Econometria para Avaliação de Políticas Públicas
|
|
- Raphael do Amaral Batista
- 5 Há anos
- Visualizações:
Transcrição
1 Aula 1: Propensity Score Itaú Social 08/01/2016
2 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 de treinamento/quali cação de trabalhadores: Comparam-se trabalhadores submetidos ao programa com trabalhadores não submetidos ao programa. Em geral, pode-se dizer que a diferença média de renda do trabalho entre os grupos é devida, de forma inequívoca, ao efeito do treinamento?
3 O problema da identi cação Exemplo 2: Bolsa-escola, bolsa-família: Comparam-se crianças cujas famílias pertencem ao programa com crianças que não pertencem ao programa. Em geral, pode-se dizer que a diferença média de escolaridade (medida de alguma forma, como matrícula, defasagem, número de reprovações) entre os grupos de crianças é devida, de forma inequívoca, ao efeito do programa?
4 O problema da identi cação Quais são as condições em que se pode determinar se há efeito causal? Desenho da avaliação: Grupos escolhidos de forma aleatória; Grupos escolhidos com base em características observáveis; Grupos auto-selecionados; Hipóteses sobre auto-seleção: Feita com base em variáveis observáveis ao pesquisador; Feita com base em variáveis não observáveis ao pesquisador.
5 O problema da identi cação Comparação de médias entre tratados e não tratados só tem interpretação causal se o programa tivesse sido alocado de maneira aleatória. Por quê? Seja Y a variável de interesse (resultado) e T uma dummy que indica se o indivíduo (ou família) está no programa. Comparação entre médias de tratados e não-tratados pode ser escrita como G = E [Y jt = 1] E [Y jt = 0]
6 O problema da identi cação Pergunta: esse é o efeito causal do programa sobre Y? Para responder, precisamos pensar qual teria sido o resultado dos indivíduos tratados caso eles não tivessem recebido tratamento. De na Y 1 como resultado potencial de ser tratado. De na Y 0 como resultado potencial de não ser tratado. Observamos resultado Y = Y 1 T + Y 0 (1 T ). Isto é, observamos Y 1 jt = 1 e Y 0 jt = 0.
7 O problema da identi cação Mas nunca observamos Y 1 jt = 0 ou Y 0 jt = 1. Esse problema é conhecido como problema fundamental da inferência causal (Holland, 1986). É um problema pois um potencial parâmetro de interesse é o efeito médio sobre os tratados (ATT ) ATT = E [Y 1 jt = 1] E [Y 0 jt = 1] = E [Y 1 Y 0 jt = 1] ATT é o ganho médio causado pelo programa, para a subpopulação que é atendida pelo programa. Note que Y 1 Y 0 é o ganho associado ao programa
8 O problema da identi cação A diferença entre G e ATT é o viés B, também chamado de viés de seleção: B = G ATT = E [Y jt = 1] E [Y jt = 0] (E [Y 1 jt = 1] E [Y 0 jt = 1]) = E [Y 1 jt = 1] E [Y 0 jt = 0] (E [Y 1 jt = 1] E [Y 0 jt = 1]) = E [Y 0 jt = 1] E [Y 0 jt = 0] Viés surge do uso de um grupo de comparação inadequado. Os indivíduos que não foram tratados podem ter um comportamento muito diferente daquele que os indivíduos tratados teriam tido caso não o tivessem recebido tratamento.
9 O problema da identi cação A m de eliminar ou reduzir o viés, precisamos re etir sobre a auto-seleção ao programa. Feita com base em variáveis observáveis ao pesquisador; Feita com base em variáveis não observáveis ao pesquisador. Contudo, se a seleção tivesse sido aleatória, isto é, T independente de Y 1 e Y 0, então B = 0. Isto ocorre pois B = E [Y 0 jt = 1] E [Y 0 jt = 0] = E [Y 0 ] E [Y 0 ] = 0.
10 Seleção nos Observáveis Até aqui de nimos ATT = E [Y 1 jt = 1] E [Y 0 jt = 1] = E [Y 1 Y 0 jt = 1], o efeito do tratamento médio sobre os tratados, como sendo o parâmetro de interesse, pois ele captura o efeito causal do programa ou tratamento para a subpopulação dos tratados. Contudo, há outros parâmetros que podemos de nir como sendo de interesse para o analista: ATE = E [Y 1 ] E [Y 0 ] = E [Y 1 Y 0 ] ATNT = E [Y 1 jt = 0] E [Y 0 jt = 0] = E [Y 1 Y 0 jt = 0]
11 Seleção nos Observáveis O ATE é o efeito do tratamento sobre toda a população. Corresponde a tratar todos e comparar com não tratar ninguém. Note que precisa de dois contrafactuais: E [Y 1 jt = 0] e E [Y 0 jt = 1]. O ATNT é o efeito do tratamento apenas sobre os não-tratados. Usa apenas um contrafactual, E [Y 1 jt = 0]
12 Seleção nos Observáveis Sob aleatorização esses três parâmetros são idênticos, pois ) (Y 1, Y 0 )? T E [Y1 jt = 1] = E [Y 1 jt = 0] = E [Y 1 ] E [Y 0 jt = 1] = E [Y 0 jt = 0] = E [Y 0 ] ) ATE = E [Y 1 ] E [Y 0 ] = E [Y 1 jt = 1] E [Y 0 jt = 1] = ATT = E [Y 1 jt = 0] E [Y 0 jt = 0] = ATNT
13 Seleção nos Observáveis Exemplo: Aleatorização dos Planos de Saúde Experimento de 1974 a indivíduos com idade entre 14 e 61 anos. EUA: 6 regiões diferentes Participantes foram aleatoriamente alocados em 14 planos de saúde. Participantes não tinham que pagar os planos, mas os planos tinham opções diferentes relacionados a co-pagamentos e coberturas. O mais generoso oferecia cobertura completa de graça. O pior plano era praticamente nenhuma cobertura. As famílias participantes cavam nos planos de 3 a 5 anos, e tinham que deixar qualquer plano anterior. As famílias recebiam mensalmente um pagamento xo mensal que não precisava estar ligados a gastos com saúde.
14 Seleção nos Observáveis Pergunta: Quando e quanto o cuidado com a saúde cai quando os preços aumentam? Os tamanhos dos grupos de tratados em cada uma das opções é muito pequeno. Para fazer uma análise estatística, precisaram agrupar os diversos planos. O agrupamento foi feito pelo grau de cobertura: sem cobertura, dedutível, co-pagamento e de graça.
15 Seleção nos Observáveis Comparar que tem com quem não tem plano de saúde, pode gerar viés de seleção.
16 Seleção nos Observáveis
17 Seleção nos Observáveis Findings: Indivíduos no plano de graça teve um cuidado maior com a saúde que os demais (na média). Indivíduos no plano de graça gastaram mais em saúde (2/3 na média) do que os indivíduos que praticamente não tinham plano de saúde. No entanto, os níveis de colesterol, pressão arterial e os índices de saúde no geral são bem similares entre os dois grupos.
18 Introdução Seleção nos Observáveis
19 Seleção nos Observáveis Seleção baseada em observáveis: Dado X, resultado potencial é independente do tratamento, ie, T independente de Y 1 e Y 0 j X. Escrito formalmente: Pr [T = 1jY (1), Y (0), X ] = Pr [T = 1jX ] p (X ) onde p (X ), ou a probabilidade de ser tratado dado X, é o assim chamado propensity-score.
20 Seleção nos Observáveis A hipótese de independência condicional (em X ) entre T e os resultados potenciais Y (1) e Y (0) também é conhecida como hipótese de ignorabilidade do tratamento. T é ignorável se Pr [T = 1jY 1, Y 0, X ] = Pr [T = 1jX ] ou (Y 1, Y 0 )? T jx
21 Seleção nos Observáveis A hipótese sobre seleção é que condicional em X não há nada sistemático que faça com que um indivíduo seja ou não tratado. Isto é, apenas algo estritamente aleatório faz com que alguém seja ou não tratado. A probabilidade de ser tratado, contudo, depende de X e é p(x ). Este é um caso em que pode-se pensar que há auto-seleção e que o analista conhece e observa todas as características relevantes, a menos de um erro aleatório. A hipótese de seleção em observáveis é não-testável. Note que ela envolve sempre ou variáveis aleatórias que apresentam dados faltantes, como quando escrevemos (Y 1, Y 0 )? T jx
22 Seleção nos Observáveis Lembrem-se que ATT = E [Y 1 jt = 1] E [Y 0 jt = 1] = E [Y jt = 1] E [Y 0 jt = 1] ATE = E [Y 1 ] E [Y 0 ] = E [Y 1 jt = 1] Pr [T = 1] + E [Y 1 jt = 0] Pr [T = 0] (E [Y 0 jt = 1] Pr [T = 1] + E [Y 0 jt = 0] Pr [T = 0]) = E [Y jt = 1] Pr [T = 1] + E [Y 1 jt = 0] Pr [T = 0] (E [Y 0 jt = 1] Pr [T = 1] + E [Y jt = 0] Pr [T = 0])
23 Seleção nos Observáveis A primeira forma de se identi car as médias é pensando em um método de imputação ou de regressão: ATE = E [Y 1 ] E [Y 0 ] = E [E [Y 1 jx ]] E [E [Y 0 jx ]] = E [E [Y 1 jx, T = 1]] E [E [Y 0 jx, T = 0]] = E [E [Y jx, T = 1]] E [E [Y jx, T = 0]] ATT = E [Y 1 jt = 1] E [Y 0 jt = 1] = E [Y jt = 1] E [E [Y 0 jx, T = 1] jt = 1] = E [Y jt = 1] E [E [Y 0 jx, T = 0] jt = 1] = E [Y jt = 1] E [E [Y jx, T = 0] jt = 1]
24 Seleção nos Observáveis Portanto, para cada valor de X, identi camos a distribuição de Y 0 jt = 1 usando Y jt = 0. Isto é, imputamos os valores dessa distribuição usando observações do grupo de controle (T = 0) que tenha o mesmo X do grupo de tratamento (T = 1). Depois, como estamos interessados na distribuição não-condicional de Y 0 jt = 1, precisamos tirar uma média usando a distribuição de X jt = 1. O primeiro método usado para estimar estes "contrafactuias" é o de regressão.
25 Podemos escrever os resultados potenciais como: Y i (1) = Xi T α + β + ε 1i Y i (0) = Xi T α + ε 0i Sob a hipótese de seleção nos observáveis, E [ ε 0i j X i ] = 0
26 Usando os resultados de uma regressão linear de Y em X para amostra de não-tratados, podemos estimar o efeito médio do tratamento sobre os tratados: [ATT = 1 N 1 N T i (Y i bµ 0 (X i )) i=1 bµ 0 (X i ): valor previsto para o grupo de tratamento usando os coe cientes estimados por MQO para a regressão dos controles e as características (X ) dos tratados. Para este método funcionar precisamos que esta extrapolção seja válida (Hipótese do ).
27 Antes é importante notarmos que implicitamente lançamos mão de uma outra hipótese, a qual garante comparabilidade entre os dois grupos T = 1 e T = 0. Trata-se da hipótese de suporte comum: 0 < p (x) < 1 8x 2 X onde X é o suporte da distribuição de X. Dito de outra forma, não há valor de X para o qual se possa dizer com certeza a que grupo (T = 1 ou T = 0) o indivíduo pertence, usando apenas informação obtida pelo X. A combinação das hipóteses de ignorabilidade e do suporte comum é conhecida como ignorabilidade forte (Rubin, 1977).
28 Se tivéssemos feito a imputação para cada observação tratada (T = 1), teríamos feito o que chamamos de matching, ou o nosso segundo método de identi cação. O procedimento seria muito parecido: para cada observação tratada acharíamos um match (par) no grupo de controle (T = 0) com um mesmo X e imputaríamos o valor que aquele indivíduo tratado teria tido caso não tivesse sido tratado usando a observação do seu match no grupo de controle. Depois que tivéssemos isso para todos os tratados, calcularíamos a média. Essa média (populacional), sob a hipótese de seleção em observáveis, será E [Y 0 jt = 1].
29 Para indivíduo i, se Y i (1) é observado (T i = 1), então Y i (0) é faltante (missing). Encontram-se indivíduos j, tais que T j = 0, e que satisfaçam: kx j X i k kx l X i k, 8 l, T l = 0 Suponha que encontremos apenas um j satisfazendo restrição anterior. Então by i (0) = Y j (0) = Y j. De forma análoga, faz-se o mesmo se T i = 0. Imputa-se Y i (1) com by i (1) = Y j (1) = Y j.
30 Estima-se E [Y (1)] como: be [Y (1)] = 1 N portanto, estima-se ATE como e ATT por date match,1 = 1 N [ATT match,1 = 1 N 1 N T i Y i + (1 T i ) by i (1) i=1 N T i Y i + (1 T i ) by i (1) i=1 N 1 N (1 T i ) Y i + T i by i (0) i=1 N T i Y i by i (0) i=1
31 Algumas questões relevantes na implementação: 1 Com mais de uma unidade como candidata a par (se há empate, por exemplo), como escolher? 2 Se for usar mais de uma unidade, deve-se repor unidade que serviu como par? Ou fazer matching sem reposição? 3 Que noção de distância kk deve ser usada?
32 Observação: Matching, ao contrário do método da imputação (usando toda a amostra), não é e ciente. Razão para isso é que matching tipicamente xa o número de matches
33 De ne-se um balancing-score, b (X ), como uma função de X tal que a distribuição de X nos dois grupos esteja equilibrada, i.e., X? T jb (X ) Pode-se mostrar que o b (X ) de menor dimensionalidade é o propensity-score: X? T jp (X ) Importante: Esse resultado não é dependente da hipótese de ignorabilidade: (Y 1, Y 0 )? T jx
34 Ele é um simples resultado de teoria da probabilidade: X? T jp (X ), Pr [T = 1jX, p (X )] Pr [T = 1jp (X )] Podemos rescrever o lado direito como: Pr [T = 1jp (X )] = E [Pr [T = 1jX, p (X )] jp (X )] Contudo, novamente temos Pr [T = 1jX, p (X )] = p (X ), o que nos dá: Pr [T = 1jp (X )] = E [p (X ) jp (X )] = p (X ).
35 Um segundo resultado, mais interessante, diz que sob a hipótese de ignorabilidade, se b (X ) é balancing-score, então: (Y 1, Y 0 )? T jb (X ) e em particular (Y 1, Y 0 )? T jp (X )
36 Usamos a mesma lógica anterior para provar esse resultado: (Y 1, Y 0 )? T jp (X ), Pr [T = 1jY 1, Y 0, p (X )] Pr [T = 1jp (X )] Vimos que o lado direito da equivalância é simplesmente p (X ). O lado esquerdo pode ser reescrito como Pr [T = 1jY 1, Y 0, p (X )] = E [Pr [T = 1jY 1, Y 0, p (X ), X ] jy 1, Y 0, p (X )] = E [Pr [T = 1jY 1, Y 0, X ] jy 1, Y 0, p (X )] = E [Pr [T = 1jX ] jy 1, Y 0, p (X )] = E [p (X ) jy 1, Y 0, p (X )] = p (X ).
37 Qual vantagem de se usar p (X ) em vez de X? Principal é redução da dimensionalidade. Qual desvantagem de se usar p (X ) em vez de X? Principal é que verdadeiro p (X ) é uma função desconhecida de X e precisa, portanto, ser estimada. Estimação do p (X ) em um primeiro estágio pode afetar variância do estimador do segundo estágio.
38 Vamos ver três métodos baseados no escore de propensão: 1 Regressão usando propensity-score estimado. Rodamos uma regressão de Y em T e o p(x ) estimado. Como p (X ) é estimado, temos que fazer correção nos erros-padrão reportados. Além disso, método é válido se con armos na hipótese sobre a forma funcional da média condicional. Mais sobre isso em breve.
39 1 Matching no propensity-score estimado: Embora bastante popular, apenas muito recentemente foi estabelecida teoria assimptótica para esse caso (Abadie and Imbens, 2009). 2 Reponderação usando p-score estimado Esse método parece que usa versão da ignorabilidade condicionando em p(x ).
40 Reponderação ATE = E [E [Y jx, T = 1]] E [E [Y jx, T = 0]] = E [E [T Y jx, T = 1]] E [E [(1 T ) Y jx, T = 0]] E [T Y jx ] E [(1 T ) Y jx ] = E E p (X ) 1 p (X ) T 1 T = E p (X ) Y E 1 p (X ) Y
41 usamos aqui E [TY jx ] p (X ) (1 p (X )) = E [TY jx, T = 1] + E [TY jx, T = 0] p (X ) = E [TY jx, T = 1] + 0 = E [Y jx, T = 1] e T E p (X ) Y = E E T p (X ) Y jx = E E [TY jx ] p (X )
42 Fazendo-se contas similares, chegamos para ATT : ATT = E [Y jt = 1] E [E [Y jx, T = 0] jt = 1] = E [T Y ] E [p (X ) E [Y jx, T = 0]] p p onde p = Pr [T = 1]. O resultado acima deriva de E [T Y ] 1 p = E [T Y jt = 1] + E [T Y jt = 0] p p = E [Y jt = 1] e da regra de Bayes: f X jt (xj1) = p (x) f X (x) p f X jt (xj0) = 1 p (x) f X (x) 1 p
43 Assim: ATT = E [T Y ] p T = E p Y T = E p Y T = E p Y T = E p Y T = E p Y E [p (X ) E [Y jx, T = 0]] p p (X ) E E [Y jx, T = 0] p p (X ) E E [(1 T ) Y jx, T = 0] p p (X ) E [(1 T ) Y jx ] E p 1 p (X ) p (X ) 1 T E p 1 p (X ) Y p (X ) 1 p E p 1 p (X ) 1 T 1 p Y
44 P(X ) aparece como um peso nas equações acima. Procedimento em dois passos: Passo 1: Estimamos P(X ) por um modelo Probit ou Logit. Passo 2: Obtemos estimadores consistentes dos parâmetros de interesse: 0 1 date rew,norm = 1 N T i 1 T i bp(x i ) 1 bp(x i ) A i=1 N T j j=1 N Y 1 T i l bp(x j ) l=1 1 bp(x l ) 0 1 [ATT rew,norm = 1 N N i=1 T bp (X i i ) Ti 1 bp(x i ) N j=1 T j N l=1 bp (X l ) 1 Tl 1 bp(x l ) A Y i
45 Como isso se relaciona com regressão? De na bλ ATE,i como: bδ = bλ ATE,i = T i bp (X i ) b λ ATE,i T i Y i b λ ATE,i 1 T i 1 bp (X i ) = T i bp (X i ) bp (X i ) (1 bp (X i )) o coe ciente associado ao T na regressão ponderada de Y em T e uma constante, usando bλ ATE,i como peso é: bλ ATE,i T i bλ ATE,i Y i = 1 N 0 i=1 λ b ATE,i Ti 2 λ b ATE,i T i bp(x i ) T j j bp(x j ) λ b ATE,i λ b ATE,i 2 bλ ATE,i T i λ b ATE,i 1 T i 1 bp(x i ) j 1 T j 1 bp(x j ) 1 A Y i = date rew,norm
46 De na bλ ATT,i como: bλ ATT,i = T i bp bp (X i ) bp 1 T i 1 bp (X i ) = T i bp (X i ) bp (1 bp (X i )) o coe ciente associado ao T na regressão ponderada de Y em T e uma constante, usando bλ ATT,i como peso é: bδ = = 1 N b λ ATT,i T i Y i b λ ATT,i 0 i=1 λ b ATT,i Ti 2 λ b ATT,i T i N j=1 T j bλ ATT,i T i bλ ATT,i Y i λ b ATT,i λ b ATT,i 2 bλ ATT,i T i λ b ATT,i bp (X i ) 1 Ti 1 bp(x i ) N l=1 bp (X l ) 1 Tl 1 bp(x l ) 1 A Y i = ATT [ rew,norm
47 Matching Mesma ideia do matching baseado no vetor X. Escolhemos os indvíduos no grupo de controle que se parecem mais com os indivíduos no grupo de tratamento em termos do escore de propensão. O pareamento baseado no escore de propensão também irá depender de uma métrica pré-determinada, que de nirá a proximidade do escore de propensão dos indivíduos tratados em relação ao escore de propensão dos indivíduos não-tratados. Exemplo: The Nearest Neighbor Matching - usa o resultado de M indivíduos do grupo de controle.
48 Sendo H M o conjunto das M observações com o menor valor de P b (X j ) bp (X i ), podemos construir o análogo amostral para o resultado potencial do indivíduo caso ele não fosse tratado, como: by i (0) = 1 M Y j j2h M (i) e estimamos os parâmetros de interesse.
49 Regressão Como (Y (1), Y (0))? T jp (X ) temos que ATE = E [Y (1)] E [Y (0)] = E [E [Y (1) jp (X )]] E [E [Y (0) jp (X )]] = E [E [Y (1) jp (X ), T = 1]] E [E [Y (0) jp (X ), T = 0] = E [E [Y jp (X ), T = 1]] E [E [Y jp (X ), T = 0]]
50 Podemos estimar as médias condicionais através de regressões. Por exemplo, o que acontece se E [Y jp (X ), T = 1] = α 1 + β 1 p (X ), E [Y jp (X ), T = 0] = α 0 + β 0 p (X )? E [Y jp (X ), T ] = α 0 + β 0 p (X ) + (α 1 α 0 ) T + (β 1 β 0 ) p (X ) mas ATE = (α 1 α 0 ) + (β 1 β 0 ) p = δ
51 e E [Y jp (X ), T ] = α 0 + β 0 p (X ) + δ T + (β 1 β 0 ) (p (X ) p) T Portanto, nesse caso, regressão de Y em T, p (X ) e interação p (X ) T, onde p (X ) = p (X ) p, identi ca ATE.
52 Em alguns casos, escolhemos modelos paramétricos para o p-score ou para E [Y jt, X ] sem a necessária con ança de que eles se aproximem dos objetos populacionais da maneira adequada. Métodos que surgiram dá combinação dos métodos acima são menos sensíveis a essas hipóteses. Exemplos: Pareamento e Regressão Linear Regressão Linear e Reponderação
53 Pareamento e Regressão Linear ey i (0) = 1 M (Y j + bµ 0 (X i ) bµ 0 (X j )) j2h M (i) bµ 0 (X i ), bµ 0 (X j ) : valores previstos de Y para os indivíduos no grupo de controle e também para os indivíduos no grupo de tratamento obtidos com os coe cientes da regressão de Y em X somente para a subamostra de indivíduos que não receberam tratamento
54 e e ATT por date matchreg,1 = 1 N [ATT matchreg,1 = 1 N 1 N T i Y i + (1 T i ) by i (1) i=1 N 1 N (1 T i ) Y i + T i by i (0) i=1 N T i Y i by i (0) i=1
55 Regressão Linear e Reponderação Y i = α 0 + τt i + X T i α 1 + T i X i X 1 T α2 + ε i X 1 : média amostral de X na subamostra de indivíduos tratados. τ: efeito médio do tratamento sobre os tratados (ATT) Estimamos esta regressão podenderada por: ˆP(X i ) w(t, X ) = T i + (1 T i ) 1 ˆP(X i )
56 Para obter o ATE, estimamos a seguinte regressão: Y i = α 0 + τt i + X T i α 1 + T i X i X T α2 + ε i X : média amostral de X na amostra como um todo. Ponderada por: w(t, X ) = T i ˆP(X i ) + 1 T i 1 ˆP(X i )
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 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 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 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 maisEstimação de Efeito Causal
Estimação de Efeito Causal Rafael Borges June 4, 2012 Outline Resultados Potenciais Aleatorização Seleção em observáveis Seleção em não-observáveis: Variáveis Instrumentais Seleção em não-observáveis:
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 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 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 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 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 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 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 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 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 maisAULA 10 - MQO em regressão múltipla: Propriedades Estatísticas (Variância)
AULA 10 - MQO em regressão múltipla: Propriedades Estatísticas (Variância) Susan Schommer Econometria I - IE/UFRJ Variância dos estimadores MQO Vamos incluir mais uma hipótese: H1 [Linear nos parâmetros]
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 maisDistribuições Amostrais e Estimação Pontual de Parâmetros
Distribuições Amostrais e Estimação Pontual de Parâmetros - parte I 2012/02 1 Introdução 2 3 4 5 Objetivos Ao final deste capítulo você deve ser capaz de: Entender estimação de parâmetros de uma distribuição
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 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 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 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 maisAula 2 Uma breve revisão sobre modelos lineares
Aula Uma breve revisão sobre modelos lineares Processo de ajuste de um modelo de regressão O ajuste de modelos de regressão tem como principais objetivos descrever relações entre variáveis, estimar e testar
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 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 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 maisAULA 10 - MQO em regressão múltipla: Propriedades Estatísticas (Variância)
AULA 10 - MQO em regressão múltipla: Propriedades Estatísticas (Variância) Susan Schommer Econometria I - IE/UFRJ Variância dos estimadores MQO Vamos incluir mais uma hipótese: H1 [Linear nos parâmetros]
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 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 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 maisDistribuições Amostrais e Estimação Pontual de Parâmetros
Distribuições Amostrais e Estimação Pontual de Parâmetros - parte I 19 de Maio de 2011 Introdução Objetivos Ao final deste capítulo você deve ser capaz de: Entender estimação de parâmetros de uma distribuição
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 12
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 12 Regressão com Variáveis Não-Estacionárias Considere três processos estocásticos definidos pelas seguintes
Leia maisProbabilidade e Estatística
Probabilidade e Estatística Aula 7 Distribuição da Média Amostral Leitura obrigatória: Devore: Seções 5.3, 5.4 e 5.5 Chap 8-1 Inferência Estatística Na próxima aula vamos começar a parte de inferência
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 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 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 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 maisModelos de Regressão
Renato Martins Assunção DCC - UFMG 2015 Renato Martins Assunção (DCC - UFMG) 2015 1 / 19 Exemplo de preço de apto Y = y 1 y 2 y 1499 y 1500 b 0 1 1 1 1 + b 1 área 1 área 2 área 1499 área 1500 + b 2 idade
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 maisIntrodução à Inferência Estatística
Introdução à Inferência Estatística Prof. Cícero Quarto www.cicerocq.com Slides produzidos a partir de suas anotações de aula do curso de Especialização em Estatística, Turma 2018/UEMA, assim como, aprofundados
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 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 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 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 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 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 maisProbabilidade e Estatística. Estimação de Parâmetros Intervalo de Confiança
Probabilidade e Estatística Prof. Dr. Narciso Gonçalves da Silva http://páginapessoal.utfpr.edu.br/ngsilva Estimação de Parâmetros Intervalo de Confiança Introdução A inferência estatística é o processo
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 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 maisINFERÊNCIA ESTATÍSTICA. ESTIMAÇÃO PARA A PROPORÇÃO POPULACIONAL p
INFERÊNCIA ESTATÍSTICA ESTIMAÇÃO PARA A PROPORÇÃO POPULACIONAL p Objetivo Estimar uma proporção p (desconhecida) de elementos em uma população, apresentando certa característica de interesse, a partir
Leia maisRalph S. Silva
ANÁLISE ESTATÍSTICA MULTIVARIADA Ralph S Silva http://wwwimufrjbr/ralph/multivariadahtml Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Revisão:
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 maisAULA 09 Análise de regressão múltipla com informações qualitativas
1 AULA 09 Análise de regressão múltipla com informações qualitativas Ernesto F. L. Amaral 25 de julho de 2013 Análise de Regressão Linear (MQ 2013) www.ernestoamaral.com/mq13reg.html Fonte: Wooldridge,
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 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 maisAULAS 14 E 15 Modelo de regressão simples
1 AULAS 14 E 15 Modelo de regressão simples Ernesto F. L. Amaral 18 e 23 de outubro de 2012 Avaliação de Políticas Públicas (DCP 046) Fonte: Wooldridge, Jeffrey M. Introdução à econometria: uma abordagem
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 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 11 - Normalidade e Inferência em Regressão Múltipla - Parte 1
AULA 11 - Normalidade e Inferência em Regressão Múltipla - Parte 1 Susan Schommer Econometria I - IE/UFRJ Distribuições amostrais dos estimadores MQO Nas aulas passadas derivamos o valor esperado e variância
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 maisEPGE / FGV MFEE - ECONOMETRIA. Monitoria 01-18/04/2008 (GABARITO)
EGE / FGV MFEE - ECONOMETRIA Monitoria 01-18/04/008 (GABARITO) Eduardo. Ribeiro eduardopr@fgv.br ofessor Ilton G. Soares iltonsoares@fgvmail.br Monitor Tópicos de Teoria: 1. Hipóteses do Modelo Clássico
Leia maisTestes de Hipóteses. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Testes de Hipóteses Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução e notação Em geral, intervalos de confiança são a forma mais
Leia maisNessa situação, a média dessa distribuição Normal (X ) é igual à média populacional, ou seja:
Pessoal, trago a vocês a resolução da prova de Estatística do concurso para Auditor Fiscal aplicada pela FCC. Foram 10 questões de estatística! Não identifiquei possibilidade para recursos. Considero a
Leia maisAULA 13 Análise de Regressão Múltipla: MQO Assimptótico
1 AULA 13 Análise de Regressão Múltipla: MQO Assimptótico Ernesto F. L. Amaral 15 de abril de 2010 Métodos Quantitativos de Avaliação de Políticas Públicas (DCP 030D) Fonte: Wooldridge, Jeffrey M. Introdução
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 maisCaros Alunos, segue a resolução das questões de Estatística aplicadas na prova para o cargo de Auditor Fiscal da Receita Municipal de Teresina.
Caros Alunos, segue a resolução das questões de Estatística aplicadas na prova para o cargo de Auditor Fiscal da Receita Municipal de Teresina. De forma geral, a prova manteve o padrão das questões da
Leia maisCC-226 Aula 07 - Estimação de Parâmetros
CC-226 Aula 07 - Estimação de Parâmetros Carlos Henrique Q. Forster - Instituto Tecnológico de Aeronáutica 2008 Estimação de Parâmetros Para construir o classificador bayesiano, assumimos as distribuições
Leia mais4 Resultados 4.1. Efeitos sobre Rentabilidade
23 4 Resultados 4.1. Efeitos sobre Rentabilidade A metodologia de Propensity Score Matching (PSM) tem como finalidade tornar os grupos de controle e tratamento comparáveis. Para tanto, tal metodologia
Leia maisHipóteses do modelo linear clássico (CLM) Análise da Regressão múltipla: Inferência. Hipóteses do CLM (cont.) O teste t. Distribuição normal amostral
9/03/0 Hipótes do modelo linear clássico (CLM) Análi da Regressão múltipla: Inferência Sabemos que, dadas as hipótes de Gauss- Markov, MQO é BLUE Para realizarmos os testes de hipótes clássicos, precisamos
Leia maisDistribuições Amostrais - Tamanho da Amostra
Distribuições Amostrais - Tamanho da Amostra Prof. Eduardo Bezerra Inferência Estatística 21 de Setembro de 2018 Eduardo Bezerra (CEFET/RJ) Tamanho da Amostra 1 / 10 Motivação Suponha que queremos estimar
Leia maisEconometria. Econometria MQO MQO. Resíduos. Resíduos MQO. 1. Exemplo da técnica MQO. 2. Hipóteses do Modelo de RLM. 3.
3. Ajuste do Modelo 4. Modelo Restrito Resíduos Resíduos 1 M = I- X(X X) -1 X Hipóteses do modelo Linearidade significa ser linear nos parâmetros. Identificação: Só existe um único conjunto de parâmetros
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 maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 6
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 6 O Teorema de Wold O Teorema de Wold Lei dos Grandes Números Teorema Central do Limite -M O Teorema de Wold
Leia maisInferência Estatística:
Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Estatística Inferência Estatística: Princípios de Bioestatística decidindo na presença de incerteza Aula 8: Intervalos
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 maisAULA 07 Inferência a Partir de Duas Amostras
1 AULA 07 Inferência a Partir de Duas Amostras Ernesto F. L. Amaral 10 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola,
Leia maisMAE0229 Introdução à Probabilidade e Estatística II
Exercício Entre jovens atletas, um nível alto de colesterol pode ser considerado preocupante e indicativo para um acompanhamento médico mais frequente. Suponha que são classificados como tendo taxa de
Leia maisAULA 4 -Probabilidade Condicional e Regra de Bayes
AULA 4 - e Regra de Bayes Susan Schommer Introdução à Estatística Econômica - IE/UFRJ : exemplos A soma dos resultados de dois lançamentos de um dado é 9. Qual a probabilidade do primeiro resultado ter
Leia maisIntrodução à Bioestatística Turma Nutrição
Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Estatística Introdução à Bioestatística Turma Nutrição Aula 8: Intervalos de Confiança para Média e Proporção Distribuição
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 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 maisModelos Lineares Generalizados - Estimação em Modelos Lineares Generalizados
Modelos Lineares Generalizados - Estimação em Modelos Lineares Generalizados Erica Castilho Rodrigues 23 de Maio de 207 Introdução 2 3 Vimos como encontrar o EMV usando algoritmos numéricos. Duas possibilidades:
Leia maisAULA 8 - MQO em regressão múltipla:
AULA 8 - MQO em regressão múltipla: Definição, Estimação e Propriedades Algébricas Susan Schommer Econometria I - IE/UFRJ Regressão Múltipla: Definição e Derivação A partir de agora vamos alterar o nosso
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 maisAULAS 17 E 18 Análise de regressão múltipla: estimação
1 AULAS 17 E 18 Análise de regressão múltipla: estimação Ernesto F. L. Amaral 22 e 24 de outubro de 2013 Avaliação de Políticas Públicas (DCP 046) Fonte: Cohen, Ernesto, e Rolando Franco. 2000. Avaliação
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 maisTestes de Hipóteses. Curso de Introdução à Econometria usando o R. Vítor Wilher. 1 de Dezembro de analisemacro.com.br
Testes de Hipóteses Curso de Introdução à Econometria usando o R Vítor Wilher analisemacro.com.br 1 de Dezembro de 2016 Vítor Wilher (analisemacro.com.br) Testes de Hipóteses 1 de Dezembro de 2016 1 /
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 maisEconometria - Lista 5
Econometria - Lista 5 Professores: Hedibert Lopes, Priscila Ribeiro e Sérgio Martins Monitores: Gustavo Amarante e João Marcos Nusdeo Exercício 1 Utilizando a base de dados disponível em TEMCOPROD.wtf1,
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 para negócios. Cesaltina Pires
Análise de dados para negócios Cesaltina Pires Janeiro de 2003 Índice geral 1 Representação grá ca de dados 1 1.1 Variáveis discretas e contínuas.......................... 1 1.2 Distribuições de frequência
Leia maisAnálise de Dados Longitudinais Aula
1/24 Análise de Dados Longitudinais Aula 31.10.2018 José Luiz Padilha da Silva - UFPR www.docs.ufpr.br/ jlpadilha 2/24 Sumário 1 Dados Ausentes em Estudos Longitudinais 2 Imputação de Dados 3 Simulações
Leia maisAnálise de Regressão Linear Múltipla III
Análise de Regressão Linear Múltipla III Aula 6 Hei et al., 4 Capítulo 3 Suposições e Propriedades Suposições e Propriedades MLR. O modelo de regressão é linear nos parâmetros O modelo na população pode
Leia maisPlanejamento de Experimentos Introdução - Teste t
1/22 Planejamento de Experimentos Introdução - Teste t Enrico A. Colosimo/UFMG http://www.est.ufmg.br/ enricoc/ Depto. Estatística - ICEx - UFMG 2/22 Introdução - Planejamento de Experimentos Experimento:
Leia maisRevisão do MRLM - Análise "Cross-Section"
Revisão do MRLM - Análise "Cross-Section" APLICAÇÕES DE ECONOMETRIA Notas Práticas FEUC - 1 o Sem. 2010/2011 Vítor Castro (Notas Práticas) MRLM - Revisão FEUC - 1 o Sem. 2010/2011 1 / 13 Análise "Cross-Section"
Leia maisAnálise de Causalidade e o Problema da Avaliação de Impacto
Técnicas Econométricas para Avaliação de Impacto Análise de Causalidade e o Problema da Avaliação de Impacto Rafael Perez Ribas Centro Internacional de Pobreza Brasília, 09 de abril de 2008 Introdução
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 mais