diferenças Suponha um grupo controle e um grupo de tratamento (s {0, 1}) e dois momentos no tempo (t {1, 2}). Não são necessários dados sobre os mesmos indivíduos, mas sim de amostras representativas das populações de cada grupo. Admita que, na ausência do programa, o resultado é determinado por um termo que é xo no tempo e outra que varia, mas comum aos dois grupos: Podemos escrever: E [Y 0ist ] = γ s + λ t Y ist = α + γ s + λ t + δd st + ε ist onde γ s é uma dummy indicando grupo de tratamento, λ t é uma dummy indicando t = 2 e D st é uma dummy para grupo de tratamento e t = 2.
30 Diferenças em Diferenças Note que E [Y ist s = 0, t = 2] E [Y ist s = 0, t = 1] = α + λ t α = λ t E [Y ist s = 1, t = 2] E [Y ist s = 1, t = 1] = α + γ s + λ t + δ (α + γ s ) = λ t + δ {E [Y ist s = 0, t = 2] E [Y ist s = 0, t = 1]} {E [Y ist s = 1, t = 2] E [Y ist s = 1, t = 1]} = δ Quando estamos dispostos a assumir o pressuposto de que, na ausência do tratamento, ambos os grupos apresentariam a mesma tendência, conseguimos estimar o efeito de tratamento sobre os tratados.
31 Diferenças em Diferenças
32 Diferenças em Diferenças
33 Diferenças em Diferenças
34 Diferenças em Diferenças
35 Regressão Descontínua Pode ser utilizado quando conhecemos o processo que gera a seleção em observáveis. Introduzido por Thistlewaite e Campbell (1960) para avaliar o efeito da obtenção de uma bolsa de estudos no desempenho acadêmico futuro. Imaginamos duas distribuições: E [Y 0i X i ] e E [Y 1i X i ]. à direita de um valor de corte X i = c, todos os indivíduos são tratados. à esquerda, nenhum é tratado.
36 Regressão Descontínua
37 Regressão Descontínua Estimamos o parâmetro τ = lim x c E [Y i X i = x] lim E [Y i X i = x] x c Este parêmetro é igual ao efeito médio de tratamento no corte c. τ = E [Y 1i Y 0i X i = c] Usamos a média das observações à direita como contrafactual para as observaçòes à esquerda. É crucial a continuidade de E [Y 0i X i ] e E [Y 1i X i ] no corte c.
38 Regressão Descontínua
39 Regressão Descontínua Podemos pensar no modelo de RD como: Y = Dτ + W γ 1 + U D = 1 [X > c] X = W γ 2 + V É crucial que os agentes tenham controle impreciso sobre X em torno de X = c, de forma que não seja possível manipulação.
40 Regressão Descontínua
41 Regressão Descontínua Uma maneira simples de implementar o RD é estimar uma regressão à esquerda e outra à direita da discontinuidade. Podemos subtrair o valor de corte c da variável X para que o intercepto seja o valor da regressão no corte c. Y = α e + f e (X c) + ε e Y = α d + f d (X c) + ε d O efeito de tratamento será dado por τ = α d α e
Econometria para Avaliação de Políticas Públicas
Aula 3: LATE Itaú Social 13/01/2016 Auto-seleção nos não-observáveis. Como estimar o ATE quando Pr [T = 1jY (1), Y (0), X ] 6= Pr [T = 1jX ] = p (X ) Na literatura econométrica, tem-se um problema equivalente:
Leia maisVariáveis Instrumentais
Técnicas Econométricas para Avaliação de Impacto Variáveis Instrumentais Guilherme Issamu Hirata Centro Internacional de Pobreza (IPC/PNUD) Brasília, 2 de maio de 28. Introdução Qualidade do Ensino: Escola
Leia maisEconometria para Avaliação de Políticas Públicas
Aula 1: Propensity Score Itaú Social 08/01/2016 Revisão Introdução O problema da identi cação Como determinar se há efeito causal de um programa social em alguma variável de interesse. Exemplo 1: Programa
Leia maisEconometria para Avaliação de Políticas Públicas
Aula 2: O Método de Diferenças em Diferenças Itaú Social 11/01/2016 Método extremamente popular nos últimos quinze anos. Exemplos de aplicação são os mais diversos: avaliação de programas de treinamento,
Leia mais1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3.
1 1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3. Modelo de Resultados Potenciais e Aleatorização (Cap. 2 e 3
Leia maisCentro Internacional de Pobreza (PNUD/IPEA) Fabio Veras Soares. Estimação do Impacto de Múltiplos Tratamentos e do. Escore de Propensão Generalizado
Estimação do Impacto de Múltiplos Tratamentos e do Efeito Dosagem: Escore de Propensão Generalizado Fabio Veras Soares Centro Internacional de Pobreza (PNUD/IPEA) Vimos nas aulas anteriores que o escore
Leia maisRegressão com Descontinuidade - RDD
Regressão com Descontinuidade - RDD Rafael Terra Universidade de Brasília-Unb 05 de Maio, 2016 Rafael Terra (Unb) Econometria do Setor Público 05 de Maio, 2016 1 / 55 O Básico sobre Causalidade: Endogeneidade
Leia maisEconometria para Avaliação de Políticas Públicas
Aula 5: Regressão com Descontinuidade Itaú Social 18/01/2016 Origem O Método Regressão Descontínua Thisthlewaite e Cook (1960) Estimar o impacto de um prémio por mérito no futuro desempenho acadêmico.
Leia maisAULAS 25 E 26 VARIÁVEIS INSTRUMENTAIS
1 AULAS 25 E 26 VARIÁVEIS INSTRUMENTAIS Ernesto F. L. Amaral 11 e 13 de junho de 2013 Técnicas Avançadas de Avaliação de Políticas Públicas (DCP 098) Fonte: Curso Técnicas Econométricas para Avaliação
Leia maisVariáveis Instumentais. Raphael Corbi. Universidade de São Paulo. Agosto 2017
Raphael Corbi Universidade de São Paulo Agosto 2017 Variáveis Instrumentais grande questão da econometria aplicada é causalidade variéveis instrumentais é a grande ferramenta para: (i) viés de omissão
Leia maisAvaliação experimental
Técnicas Econométricas para Avaliação de Impacto Avaliação experimental Fabio Veras Soares Centro Internacional de Pobreza (IPEA/PNUD) Brasília, 16 de abril de 2008. Introdução: como aleatorização resolve
Leia maisAULA 9 - MQO em regressão múltipla: Propriedades Estatísticas (Valor Esperado)
AULA 9 - MQO em regressão múltipla: Propriedades Estatísticas (Valor Esperado) Susan Schommer Econometria I - IE/UFRJ Valor esperado dos estimadores MQO Nesta aula derivamos o valor esperado dos estimadores
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário (bootstrap) Este método foi proposto por Efron
Leia maisLinha Técnica Sessão VI Métodos de Homogeneização
Impact Evaluation Linha Técnica Sessão VI Métodos de Homogeneização Human Development Network Spanish Impact Evaluation Fund www.worldbank.org/sief Quando podemos usar homogeneização? E se a designação
Leia maisTécnicas econométricas para avaliação de impacto O uso de algoritmos de emparelhamento baseados em escore de propensão propensity score matching
Técnicas econométricas para avaliação de impacto O uso de algoritmos de emparelhamento baseados em escore de propensão propensity score matching Bruno César Araújo Instituto de Pesquisa Econômica Aplicada
Leia maisEndogeneidade, Variáveis Instrumentais e Modelos de Equações Estruturais
1 Endogeneidade, Variáveis Instrumentais e Modelos de Equações Estruturais Ernesto F. L. Amaral Magna M. Inácio 21 de outubro de 2010 Tópicos Especiais em Teoria e Análise Política: Problema de Desenho
Leia maisDesenho de Regressão Descontínua - RDD
Desenho de Regressão Descontínua - RDD Rafael Terra Curso Avançado de Avaliação de Poĺıticas Públicas 23 de Setembro, 2016 Rafael Terra (Itaú Social) Curso Avançado FIS 23 de Setembro, 2016 1 / 57 Econometria
Leia maisEconometric Game 2017 Efeito de Presença de Delegacia da Mulher nos municípios brasileiros sobre índices de violência: Solução Proposta
Econometric Game 2017 Efeito de Presença de Delegacia da Mulher nos municípios brasileiros sobre índices de violência: Solução Proposta Item a Nesse primeiro o item os participantes do Econometric Game
Leia maisMonitoria Econometria II REC o Semestre 2015 Monitor(a):Victória Mazás Martinez 1 a Lista de exercícios
Monitoria Econometria II REC 2312-1 o Semestre 2015 Monitor(a):Victória Mazás Martinez 1 a Lista de exercícios 1. Quais as hipóteses para que uma variável seja considerada uma boa variável instrumental?
Leia maisModelos de Regressão Linear Simples parte I
Modelos de Regressão Linear Simples parte I Erica Castilho Rodrigues 27 de Setembro de 2017 1 2 Objetivos Ao final deste capítulo você deve ser capaz de: Usar modelos de regressão para construir modelos
Leia mais1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3.
1 1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3. Modelo de Resultados Potenciais e Aleatorização (Cap. 2 e 3
Leia maisVariáveis Instrumentais
Variáveis Instrumentais Abordagem diferente para o problema de endogeneidade: V.I. pode se usado para se obter estimadores consistentes na presença de variáveis omitidas; V.I. também pode ser usado para
Leia maisDesenho de Regressão Descontínua - RDD
Desenho de Regressão Descontínua - RDD Rafael Terra Programa de Seminários EPRG 12 de Abril, 2018 Rafael Terra (UnB) UnB 12 de Abril, 2018 1 / 50 Econometria de Avaliação de Programas A Econometria de
Leia maisAULA 4 - MQO Simples: Propriedades algébricas e Estatísticas
AULA 4 - MQO Simples: Propriedades algébricas e Estatísticas Susan Schommer Econometria I - IE/UFRJ Estimação: MQO recapitulando Na aula passada aprendemos estimação por MQO. Recapitulando brevemente Em
Leia maisPor que aleatorizar? Cecilia Machado FGV-EPGE Abdul Latif Jameel Poverty Action Lab.
Por que aleatorizar? Cecilia Machado FGV-EPGE Abdul Latif Jameel Poverty Action Lab www.povertyactionlab.org Contexto do curso 1 - Monitoramento e Avaliação 2 Avaliação de programas 3 - Avaliação de impacto
Leia maisGabarito - Lista 5 - Questões de Revisão
Gabarito - Lista 5 - Questões de Revisão Monitores: Camila Steffens e Matheus Rosso Parte I - Teoria assintótica 1. Enuncie a lei dos grandes números e o teorema central do limite. A LGN em sua expressão
Leia maisAULA 09 Regressão. Ernesto F. L. Amaral. 17 de setembro de 2012
1 AULA 09 Regressão Ernesto F. L. Amaral 17 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario F. 2008. Introdução à
Leia maisAnálise de Regressão - parte I
16 de Outubro de 2012 Introdução Objetivos Ao final deste capítulo você deve ser capaz de: Usar modelos de regressão para construir modelos para dados coletados. Entender como método de mínimos é usado
Leia maisModelos de Regressão Linear Simples - parte I
Modelos de Regressão Linear Simples - parte I Erica Castilho Rodrigues 19 de Agosto de 2014 Introdução 3 Objetivos Ao final deste capítulo você deve ser capaz de: Usar modelos de regressão para construir
Leia maisTécnicas econométricas para avaliação de impacto O uso de métodos de regressão e introdução aos métodos de diferençasdas-diferenças
Técnicas econométricas para avaliação de impacto O uso de métodos de e introdução aos métodos de diferençasdas-diferenças Bruno César Araújo Instituto de Pesquisa Econômica Aplicada IPEA Brasília, 30 de
Leia maisEAE0325 Econometria II. Professora: Fabiana Fontes Rocha. Gabarito Primeira Lista Teórica de Exercícios
EAE0325 Econometria II Professora: Fabiana Fontes Rocha Gabarito Primeira Lista Teórica de Exercícios Bloco 1 Assinalar se as afirmativas a seguir são verdadeiras V) ou falsas F) Exercício 1 Sobre o modelo
Leia maisGabarito Trabalho 1. onde 1 refere-se ao salário quando a variável branco = 1. Teremos, então:
Professor: Eduardo Pontual Monitor: Tiago Souza Econometria MFEE Gabarito Trabalho 1 Exercício 1 Queremos estimar a diferença salarial entre trabalhadores brancos e não brancos. Assim, calcularemos a diferença
Leia maisAULA 7 - Inferência em MQO: ICs e Testes de
AULA 7 - Inferência em MQO: ICs e Testes de Hipóteses Susan Schommer Econometria I - IE/UFRJ Nosso primeiro objetivo aqui é relembrar a diferença entre estimação de ponto vs estimação de intervalo. Vamos
Leia maisAULAS 20 E 21 ESCORE DE PROPENSÃO DE PAREAMENTO
1 AULAS 20 E 21 ESCORE DE PROPENSÃO DE PAREAMENTO Ernesto F. L. Amaral 21 e 23 de maio de 2013 Técnicas Avançadas de Avaliação de Políticas Públicas (DCP 098) Fonte: Curso Técnicas Econométricas para Avaliação
Leia maisMinera c ao de Dados Aula 6: Finaliza c ao de Regress ao e Classifica c ao Rafael Izbicki 1 / 33
Mineração de Dados Aula 6: Finalização de Regressão e Classificação Rafael Izbicki 1 / 33 Como fazer um IC para o risco estimado? Vamos assumir que ( X 1, Ỹ1),..., ( X s, Ỹs) são elementos de um conjunto
Leia maisEstimação de Variáveis Instrumentais e Mínimos Quadrados de Dois Estágios. Wooldridge, Cápítulo 15
Estimação de Variáveis Instrumentais e Mínimos Quadrados de Dois Estágios Wooldridge, Cápítulo 5 Variáveis Instrumentais () 2 Variáveis Instrumentais Considere o seguinte modelo de regressão linear múltipla
Leia maisAULAS 04, 05 E 06 AVALIAÇÃO UTILIZANDO EXPERIMENTOS
1 AULAS 04, 05 E 06 AVALIAÇÃO UTILIZANDO EXPERIMENTOS Ernesto F. L. Amaral 14, 19 e 21 de março de 2013 Técnicas Avançadas de Avaliação de Políticas Públicas (DCP 098) Fonte: Curso Técnicas Econométricas
Leia maisIntrodução à Probabilidade e à Estatística II
Introdução à Probabilidade e à Estatística II Introdução à Inferência Estatística Capítulo 10, Estatística Básica (Bussab&Morettin, 7a Edição) Lígia Henriques-Rodrigues MAE0229 1º semestre 2018 1 / 36
Leia maisLinha Técnica Sessão I: Inferência Causal
Impact Evaluation Linha Técnica Sessão I: Inferência Causal Human Development Human Network Development Network Middle East and North Africa Region World Bank Institute Spanish Impact Evaluation Fund www.worldbank.org/sief
Leia maisAULA 07 Regressão. Ernesto F. L. Amaral. 05 de outubro de 2013
1 AULA 07 Regressão Ernesto F. L. Amaral 05 de outubro de 2013 Centro de Pesquisas Quantitativas em Ciências Sociais (CPEQS) Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas
Leia maisAnálise Multivariada Aplicada à Contabilidade
Mestrado e Doutorado em Controladoria e Contabilidade Análise Multivariada Aplicada à Contabilidade Prof. Dr. Marcelo Botelho da Costa Moraes www.marcelobotelho.com mbotelho@usp.br Turma: 2º / 2016 1 Agenda
Leia maisAULA 29 Aplicação do método de diferença em diferenças
1 AULA 29 Aplicação do método de diferença em diferenças Ernesto F. L. Amaral 29 de novembro de 2011 Avaliação de Políticas Públicas (DCP 046) EXPERIMENTO NATURAL 2 Em economia, muitas pesquisas são feitas
Leia maisINTRODUÇÃO À INFERÊNCIA ESTATÍSTICA
UFPE - Universidade Federal de Pernambuco Departamento de Estatística Disciplina: ET-406 Estatística Econômica Professor: Waldemar A. de Santa Cruz Oliveira Júnior INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA Podemos
Leia maisAnálise de Dados e Simulação
Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco Análise Estatística. Análise Estatística Motivação: Fila de 1 servidor. Clientes chegam em um banco (sistema)
Leia maisAnálise de Dados Longitudinais Aula
1/35 Análise de Dados Longitudinais Aula 08.08.2018 José Luiz Padilha da Silva - UFPR www.docs.ufpr.br/ jlpadilha 2/35 Sumário 1 Revisão para dados transversais 2 Como analisar dados longitudinais 3 Perspectiva
Leia maisAnálise Multivariada Aplicada à Contabilidade
Mestrado e Doutorado em Controladoria e Contabilidade Análise Multivariada Aplicada à Contabilidade Prof. Dr. Marcelo Botelho da Costa Moraes www.marcelobotelho.com mbotelho@usp.br Turma: 2º / 2016 1 Agenda
Leia maisAula 2 Tópicos em Econometria I. Porque estudar econometria? Causalidade! Modelo de RLM Hipóteses
Aula 2 Tópicos em Econometria I Porque estudar econometria? Causalidade! Modelo de RLM Hipóteses A Questão da Causalidade Estabelecer relações entre variáveis não é suficiente para a análise econômica.
Leia maisAULA 1 - Modelos determinísticos vs Probabiĺısticos
AULA 1 - Modelos determinísticos vs Probabiĺısticos Susan Schommer Econometria I - IE/UFRJ O que é Econometria? Aplicação de métodos estatísticos e matemáticos para analisar os dados econômicos, com o
Leia maisInferência Estatistica
Inferência Estatistica Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Modelos e Inferência Um modelo é uma simplificação da realidade (e alguns
Leia maisEconometria II. Equações simultâneas
Eco monitoria Leandro Anazawa Econometria II Este não é um resumo extensivo. O intuito deste resumo é de servir como guia para os seus estudos. Procure desenvolver as contas e passos apresentados em sala
Leia maisAULA 2 - Regressão: Fundamentos Conceituais
AULA 2 - Regressão: Fundamentos Conceituais Susan Schommer Econometria I - IE/UFRJ Em econometria, estamos em geral interessados em identificar (empiricamente) a relação funcional entre variáveis econômicas,
Leia maisDefinição. Os valores assumidos pelos estimadores denomina-se estimativas pontuais ou simplesmente estimativas.
1. Inferência Estatística Inferência Estatística é o uso da informção (ou experiência ou história) para a redução da incerteza sobre o objeto em estudo. A informação pode ou não ser proveniente de um experimento
Leia maisEstatística Aplicada
Estatística Aplicada Intervalos de Confiança Professor Lucas Schmidt www.acasadoconcurseiro.com.br Estatística Aplicada INTERVALOS DE CONFIANÇA Processos de estimação Estimação por ponto: o processo em
Leia mais4 Modelos de Regressão Dinâmica
4 Modelos de Regressão Dinâmica Nos modelos de regressão linear (Johnston e Dinardo, 1998) estudados comumente na literatura, supõe-se que os erros gerados pelo modelo possuem algumas características como:
Leia maisMétodos Quantitativos para Avaliação de Políticas Públicas
ACH3657 Métodos Quantitativos para Avaliação de Políticas Públicas Aula 11 Análise de Resíduos Alexandre Ribeiro Leichsenring alexandre.leichsenring@usp.br Alexandre Leichsenring ACH3657 Aula 11 1 / 26
Leia maisAULA 17 - Variáveis binárias
AULA 17 - Variáveis binárias Susan Schommer Econometria I - IE/UFRJ Variáveis binárias A variável binária (ou dummy) é um simples exemplo de variável aleatória, o qual é chamada de função indicadora de
Leia maisMonitoria Econometria II REC o Semestre 2015 Monitor(a):Victória Mazás Martinez 3 a Lista de exercícios - Dados em painel
Monitoria Econometria II REC 2312-1 o Semestre 2015 Monitor(a):Victória Mazás Martinez 3 a Lista de exercícios - Dados em painel *Lembrando que a resolução é apenas uma síntese simplicada das respostas
Leia maisRESUMO DO CAPÍTULO 3 DO LIVRO DE WOOLDRIDGE ANÁLISE DE REGRESSÃO MÚLTIPLA: ESTIMAÇÃO
RESUMO DO CAPÍTULO 3 DO LIVRO DE WOOLDRIDGE ANÁLISE DE REGRESSÃO MÚLTIPLA: ESTIMAÇÃO Regressão simples: desvantagem de apenas uma variável independente explicando y mantendo ceteris paribus as demais (ou
Leia maisCap. 8 - Intervalos Estatísticos para uma Única Amostra
Intervalos Estatísticos para ESQUEMA DO CAPÍTULO 8.1 INTRODUÇÃO 8.2 INTERVALO DE CONFIANÇA PARA A MÉDIA DE UMA DISTRIBUIÇÃO NORMAL, VARIÂNCIA CONHECIDA 8.3 INTERVALO DE CONFIANÇA PARA A MÉDIA DE UMA DISTRIBUIÇÃO
Leia maisExemplos Equações de Estimação Generalizadas
Exemplos Equações de Estimação Generalizadas Bruno R. dos Santos e Gilberto A. Paula Departamento de Estatística Universidade de São Paulo, Brasil giapaula@ime.usp.br Modelos Lineares Generalizados dos
Leia maisAULAS 21 E 22 Análise de Regressão Múltipla: Estimação
1 AULAS 21 E 22 Análise de Regressão Múltipla: Estimação Ernesto F. L. Amaral 28 de outubro e 04 de novembro de 2010 Metodologia de Pesquisa (DCP 854B) Fonte: Cohen, Ernesto, e Rolando Franco. 2000. Avaliação
Leia maisRegressão linear simples
Regressão linear simples Universidade Estadual de Santa Cruz Ivan Bezerra Allaman Introdução Foi visto na aula anterior que o coeficiente de correlação de Pearson é utilizado para mensurar o grau de associação
Leia maisIND 1115 Inferência Estatística Aula 6
Conteúdo IND 5 Inferência Estatística Aula 6 Setembro de 004 A distribuição Lognormal A distribuição Beta e sua relação com a Uniforme(0,) Mônica Barros mbarros.com mbarros.com A distribuição Lognormal
Leia maisTestes de hipóteses. Wagner H. Bonat Fernando P. Mayer Elias T. Krainski
Testes de hipóteses Wagner H. Bonat Fernando P. Mayer Elias T. Krainski Universidade Federal do Paraná Departamento de Estatística Laboratório de Estatística e Geoinformação 07/06/2018 WB, FM, EK ( LEG/DEST/UFPR
Leia mais1 a Lista de Exercícios Teóricos Econometria II
1 a Lista de Exercícios Teóricos Econometria II - 2017 Professora: Fabiana Rocha Monitora: Bruna Bloco 1 - Exercícios Teóricos do Wooldridge Exercício 1 (13.2): As seguintes equações foram estimadas usando
Leia maisOutras Técnicas que Utilizam o Escore de Propensão
Técnicas Econométricas ara Avaliação de Imacto Outras Técnicas que Utilizam o Escore de Proensão Rafael Perez Ribas Centro Internacional de Pobreza Brasília, 28 de maio de 2008 Introdução O Escore de Proensão
Leia maisMAB-515 Avaliação e Desempenho (DCC/UFRJ)
MAB-515 Avaliação e Desempenho (DCC/UFRJ) Aula 7: Intervalos de Confiança 13 de novembro de 2012 1 2 3 4 Percentil 100p%-percentil O ponto t 0 tal que t 0 = F 1 X (p) = min{t : F X (t) p}, 0 < p < 1 é
Leia maisVariáveis Dummy. y = b 0 + b 1 x 1 + b 2 x b k x k + u. Econometria II - Prof. Ricardo Freguglia
Variáveis Dummy y = b 0 + b 1 x 1 + b 2 x 2 +... b k x k + u 1 VARIÁVEIS DUMMY Variável dummy: variável que assume os valores 1 ou 0 Exemplos: masculino (= 1 se masculino, 0 caso contrário), sul (= 1 se
Leia mais7 Testes de Robustez. 7.1 Efeito sobre os alunos não beneficiados
7 Testes de Robustez Como os resultados anteriores não foram obtidos a partir de um experimento controlado, eles devem ser interpretados com bastante cautela. Esta seção submete estes resultados a uma
Leia maisDisciplina de Modelos Lineares Professora Ariane Ferreira
Disciplina de Modelos Lineares 2012-2 Regressão Logística Professora Ariane Ferreira O modelo de regressão logístico é semelhante ao modelo de regressão linear. No entanto, no modelo logístico a variável
Leia maisAULA 17 MÉTODO DE DIFERENÇA EM DIFERENÇAS
1 AULA 17 MÉTODO DE DIFERENÇA EM DIFERENÇAS Ernesto F. L. Amaral 09 de maio de 2013 Técnicas Avançadas de Avaliação de Políticas Públicas (DCP 098) Fonte: Curso Técnicas Econométricas para Avaliação de
Leia maisDIME Impact Evaluation Workshop. Innovations for Agriculture June 2014, Kigali, Rwanda
DIME Impact Evaluation Workshop Innovations for Agriculture 16-20 June 2014, Kigali, Rwanda Impact Evaluation Workshop Innovations for Agriculture Medindo o Impacto II Métodos Não-Experimentais David Evans,
Leia maisAnálise da Regressão múltipla: MQO Assintótico y = β 0 + β 1 x 1 + β x +... β k x k + u 3. Propriedades assintóticas Antes, propriedades sobre amostra
Análise da Regressão múltipla: MQO Assintótico Capítulo 5 do Wooldridge Análise da Regressão múltipla: MQO Assintótico y = β 0 + β 1 x 1 + β x +... β k x k + u 3. Propriedades assintóticas Antes, propriedades
Leia maisModelos Lineares Generalizados - Verificação do Ajuste do Modelo
1 Modelos Lineares Generalizados - Verificação do Ajuste do Modelo Erica Castilho Rodrigues 9 de Abril de 2015 2 3 Função Deviance Podemos ver o ajuste de um modelo a um conjunto de dados como: uma forma
Leia maisPARTE 1 ANÁLISE DE REGRESSÃO COM DADOS DE CORTE TRANSVERSAL CAPÍTULO 2 O MODELO DE REGRESSÃO SIMPLES
PARTE 1 ANÁLISE DE REGRESSÃO COM DADOS DE CORTE TRANSVERSAL CAPÍTULO 2 O MODELO DE REGRESSÃO SIMPLES 2.1 DEFINIÇÃO DO MODELO DE REGRESSÃO SIMPLES Duas variáveis: y e x Análise explicar y em termos de x
Leia maisTécnicas computacionais em probabilidade e estatística II
Técnicas computacionais em probabilidade e estatística II Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco AULA 1: Problemas Computacionais em Inferência Estatística.
Leia maisO uso de algoritmos de emparelhamento - matching
Técnicas econométricas para avaliação de impacto O uso de algoritmos de emparelhamento - matching Bruno César Araújo Instituto de Pesquisa Econômica Aplicada IPEA Brasília, 7 de maio de 2008 Pergunta da
Leia maisProfessora Ana Hermínia Andrade. Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise. Período 2017.
Professora Ana Hermínia Andrade Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise Período 2017.1 Distribuições Amostrais O intuito de fazer uma amostragem
Leia maisDISTRIBUIÇÃO AMOSTRAL E ESTIMAÇÃO PONTUAL INTRODUÇÃO ROTEIRO POPULAÇÃO E AMOSTRA. Estatística Aplicada à Engenharia
ROTEIRO 1. Introdução; DISTRIBUIÇÃO AMOSTRAL E ESTIMAÇÃO PONTUAL. Teorema Central do Limite; 3. Conceitos de estimação pontual; 4. Métodos de estimação pontual; 5. Referências. 1 POPULAÇÃO E AMOSTRA População:
Leia maisA análise de séries temporais é uma área da estatística dedicada ao estudo de dados orientados no tempo (MONTGOMERY, 2004).
3 Séries temporais A análise de séries temporais é uma área da estatística dedicada ao estudo de dados orientados no tempo (MONTGOMERY, 2004). 3.1. Princípios fundamentais Conforme Box et al. (1994), uma
Leia maisAnálise de regressão linear simples. Diagrama de dispersão
Introdução Análise de regressão linear simples Departamento de Matemática Escola Superior de Tecnologia de Viseu A análise de regressão estuda o relacionamento entre uma variável chamada a variável dependente
Leia mais3. Estimação pontual USP-ICMC-SME. USP-ICMC-SME () 3. Estimação pontual / 25
3. Estimação pontual USP-ICMC-SME 2013 USP-ICMC-SME () 3. Estimação pontual 2013 1 / 25 Roteiro Formulação do problema. O problema envolve um fenômeno aleatório. Interesse em alguma característica da população.
Leia maisBioestatística INFERÊNCIA ESTATÍSTICA. Silvia Shimakura
Bioestatística INFERÊNCIA ESTATÍSTICA Silvia Shimakura AMOSTRAS E POPULAÇÕES Inferências sobre populações são geralmente feitas a partir de informações obtidas de amostras. amostras Válido se a amostra
Leia mais1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3.
1 1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3. Modelo de Resultados Potenciais e Aleatorização (Cap. 2 e 3
Leia maisIntrodução à Inferência Estatística
Introdução à Inferência Estatística Capítulo 10, Estatística Básica (Bussab&Morettin, 7a Edição) 2a AULA 02/03/2015 MAE229 - Ano letivo 2015 Lígia Henriques-Rodrigues 2a aula (02/03/2015) MAE229 1 / 16
Leia maisMetodologias causais para estudos observacionais
Metodologias causais para estudos observacionais Prof. Alexandre Chiavegatto Filho Escola de Epidemiologia FSP-USP 18 de maio de 2015 Referências 1 - Menezes Filho, N. Avaliação econômica de projetos sociais.
Leia maisTestes de Hipóteses Paramétricos
Testes de Hipóteses Paramétricos Carla Henriques Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução Exemplos Testar se mais de metade da população irá consumir um novo produto
Leia maisCap. 4 - Estimação por Intervalo
Cap. 4 - Estimação por Intervalo Amostragem e inferência estatística População: consiste na totalidade das observações em que estamos interessados. Nº de observações na população é denominado tamanho=n.
Leia mais4 Informação auxiliar
89 4 Informação auxiliar para Segundo D Orazio et al., 2006, p. 11, o conjunto de modelos identificáveis A B é pequeno e pode ser inapropriado para o fenômeno em estudo. Para resolver esse problema, conforme
Leia maisEconometria II. Aplicação de Variáveis Instrumentais (VI) STATA
Eco 2 monitoria Leandro Anazawa Econometria II Aplicação de Variáveis Instrumentais (VI) STATA Vamos utilizar uma base de dados com informações sobre condições de trabalho, educação e moradia. Os comandos
Leia maisTestes de Hipóteses Paramétricos
Testes de Hipóteses Paramétricos Departamento de Matemática Escola Superior de Tecnologia de Viseu (DepMAT ESTV) Testes de Hipóteses Paramétricos 1 / 41 Introdução. Hipóteses Estatísticas. Erro Tipo I
Leia maisAnálise de Regressão Prof. MSc. Danilo Scorzoni Ré FMU Estatística Aplicada
Aula 2 Regressão Linear Simples Análise de Regressão Prof. MSc. Danilo Scorzoni Ré FMU Estatística Aplicada Conceitos Gerais A análise de regressão é utilizada para explicar ou modelar a relação entre
Leia maisRafael Izbicki 1 / 38
Mineração de Dados Aula 7: Classificação Rafael Izbicki 1 / 38 Revisão Um problema de classificação é um problema de predição em que Y é qualitativo. Em um problema de classificação, é comum se usar R(g)
Leia maisRefinamentos de Equilíbrios de Nash
Refinamentos de Equilíbrios de Nash Prof. Leandro Chaves Rêgo Programa de Pós-Graduação em Estatística - UFPE Programa de Pós-Graduação em Engenharia de Produção - UFPE Recife, 06 de Outubro de 2014 Equilíbrio
Leia mais1 Probabilidade - Modelos Probabilísticos
1 Probabilidade - Modelos Probabilísticos Modelos probabilísticos devem, de alguma forma, 1. identificar o conjunto de resultados possíveis do fenômeno aleatório, que costumamos chamar de espaço amostral,
Leia maisObjetivos. Ao final desse grupo de slides os alunos deverão ser capazes de:
Objetivos Ao final desse grupo de slides os alunos deverão ser capazes de: Escolher e utilizar um método de estimação adequado para os parâmetros de um modelo de regressão que apresente regressores endógenos.
Leia maisAULAS 28 E 29 Análise de Regressão Múltipla com Informações Qualitativas
1 AULAS 28 E 29 Análise de Regressão Múltipla com Informações Qualitativas Ernesto F. L. Amaral 07 e 09 de dezembro de 2010 Metodologia de Pesquisa (DCP 854B) Fonte: Wooldridge, Jeffrey M. Introdução à
Leia maisModelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência
Modelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência Erica Castilho Rodrigues 12 de Agosto 3 Vimos como usar Poisson para testar independência em uma Tabela 2x2. Veremos
Leia mais