Escolar Documentos
Profissional Documentos
Cultura Documentos
Livro Aval Econ PDF
Livro Aval Econ PDF
Iniciativa
Fundao Ita Social
Vice Presidente
Antonio Jacinto Matias
Superintendente
Valria Veiga Riccomini
Gerente
Isabel Cristina Santana
Coordenador do Programa
Antonio Bara Bresolin
Coordenao Tcnica
Ita Unibanco
Gerncia de Avaliao de Projetos
Lgia Maria de Vasconcellos
Clarissa Gondim Teixeira
ISBN 978-85-98149-04-2
Crditos da Publicao
Organizador
Naercio Menezes Filho
Autores
Betnia Peixoto
Cristine Campos de Xavier Pinto
Lycia Lima
Miguel Nathan Foguel
Ricardo Paes de Barros
Projeto Grfico e Diagramao
Andr Godoi Comunicao Completa
Apoio
Carlos Eduardo Garrido
Evandro da Silva e Silva
Gabriela Gall Rosa
Luciana Rocha Vidal
Reviso de textos
Jos Paulo Ferrer
1 Edio - Brasil
2012
ORGANIZADOR
Naercio Menezes Filho
AUTORES
Betnia Peixoto
Cristine Campos de Xavier Pinto
Lycia Lima
Miguel Nathan Foguel
Ricardo Paes de Barros
NDICE
Apresentao
Antonio Jacinto Matias
Srgio Ribeiro da Costa Werlang
07
Prefcio
Naercio Menezes Filho
09
Introduo
Ricardo Paes de Barros - Lycia Lima
1. Avaliao de Impacto de Programas Sociais:
Por que, para que e quando fazer?
13
31
35
49
69
85
107
107
125
147
Bibliografia
Bibliografia Complementar
Autores
175
183
185
149
APRESENTAO
O Ita Unibanco, comprometido com o crescimento social e econmico do
pas, busca a sustentabilidade nos negcios, apostando em relaes duradouras, fundamentadas nos seus valores de transparncia, tica, respeito ao
dilogo e capacidade de gesto de riscos. E, por entender que a educao o
principal caminho para o desenvolvimento sustentvel do Brasil, este o foco
do investimento social do banco.
A Fundao Ita Social, um dos braos do investimento social do Ita Unibanco, tem como atividades centrais a formulao, a implantao e a disseminao
de metodologias voltadas melhoria de polticas pblicas na rea educacional.
Sua atuao acontece em todo o territrio brasileiro, em parceria com governos, setor privado e organizaes da sociedade civil.
Os valores estruturantes da cultura do Ita Unibanco permeiam as aes da
Fundao, compartilhando competncias que garantem a execuo das melhores prticas de gesto, na busca de resultados, nos ganhos de escala, no
monitoramento e na avaliao das aes sociais apoiadas e desenvolvidas.
Neste contexto, a Fundao Ita Social e o banco lanaram, em 2004, o Programa Avaliao Econmica de Projetos Sociais, colocando conhecimentos muito
prprios da empresa a servio da causa social. Com a convico de que a avaliao uma importante ferramenta de gesto, diversas aes foram desenvolvidas desde ento, entre elas cursos e seminrios ofertados em todo o pas, com
o objetivo de disseminar a cultura da avaliao.
Este livro complementa as estratgias de disseminao dos conceitos da avaliao econmica de projetos sociais ao tornar metodologias de impacto, hoje
ainda ensinadas em poucos cursos de ps-graduao, acessveis a alunos de
graduao interessados no tema. Alm disso, traz exemplos de avaliaes de
projetos brasileiros, mostrando que nos ltimos anos a avaliao tem sido assumida, pouco a pouco, como um relevante instrumento de gesto e de prestao de contas sociedade.
Colocamos foco tambm na anlise de retorno econmico, pois, considerando-se que a escassez de recursos para investimentos voltados para o desenvolvimento social uma realidade constante, importantssimo garantir que tais
investimentos estejam alcanando seu melhor resultado.
Agradecemos ao coordenador e aos autores deste livro, em especial ao Ricardo
Paes de Barros, por sua dedicao e empenho para a realizao deste projeto,
convencidos, como ns, da importncia da disseminao deste conhecimento.
Esperamos, com mais este esforo de difundir a prtica da avaliao econmica
em projetos sociais, estar, de fato, contribuindo para a maior eficincia e alcance das aes sociais no nosso pas.
Antonio Jacinto Matias
PREFCIO
H meros 10 anos, a avaliao econmica de projetos sociais, tema deste livro,
era uma rea praticamente inexplorada por economistas e cientistas sociais no
Brasil. Os primeiros estudos brasileiros nesse campo, avaliando o impacto de
programas de treinamento e emprego, foram realizados no incio deste sculo.
A atuao da Fundao Ita Social na rea de avaliao de impacto e retorno
econmico iniciou-se em 2004, quando o programa Razes e Asas foi avaliado
economicamente.
Desde ento, a Fundao Ita Social oferece cursos para gestores de organizaes no governamentais, do setor pblico e de fundaes empresariais, alm
de seminrios internacionais e regionais e cursos avanados para alunos de
ps-graduao de todo o pas. A partir do interesse pelos cursos, que quase
sempre geram lista de espera, surgiu a ideia de lanar uma publicao que tratasse do tema com amplitude e rigor, para atingir o pblico que tem interesse
pelo assunto, mas que no tem a possibilidade de presenciar os cursos e seminrios. Dessa ideia nasceu este livro.
A preocupao com avaliao tem ganhado fora na medida em que a sociedade brasileira sente a necessidade de usar seus recursos na rea social da melhor forma possvel. Afinal, vrios programas e polticas em diversas reas so
lanados todos os anos nos vrios nveis da administrao pblica e existe a
necessidade de sabermos o real efeito desses programas nas vidas das pessoas.
Da mesma forma, o trabalho desenvolvido no terceiro setor, principalmente
na rea social, precisa prestar contas sociedade e para os seus financiadores,
mostrando que os recursos esto sendo gastos da melhor forma possvel.
Mas, o que significa avaliar economicamente os projetos sociais? Como os autores mostram nos captulos que se seguem, a avaliao econmica composta de duas partes: avaliao de impacto e clculo do retorno econmico.
A avaliao de impacto usa ferramentas estatsticas para estimar o efeito de
um programa sobre os seus beneficirios, ou seja, se o programa atingiu ou
no seus objetivos iniciais e qual a magnitude desse efeito. Para que essa anlise seja feita de forma objetiva, a avaliao necessita ter indicadores objetivos
e mensurveis, que possam ser utilizados para aferir o sucesso do programa.
Alm disso, necessrio que haja um grupo de controle, ou seja, pessoas, escolas ou regies que no foram atendidas pelo programa e que so parecidas
com o grupo que sofreu a interveno, chamado, seguindo a tradio da literatura mdica, de grupo de tratamento.
Mas, para que a avaliao seja completa necessrio tambm saber se os benefcios gerados a partir do impacto estimado superam os custos do programa,
ou seja, se o projeto vale a pena do ponto de vista econmico. Muitas das avaliaes quantitativas existentes no chegam a essa parte, concluindo a avaliao com a estimativa do impacto. Entretanto, o clculo do retorno econmico
essencial para verificar se os custos do programa so altos a ponto de inviabilizar a replicao do projeto. Alm disso, essa metodologia permite o clculo
da taxa interna de retorno de diferentes projetos, que podem assim ser comparados. Para esse fim, so utilizadas tcnicas simples de matemtica financeira,
que so muito usadas para calcular o retorno de outros tipos de investimentos.
Os autores desse livro esto entre os maiores especialistas em avaliao do
pas. No primeiro captulo, guisa de introduo, Ricardo Paes de Barros e Lycia
Lima discutem por que a avaliao de impacto to necessria. Afinal, por que
deveramos gastar recursos avaliando um programa que, se no apresentasse
resultados satisfatrios, no seria demandado por ningum? Os autores explicam que a avaliao conduzida de forma rigorosa pode mostrar se os resultados esperados foram efetivamente alcanados, dada a imperfeio com que
diversos programas so colocados em prtica. Alm disso, projetos que tiveram impacto comprovado para um grupo especfico ou regio podem ter um
resultado completamente diferente quando implementados em outra regio
ou grupo de pessoas ou at em outro perodo de tempo.
Aps a introduo, a primeira parte do livro trata dos mtodos bsicos de
avaliao de impacto. No segundo captulo, Miguel Nathan Foguel introduz o
modelo bsico que permeia todas as metodologias de avaliao de impacto,
chamado Modelo de Resultados Potenciais. Em seguida, no capitulo 3, Miguel
explica a teoria por detrs do procedimento que considerado o padro-ouro
nas avaliaes de impacto, no qual os grupos de tratamento e controle so escolhidos aleatoriamente, ou seja, atravs de um sorteio. Mas, como na grande
parte dos casos prticos a escolha dos tratados no se d de forma aleatria, a
maior parte do livro foca as metodologias no experimentais. Assim, no quarto
captulo, Miguel explica a metodologia de diferenas em diferenas, que deve
ser utilizada quando possumos informaes sobre a varivel de resultado antes e depois da realizao do programa. Por fim, no captulo 5, Cristine Campos
de Xavier Pinto explica o mtodo de pareamento, o mais utilizado na prtica
pelas avaliaes de projetos sociais, que procura comparar grupos de tratamento e controle que so parecidos em termos de suas caractersticas.
A segunda parte do livro apresenta mtodos mais sofisticados de avaliao de
impacto. No captulo 6, Cristine explica o mtodo de variveis instrumentais,
que lida com o fato de que a participao no programa pode ser explicada por
10
CAPTULO 1
Avaliao de Impacto
de Programas Sociais
Por que, para que e quando fazer?
1
Introduo
A deciso dos formuladores de polticas pblicas de investir em um programa
social sempre parte do pressuposto de que aquela interveno ter um impacto positivo sobre um conjunto de resultados de interesse coletivo ou individual
que, em ltima instncia, deve trazer benefcios para ao menos uma parcela da
sociedade. Mas ser que, na prtica, as polticas pblicas e os projetos sociais
do terceiro setor atingem os objetivos para os quais foram desenhados?
O principal propsito de uma avaliao de impacto verificar se, na realidade,
um determinado programa est alcanando os objetivos, ou impactos, esperados. Entenderemos por impacto as diferenas entre a situao dos participantes do projeto aps terem participado e a situao em que estariam, caso
no tivessem tido acesso a ele. Dessa forma, o impacto do programa definido
como o contraste entre duas situaes: uma real (a situao dos participantes
aps a participao no projeto) e outra hipottica (a situao em que estariam
caso no tivessem tido a oportunidade de participar do programa). Esta definio de impacto, entretanto, apenas um ponto de partida. Os demais captulos deste livro se encarregaro de aprofundar essa discusso e apresentar os
diferentes mtodos existentes para a estimao do impacto.
Avaliaes de impacto certamente consomem recursos que, alternativamente,
poderiam ser investidos diretamente no prprio programa. A crescente expanAvaliao Econmica de Projetos Socias l 13
2
Por que avaliar o impacto de
um programa social?
Nossa sociedade investe uma grande quantidade de recursos, tanto humanos
quanto financeiros, em programas sociais. Avaliaes de impacto nos permitem verificar se estes recursos esto de fato sendo aplicados da melhor maneira possvel. No entanto, avaliaes de impacto tambm consomem recursos.
Ser que a realizao da avaliao de impacto do programa sempre o melhor
uso daqueles recursos ou seria melhor revert-los em um maior investimento
no prprio programa? Afinal, os benefcios de uma avaliao de impacto superam seus custos?
14
16
18
ma utilidade como um instrumento de gesto. Neste caso, flutuaes na magnitude do impacto podem indicar uma melhoria ou deteriorao na forma de
funcionamento e, portanto, na gesto do programa.
Os argumentos apresentados sinalizam que o impacto de um programa tem
carter mutvel ao longo do tempo. Portanto, uma avaliao de impacto deve
ser considerada como uma ferramenta para a utilizao contnua, j que as
concluses auferidas a partir de sua utilizao pontual no so necessariamente vlidas intertemporalmente.
deste impacto para que se possa verificar se o valor dos benefcios produzidos
superam os custos demandados. Muitas vezes, diferentes aes com objetivos
anlogos no diferem substancialmente com relao ao seu custo. Nestes casos, so as diferenas na magnitude do impacto que iro determinar qual o
programa que tem a melhor relao custo-benefcio.
Em princpio, possvel argumentar que todos os programas com relao custo-benefcio favorvel deveriam ser implementados. Esta certamente a regra
quando no existe interdependncia entre os programas. De fato, se os benefcios e os custos de um programa no dependem da existncia ou operao
dos demais, ento no existe razo para que todos os programas com relao
custo-benefcio favorvel no sejam simultaneamente implementados.
No entanto, em geral, os benefcios e custos de programas alternativos dependem da existncia ou operao de seus concorrentes, e as relaes custo-benefcio so estimadas supondo que estes no foram nem sero implementados.
Neste caso, o procedimento decisrio deve ser necessariamente sequencial.
Primeiro decide-se sobre a implementao do programa com a melhor relao
custo-benefcio. Em seguida, novas relaes custo-benefcio so recalculadas
para os programas no implantados, levando em considerao que aquele de
melhor relao custo-benefcio foi efetivamente implantado. Aps esta reavaliao, caso ainda exista algum programa com relao custo-benefcio favorvel, o melhor deles deve ser implantado e o procedimento novamente conduzido. Note que esta anlise sequencial requer a estimao do impacto de cada
programa tanto na ausncia quanto na presena dos demais.
20
22
ser til tanto para o redesenho do prprio programa quanto para o desenho
de outros programas em contextos nos quais alguns impactos especficos so
particularmente valorizados.
3.1
Em seu uso interno, a avaliao de impacto serve como insumo para a tomada
de deciso sobre o prprio programa. Neste sentido, a mesma pode ser utilizada com vrios objetivos, dependendo do usurio a que se destina. Quando os usurios dos resultados so aqueles responsveis pela continuidade ou
descontinuidade do programa, a avaliao de impacto tipicamente utilizada
como veredicto. Enquanto resultados positivos justificam a permanncia ou
ampliao de um programa, a ausncia destes d suporte desativao progressiva ou imediata do programa. Em resumo, em primeiro lugar, uma avaliao de impacto serve para (i) justificar a existncia de um programa e (ii) decidir
sobre sua desativao, continuidade ou expanso.
Outra utilidade interna potencial de uma avaliao de impacto fornecer insumos para a promoo de melhorias no desenho do programa. Para tanto,
fundamental que a avaliao no apenas obtenha estimativas da magnitude
do impacto, mas tambm identifique os fatores determinantes do impacto.
Saber como a magnitude do impacto varia com os parmetros que definem a
interveno a nica maneira atravs da qual uma avaliao pode contribuir
para a reformulao dos princpios que embasam o programa, possibilitando
assim o aperfeioamento do seu desenho e a adequao do seu marco lgico.
O impacto de um programa, entretanto, no determinado apenas por seu desenho. A natureza dos beneficirios e a forma e o grau com que estes utilizam
as aes do programa tambm influenciam a magnitude do impacto. Assim, na
medida em que a avaliao revela como a magnitude do impacto do programa
varia com a forma e grau de utilizao dos servios e tipo de beneficirio, a
mesma se torna um instrumento de extrema utilidade ao gestor responsvel
pela operao do programa. A partir dessas informaes, o gestor capaz de
realizar ajustes finos no programa, podendo, potencialmente, readequar a natureza dos servios e bens oferecidos s necessidades dos beneficirios e assim
promover uma maior efetividade do programa em questo.
Por fim, deve-se ressaltar ainda que o impacto do programa tambm depende da
forma como a gesto e operao do programa conduzida. Assim, uma avaliao de
impacto que contempla informaes sobre a sensibilidade da magnitude do impacto s variveis relacionadas gesto e operao do programa fornece informaes
valiosas para o aperfeioamento ou reformulao do sistema de gesto e operao.
24
26
5. Consideraes finais
Na nossa sociedade, formuladores de polticas continuamente propem uma
grande variedade de solues visando atender s mais diversas necessidades
28
Exerccios
1) Quais so as possveis motivaes para uma avaliao de impacto?
2) O impacto de um programa no depende apenas do seu desenho e da sua
adequao ao perfil dos beneficirios e ao ambiente socioeconmico em que
estes vivem. Do que mais depende o impacto do programa?
3) Explique a importncia da avaliao de impacto em um cenrio onde os recursos so escassos e diferentes programas competem pelos mesmos recursos.
4) Existem essencialmente trs momentos na execuo de um programa em
que avaliaes de impacto podem ocorrer. Explique cada caso.
5) Explique os conceitos de uso interno e uso externo de uma avaliao.
30
PARTE 1
Mtodos Bsicos de
Avaliao de Impacto
A parte I do livro dedicada a apresentar um conjunto de mtodos que
so amplamente empregados para isolar e medir o impacto de programas
sociais. Esses mtodos so comumente divididos em duas categorias: o
mtodo experimental e os mtodos no experimentais. O primeiro, a ser
apresentado no captulo 3, baseado na seleo aleatria dos indivduos
que faro parte do grupo que receber o programa (grupo de tratamento)
e do grupo que no o receber (grupo de controle). Como veremos, esse
mtodo faz com que a nica diferena entre os grupos seja a participao
no programa, uma vez que a aleatorizao garante que eles sejam muito
semelhantes tanto em termos das caractersticas observadas como das no
observadas pelo analista. Pelo fato de conseguir fazer com que a interveno seja a nica diferena entre os grupos de tratamento e controle, esse
mtodo tem a denominao de padro-ouro na rea de avaliao de impacto.
Os demais captulos apresentaro em detalhes os mtodos no experimentais. Como no so baseados na seleo aleatria dos grupos de tratamento
e controle, esses mtodos no asseguram que os dois grupos difiram entre
si apenas pela participao no programa. Na realidade, o que eles fazem
substituir a aleatorizao do mtodo experimental por certas condies e
hipteses que visam a tornar o grupo de controle parecido com o grupo de
tratamento. Como veremos, cada mtodo adota um conjunto especfico de
hipteses para identificar o efeito causal do programa. Essas hipteses no
so diretamente testveis, mas algumas podem ser confirmadas de modo
indireto.
A escolha do mtodo a ser empregado depende em larga medida do programa a ser avaliado, dos arranjos institucionais existentes, dos custos envolvidos na avaliao, alm da disponibilidade de dados. O aumento da
importncia da avaliao de impacto e da anlise de custo-benefcio entre
financiadores, gestores e fiscalizadores dos programas tem sido acompanhado pelo desenvolvimento e aperfeioamento de um conjunto de m-
todos que formam hoje uma ampla caixa de ferramentas utilizada na rea
de avaliao de impacto. Ao apresentar uma introduo a alguns dos principais mtodos disponveis nessa caixa de ferramentas, esta parte do livro
pretende auxiliar no somente no entendimento das metodologias, mas
tambm no processo de escolha da metodologia mais adequada a ser adotada no contexto especfico no qual se insere o programa. A esse propsito, vale assinalar que o foco do livro sobre as metodologias ex-post. Em
contraste com as avaliaes ex-ante, que so baseadas em modelos sobre
o comportamento dos agentes, as metodologias ex-post so baseadas em
dados especficos colhidos para a avaliao do programa (ver Box 1 e seo
4 do captulo 1).
Antes de entramos no detalhamento de cada mtodo de nossa caixa bsica de ferramentas, apresentaremos no captulo 2 um arcabouo conceitual
amplamente utilizado na rea de avaliao de impacto. Alm de estabelecer a notao que empregaremos em outros captulos desta parte do livro,
sua principal finalidade apresentar um dos principais problemas da rea
de avaliao de impacto, a saber, o vis de seleo.
32
los tericos, mas sim em mtodos empricos que procuram estimar diretamente
dos dados os impactos do programa. Em
contraste com o mtodo ex-ante, que
geralmente empregado antes da implementao da interveno, as avaliaes ex-post s podem ocorrer durante
ou aps a execuo do programa. Ademais, a maior parte das avaliaes ex
-post so model-free, isto , preferem
deixar os prprios dados falarem ao invs de proporem modelos tericos para
explicar os resultados encontrados. Embora extremamente teis para se conhecer a efetividade das intervenes, as
avaliaes ex-post normalmente s estimam os impactos especficos dos programas. Nesse sentido, elas no permitem construir diferentes cenrios para
o programa e, portanto, no oferecem
uma ideia das variaes no impacto para
diferentes desenhos do programa.
Mas as abordagens ex-ante e ex-post
no so mutuamente excludentes. Recentemente, Todd e Wolpin (2006) combinaram os dois tipos de mtodos para
estudar o impacto do programa mexicano de transferncia condicional de renda
Progresa (atualmente chamado de Oportunidades). Basicamente, o exerccio dos
autores consistiu em prever o impacto
do programa com base na abordagem
ex-ante e posteriormente compar-lo
com o impacto obtido pelo mtodo ex
-post de aleatorizao (ver captulo 3). A
varivel de resultado foi a frequncia
escola de crianas entre 12 e 15. Os impactos obtidos pelas duas abordagens
foram bastante semelhantes, o que permitiu a realizao de cenrios mais confiveis a partir de variaes nos parmetros do modelo de base.
CAPTULO 2
Modelo de resultados
potenciais
Miguel Nathan Foguel
O problema central da rea de avaliao de programas construir o contrafatual do grupo tratado pelo programa. Na forma mais simples de apresentar esse problema, podemos pensar que qualquer indivduo est sempre
em uma de duas situaes distintas: ter sido ou no ter sido tratado pelo
programa. Idealmente, o melhor grupo de comparao para os indivduos
tratados seria formado pelos mesmos indivduos na situao em que eles
no fossem tratados. Contudo, essas situaes so mutuamente exclusivas:
claramente no possvel observar os mesmos indivduos na condio de
tratados e de no tratados ao mesmo tempo. O desafio do avaliador, portanto, encontrar um grupo de indivduos que represente adequadamente
a situao de no tratamento, ou seja, um grupo que funcione como um
bom contrafatual do grupo tratado.
Uma srie de pontos precisam ser levados em considerao para se encontrar um grupo de controle que possa replicar o grupo tratado caso ele
no tivesse passado pela interveno. Naturalmente, como no possvel
observar essa situao contrafatual, a escolha desse grupo de comparao
envolver o uso de procedimentos e hipteses cuja finalidade bsica minimizar o que se costuma denominar de vis de autosseleo. Para entender melhor o que est por trs desse vis, apresentaremos neste captulo
o arcabouo mais utilizado na rea de avaliao, a saber, o arcabouo de
resultados potenciais. Um elemento crucial para um bom entendimento
desse arcabouo e da rea de avaliao de impacto em geral ter sempre em mente a potencial existncia de uma situao contrafatual.
Antes de apresentarmos formalmente esse arcabouo, vale a pena analisar
dois mtodos ingnuos, porm amplamente utilizados por no especialistas para construir o grupo de controle. O primeiro baseado na comparao do que ocorre com o grupo de tratamento antes e depois da interveno. O segundo consiste em comparar o grupo que escolhe passar pelo
A ocorrncia do programa foi simplificada para se dar no momento demarcado pela linha vertical tracejada.
36
Depois
1100
Impacto?
1000
t=0
Programa
t=1
Tempo
Para responder essa pergunta, temos que nos questionar se o grupo de tratamento antes do programa representa o contrafatual adequado para a situao
de no tratamento depois do programa. Ou seja, em termos da Figura 2.1, ser
que o losango representa o valor que seria recebido pelo grupo tratado depois do programa, caso ele no tivesse passado pela interveno? A resposta a
essa pergunta seria normalmente negativa, j que h uma srie de fatores que
podem ter afetado o rendimento mdio do grupo tratado alm do programa.
Por exemplo, possvel que a situao do mercado de trabalho da localidade
onde residem os participantes do programa tenha melhorado ao longo dos
doze meses entre as coletas das informaes. Para ilustrar essa possibilidade,
suponha que essa mudana nas condies do mercado de trabalho tenha sido
responsvel por levar o rendimento mdio para o ponto associado forma
circular na Figura 2.1. Nesse caso, a variao do rendimento mdio que pode
38
tivao das pessoas. A Figura 2.2 contm as informaes para os dois grupos
para o perodo depois do programa, onde o tringulo representa o rendimento
mdio do grupo de no participantes.
Depois
1100
Impacto?
1000
900
t=0
Programa
t=1
Tempo
40
que uma equao de regresso linear cuja nica diferena em relao quelas tipicamente encontradas em livros de estatstica e econometria bsica
que o parmetro que captaria o efeito do programa, , varia entre os indivduos. Em muitas avaliaes, faz-se a hiptese de que o impacto do programa
igual para todos os indivduos, ou seja,
para qualquer indivduo da
populao. Nesse caso, a equao (4) se especializa em4:
O maior problema para estimar corretamente o impacto do programa por
meio da equao (5) que a varivel potencialmente correlacionada com
o componente no observvel . Na realidade, bastante provvel que isso
ocorra, j que a participao no programa normalmente no se d de forma
aleatria. Ao contrrio, a participao geralmente decorre de uma deciso voluntria do indivduo (ou da famlia), a qual pode ter sido tomada com base em
informaes que no so observadas pelo avaliador e, portanto, esto embutidas no componente da equao (5). Um exemplo o que apresentamos na
seo 2.2, no qual os indivduos que participam de programas de treinamento
4
Tratar o impacto da interveno como homogneo na populao tende a ser uma hiptese
forte. De fato, parece mais razovel esperar que o efeito de grande parte dos programas seja
heterogneo entre as pessoas. Contudo, a hiptese de homogeneidade facilita a exposio
e, assim, a menos que explicitado no texto, estaremos supondo que ela se aplica.
so considerados mais motivados. Como motivao uma dimenso do comportamento das pessoas que pode afetar (por exemplo, o rendimento do
trabalho) e dificilmente medida nos dados (ou seja, passa a ser incorporada
em ), aparece um problema de correlao entre e que precisa ser resolvido
para que o parmetro de interesse, , seja corretamente estimado.
Esse problema de estimao incorreta de devido correlao entre a participao no programa ( ) e a parte no observvel ( ) geralmente recebe o nome
de problema de autosseleo. A magnitude dessa incorreo chamada de
vis de autosseleo. Sua denominao decorre do fato de que so os prprios
tratados que se selecionam para participar do programa. Se essa autosseleo
estiver associada com caractersticas no observveis dos indivduos, esse grupo se torna um grupo especial da populao (por exemplo, mais motivados),
o que pode afetar diversas variveis de resultado, tornando difcil o isolamento
do efeito causal do programa5.
Boa parte do esforo de pesquisa realizado at os dias de hoje na rea de avaliao tem sido dedicado a encontrar solues para contornar o problema da
autosseleo. A fim de apresent-lo de forma mais geral, considere as seguintes mdias populacionais da varivel de resultado para os grupos de tratados
e no tratados6:
42
Como mencionado anteriormente, o termo autosseleo est associado deciso dos prprios indivduos de participar ou no da interveno.
Para que V seja igual a zero, a mdia observada para os no tratados, D00, deve
ser igual mdia do contrafatual que buscamos, D10. O problema que no
observamos D10 e, portanto, no temos como saber a magnitude do vis de
autosseleo embutido em D.
Nossa tarefa nos prximos captulos ser apresentar mtodos que buscam
solucionar o problema do vis de autosseleo. Cada mtodo lana mo de
certos procedimentos e hipteses para tentar resolver esse problema. Embora
cada metodologia v ser discutida em detalhes em cada captulo, faremos aqui
um sumrio das hipteses bsicas utilizadas.8
Considerado o padro-ouro da rea de avaliao, o primeiro mtodo baseia-se
na aleatorizao de indivduos, famlias ou at mesmo de comunidades inteiras para participar ou no do programa. Esse procedimento de aleatorizao
gera dois grupos experimentais, o de tratamento, formado pelos indivduos
que foram aleatorizados para participar do programa, e o grupo de controle,
composto pelos que foram aleatorizados para ficar de fora. O fato de que a participao ou no no tratamento ou seja, na notao introduzida neste captulo, o fato de a varivel T assumir valor um ou zero, respectivamente definida
pelo procedimento de aleatorizao garante que os grupos de tratamento e
controle sejam parecidos tanto nas caractersticas observveis quanto nas no
observveis. O vis de autosseleo fica assim contornado, permitindo que a
comparao entre os grupos identifique o efeito causal do programa.
Outro mtodo que discutiremos em detalhes chamado diferenas em diferenas (DID). Esse mtodo requer dados em painel das unidades tratadas e no
tratadas, com perodos de observao antes e depois da interveno. Ele recebe esse nome porque duas diferenas so calculadas: a diferena entre os
perodos de tempo para cada unidade observada e a diferena entre as unidades para cada perodo de tempo. Como os dados so em painel, o mtodo
comporta a presena de um termo invariante no tempo para cada unidade de
observao. Esse termo, que eliminado no cmputo da diferena temporal
para cada unidade, capta todas as caractersticas no observadas da unidade
que so constantes no tempo. A principal hiptese desse mtodo que a trajetria da varivel de resultado do grupo de controle reflita a do grupo de tratamento na ausncia da interveno. Embora essa hiptese no seja testvel,
uma indicao de sua validade ocorre quando os grupos possuam uma mes8
44
46
Exerccios
1) Um jornal de grande circulao apresentou numa matria um grfico com a
srie histrica da incidncia de diarreia em crianas de certo municpio. O grfico mostrava que a incidncia de diarreia permanecia inalterada e a matria
dizia que o programa de saneamento do governo no teve nenhum impacto
sobre a doena. Essa afirmativa do jornal est correta? Por qu?
2) O prefeito de uma capital implantou um programa de alfabetizao de adultos no terceiro ano de seu mandato. No ano seguinte, em campanha eleitoral,
ele comparou a taxa de analfabetismo da sua cidade com a do interior do estado para mostrar que o programa era um sucesso. Seria o interior do estado
um bom grupo de controle para avaliar o programa implantado na capital?
Discuta.
3) Qual a mais importante funo do grupo de controle em uma avalio de
impacto?
4) Tipicamente, a escolha do curso universitrio uma deciso que envolve
uma anlise sobre as motivaes, interesses, aptides, os custos pessoais e financeiros de fazer o curso, alm de uma previso sobre a renda que a profisso
escolhida pode oferecer no futuro. Tomando o curso universitrio como um
programa (de treinamento), responda os seguintes itens:
a) Seria o rendimento do trabalho de pessoas com ensino superior
influenciado por caractersticas normalmente no observadas pelo avaliador?
Cite algumas dessas caractersticas.
b) A escolha por entrar em certo curso universitrio equivale deciso
de participar de certo programa. Seria essa deciso correlacionada com o rendimento futuro do trabalho dos formados?
c) Qual o principal tipo de problema que pode surgir se compararmos
diretamente os rendimentos do trabalho dos estudantes formados em diferentes cursos?
CAPTULO 3
Mtodo de
Aleatorizao
Miguel Nathan Foguel
de clculo. De fato, para obtermos o impacto da interveno com base nesse mtodo, basta subtrairmos a mdia da varivel de interesse do grupo de
tratamento da mdia correspondente calculada para o grupo de controle. Em
condies ideais, essa simples diferena de mdias fornece uma estimativa do
efeito causal do tratamento sobre os tratados. Esse atributo dos experimentos
sociais um atrativo importante, pois torna o mtodo mais transparente para
os gestores do programa e para o pblico em geral.
Contudo, apesar de suas diversas vantagens, o mtodo de aleatorizao no
est isento de problemas. Como veremos, a maior parte deles surge de situaes prticas que ocorrem aps a aleatorizao dos indivduos entre os grupos
experimentais. Os principais exemplos so o no comparecimento s atividades do programa por parte de uma parcela do grupo selecionado para o tratamento e a substituio da interveno por outros programas similares por
parte de uma frao do grupo de controle. Em ambos os casos, pode haver
uma mudana de composio das caractersticas entre grupos experimentais,
que foram selecionados a priori de forma aleatria, porm terminaram influenciados a posteriori por decises de participao ou no no programa em avaliao ou em similares. Problemas desse tipo podem causar vieses no negligenciveis na estimao do efeito que se pretendia isolar com o experimento
aleatrio.
Neste captulo, apresentaremos as principais propriedades do mtodo de aleatorizao, incluindo suas limitaes e possveis solues. Antes, porm, discutiremos um ponto importante existente na rea de avaliao de impacto, a
saber, a validade das concluses que podem ser inferidas a partir dos estudos
de avaliao.
50
J a validade externa a capacidade de estender os resultados para fora do contexto da avaliao. Em outras palavras, uma avaliao possui validade externa
se for possvel generalizar as estimativas do impacto do programa avaliado
para outras populaes e outros momentos no tempo. Uma forma de garantir
a validade externa dos resultados em certo ponto no tempo que a amostra
utilizada na avaliao seja representativa da populao-alvo do programa naquele momento. Normalmente, quando a amostra obtida por mtodos de
amostragem aleatria da populao-alvo, essa representatividade assegurada.
10
52
amostras aleatrias retiradas da populao dos pases. No caso de uma amostra para fins de avaliao de impacto de um programa, a representatividade
da populao de elegveis est assegurada se a amostra a ser empregada na
avaliao for escolhida de forma aleatria a partir dessa populao.
Note que a aleatorizao que garante a validade externa de uma avaliao no
assegura a validade interna dessa avaliao, e vice-versa. Se a avaliao utiliza
uma amostra aleatria da populao-alvo do programa, mas a participao no
tratamento no realizada atravs de aleatorizao, ento a amostra deve ser
representativa da populao de elegveis, porm os resultados da avaliao
podem no ter validade interna. Distintamente, caso a amostra no seja aleatria da populao-alvo, mas a participao no programa seja aleatorizada entre
os grupos de tratamento e controle, os impactos computados pela avaliao
sero internamente vlidos, porm no tero validade externa.
54
(1)
ou seja, um parmetro que mede a mdia da varivel de resultado para a populao de tratados quando ela tratada subtrada da mdia da mesma varivel
para a mesma populao, porm na situao contrafatual de no tratamento.
Olhando para essa expresso, possvel perceber que a primeira mdia pode
ser calculada diretamente a partir de informaes para a populao de tratados. No caso de um experimento social, essa mdia fornecida pelos dados
coletados para o grupo de tratamento, o qual foi aleatoriamente selecionado
para participar do programa.
O grande problema como obter a segunda mdia da expresso (1), ou seja,
como encontrar a verdadeira mdia da varivel de interesse caso os tratados
no tivessem sido tratados. aqui que o mtodo de aleatorizao d a sua
maior contribuio, pois o grupo que foi aleatorizado para fora do programa
capaz de prover essa mdia. Especificamente, ao construir os grupos de tratamento e controle com base num mecanismo de aleatorizao, o experimento
social torna a varivel que indica tratamento, T, independente dos resultados
potenciais. Essa independncia se d por fora do prprio processo de aleatorizao. Assim, enquanto um grupo qualquer de indivduos no tratados fornece
um grupo de controle escolhido de forma aleatria assegura
que
Note que, ao garantir a validade desta
ltima igualdade, o experimento aleatrio consegue resolver o vis de autosseleo.
onde
repre-
11
56
onde o primeiro elemento de X igual a um e um vetor de parmetros conforme a X. Se bem realizado, o experimento aleatrio assegura que:
oqueimplicaqueadiferena:
isola o parmetro de interesse.126
Um ponto adicional que, em princpio, a aleatorizao garante que tanto
as caractersticas observadas como as no observadas so balanceadas entre
os grupos de tratamento e controle. Ou seja, se os dados contm K diferentes caractersticas dos indivduos (sexo, idade, escolaridade, renda familiar,
entre outras), devemos esperar que a mdia de cada caracterstica
contida em
para o grupo de tratamento seja igual mdia da
mesma varivel para o grupo de controle. Formalmente, isso significa que
um resultado que pode ser tes7
tado com base nos dados coletados para os dois grupos experimentais.13
Na
realidade, sempre recomendvel testar o balanceamento das caractersticas
observadas entre os grupos, pois caso ocorra rejeio da hiptese de balanceamento para muitas variveis em X, h indicao de que o protocolo de aleatorizao no foi bem realizado, o que pode comprometer a acurcia com que os
efeitos do programa so estimados.
ca
onde
em
e
denotam o nmero de observaes das amostras dos dois grupos, respectique
vamente.
12
Embora a prova da afirmao a seguir esteja fora do escopo deste livro, vale assinalar que
o modelo expresso por (2) e (3) pelo menos to eficiente quanto o expresso por (2) e (3).
Em outras palavras, o parmetro pode ser estimado de forma mais precisa com a incluso
das caractersticas em no modelo (desde que os coeficientes em sejam diferentes de zero).
13
H vrias formas de se testar este resultado. Um das mais empregadas o teste para diferenas de mdias de amostras independentes. Esse teste bastante confivel quando a
aleatorizao dos grupos de tratamento e controle feita com base no mtodo de amostragem aleatria simples. Todavia, caso a aleatorizao dos grupos seja realizada de forma
estratificada exemplos tpicos de estratos so: escola, turma, clnica, bairro, etc. , no necessariamente esse o teste mais recomendado. Para maiores detalhes, ver Firpo et al. (2011).
comum que os programas sociais gerem efeitos distintos para diferentes grupos da populao. Por exemplo, programas de treinamento de mo de obra
tendem a mostrar impactos diferenciados entre mulheres e homens e entre
jovens e adultos. Tipicamente, a incorporao desse tipo de heterogeneidade
ao modelo importante, j que revela aos gestores para que grupos socioeconmicos o programa pode ser aperfeioado.
Caso o tamanho da amostra de indivduos nos grupos de tratamento e controle seja suficientemente grande, possvel estimar o impacto do programa
particionando a amostra entre os estratos para os quais se quer conhecer o
efeito. Por exemplo, se se quer conhecer o efeito de um programa de creche
gratuita para diferentes reas de um municpio, pode-se calcular a diferenas
de mdias da varivel de interesse (e.g., participao no mercado de trabalho
das mulheres) entre o grupo de tratamento e controle separadamente para
cada rea da cidade. Naturalmente, importante que a amostra para cada rea
da cidade seja relativamente grande, caso contrrio o impacto no ser precisamente medido.
Podemos tambm utilizar uma variante da equao (2) para computar impactos heterogneos de um programa para grupos formados pelas caractersticas
que aparecem no vetor X. Para operacionalizar essa estratgia, basta interagir
as variveis em X, para as quais temos interesse em medir separadamente o impacto do programa, com o indicador de tratamento T. Para verificar isso, suponha que queiramos medir o efeito mdio de uma interveno separadamente
para homens e mulheres, os quais so identificados na base de dados pela varivel binria
com 1 para mulheres e 0 para homens. Denotemos
por X* todas as variveis presentes em X que no
Se escrevermos:
o efeito do programa para as mulheres pode ser obtido por meio de:
Comparando as duas ltimas expresses, v-se que a potencial heterogeneidade de impacto entre os grupos de gnero dada pelo parmetro . A realizao
de um simples teste t para permite inferir se ele nulo ou no. Da mesma
forma que para , outras variveis presentes em X poderiam ser interagidas
com T para obtermos o impacto diferenciado do programa segundo essas caractersticas.
58
No Comparecimento
Um dos problemas mais comuns de um experimento social aleatrio ocorre
quando, aps terem sido selecionados para participar do programa, alguns
indivduos do grupo de tratamento no aparecem de fato para realizar as
atividades previstas na interveno. O no comparecimento desse subgrupo
altera o grupo de tratamento, o que pode comprometer a identificao dos
impactos do programa, especialmente se a desistncia estiver associada com
caractersticas no observadas dos desistentes. Por exemplo, se os menos motivados entre os selecionados para o programa so os que no comparecem, a
composio do grupo de tratamento deixa de ser parecida com a do grupo de
controle nessa caracterstica. Assim, se motivao for um determinante importante da varivel de resultado (por exemplo, busca por emprego), a diferena
de composio que aparece a posteriori entre os dois grupos ir comprometer
o isolamento do que efetivamente o impacto do programa.
Uma forma de olhar para esse problema que ocorre uma distino entre a
oferta e a participao propriamente dita no programa. Essa distino, que
ocorre com vrios programas sociais e no somente com experimentos aleatorizados, pode criar uma diferena entre o impacto que os gestores intencionavam que o programa tivesse para o pblico elegvel em geral e o impacto
Substituio
O problema inverso tambm costuma ocorrer com os indivduos que compem
o grupo de controle. Idealmente, num experimento social, nenhum membro
desse grupo deveria receber os servios do programa ou de um substituto
prximo dele. Contudo, na prtica, no incomum que uma parcela do grupo acabe entrando no programa em avaliao ou em algum programa similar.
Quanto mais substituvel a interveno sendo avaliada, maior a possibilidade
de que os controles busquem um tratamento parecido em algum outro lugar.
Implicitamente, estamos assumindo que o efeito da interveno heterogneo entre as
pessoas. Naturalmente, na hiptese de que o efeito igual para todos, no haveria diferena
entre o EIT e o EMPT.
14
60
onde
representaria a varivel de resultado no caso do recebimento do
tratamento alternativo ao em avaliao. Trata-se claramente de uma hiptese forte, cuja invocao requereria uma anlise cuidadosa dos contedos das
duas intervenes em questo.
Atrito
Em quase todas as pesquisas que coletam dados de campo em mais de um
momento do tempo h perda de informaes sobre alguns indivduos que no
so encontrados nos perodos subsequentes ao primeiro. H diversos motivos
que levam ao aparecimento desse atrito amostral, mas muitos deles so no
-aleatrios, ou seja, podem estar relacionados s caractersticas (no observadas) dos indivduos ou ao impacto de interesse. Normalmente, quando o atrito
no aleatrio, a estimao do efeito causal do programa por meio da comparao entre tratados e controles torna-se potencialmente enviesada.
A apario desse tipo de vis mais provvel quando a taxa de atrito difere
entre o grupo de tratamento e o grupo de controle. Na prtica, essa a situao
Novamente, sob a hiptese de que o efeito do programa homogneo para todos, essa
diferena identificar o impacto do programa.
15
mais comum, com a taxa do grupo de controle sendo tipicamente mais elevada que a do grupo de tratamento. Muitas vezes, a negao do programa aos
controles gera uma reao de recusa por parte deles em fornecer informaes
aos entrevistadores do programa. Em alguns casos, os controles, quando se
veem na situao de no encontrar um programa alternativo perto de onde
moram, se mudam para outras localidades, tornando mais difcil a coleta subsequente de informaes.
Como j mencionado, sempre boa prtica comparar as caractersticas observadas dos grupos de tratamento e controle, antes e aps o tratamento. Essa
comparao pode ser particularmente informativa quando a taxa de atrito
substancial, pois, se aparecerem diferenas marcantes entre os dois grupos nas
caractersticas observadas, provvel que o atrito tenha alterado tambm a
composio dos atributos no observados entre os grupos. Tipicamente, a resoluo do problema do vis de atrito amostral requer o uso complementar de
hipteses comuns aos mtodos no experimentais.165
Externalidades
Alm das limitaes acima apontadas, os experimentos aleatrios tambm podem estar associados a dois outros tipos de problemas. O primeiro um efeito
de transbordamento do programa sobre o grupo de controle, ou seja, uma externalidade (positiva ou negativa) que gerada pelo prprio tratamento sobre a varivel de resultado do grupo de controle. Por exemplo, se os grupos
de tratamento e controle de um programa de combate obesidade infantil
so escolhidos aleatoriamente dentro das escolas, provvel que o tratamento
acabe afetando indiretamente o grupo de controle, j que as crianas tratadas podem influenciar o comportamento alimentar das crianas do grupo de
controle (dentro ou fora da escola). Em casos como esse, mais recomendado
realizar a aleatorizao dos grupos experimentais entre escolas, preferencialmente guardando certa distncia entre as selecionadas para cada grupo. Esse
tipo de cuidado deve ser sempre tomado com intervenes de sade, educacionais, alimentares, entre outras, em que podem ocorrer externalidades devido ao contato fsico ou de comunicao dos indivduos tratados com os no
tratados. 176
Uma forma comumente utilizada especificar uma equao dos determinantes do atrito
amostral e estim-la conjuntamente com a equao da varivel de resultado. Geralmente,
esse procedimento realizado utilizando-se variveis instrumentais, um mtodo que ser
apresentado no captulo 6. O leitor mais interessado encontrar em Grasdal (2001) uma discusso sobre esse procedimento no contexto de avaliao de impacto. Duflo et al. (2008)
prov uma apresentao do problema de atrito amostral no contexto de experimentos aleatrios.
17
H algumas tcnicas para averiguar a existncia de efeitos de transbordamento para fora
do grupo de tratados. Uma delas, utilizada num estudo sobre os efeitos de um programa de
16
62
Fortaleza
64
EMLT=
E[Y|T=1]_ E[Y|T=0]
P[Z=1|T=1]_ P[Z=1|T=0]
Exerccios
1) Um governo estadual est atualmente planejando realizar programa de reduo do analfabetismo e quer que uma avaliao seja realizada para medir
os impactos do programa. Assinale se as assertivas abaixo so verdadeiras ou
falsas e explique sua resposta.
a) Se esse governo utilizar apenas os dados da Pesquisa Nacional por
Amostra de Domiclios (PNAD) que uma pesquisa com uma amostra aleatria realizada pelo IBGE em todo o territrio nacional para avaliar o programa,
os resultados asseguraro a validade interna do estudo.
b) A validade externa da avaliao estar garantida se houver a aleatorizao dos servios do programa (por exemplo, entre os municpios do estado).
c) Qual o principal tipo de problema que pode surgir se compararmos
diretamente os rendimentos do trabalho dos estudantes formados em diferentes cursos?
2) Uma entidade que recebe verba pblica presta servios de treinamento de
mo de obra para trabalhadores de baixa renda num certo municpio. Para selecionar os beneficiados pelo programa, a entidade utiliza o critrio do primeiro a chegar ao local da inscrio. Um dia, um gestor decidiu tabular as informaes das fichas de inscrio para o programa nessa entidade e descobriu que
cerca de 80% dos beneficiados morava no mesmo bairro do local da inscrio.
O gestor tambm observou que as caractersticas socioeconmicas dos inscritos no diferiam muito entre si. Baseado apenas na ideia de igualdade de
oportunidade para participar do programa, voc proporia alguma mudana de
critrio de seleo dos beneficiados? Pensando agora somente em termos de
avaliao de impacto do programa, voc proporia utilizar um critrio baseado
na seleo aleatria dos inscritos? Desenvolva suas respostas.
3) Em laboratrios de fsica, biologia e reas cientficas afins, muito comum
a realizao de experimentos controlados, ou seja, experimentos nos quais
o pesquisador tem ampla capacidade de controlar as variveis que afetam o
objeto de estudo. Nas cincias sociais, entretanto, no to fcil realizar experimentos desse tipo. Discuta pelo menos duas razes (tcnicas ou no) que
dificultam a realizao de experimentos aleatrios na rea de avaliao de programas sociais.
4) Em uma avaliao de impacto aleatorizada de um programa de reforo escolar, descobriu-se que 10% dos alunos do grupo de tratamento desistiram do
programa. Ao analisar as informaes disponveis, os avaliadores observaram
66
CAPTULO 4
Diferenas
em Diferenas
Miguel Nathan Foguel
18
70
uma vez que parte da diferena na varivel de resultado entre os dois grupos
pode se dever existncia de diferentes caractersticas entre os grupos. Esse
problema torna-se particularmente srio quando essas caractersticas no so
observadas (ou medidas) pelo avaliador.
O mtodo de diferenas em diferenas (DD) busca contornar os problemas dessas duas formas de identificar o impacto de um programa. Em relao primeira, ao invs de simplesmente contrastar o grupo de tratamento com ele mesmo
antes e depois do programa, o mtodo de DD vai buscar um grupo de comparao que se parea ao mximo com o grupo tratado. A ideia que esse grupo
esteja sujeito s mesmas influncias dos fatores que afetam a varivel de resultado dos tratados, ou seja, que esse grupo funcione como um grupo de controle
semelhante ao que se constri a partir de experimentos aleatrios. Obviamente, sem aleatorizao, no h garantias de que a nica diferena entre os grupos a participao no programa, mas o mtodo de DD, assim como os demais
mtodos no-experimentais, busca mimetizar a situao de aleatorizao. Uma
caracterstica do mtodo de DD que ajuda nesse processo que ele capaz de
levar em conta uma das principais fontes de diferena entre tratados e controles: as caractersticas no observveis dos indivduos que so invariantes no
tempo. Nesse sentido, ele um avano em relao ao mtodo que simplesmente contrasta o grupo de tratamento com um grupo de indivduos no tratados.
72
23
74
ou seja, pela diferena temporal do que ocorreu com o grupo tratamento subtrada da mesma diferena calculada para o grupo de controle. Embutida nesse
estimador est a hiptese de que a variao temporal na varivel de resultado
para o grupo de controle representa a variao contrafatual do grupo tratado,
isto , a variao que seria experimentada pelo grupo de tratamento na ausncia do programa.249 Em decorrncia dessa hiptese, a diferena entre a variao
efetivamente observada para o grupo de tratamento e a variao contrafatual
fornecida pelo grupo de controle vai capturar o efeito causal da interveno.
Como mencionado anteriormente, a mdia da varivel de resultado para o grupo de controle no perodo anterior ao programa no precisa coincidir com a
mdia correspondente para o grupo de tratamento, ou seja, os grupos podem
ou no partir de um mesmo ponto. Na realidade, na maior parte das aplicaes
do procedimento de DD, os dois grupos tm essas mdias distintas, um fato
que tipicamente reflete as diferentes influncias dos atributos observveis e
no observveis dos indivduos sobre a varivel de resultado. O que o mtodo
de fato requer que a variao temporal do que ocorre com o grupo de controle antes e depois do programa reflita corretamente a variao temporal do
grupo de tratados na situao contrafatual de no tratamento.
Uma forma equivalente de expressar o estimador de DD pela dupla diferena:
que apenas um rearranjo da expresso (1). A expresso (2) mostra que o estimador de DD tambm pode ser visto como o contraste das diferenas de
mdias existentes entre os dois grupos no perodo anterior e posterior ao programa. Aqui, torna-se ainda mais claro que o mtodo permite a existncia de
diferenas de mdias entre os dois grupos no perodo pr-programa, ou seja,
o mtodo no requer que o segundo termo entre chaves na expresso (2) seja
igual a zero.
Para ilustrar como o mtodo funciona, retornaremos ao exemplo hipottico
que utilizamos no captulo 2, no qual imaginamos um curso de treinamento
profissional oferecido a trabalhadores de baixa escolaridade em certo municpio. O interesse recaa sobre o impacto do programa sobre o salrio mdio dos
tratados, que era de R$ 1000 um pouco antes do incio do curso e de R$ 1100
alguns meses aps o programa. Argumentamos naquele captulo que nem a
comparao do grupo tratado antes e depois da interveno e nem a compaSe utilizarmos o arcabouo de resultados potenciais apresentado no captulo 2, a hiptese
requerida pelo mtodo de DD : E[Y(0)|T = 1, t =1] E[Y(0)|T = 1, t = 0] = E[Y(0)|T = 0,t = 1]
E[Y(0)|T = 0, t = 0],, ou seja, que a variao temporal na mdia do contrafatual do grupo
tratado seja igual variao observada na mdia do grupo de controle.
24
Controle
Diferena
Antes
Depois
Diferena
76
que a posio dele obtida atravs de uma projeo da mdia salarial dos tratados que paralela que ocorreu com o grupo de controle depois do programa. Essa projeo, que est ilustrada pela linha pontilhada que se liga ao ponto
E na Figura 4.1, baseada na hiptese de que a trajetria do salrio mdio do
grupo de tratamento na ausncia do programa igual trajetria dessa varivel para o grupo de controle aps a interveno. Essa a principal hiptese do
mtodo de DD.
A magnitude do impacto do programa pode ser obtida na Figura 4.1 a partir da
diferena de pontos: (B A) (D C) = (1100 1000) (900 850) = 50, ou
seja, pela primeira forma de dupla diferena descrita anteriormente. Note que
o impacto no calculado pela simples variao salarial antes e depois do programa para o grupo tratado (i.e., B A), mas sim pelo contraste dessa variao
com a experimentada pelo grupo de controle no mesmo intervalo (i.e., D
C). Utilizando a segunda forma de dupla diferena apresentada anteriormente,
obtemos (B D) (A C) = (1100 900) (1000 850) = 50, um resultado
que mostra que o impacto no dado apenas pela diferena entre tratados e
controles ps-tratamento (i.e., B D), mas sim pela comparao dessa diferena com a sua correspondente antes do programa (i.e., A C).
1100
1000
900
C
t=0
Programa
t=1
Tempo
onde o subscrito t foi acrescentado notao dos captulos anteriores para denotar o perodo de tempo no qual o indivduo (ou unidade de observao) i
se encontra. Como antes, o vetor X representa as caractersticas observadas do
indivduo e T uma varivel binria que assume valor unitrio, se o indivduo
tratado, e valor nulo, caso contrrio. A varivel t tambm binria, assumindo valor um no perodo ps-programa e valor zero, caso contrrio. O termo de erro
o efeito causal do programa
dado por . Sob a hiptese de que
(condicional a X) medido pelo parmetro .325
Note que, na equao (3), as variveis T e t aparecem tanto isoladamente quanto
interagidas. Caso no houvesse o termo de interao entre as variveis, suas presenas isoladas captariam respectivamente as diferenas da mdia de Y entre o
grupo de tratamento e controle e entre o perodo anterior e posterior ao programa (condicional a X). A introduo do termo de interao na equao procura
captar o que ocorreu especificamente com o grupo de tratamento no perodo
ps-programa, ou seja, se a mdia da varivel de resultado para esse grupo em
particular tornou-se diferente aps a interveno. fcil ver ento que o papel
do termo de interao entre as variveis T e t medir o impacto do programa. A
magnitude desse impacto , portanto, capturada pelo parmetro . Uma forma
de verificar isso escrevendo a mdia (condicional a X) da varivel de resultado
para os seguintes casos (retirando os subscritos para facilitar a leitura):
Tratados, pr-programa:
Tratados, ps-programa:
Controles, pr-programa:
Controles, ps-programa:
25
78
26
4
onde
uma varivel binria que assume valor um se o indivduo i
tambm binria mas s assume valor unitrio se o indivtratado,
duo i tratado e o perodo t se refere a qualquer ms aps o incio da interveno (isto ,
). Qualquer varivel
do conjunto
assume valor
unitrio ou zero dependendo de se o ms da observao corresponde ao ms t
ser igual a um se o ms for o segunou no, respectivamente (por exemplo,
do e zero, caso contrrio).275 A funo de cada varivel desse conjunto controlar
para efeitos agregados de tempo que possam afetar a varivel de resultado de
todos os indivduos do grupo de tratamento e controle (por exemplo, inflao).
Analogamente equao (3), o efeito causal do programa tambm ser dado
pelo parmetro na equao (4).
Uma das principais vantagens do mtodo de DD que ele capaz de controlar
para as influncias sobre a varivel de resultado das caractersticas no observveis dos indivduos que sejam fixas no tempo. Essa uma vantagem importante do mtodo, pois, muitas vezes, essas caractersticas fixas no observveis
influenciam tambm a participao no programa. Por exemplo, as habilidades
inatas tendem a influenciar no somente os salrios, mas tambm a deciso das
pessoas de participar em cursos de treinamento. A motivao ou certos traos
de comportamento (inibio, autoestima, entre outros) tambm seriam outros
exemplos de caractersticas no observveis que podem afetar tanto salrios
quanto a deciso de participar no programa. Qualquer que seja o caso, o importante que o mtodo de DD capaz de levar em conta a associao entre a
varivel de resultado, a participao no programa e as caractersticas no obserNote que o primeiro mtodo ingnuo da diferena de mdias antes e depois do programa para o grupo de tratamento fornece: {(B) (A)} = + , o que revela um vis igual a .
J o segundo mtodo ingnuo compara dos tratados com os controles no perodo aps o
programa. Por este mtodo, o impacto seria: {(B) (D)} = + , o que corresponde a um
vis de magnitude .
27
Note-se que exclumos da equao a varivel binria dti1 para evitar o problema de multicolinearidade perfeita com a (implcita) presena do intercepto no vetor de parmetros .
26
vveis dos indivduos que sejam invariantes no tempo (pelo menos durante o
perodo de observao). Assim, como o problema do vis de autosseleo pode
surgir da associao entre essas dimenses, o mtodo de DD oferece uma ferramenta poderosa para contornar esse problema.
Para verificar como o mtodo de DD controla para a influncia das caractersticas
no observveis que no se alteram no tempo, podemos utilizar uma especificao da regresso linear tipicamente empregada em modelos de dados de painel.
Nesse tipo de modelo, a expresso para a varivel de resultado passa a poder
incluir os chamados efeitos fixos individuais, os quais entram na equao como
um conjunto de variveis binrias que tm valor unitrio ou nulo dependendo
de com qual indivduo elas esto associadas. Assumindo a existncia de mltiplos perodos de tempo t = 1,2,, e uma amostra com i = 1,2,, N indivduos,
a equao pode ser escrita como:
onde igual a um para o indivduo i e zero para todos os demais indivduos
recebe valor um para o indivduo i = 2 e zero para o
da amostra (exemplo:
resto dos indivduos).286 A incluso desses efeitos fixos especficos de cada indivduo permite controlar para heterogeneidades existentes entre as pessoas em
caractersticas que sejam fixas no tempo.297 Uma propriedade dos efeitos fixos
que eles podem ser correlacionados com qualquer caracterstica observada
Note que os efeitos fixos individuais so eliminados na equao (6) e isso s
ocorre porque eles so invariantes no tempo. Note tambm que essa equao
Novamente, exclumos a varivel I1 para evitar o problema de multicolinearidade perfeita
com o intercepto em X.
29
Estrito senso, a presena do efeito fixo individual na equao capta a influncia sobre Y
de qualquer caracterstica, observvel ou no, do indivduo que no varie com o tempo. Isso
implica que os efeitos de variveis fixas no tempo no so identificados conjuntamente com
o efeito fixo individual. Por essa razo, o termo T1 no aparece na equao (6). De forma
semelhante, eventuais variveis tempo-invariantes contidas no vetor X (por exemplo, sexo e
cor) tambm no poderiam aparecer na equao.
30
Outra forma de estimao comumente utilizada com dados de painel a que se chama de
intragrupos. Neste caso, cada varivel subtrada do valor de sua mdia temporal para cada
indivduo, por exemplo, subtrai-se
28
80
4.4 Desvantagens
Embora possua uma srie de vantagens, o mtodo de DD no consegue lidar
com casos em que alguma mudana temporria num fator no observvel dos
indivduos afeta a deciso de participao no programa. Por exemplo, j se detectou que muitos trabalhadores que fazem cursos de treinamento experimentaram choques negativos e temporrios de renda um pouco antes do comeo
do programa (Ashenfelter, 1978, e Heckman e Smith, 1999). Alm de poder ter
influenciado os indivduos a fazerem o curso, essa queda temporria nos rendimentos poder fazer com que o grupo tratado experimente um crescimento
maior nos seus rendimentos mesmo se ele no tivesse participado do programa.
Se essa mudana temporria no ocorrer com o grupo de controle, o procediEmbora fora do escopo do livro, vale observar que, se o termo
apresentar correlao serial isto , a correlao entre
e
ser diferente de zero , h
que se fazer alguma correo para os erros-padro a serem estimados pelo procedimento
de DD. Mais detalhes podem ser encontrados em Bertrand et al. (2004).
31
Exerccios
1) Foi noticiado em dois jornais locais que a poltica atual de reduo da criminalidade de seu estado era eficaz. Em um dos jornais, a comprovao dessa eficcia
foi associada informao de que a taxa de roubos de veculos havia cado 10%
nos ltimos dois anos. J no outro jornal, a efetividade da poltica foi consubstanciada por meio da comparao da taxa de roubo de veculos no ltimo ano do seu
estado com a mdia da mesma taxa para os demais estados do pas. Como um conhecedor da rea de avaliao de impacto, ao ler os jornais, voc considera ambas
as matrias ingnuas e decide tentar estimar o verdadeiro impacto do programa
(talvez porque voc ou algum prximo teve seu carro roubado recentemente!).
Responda os itens a seguir.
b) Voc decide estimar o efeito da poltica usando o mtodo das diferenas em diferenas. Quais os dados que voc deve buscar?
c) O que voc deveria testar com dados anteriores ao incio da poltica
para averiguar se o grupo de controle parece adequado aos seus propsitos?
82
R$ 100
14
13
12
11
-6
-5
-4
-3
-2
-1
meses
Controle
Tratamento
CAPTULO 5
Pareamento
Cristine Campos Xavier Pinto
86
indivduos tratados caso eles no tivessem recebido tratamento, e no podemos simplesmente estimar a segunda mdia condicional usando uma mdia
amostral. No entanto, a hiptese H1 nos permite escrever o segundo termo da
equao 5.1 em funo das variveis que observamos.
Sob a hiptese H1,
Neste caso, D uma mdia ponderada dos efeitos mdios para os indivduos
com determinada combinao de caractersticas X (D(x)), na qual os pesos so
Note que para obter o efeito mdio do tratamento, precisamos calcular a expectativa de
D(x) sobre a distribuio de X. No caso em que Xi inclui apenas uma varivel explicativa
discreta,
36
dados pela porcentagem de indivduos tratados que possuem esta combinao de caractersticas X.
e
Para estimar o EMPT, precisamos estimar
Se a hiptese H2 for violada, no ser possvel estimar ambas as
mdias, pois os valores de x sero vlidos para o grupo de tratamento, mas no
para o grupo de no-tratados.
37
na qual 1 uma funo indicadora que igual a 1 se a expresso entre chaves verdadeira,
e 0 caso contrrio. Nesta mtrica, l lm (i) o ndice do indivduo no grupo de no-tratados
com a distncia M mais prxima do indivduo i no grupo de tratados em termos a mtrica
||. ||. Por exemplo, l1 (i) representa o par a distncia 1 do indivduo 1, isto , o indivduo mais
prximo do indivduo i.
88
38
Em que vetor de parmetros que ser estimado num primeiro estgio. Seja
o estimador do parmetro . Neste caso, o escore de propenso estimado
como:
39
Para uma prova formal deste resultado, ver Rosenbaum e Rubin (1983).
90
Como no caso do pareamento baseado no X, o pareamento baseado no escore de propenso tambm ir depender de uma mtrica pr-determinada, que
definir a proximidade do escore de propenso dos indivduos tratados em relao ao escore de propenso dos indivduos no-tratados. Um dos estimadores mais usados o estimador de pareamento do vizinho mais prximo (The
Nearest Neighbor Matching) que usa os resultados dos M indivduos no grupo
de no-tratados que possuem escores de propenso mais prximos ao escore
de propenso do indivduo i para estimar qual seria o resultado do indivduo i
40 41
12
caso ele no recebesse tratamento11
.
o conjunto das M observaes com o menor valor
Formalmente, sendo
de
podemos construir o anlogo amostral para o resultado
potencial do indivduo caso ele no fosse tratado, como:
(5.2.1)
e o efeito mdio do tratamento sobre os tratados estimado como na equao
Para implementar esse estimador na
(5.1.2), usando essa definio para
prtica, primeiro usamos a mdia de Y dos M indivduos mais prximos de
cada participante do tratamento (em termos do escore de propenso) para
calcular o contrafatual de cada indivduo tratado (Yi(0)) e depois calculamos
a diferena de mdias entre os tratados e seus contrafatuais, como em (5.2.1).
importante ressaltar que as propriedades do estimador de pareamento baseado no escore de propenso tambm dependem da escolha do vetor X. necessrio escolher o vetor X que afete simultaneamente a deciso de participar
ou no do tratamento e os resultados potenciais. Alm disso, o estimador de
pareamento baseado no escore de propenso tambm sensvel especificao do escore de propenso, isto , forma funcional que vai ser escolhida na
Outros estimadores de pareamento baseado no escore de propenso so o pareamento
baseado em Kernel e o pareamento baseado em polinmio local. Neste caso, para construir
o contrafatual para o indivduo no grupo de tratamento usam-se os indivduos no grupo de
no-tratados que esto em uma vizinhana em torno do escore de propenso do indivduo
i. Alm disso, cada indivduo no-tratado pode receber um peso diferente ao calcular o contrafatual do indivduo i.
41
Um exemplo usar a mesma medida de distncia que usamos no caso do pareamento
baseado no vetor X,
40
Neste caso,
o ndice do indivduo no grupo de no-tratados cujo escore de propenso est a distncia m do escore de propenso do indivduo tratado i.
Rubin (1977) usa o mtodo de regresso linear para estimar o efeito mdio do tratamento.
92
(5.3.3)
o valor previsto para o grupo de indivduos no grupo de traem que
tamento usando os coeficientes estimador pela regresso linear simples no
43
grupo de controle 14
.
Os estimadores baseados em regresso dependem fortemente da extrapolapara valores fora do intervalo dos usados na regresso.
o dos valores
Os coeficientes estimados nesta regresso so usados para encontrar os valores preditos do resultado para os indivduos tratados caso eles no recebessem
tratamento. Para esta extrapolao, necessitamos de sobreposio na regio
de X do grupo de controle e no grupo de tratamento, isto , precisamos da
nossa hiptese H2. Por exemplo, se estimssemos uma regresso linear simples com intercepto, o valor mdio previsto para os indivduos no grupo tratamento seria:
em que
o intercepto da regresso usando somente os indivduos do grupo de controle, e
o coeficiente relacionado a X estimado na mesma regresso. Usando a frmula do estimador do intercepto da regresso,
estimados nesta regresso para prever os valores dos resultados dos indivduos tratados caso eles no recebessem tratamento.
5.4 Reponderao
45
O escore de propenso tambm pode ser usado como um peso 16
que, ao balancear os indivduos no grupo de controle, torna este grupo semelhante na
mdia ao grupo de indivduos tratados. Neste caso, ponderamos cada unidade
no grupo de controle pela probabilidade de no receber tratamento. Quando
maior for a probabilidade do indivduo no grupo de controle de no receber
o tratamento, menor ser o seu peso ao balancearmos o grupo de controle.
Usando a Lei de Bayes, podemos definir uma relao entre a distribuio de X
na populao de tratados e a distribuio de X na populao de no-tratados.
Pela Lei de Bayes, a distribuio de X condicional a D=1 pode ser escrita como
Como no caso do estimador de pareamento, estimamos o escore de propenPara uma reviso do mtodo de reponderao, ver Imbens (2004) e Imbens e Wooldridge
(2009).
45
94
96
(5.5.2.2)
Para implementar esse estimador na prtica, primeiro calculamos para cada
indivduo no grupo de tratamento qual seria a diferena de resultados entre
os perodos e caso ele no fosse tratado. Para isso, estimamos o escore de
propenso para todos os indivduos, e selecionamos os M indivduos no-tratados mais prximos de cada indivduo tratado em relao ao escore de propenso e calculamos a mdia da diferena de resultados entre os dois perodos
para os M indivduos. Em um segundo passo, para cada indivduo no grupo
de tratamento, calculamos a diferena entre a sua diferena de resultado entre os perodos e e a mdia dos M indivduos no grupo de controle mais
prximos a ele. O estimador do efeito mdio do tratamento sobre os tratados
a mdia destas diferenas das diferenas calculadas para os indivduos tratados. Para estimar o escore de propenso usando dados em painel, precisamos
usar a amostra de controles e tratamentos. A varivel dependente T igual a
1 se o indivduo recebeu o tratamento, e 0 caso contrrio, e o vetor X engloba
as informaes que os indivduos tinham ao decidir participar ou no no programa, isto , caractersticas nos perodos anteriores ao programa. Neste vetor
X, podemos incluir variveis que influenciaram a deciso do indivduo entre
participar ou no do programa, e no devemos incluir variveis que possam
ser resultado do programa.
98
trico para a regresso linear for corretamente especificado, o estimador consistente para o efeito mdio do tratamento sobre os tratados.
Esta combinao de mtodos tambm pode ser usada para estimar o efeito mdio do tratamento sobre os tratados. Uma maneira de estimar o efeito
mdio do tratamento sobre os tratados proposta por Hirano e Imbens (2001)
usando uma regresso linear estimar o seguinte modelo linear:
(5.5.3.1)
no qual a mdia amostral de X na subamostra de indivduos tratados. Neste caso, representa o efeito mdio do tratamento sobre os tratados.
Mas, essa regresso linear pode ser combinada com o mtodo de reponderao, no qual ponderamos as unidades no grupo de controle por
Ao
final, estimamos uma regresso ponderada com o peso igual a 1 para um indivduo no grupo de tratamento e igual a
para uma unidade no grupo
de controle. De modo mais formal, estimamos o modelo linear acima com a
seguinte funo peso:
(5.5.3.2)
representa o estimador paramtrico do escore de propenso,
no qual
19
obtido por uma regresso logit ou probit 48
.
Para obter o efeito mdio do tratamento usamos tambm uma regresso ponderada com duas modificaes em relao ao modelo anterior. Primeiro, a regresso estimada excluindo a mdia para toda a amostra:
Este mtodo mais geral, permitindo que a regresso linear inclua apenas um subvetor de
variveis explicativas, bem como o modelo para o escore de propenso. De outra maneira,
o vetor de variveis observveis que determinam a participao no tratamento pode ser
diferente do vetor de variveis explicativas que determinam os resultados.
48
5.6 Exemplos
Mattos, Maia e Marques (2010) usam o pareamento baseado no escore de propenso para estimar o efeito de programas redistributivos incondicionais no
nmero de horas trabalhadas de homens e mulheres. O programa Bolsa-Famlia engloba polticas de transferncias condicionais e incondicionais de renda.
Este programa abrange a populao em extrema pobreza e so elegveis as
famlias com renda per capita inferior a R$ 50. Estas famlias podem receber a
transferncia sem nenhuma contrapartida. Alm disso, existe um valor adicional para cada criana da famlia que for para a escola. Este programa difere do
antigo Bolsa Escola, no qual as transferncias ocorriam somente se os filhos
frequentassem a escola. O objetivo do artigo comparar a oferta de trabalho
dos beneficirios de programas incondicionais como o Renda Mnima em relao a programas condicionais como o Bolsa Escola. A ideia seria que os beneficirios dos programas de transferncia incondicionais no teriam incentivos
para mudar suas horas de trabalho, pois eles teriam um aumento de renda sem
nenhuma contrapartida. J nos programas condicionais como o Bolsa Escola,
as crianas precisam ficar na escola, o que poderia reduzir as horas trabalhadas
pelas crianas, o que, por sua vez, pode afetar a oferta de trabalho dos adultos.
Alm disso, ao trabalhar mais horas, os adultos poderiam perder o direito ao
benefcio. Os autores usam o mtodo do pareamento um a um baseado no
escore de propenso isto , cada indivduo no grupo de tratado pareado com
apenas um indivduo no grupo de controle para estimar o efeito mdio dos
programas de transferncias de renda nas horas trabalhadas dos beneficirios.
Neste exerccio, usamos dados semelhantes aos usados em Mattos, Maia e Marques (2010) para estimar o efeito do programa de Renda Mnima e do programa Bolsa Escola sobre o nmero de horas remuneradas de homens e mulheres
20
beneficirios do programa com idade entre 12 e 65 anos 49
.
A tabela 5.3.1 apresenta os resultados da estimao deste efeito usando alguns
dos mtodos descritos nesta seo. A parte superior da tabela apresenta os
resultados para os homens, enquanto a parte inferior apresenta os resultados
para as mulheres. Para os homens, o efeito do programa Bolsa Escola sobre o
nmero de horas trabalhadas remuneradas ao ano negativo e estatisticamente significativo em todos os mtodos, exceto no mtodo que usa o pareamento
com o mtodo do vizinho mais prximo (coluna 2). interessante notar que os
resultados estimados pelo pareamento com mtodo do vizinho mais prximo,
pela regresso e pela regresso com reponderao so bem semelhantes. No
entanto, no caso do Programa de Renda Mnima, o efeito do programa sobre
o nmero de horas remuneradas no estatisticamente significativo, exceto
para o caso em que combinamos o mtodo da regresso com o mtodo da
No artigo em questo, os autores usam como varivel dependente o nmero de horas
trabalhadas ao ano. Neste exemplo, usamos como varivel dependente o nmero de horas
de trabalho remuneradas ao ano.
49
O vetor de varivel X inclui escolaridade, participao no mercado de trabalho, ciclo de vida, composio
familiar, raa, sade, qualidade de moradia, controles estaduais.
O modelo o mesmo usado em Mattos, Maia e Marques (2010)
Exerccios
1) Estamos interessados em estimar o efeito mdio do tratamento,
a) Mostre que se simplesmente tirarmos a diferena entre a expectativa dos resultados potenciais para os tratados e a expectativa dos resultados
potenciais para o controle no necessariamente conseguimos o efeito mdio
do tratamento.
c) Mostre que podemos usar o mtodo da reponderao para obter o
efeito mdio do tratamento. Ou seja, mostre a seguinte igualdade:
d) Proponha um estimador para o efeito mdio do tratamento baseado no resultado obtido na letra (b).
a) Quais hipteses precisam ser satisfeitas para que este estimador baseado no escore de propenso represente o efeito mdio do tratamento sobre
os beneficirios do programa?
b) Voc poderia obter este efeito mdio do tratamento sobre os tratados usando uma regresso linear? Se sim, explique como. Se no, justifique a
sua resposta.
c) Um pesquisador l o seu trabalho e argumenta que o seu resultado
muito sensvel especificao do escore de propenso. Ele acredita que a
sua especificao do escore de propenso no flexvel o suficiente para que
as hipteses especificadas em (a) sejam satisfeitas. Como voc responderia a
esta crtica? Proponha um mtodo que seja menos sensvel a especificao do
escore de propenso e interprete as suas hipteses.
4) Hirano e Imbens (2001) usam os mtodos baseados no escore de propenso para estimar o efeito mdio de um procedimento cardaco, o cateterismo,
sobre a probabilidade de sobrevivncia dos indivduos. Eles usam observaes
para 5.735 indivduos, sendo 2.184 tratados e 3.551 no-tratados. Para cada
indivduo, eles observam se um procedimento de cateterismo foi aplicado no
perodo de 24 horas aps a entrada no hospital com problemas cardacos. Os
indivduos no grupo de tratamento so aqueles que sofreram a interveno de
um cateterismo, enquanto os indivduos no grupo de controle so aqueles que
no sofreram a interveno. Alm disso, eles observam um vetor com 72 caractersticas para cada um dos indivduos, como por exemplo, sexo, raa, educao, renda, se possui plano de sade, tipo de doena que possui, peso, etc. Eles
estimam o escore de propenso baseado em um modelo logstico.
a) Antes de estimar o efeito mdio do tratamento sobre os tratados,
eles apresentam uma tabela que contm um teste de diferena de mdias para
as caractersticas observveis. Eles obtm resultados para este teste antes e depois da ponderao pelo escore de propenso. Esta tabela encontra-se abaixo.
Interprete estes resultados.
c) Eles usam diferentes mtodos para estimar o efeito mdio do tratamento sobre a taxa de sobrevivncia. Usando um estimador de pareamento simples baseado nos vizinhos mais prximos, eles encontram um efeito de
-0,081 (erro-padro de 0,017). Ao combinar o mtodo de pareamento com regresso simples, o efeito de -0,063 (erro-padro de 0,016). Estimando o efeito
mdio do tratamento por regresso linear, eles encontram um efeito mdio de
-0,065 (erro-padro de 0,014), enquanto usando o mtodo de reponderao,
eles encontram um efeito mdio de -0,060 (erro-padro de 0,018). Combinando os mtodos de regresso e reponderao, eles encontram um efeito mdio
de -0,062 (erro-padro de 0,015). Interprete estas evidncias, dando nfase s
hipteses em que se baseia cada estimador. Qual seria a concluso sobre o
efeito deste procedimento na taxa de sobrevivncia?
PARTE 2
Mtodos Avanados de
Avaliao de Impacto
CAPTULO 6
Variveis Instrumentais
Cristine Campos Xavier Pinto
Ao contrrio dos mtodos apresentados no captulo 5, o mtodo de varivel
instrumental baseia-se no caso de seleo em variveis no observveis. Neste
captulo, consideraremos o arcabouo de resultados potenciais apresentado
no captulo 2, mas lidaremos com a estimao do efeito mdio do tratamento
sob a hiptese de seleo em caractersticas no observveis. O nosso problema consiste em estimar o efeito mdio do tratamento quando existem outros
fatores, alm das caractersticas observveis presentes no vetor X, que afetam
simultaneamente a deciso de participar no programa e os resultados potenciais, isto , quando:
Neste caso, precisamos de uma varivel exgena Z que afeta a deciso de participao e que no est correlacionada com nenhum fator no observvel relacionado
ao resultado potencial. No caso clssico de varivel instrumental com efeitos homogneos do tratamento, estamos pensando no seguinte sistema de equaes:
no qual
igual a 1 se o indivduo recebeu tratamento, e 0 se o indivduo
no-tratado. Alm disso, assumimos que
,
ou seja, que no h relao linear entre o instrumento e o termo aleatrio da
equao principal, mas os termos aleatrios no observveis das duas equaes so correlacionados. Neste sistema, os fatores no observveis que afetam a deciso de participar no programa esto correlacionados com os fatores
no observveis que afetam o resultado de interesse, e precisamos de um instrumento Z que permita captar uma variao exgena na deciso de participar
do programa, e que ao mesmo tempo no est relacionado de forma direta
com o resultado potencial.
Este modelo pode ser estimado por mnimos quadrados em dois estgios. Neste caso, em um primeiro estgio, estimamos um modelo de probabilidade linear que relaciona com e obtemos o valor predito:
to sobre os tratados.
Imbens e Angrist (1994) mostraram que quando os efeitos do tratamento so
heterogneos, o arcabouo de varivel instrumental permite identificar um
efeito mdio de tratamento local, isto , um efeito mdio do tratamento para
uma subpopulao especfica. Neste caso, ser o efeito mdio do tratamento
para aqueles indivduos cuja variao em Z provoca uma variao no status de
participao sem afetar os resultados potenciais. Para estes indivduos, a diferena na mdia dos resultados potenciais do grupo de tratados e do grupo de
no-tratados ocasionada por uma variao em Z se d exclusivamente atravs
do efeito de Z na taxa de participao do programa.
Este efeito mdio do tratamento para a subpopulao de indivduos induzidos
ao tratamento por variaes no instrumento chamado de efeito mdio local
do tratamento (LATE)350. Iremos entender este efeito dentro do arcabouo de
resultados potenciais. Neste arcabouo, definimos como compliers os indivduos que so induzidos pelo instrumento a terem uma mudana de comportamento na varivel endgena, no caso em questo, na participao ou no no
programa. O LATE seria o efeito mdio do tratamento para esta populao de
compliers. Como no captulo 2, definimos (0) como o resultado potencial
do indivduo i caso ele no tivesse participado no programa e (1) como o
resultado potencial do indivduo i caso ele tivesse participado. Podemos definir
o resultado observado como:
(6.1)
Suponha que, alm de observarmos ( , ) para cada indivduo, observamos
tambm uma varivel instrumental binria . Neste caso, (0) seria o valor
potencial da varivel endgena (participao no tratamento) se a pessoa tivesse um valor de que a induzisse a no participar e (1) seria o valor potencial da varivel endgena (participao no tratamento) se a pessoa tivesse
um valor de que a induzisse a participar 514. O valor realizado para pode ser
definido como uma funo do instrumento:
(6.2)
Neste arcabouo de resultados e tratamentos potenciais, podemos pensar no
resultado potencial como uma funo de Z e T, (Z,T) que seria o resultado
Esta sigla LATE vem do nome em ingls, Local Average Treatment Effect.
Ti(0) e Ti(1) so os valores potenciais para a participao no tratamento, e seriam respectivamente os valores de T que eles teriam se no tivessem sido tratados ou tivessem sido
tratados, independendo se eles de fato receberam tratamento ou no.
50
51
potencial que seria observado se o instrumento assumisse valor z e o tratamento, valor t. Com um instrumento binrio, temos quatro resultados potenciais,
(0,0), (0,1), (1,0), (1,1). Por exemplo, Y(0,0) seria o resultado potencial
do indivduo que obteve um valor de Z igual a 0 e decidiu no participar do
programa.
Como no caso clssico de varivel instrumental, precisamos que o instrumento Z s afete o resultado de interesse atravs do seu efeito na taxa de participao. Para garantir que isso acontea em um arcabouo com efeitos hetergenos, precisamos que Z seja independente no apenas dos resultados
potenciais, mas tambm dos tratamentos potenciais. Precisamos que a varivel
instrumental seja to boa como se ela fosse alocada de forma aleatria entre os
indivduos, isto , precisamos que o instrumento seja independente dos quatro
resultados potenciais e dos tratamentos potenciais.
Alocao Aleatria:
(1), (0)) (H1)
independente de (
(0,0),
(0,1),
(1,0),
(1,1),
Alm de
ser alocado de forma aleatria, precisamos que ele s afete o resultado de interesse atravs da variao que provoca na taxa de participao, ou
seja, precisamos de uma hiptese conhecida como restrio de excluso. Esta
hiptese garante que o instrumento s afete Y atravs de um canal conhecido.
De um modo mais formal, esta hiptese garante que, ao controlarmos por t,
(z,t) no uma funo de z, mas somente de t:
Restrio de Excluso:
(z,t) =
(H2)
Por exemplo, a primeira clula desta tabela representa os indivduos cujo tratamento potencial, independentemente da realizao do instrumento (0 ou 1),
sempre igual a 0, ou seja, eles nunca participam. Estes so os never-takers.
Baseados nas variveis que observamos para cada indivduo ( , , ), no
podemos classificar estes indivduos em cada um dos grupos acima. Para isso,
precisaramos saber como eles iriam reagir caso eles recebessem outra realizao para a varivel instrumental. Com as informaes que observamos podemos montar a seguinte tabela:
52
Esta tabela indica que, ao observamos para o indivduo i o par (Z,T) = (0,1), s
sabemos que este indivduo no participaria do curso tcnico se a sua nota for
abaixo do ponto de corte c. Este indivduo pode estar no grupo de compliers
ou de never-takers. Para saber de fato a qual grupo o indivduo realmente
pertence, precisaramos saber qual seria o seu comportamento caso ele tirasse uma nota superior a c no teste de proficincia. Para que o LATE identifique
o efeito mdio para alguma subpopulao, precisamos identificar o comportamento de cada um dos grupos e para isso assumimos que existem poucos
indivduos que faro o oposto do que foi sugerido pelo instrumento, isto ,
assumimos monotonicidade dos tratamentos potenciais:
Monotonicidade:
para todo i
(H3)
Como pode ser visto pela tabela, a hiptese de monotonicidade elimina a existncia dos defiers. Usando a informao da tabela acima, podemos identificar
o efeito mdio do tratamento sobre a populao de compliers. Podemos decompor a expectativa condicional de Y em Z no comportamento de cada um
dos grupos,
Note que as duas primeiras linhas representam o grupo de compliers, a terceira linha se refere o grupo de always-takers e a ltima linha representa o grupo
de never-takers. Sob a hiptese de restrio de excluso,
Esta razo o parmetro estimado pelo mtodo de varivel instrumental quando o instrumento uma varivel binria e os efeitos so heterogneos. Os dados observveis s nos do informao sobre o efeito mdio do tratamento
para a subpopulao de indivduos que tiveram o comportamento induzido
pelo instrumento, isto , para o grupo de compliers.
Avaliao Econmica de Projetos Socias l 113
Suponha que observamos um vetor de caractersticas adicionais dos indivduos (X) que podem ser usados nos modelos para o resultado de interesse e para
a participao no tratamento. Neste caso, este vetor seria includo nos dois modelos que iremos estimar por mnimos quadrados em dois estgios:
Consideramos que
so variveis exgenas que tm um efeito direto no resultado de interesse. Se a varivel instrumental
for de fato alocada de forma aleatria entre os indivduos, ele seria independente das demais variveis
explicativas do modelo
e a incluso do vetor X no modelo s levaria ao
aumento da preciso das estimativas. No entanto, como no caso tradicional de
variveis instrumentais, a razo principal de se incluir outras variveis explicativas no modelo que a hiptese de alocao aleatria de
e a restrio de
excluso so vlidas somente se condicionarmos em , isto , se compararmos indivduos com as mesmas caractersticas observveis. De maneira mais
formal, neste caso, as hipteses de alocao aleatria e a restrio de excluso
seriam:
Alocao Aleatria*: Z independente de (Y (0,0), Y (0,1), Y (1,0), Y (1,1),
T (1), T (0)), condicional em X (H1*)
Esta hiptese nos diz que entre indivduos com o mesmo vetor de caractersticas X , o instrumento Z foi alocado de forma aleatria.
Restrio de Excluso*: Y (z,t,x) = Y (z*,t,x) para todo t, x, z, z*
(H2)
Neste caso, somente para indivduos com o mesmo vetor de variveis explicativas, os resultados potenciais no iro depender da realizao de Z.
No caso em que inclumos um vetor adicional de variveis explicativas no modelo, a estimao tambm pode ser realizada por mnimos quadrados em dois
estgios. Em um primeiro momento estimamos o modelo linear que relaciona
a participao com todas as variveis exgenas e calculamos o valor predito,
com a proporo de mulheres que no fizeram o exame e receberam o diagnstico da doena, pois neste caso estaramos misturando o efeito do programa com o efeito de uma vida mais saudvel. Neste caso, estamos no arcabouo
em que o instrumento vem de um experimento real e foi alocado de forma aleatria entre as mulheres. O instrumento seria uma varivel binria que assume
valor igual a 1 se a mulher foi convidada a fazer o exame, e 0, caso contrrio.
Neste caso, LATE o efeito mdio sobre as mulheres que de fato receberam o
tratamento, isto , o efeito mdio do tratamento sobre os tratados.
:
(7.2.4)
, o segundo termo
Note que
seria o LATE usando apenas o instrumento , e
seria o LATE usando apenas o instrumento . Logo, podemos escrever o estimado de MQO como uma mdia ponderada dos estimadores usando cada
uma das variveis instrumentais,
(7.2.5)
Os pesos de cada um dos LATES depende de quo forte a relao de cada
instrumento com a participao no tratamento, isto , ser dado maior peso
ao instrumento que apresenta uma relao mais forte com a participao no
tratamento. Podemos mostrar que este resultado se estende para o caso de
mltiplos instrumentos discretos.
Este efeito se relaciona diretamente com o limite do efeito mdio local do tratamento definido para os valores de tal que existe um valor z que satisfaz
,
para
(6.3.3)
Para entender este parmetro como o limite do LATE, voltamos ao caso mais
simples em que
uma funo linear em z . Neste caso, o estimador do
LATE para dois pontos na distribuio de z,
(6.3.4)
E podemos pensar no efeito marginal do tratamento (EMT) como o estimador
de LATE quando z fica arbitrariamente prximo de z*,
(7.3.5)
Este parmetro EMT usa um instrumento contnuo na tentativa de reconstruir
a distribuio das probabilidades de participao, e usar esta distribuio para
estimar o efeito na variao marginal de z.
6.4 Exemplo
Ponczek e Souza (2011) usam o arcabouo de varivel instrumental para estimar o
efeito do tamanho da famlia em alguns resultados das crianas. Em uma amostra
de famlias cuja mulher teve duas ou mais gestes, eles usam como instrumento
uma varivel binria que indica se na segunda gesto ocorreu o nascimento de
gmeos. Segundo os autores, este acontecimento de gmeos claramente relacionado com o tamanho de famlia, e condicional ao vetor de caractersticas da
famlia, ele s afeta os resultados de interesse atravs do efeito no tamanho da
famlia. Neste caso, a subpopulao de compliers composta pelas famlias com
pelo menos um filho nascido da primeira gesto que tiveram o tamanho da famlia aumentado em um nmero inesperado devido ao nascimento de gmeos. Os
resultados de interesse neste artigo que sero apresentados aqui so: se a criana
participa da fora de trabalho, se a criana vai escola e se a criana no repetiu a
srie. As tabelas 6.4.1 e 6.4.2 apresentam os resultados para as crianas com idade
entre 10 e 15 anos que moram com a me e o marido da me. Os efeitos mdios
locais foram estimados por mnimos quadrados em dois estgios. A tabela 6.4.1
apresenta os resultados do primeiro estgio, enquanto a tabela 6.4.2 contm os
resultados do segundo estgio. As variveis explicativas usadas como controle em
ambos os modelos so: variveis binrias para anos e estados brasileiros, educao
do chefe da famlia, gnero e sexo do chefe de famlia e educao e idade da me.
Usando os dados do Censo Brasileiro de 1991, os autores encontram que o tama-
nho da famlia apresenta um efeito significativo na progresso escolar das meninas, sendo este efeito negativo. Os autores apresentam evidncias de que, quanto
maior o tamanho da famlia, menor ser a probabilidade de a criana progredir na
escola, mantendo todas as demais caractersticas da famlia constantes. Como salientado pelos autores, este resultado importante para pensarmos nas polticas
pblicas de transferncia de renda que condicionam o montante recebido pelas
famlias somente na sua renda e no nmero de filhos que elas possuem. Nestas
polticas o efeito benefcio da renda pode ser cancelado pelos efeitos negativos do
incentivo ao aumento do tamanho da famlia.
Tabela 6.4.1: Resultados do Primeiro Estgio
Exerccios
1) Duflo (2001) estima o efeito da construo de escolas na Indonsia no salrio
dos indivduos. Neste artigo, a autora usa um modelo linear para o salrio (w)
do indivduo i nascido na regio j e na coorte k, que pode ser simplificado pela
equao:
em que uma varivel binria que indica se na regio j o programa foi muito
intenso. Esta varivel igual a 1 se na regio j duas ou mais escolas foram construdas, e igual a 0, caso contrrio. Alm disso,
igual a 1 se o indivduo
estudou em uma escola que foi construda pelo programa, e 0, caso contrrio,
representa os fatores no observveis. Este modelo assume que o efeito
e
mdio do tratamento varia com a intensidade do programa.
a) Calcule
.
Qual seria o efeito mdio do programa para os indivduos que moravam em
regies nas quais o programa teve grande intensidade? Qual o efeito mdio do
programa para os indivduos em regies com baixa intensidade do programa?
b) Na tentativa de capturar efeitos heterogneos, os autores propem
o modelo composto pelo seguinte sistema de equaes:
em que
O que o parmetro
.
representa? Quem seriam os compliers neste modelo?
c) Como podemos estimar o efeito mdio do tratamento para a subpopulao de compliers usando o sistema acima?
2) Usamos o seguinte sistema de equaes para estimar o retorno da educao
sobre o salrio,
varivel binria que igual a 1 se o indivduo i nasceu no primeiro trimestre do ano, e 0 se o indivduo nasceu no quarto trimestre. Assumimos que
e
. Suponha que
.
a) Interprete as duas hipteses
contexto deste exerccio.
no
b) Mostre que
c) Mostre que
f) Angrist e Imbens (1995) usam uma base de dados para os Estados
Unidos para estimar o efeito dos anos de escolaridade sobre salrio, usando o
trimestre de nascimento como instrumento para anos de estudo. A ideia que
as pessoas s podem entrar no ensino bsico com 6 anos de idade. Nos Estados Unidos, o ano letivo comea em agosto. Assim, as crianas que nascem no
quarto trimestre do ano tm que esperar um ano a mais para entrar na escola
que as crianas que nascem no primeiro trimestre de nascimento. Esta variao
levaria um grupo a permanecer mais tempo na escola do que o outro. Os autores separam os indivduos em dois grupos. O primeiro grupo, composto pelos
indivduos nascidos no primeiro trimestre, e o segundo, por aqueles nascidos
no quarto trimestre. Para cada grupo, eles obtm as seguintes mdias para os
alunos de estudo e logaritmo do salrio,
ou de outra forma, podemos escrever este modelo usando o resultado observado para cada indivduo,
a) Mostre que, se temos efeitos heterogneos do instrumento sobre o
tratamento, mas temos um efeito homogneo do tratamento , o estimador
do LATE igual a mesmo que a hiptese de monotonicidade seja violada.
b) Considere o caso heterogneo, derive o vis do estimador do LATE
caso a hiptese de monotonicidade seja violada. Sob quais circunstncias, violaes da hiptese de monotonicidade no invalidam a anlise de um efeito
mdio local do tratamento?
mostre que
metade das escolas foi selecionada para o grupo de controle, enquanto a outra
metade foi selecionada para o grupo de tratamento. Esta seleo foi realizada
de forma aleatria. O governo gostaria de avaliar o efeito do programa sobre a
sade das crianas. Para isso, ele possui uma base de dados que contm algumas caractersticas socioeconmicas dos alunos, se eles estavam em uma escola tratada e se participaram do programa. Alm disso, ele possui informaes
sobre a sade do aluno, como o nmero de vezes que o aluno ficou gripada
nos ltimos 12 meses.
a) Proponha um mtodo para estimar o efeito do programa sobre a
sade dos alunos.
b) Discuta as hipteses necessrias para que o mtodo proposto em
(a) seja vlido.
c) Quais seriam os resultados esperados desta avaliao? Voc acha
que os resultados obtidos para este estado se manteriam se esta poltica fosse
implementada em outros estados?
CAPTULO 7
Regresso Descontnua
Cristine Campos Xavier Pinto
probabilidade de participao no ponto em que Z igual a c, mas no necessariamente de 0 para 1, como no caso sharp. Em ambos os casos, ter a descontinuidade na probabilidade de participao em Z igual a c no suficiente para
identificarmos o efeito mdio local do tratamento.
Se os indivduos tem controle sobre a varivel Z e eles sabem os benefcios
do tratamento, os indivduos abaixo da descontinuidade podem ser sistematicamente diferentes dos indivduos acima da descontinuidade. Por exemplo,
no estudo de Thristhlewaite e Cook (1960), se os estudantes puderem deteminar a sua nota no teste de proficincia de forma perfeita atravs do esforo, os
alunos mais esforados e determinados iro escolher notas acima de c e iro
ganhar o prmio, e estes alunos podem ser sistematicamente diferentes dos
demais pelo menos no que se refere ao esforo. Neste caso, os indviduos no
so comparavis em torno do ponto de corte, e no podemos usar os indivduos abaixo de c como um grupo de controle para os indivduos logo acima de c
que receberam o tratamento. No entanto, suponha um outro cenrio no qual
os alunos, mesmos se esforando mais, no tm garantia de que sua nota ser
maior que c. Neste novo cenrio, parece mais razovel pensar que os alunos
que ficaram logo abaixo do ponto de corte so semelhantes aos que ficaram
acima, exceto que os primeiros tiveram sorte e acertaram uma questo a mais
na prova do que os outros. Mesmo sabendo dos benefcios do tratamento, os
alunos no so capazes de manipular de forma perfeita a sua nota de modo
que ela fique acima de c. Neste caso, temos uma variao exgena no tratamento em torno da descontinuidade, e usamos esta variao para estimar o
efeito mdio do tratamento.
Se a variao no status do tratamento em torno do ponto de corte aleatria,
como descrito no caso acima, as caractersticas determinadas antes da realizao de Z devem ter a mesma distribuio no grupo de indivduos com valores
Z acima do ponto de corte e no grupo de indivduos com valores abaixo do
ponto de corte. Como no caso dos mtodos de pareamento, podemos verificar
se os indivduos em torno do ponto de corte so semelhantes em suas caractersticas observveis atravs de um teste de comparao de mdias. Se tivermos
evidncias de que na mdia os indivduos situados em torno do ponto de corte
so diferentes, devemos desconfiar da validade da estrutura da regresso descontnua. Alm disso, podemos representar a estrutura de uma regresso descontnua atravs de uma anlise grfica. Por exemplo, uma representao grfica da relao de Y e Z pode ser usada para nos dar uma ideia do tamanho da
descontinuidade, da forma funcional adequada para modelar esta relao, etc.
Voltaremos anlise grfica de uma regresso descontnua ao final do captulo.
Antes de descrevermos os casos fuzzy e sharp, iremos definir o efeito mdio
local do tratamento que identificado dentro da estrutura de uma regresso
descontnua, usando o arcabouo de resultados potenciais. O efeito mdio lo-
53
4
Sob esta hiptese de ignorabilidade54
,
no qual
A hiptese bsica para a identificao do efeito mdio local do tratamento
que a probabilidade de participao no tratamento uma funo de Z, e no
ponto c esta probabilidade sofre um salto. Esta variao no status de participao em torno de c pode ser interpretada como uma variao aleatria. Alm
disso, o resultado uma funo contnua de Z, de modo que qualquer descontinuidade em Y em torno de c pode ser atribuda somente ao tratamento.
54
no qual 1 uma funo indicadora que assume valor 1, caso o indivduo tenha
o valor de Z acima de c; e 0, caso contrrio. O grfico 7.1.2 ilustra este problema.
O salto na varivel Y no ponto c pode ser interpretado como o efeito causal do
tratamento se todos os outros fatores que afetam Y esto evoluindo de forma
suave em torno de c. De maneira formal, este salto ir representar se
Esta hiptese pode ser entendida como a hiptese de exogeneidade que usamos em uma regresso linear tradicional, sendo vlida somente em torno do
ponto de corte.
Para maiores detalhes sobre o LATE, ver Imbens e Angrist (1994) e Angrist, Imbens e Rubin
(1996).
56
Ver Imbens e Angrist (1994).
55
e temos que:
que no podemos dizer que o tamanho deste salto o efeito causal do tratamento. Neste caso, o efeito mdio local do tratamento dado pela razo entre os saltos
da figura 1 e da figura 2.
Grfico7.2.1: Regresso Descontnua Fuzzy
Figura 1: Probabilidade Condicional de Receber Tratamento
7.3 Estimao
Um maneira simples de implementar o mtodo de regresso descontnua
usar regresses lineares locais separadas para estimar as relaes de um lado
e de outro do ponto de corte 577. No caso sharp, precisamos estimar apenas a
relao de Y com Z dos dois lados em torno do ponto de corte c. A modelo de
regresso do lado esquerdo do ponto de corte :
no qual
A vantagem deste modelo que combina os efeitos direita e esquerda do
ponto de corte que o efeito mdio do tratamento e o seu erro padro so
estimados de forma direta em uma nica regresso.
Dado uma vizinhana h, fcil estimar o modelo de regresso representado
pela equao (7.3.3). Mas para estimar esta regresso, precisamos escolher o h.
Se escolhermos um h muito grande, iremos usar um nmero maior de observaes na estimao, o que aumenta a preciso das estimativas. No entanto,
quando maior o h , maior a chance da especificao linear no ser a correta
para estimar a relao entre Y e Z e podemos aumentar o vis do efeito mdio
do tratamento. Se a expectativa condicional de Y no uma funo linear em
Z, o modelo linear pode ser uma boa aproximao em uma regio limitada de
Z, mas medida que aumentarmos a regio de valores de Z, o modelo linear
pode se tornar uma aproximao muito ruim. Da mesma forma, quanto menor
o h, maior a chance de a especificao linear ser uma aproximao adequada
para estimar a relao entre Y e Z naquela vizinhana, mas menor a preciso
Nesta seo, apresentamos o mesmo, mais comumente usado para estimar regresso
descontnua. Existem outros mtodos no-paramtricos que podem ser usados, como uma
regresso por Kernel. Para uma reviso de alguns mtodos que podem ser implementados,
ver Imbens e Lemieux (2008) e Lee e Lemieux (2009).
57
das estimativas. O h ideal aquele que balanceia de forma tima este trade off
entre vis e preciso. Existem vrias regras usadas para escolher esta janela, h.
Se o nmero de observaes aumentar, podemos diminuir h, pois teremos um
maior nmero de observaes por intervalo.
Existem dois procedimentos mais comumente usados para escolher esta janela tima 588. O primeiro seria usar uma janela que leva em considerao alguns
componentes da distribuio conjunta de (Y,Z), como por exemplo, a curvatura do modelo de regresso. A regra de bolso usada para a escolha de h :
Na prtica, calculamos o erro quadrtico mdio do critrio de validao cruzada para uma srie de valores fixos de h, e escolhemos o valor de h relacionado
ao menor erro quadrtico mdio.
No caso da regresso descontnua fuzzy, temos que estimar tambm como a
probabilidade de receber tratamento est relacionada com Z. Neste caso, podemos usar um modelo de regresso linear que relaciona a varivel T ao vetor
Z. Da mesma maneira que fizemos anteriormente, podemos usar um modelo
para as observaes que esto direita do ponto de corte e um modelo para
as observaes esquerda do ponto de corte:
E neste caso, o efeito mdio do tratamento ser dado pela razo entre a diferena dos interceptos:
Podemos usar o mesmo critrio de validao
cruzada para estimar a janela tima no caso em que a varivel dependente T.
Neste caso, usaremos duas janelas diferentes na estimao do efeito mdio de
tratamento na regresso descontnua fuzzy. A primeira janela seria aquela que
minimiza
, e a segunda seria aquela que minimiza
. Imbens e Lemieux (2008) argumentam que na prtica podemos usar a mesma janela para o
numerador e para o denominador. Para minimizar o vis assinttico, podemos
usar a menor janela escolhida por validao cruzada:
60
Outra forma de interpretar a regresso descontnua sharp como um experimento aleatrio local. A ideia da regresso descontnua que, em torno do ponto de corte, o status do tratamento selecionado de forma aleatria. Desta maneira, os indivduos em torno do ponto de corte so semelhantes na mdia em
todas as suas caractersticas, exceto que por sorte um grupo obteve um valor
de Z um pouco maior que c, e o outro grupo um valor um pouco menor. Neste
sentido, dentre todos os mtodos apresentados neste livro, o mtodo de regresso descontnua o que mais se aproxima de um experimento real (aleatrio).
Na seo 7.3, mostramos que podemos entender a regresso descontnua fuzzy
dentro do instrumental de varivel instrumental. Neste caso, a probabilidade de
receber tratamento salta no ponto de corte, mas no de 0 para 1 como no caso
sharp. No caso fuzzy, usamos a varivel binria que indica se Z maior que o ponto de corte como instrumento para o tratamento, dado que estamos assumindo
que a probabilidade muda em torno de c somente devido ao tratamento, e no
aos demais fatores que podem estar afetando o resultado. Na regresso descontnua fuzzy, a variao na taxa de participao em torno do ponto de corte usada para estimar o efeito mdio do tratamento. Neste caso, a variao do resultado potencial em torno do ponto de corte ocasionada somente pela variao
da taxa de participao induzida por Z quando este passa de valores abaixo de c
para valores logo acima de c e no est relacionada com a variao de nenhum
outro fator observvel ou no observvel.
7.6 Exemplo
Ferraz e Finan (2011) usam o mtodo de regresso descontnua para estimar o
efeito de uma possvel reeleio em corrupo. De acordo com os autores, os
prefeitos que tm incentivo a se reelegerem so, em mdia, menos corruptos
que os prefeitos que no tm a possibilidade de reeleio. Para estimar este efeito, eles comparam municpios nos quais o prefeito incumbente ganhou as eleies de 2000 com uma margem muito pequena de votos com municpios nos
quais o prefeito incumbente perdeu as eleies por uma quantidade pequena
de votos. Ou seja, eles comparam prefeitos que tentaram a reeleio e tiveram
a votao em torno de 50%. No entanto, um deles ficou com um percentual de
votos um pouco abaixo de 50 e perdeu a eleio; enquanto o outro ficou com um
percentual um pouco acima de 50 e venceu a eleies. A ideia que estes prefeitos so na mdia muito parecidos em caractersticas que afetariam corrupo
e a capacidade de reeleio (como preferncias ideolgicas). A nica diferena
que por sorte um obteve um votao um pouco maior que o ponto de corte,
enquanto o outro obteve uma votao um pouco menor. Para estimar o efeito da
reeleio para estes municpios que tiveram prefeitos com percentual de votos
muito prximo a 50%, os autores estimam o seguinte modelo:
Exerccios
1) Suponha que os estados brasileiros mudem a sua poltica educacional e os
alunos para progredirem do ensino fundamental para o ensino mdio so obrigados a fazer uma prova estadual de matemtica e portugus. Esta prova a
aplicada a todos os alunos em todas as escolas pblicas estaduais no ltimo
ano do ensino fundamental e para progredir eles devem acertar no mnimo
50% das questes em cada uma das provas. Se o aluno no passar em um dos
exames ou em ambos, ele deve cursar aulas de recuperao no perodo de frias e tentar o exame novamente aps o perodo de recuperao. O objetivo
avaliar se o curso de recuperao est tendo um impacto no desempenho dos
alunos. Para isso, observamos uma base de dados que contm as informaes
de todos os alunos no ltimo ano do ensino fundamental em 2004 e as notas
que eles obtiveram em cada um dos testes. Alm disso, observamos o desempenho de todos os alunos em um teste padronizado no ltimo ano do ensino
mdio.
Para avaliar o programa de recuperao, propomos o seguinte modelo:
exceto que o segundo grupo tem plano de sade completo provido pelo governo.
a) Alguns indivduos se aposentam aos 65 anos, e tm uma queda da
renda anual. Como isso poderia causar um vis no estimador de regresso descontnua?
Considere o seguinte modelo que relaciona idade com acesso a plano de sade,
em que mi uma varivel binria que assume valor igual a 1 se o indivduo tem
65 anos ou mais, e 0 caso contrrio.
b) Qual a interpretao de ?
em que Y o resultado de interesse, T uma varivel indicadora de tratamento, Z seria um instrumento que influencia a participao ou no no programa e
D uma varivel binria igual a 1 se Z maior que c e 0, caso contrrio. Supomos que todas as hipteses no mtodo de regresso descontnua so vlidas.
a) Qual seria o parmetro que captaria o efeito mdio local do tratamento dentro do arcabouo de regresso descontnua?
b) Suponha que ao analisar os dados, verificamos que o salto na probabilidade de receber tratamento em torno de Z igual a c muito pequeno,
sendo prximo de zero. De outra maneira, suponha que prximo de zero.
O que aconteceria com o estimador do efeito mdio local proposto na letra (a)?
(ii) Discuta as hipteses necessrias para identificar estes parmetros
e interprete estas hipteses no contexto deste exemplo.
PARTE 3
Anlise de Retorno
Econmico
A parte III desse livro apresenta a anlise do retorno econmico de projetos sociais e polticas pblicas. A avaliao econmica de um projeto composta de
duas etapas, a avaliao de impacto e a avaliao do retorno econmico. Estas
duas etapas so complementares, sendo que a avaliao de retorno econmico realizada a partir dos resultados obtidos na avaliao de impacto.
A avaliao de retorno econmico visa mensurao da viabilidade econmica de um projeto. Em outras palavras, o retorno econmico de um investimento compara o seu custo com o benefcio financeiro gerado, de forma a
determinar se o investimento economicamente vivel. Assim, a avaliao de
retorno econmico procura responder, principalmente, as seguintes questes:
se o benefcio gerado pelo projeto maior do que seu custo; se o projeto vivel economicamente; e se existe algum projeto alternativo mais vivel.
CAPTULO 8
O Clculo do Retorno
Econmico
Betnia Peixoto
Monetrios
O benefcio do projeto social ou poltica pblica o valor monetrio do seu impacto. Portanto, necessariamente, a avaliao de impacto antecede a avaliao
de retorno econmico e somente se realiza quando a avaliao de impacto evidencia que o projeto gerou resultados. O que fazemos transformar o impacto
em valor monetrio, de forma a obter o benefcio.
A transformao do impacto estimado em benefcio uma das maiores dificuldades da avaliao de retorno econmico. Ela exige a associao de um valor
monetrio a um impacto, muitas vezes, no monetrio. A nica exceo so os
projetos para gerao de renda, em que o indicador de impacto a renda, ou
seja, j estimado em valor monetrio, no exigindo nenhuma transformao.
Para os demais projetos sociais, que no tenham como indicador de impacto a
renda dos participantes, a transformao do impacto em benefcio precisa ser
realizada.
A pergunta que se faz como efetuar essa transformao em projetos sociais
com objetivos to diversos, como, por exemplo, a melhora na qualidade da
educao, na sade, a reduo da criminalidade, entre outros. A resposta no
simples. Para efetuarmos essas transformaes, temos que fazer hipteses que
permitam atribuir um valor monetrio ao impacto. Essas hipteses variam de
projeto para projeto e exigem um profundo conhecimento sobre a temtica
qual se aplica. O avaliador precisa conhecer a literatura a respeito do indicador
de impacto. Ele precisa saber quanto a mudana causada no indicador, pelo programa, economiza para a sociedade e quanto aumenta o bem-estar, devido
contribuio advinda das mudanas geradas nos beneficirios e nas circunstncias que os envolvem.
Analisemos, por exemplo, um programa para o aumento da escolaridade, no
qual o indicador de impacto a taxa de jovens com ensino superior completo.
A literatura mostra que escolaridade mais alta propicia salrios maiores, menor
probabilidade de acessar programas sociais, menor probabilidade de encarceramento, entre outros efeitos. Na transformao do impacto estimado em benefcio (valor monetrio do aumento da taxa de jovens com ensino superior completo), o avaliador tem que considerar: os ganhos salariais devido ao aumento dos
salrios; a probabilidade daqueles jovens tratados acessarem programas sociais
e a mdia dos custos em prover esses programas que seriam acessados caso o
jovem no tivesse aumentado sua escolaridade isso equivale a uma economia
para a sociedade; a probabilidade de os jovens tratados serem presos e o custo
dessas prises que teriam acontecido se a escolaridade no tivesse sido aumentada o valor que a sociedade deixou de gastar, tambm uma economia. No
seria possvel estimar todas essas probabilidades e ganhos se no conhecermos
bastante a literatura para podermos fazer hipteses plausveis sobre todos os
parmetros que sero empregados nessas estimaes.
No caso de projetos na rea de sade, por exemplo, para prevenir a incidncia de
diabetes, a transformao do impacto em benefcio tambm baseada em uma
srie de hipteses. Digamos que o impacto do projeto seja mensurado em termos da diminuio da taxa de incidncia de diabetes na populao. Uma menor
taxa de incidncia de diabetes leva a: uma diminuio dos gastos com o sistema
de sade para tratamento das doenas derivadas dessa; uma melhora na vida
das pessoas que adquiriram hbitos saudveis por causa do projeto e que ficariam doentes caso ele no existisse; economia para a sociedade com os dias de
trabalho que seriam perdidos se as pessoas ficassem doentes; diminuio dos
gastos com previdncia social que teria que ser paga aos doentes e invlidos.
Se o projeto para melhorar a empregabilidade dos jovens, por exemplo, o avaliador deve conhecer muito sobre o mercado de trabalho. Ele precisar determinar qual o valor para a sociedade do aumento do nmero de jovens empregados. O fato de mais jovens entrarem no mercado de trabalho gera ganhos para
os prprios indivduos (em termos de salrio) e para toda a sociedade como: aumento da produo porque agora h mais pessoas contribuindo para o produto; diminuio da probabilidade de o jovem que arrumou emprego se envolver
com lcool, drogas e crime, o que, por sua vez, leva a menores gastos com tratamentos de toxicmanos e prises; melhora na qualidade do aprendizado dos filhos daqueles que foram empregados, pois tero uma melhor estrutura familiar;
aumento do nvel de atividade econmica medida que boa parte dos salrios
gasta no comrcio, entre outros efeitos.
Dos exemplos apresentados, pode-se concluir que para determinar o valor ganho ou economizado pela sociedade devido ao projeto o avaliador ter que conhecer, profundamente, a literatura sobre o tema. S assim ser capaz de estimar
as vrias facetas afetadas pelo projeto e adotar boas hipteses para a transformao. Ao final desse captulo, apresentamos trs exemplos de avaliaes de projetos no Brasil, nas reas de educao, criminalidade e sade.
Outra questo que o avaliador ter que considerar na estimativa do benefcio do
projeto que o impacto, em geral, perdura mais do que um perodo de tempo.
Algumas vezes o benefcio perdura por toda a vida produtiva do indivduo, como
no caso dos projetos de qualificao profissional; ou por sculos, como o caso de
projetos de reflorestamento. Outras vezes, os benefcios so grandes logo aps a
implementao e reduzem-se ao longo do tempo, por exemplo, campanhas de
preveno a doenas epidemiolgicas como a dengue. Existem tambm projetos que s geram efeitos muitos anos aps sua implementao, como aqueles
para o aumento da escolaridade. O que todos esses casos tm em comum que
os benefcios ocorrem em momentos distintos no tempo.
Se os benefcios so recebidos em momentos diferentes, preciso considerar o
tempo no clculo do benefcio total. No se pode, simplesmente, somar os benefcios em cada momento para obter o benefcio total. Isto acontece porque, em
geral, as pessoas atribuem mais valor ao dinheiro no presente do que no futuro.
Afinal, o que voc prefere: ganhar 500 reais hoje ou somente no ano que vem? A
maioria das pessoas prefere hoje. Isso se chama preferncia intertemporal.
Para calcularmos o benefcio monetrio total do projeto, precisamos considerar
o efeito do tempo no seu recebimento. Para isso, montamos o fluxo de caixa do
benefcio e utilizamos a taxa de desconto intertemporal para deduzir do montante o fato de que o valor s ser recebido no futuro. A taxa de desconto intertemporal indica quanto o indivduo valoriza o consumo presente em relao ao
futuro, ou seja, o percentual pelo qual ele est disposto a abrir mo do consumo no presente para s faz-lo no futuro. Para efetuar o desconto intertemporal
aplicamos, ento, os conceitos de valor presente e valor futuro oriundos da
matemtica financeira. Esses conceitos so bastante intuitivos:
i.
Valor presente (VP) quanto determinado montante de dinheiro a ser
recebido no futuro vale no tempo inicial do investimento;
ii.
Valor futuro (VF) quanto determinando montante de dinheiro recebido no tempo inicial valer em momentos posteriores.
A frmula que relaciona estes dois conceitos :
(1)
Onde: n o nmero do perodo
i a taxa de desconto intertemporal
Para obter o benefcio total do projeto, aplicamos diretamente essa frmula, de
forma a considerar o desconto intertemporal na soma dos benefcios ao longo
do tempo.
(2)
a taxa de desconto intertemporal tem que ser a mesma considerada no clculo de Valor Presente do Benefcio Total, ou seja, ao escolhermos uma taxa de
desconto intertemporal, essa ser a mesma para todos os clculos do retorno
econmico.
O VPL e a TIR decorrem da aplicao direta de conceitos da matemtica financeira. A Razo Custo-Benefcio um conceito aplicado em diversas reas da
economia. Essas estatsticas so muito comuns na anlise de viabilidade econmica de investimentos do setor privado. Por fim, a Razo Custo-Efetividade
calculada quando no for possvel transformar o impacto encontrado em benefcio, ou seja, quando no for possvel atribuir valor monetrio ao impacto.
Veremos detalhadamente cada uma dessas estatsticas.
(4)
Considerando que os benefcios e os custos acontecem em momentos diferentes no tempo, para realizarmos essa subtrao, precisamos que ambos estejam
a valor presente de um mesmo perodo. Considerando o primeiro ano do
investimento, trazemos os valores do benefcio e do custo de cada ano a valor
presente desse perodo, por meio da frmula:
(5)
A anlise do resultado :
Se VPL > 0 retorno positivo, o projeto vivel economicamente, pois seu
benefcio supera o custo.
Se VPL < 0 retorno negativo, o projeto no vivel economicamente, pois
seu custo supera o benefcio gerado.
Se VPL = 0 retorno neutro, valor do benefcio gerado igual ao custo incorrido.
com relao compra de um automvel: primeiramente analisamos a potncia, o custo de manuteno, o conforto, o design e vrios outros aspectos. Depois, verificamos o custo do automvel. Por fim, relacionamos os benefcios de
cada modelo e comparamos com o custo. Somente depois de todo esse processo que decidimos pela compra. Quando se realizam essas comparaes, o
que estamos fazendo de forma intuitiva uma anlise custo-benefcio.
No caso de projetos privados e sociais a anlise no pode ser intuitiva. O que se
faz relacionar o custo e o benefcio do projeto por meio da Razo Custo-Benefcio. Essa razo fornece uma estatstica de quanto o retorno para a sociedade
de cada real investido no projeto. Para o seu clculo basta dividir o benefcio
total pelo custo econmico total361. Tanto o benefcio quanto o custo tm que
estar a valor presente de um mesmo perodo de tempo.
Razo Custo-Benefcio = VPTB / VPTC
(7)
Onde t indica o tempo n, no qual o benefcio e o custo foram calculados. A interpretao do resultado nos fornece o montante de benefcio que ser gerado
por cada real investido. Por exemplo, se a Razo Custo-Benefcio foi de 1,5, significa que a cada real investido o benefcio gerado ser de um real e cinquenta
centavos. Portanto, o projeto vivel economicamente. Por outro lado, se a
Razo Custo-Benefcio for de 0,60, significa que cada real investido no projeto
valer no futuro apenas sessenta centavos. Ou seja, o dinheiro investido perdeu valor com o projeto, pois esse no foi capaz de gerar benefcios suficientes
para compensar os custos.
Se quisermos saber o retorno para a sociedade em termos percentuais, aplicamos a seguinte frmula:
Retorno % = (Razo Custo-Benefcio - 1)*100
(8)
61
(9)
Esta estatstica fornece quanta unidade de impacto se obtm por real gasto.
Por exemplo, no caso do projeto para preservao das baleias, a Razo Custo-Efetividade fornece quantas baleias foram salvas para cada real gasto. Se a
Razo Custo-Efetividade de 0,000003, significa que a cada real investido salva
0,000003 baleias. A fim de tornar o resultado mais intuitivo, podemos multiplicar o resultado por 1.000.000. Assim, teramos que, para cada 1.000.000 de
reais investidos no programa, trs baleias so salvas. No exemplo do projeto de
preveno s doenas, a Razo Custo-Efetividade indica quantas vidas foram
salvas para cada real despendido com o programa. Se a Razo Custo-Efetividade de 0,00045 e multiplicarmos esse resultado por 100.000, teremos que cada
cem mil reais investidos no projeto salvam 45 vidas.
Aps calcular a Razo Custo-Efetividade, a pergunta se o valor encontrado
seria alto ou baixo. A resposta s poder ser fornecida pelas outras estatsticas
de retorno econmico. Isso indica que essa estatstica, apesar de considerada
tido, dizemos que ele robusto. Isso significa que, mesmo que nossa estimao
apresentasse um erro, o valor real fosse diferente do estimado, o resultado no
se alteraria.
Existem vrias tcnicas para se realizar a anlise de sensibilidade. Nesse captulo abordaremos uma delas, conhecida como anlise de sensibilidade univariada (univariate sensitivity approach). A anlise fcil de ser realizada e permite
considerar os dois tipos de incertezas da avaliao econmica a causada pelas variaes da amostra e pelo espectro de plausveis valores dos parmetros.
Como vimos ao longo desse livro, a avaliao econmica de um projeto social
envolve a estimao de vrios parmetros para os quais utilizamos amostras e
tcnicas estatsticas. Isso acontece, por exemplo, na mensurao do impacto
do projeto, quando os mtodos de regresso so empregados. Ao utilizarmos
amostra para estimar determinado parmetro na populao, incorremos em
erros de estimao devido a caractersticas da amostra analisada. Provavelmente, a seleo de uma amostra diferente levaria a valor diverso do parmetro. A
construo do intervalo de confiana procura captar os possveis valores que o
parmetro poderia assumir se amostras diferentes fossem utilizadas, com uma
probabilidade de certeza.
Para considerar a incerteza proveniente de variaes na amostra, em geral, se
considera o menor e o maior valor possvel do parmetro, ou seja, os valores do
limite inferior e superior do intervalo de confiana a 95% ou 90% de confiana.
Para cada um desses valores, recalculamos as estatsticas de retorno econmico e verificamos a manuteno dos resultados. Se os resultados tiverem se
mantido, ento dizemos que o retorno robusto. Esse procedimento repetido para cada um dos parmetros estimados com base em amostras.
O procedimento para o teste de sensibilidade em relao s incertezas proveniente dos valores dos parmetros similar ao proveniente da variao na
amostra. A diferena que, nesse caso, no temos os valores dos limites superiores e inferiores com uma probabilidade de certeza, porque os parmetros
foram escolhidos discricionariamente, com base em conhecimento prvio do
avaliador. Assim, a determinao de quais valores esse parmetro poderia assumir tambm ser escolha discricionria e difcil. Uma forma muito utilizada
pelos avaliadores para determinar os menores e maiores valores a anlise dos
valores passados do parmetro.
A taxa de desconto intertemporal um exemplo de parmetro escolhido discricionariamente pelo avaliador. Como vimos, alguns economistas consideram
essa taxa igual taxa de juros real da economia. Entretanto, existem vrias taxas de juros, por exemplo, a taxa bsica chamada de SELIC, a taxa preferencial
de juros, a taxa de remunerao da poupana, etc. Alm disso, tambm existem vrios ndices de inflao e deflao, como ndice de Preos ao ConsumiAvaliao Econmica de Projetos Socias l 161
dor Amplo (IPCA) e o ndice Geral de Preos (IGP). Assim, surge uma incerteza
quanto preciso do retorno econmico calculado, devido discricionariedade da escolha desse parmetro. Para fazer a anlise de sensibilidade escolhemos o menor e o maior valor da taxa de juros real da economia, de acordo com
a srie histrica das vrias taxas existentes.
O raciocnio anterior, para a taxa de desconto intertemporal, se aplica a qualquer outro parmetro considerado na avaliao econmica. Pode-se, por
exemplo, utilizar parmetros (incertos) para a estimao dos custos de oportunidade ou at mesmo dos custos contbeis. Desse modo, faz-se a anlise
de sensibilidade para cada um dos parmetros discricionariamente adotados.
Portanto, existem vrios parmetros que utilizamos na avaliao econmica
que podem e devem ser testados na anlise de sensibilidade a fim de que possamos confirmar a robustez do retorno.
Alm de testar o efeito no retorno econmico de mudanas em cada parmetro, mantendo os demais constantes, os avaliadores tambm testam a variao conjunta de dois ou mais parmetros a fim de obterem um espectro ainda
maior de testes e verificar, de forma mais precisa, a robustez dos resultados.
Cada novo clculo do retorno, supondo valores diferentes dos parmetros,
chamado comumente de cenrios.
Considere x o nmero de parmetros a serem analisados. Cada parmetro ter
o seu limite inferior e limite superior e seu valor original. Assim, temos x vezes 3
elementos a serem combinados menos a combinao original da avaliao. O
total de cenrios dado por:
Total de cenrios =
-1
(10)
para os alunos tabela 1. Alm dos valores efetivamente pagos, o projeto utiliza o laboratrio fornecido por uma empresa parceira que no cobra aluguel,
luz ou gua. Esse valor computado no custo de oportunidade. Tambm os
alunos, ao decidirem alocar seu tempo nas aulas em vez de investi-lo em outras
atividades, incorrem no custo de oportunidade tabela 2. Os valores das tabelas se referem aos custos de um ano de funcionamento.
de 697.878,57.
VPTB : 742.196,00
VPTC : 697.878,57
VPL = VPTB VPTC
VPL = 742.196,00 - 697.878,57 = 44.317,43
4
Para obtermos a TIR utilizamos o software Excel62
, no qual inserimos o fluxo de
caixa, selecionamos as clulas e inserimos a funo TIR, como apresentado na
figura a seguir:
A interpretao da TIR depende da taxa mnima de atratividade que considerarmos. Suponha que a taxa mnima de atratividade seja de 5%. Ento, a TIR de 7% indica que o projeto vivel economicamente, pois tem um retorno implcito maior
do que o mnimo desejado pelo investidor.
62
O resultado indica que para cada real gasto no projeto, o retorno para a sociedade ser de 1,06 reais. Lembre-se que esse valor foi calculado considerando
uma taxa de desconto intertemporal de 5%.
No exemplo:
Retorno = (1,06 - 1)*100 = 6,0%
Ou seja, sob uma taxa de desconto intertemporal de 5%, o retorno do projeto
de 6%.
pela doena;
iii. Mesmo com o diagnstico precoce a doena gera perda de: despesa
com seguimento ambulatorial a longo prazo, sem complicaes e com o
tratamento diettico.
iv. O valor da perda de produtividade foi considerado como a perda de
meio dia de trabalho (R$ 21,65), com
base no rendimento mdio mensal
real das pessoas ocupadas no Brasil,
em maro, de 2011
v. R$ 1.298,70.
vi. o paciente trabalharia entre 20 e
65 cinco anos de idade.
Para obter o benefcio do projeto, os
autores subtraram a perda gerada pelo
diagnstico tardio da gerada pelo diagnstico precoce, calculando assim o benefcio individual. Em seguida, multiplicaram o benefcio pelo total de nascidos
vivos com a doena (incidncia da doena multiplicada pelo nmero de nascidos
vivos em So Paulo no ano de 2009).
Os autores consideraram o custo econmico do projeto, mas no o subdividiram
em custo contbil e custo de oportunidade. So computados os custo do projeto com os kits de deteco da doena,
o retorno das crianas detectadas para
confirmao, bem como o custo do contato para que esse retorno acontea, e a
perda de produtividade do trabalho do
acompanhante. Para realizar o fluxo de
caixa do projeto consideraram a taxa de
desconto intertemporal igual SELIC de
junho de 2009 de 9,25%.
O retorno econmico foi mensurado com
base na razo custo-benefcio da triagem
neonatal da galactosemia, considerando
ainda mais dois nveis de incidncia da
doena dados pelos limites do intervalo
de confiana a 95%. A razo custo-benefcio estimada foi de 1,33 e para os intervalos de confiana foi de 0,44 e 3,54. Assim, os resultados mostram que o projeto
gera retorno para a sociedade.
Exerccios
1) A avaliao econmica composta de duas etapas. Cite quais so essas etapas e os seus principais objetivos.
2) Por que no podemos comparar dois programas apenas usando os resultados da avaliao de impacto?
3) O que o benefcio do projeto e por que devemos transformar o impacto
em benefcio?
4) O que a taxa de desconto intertemporal? E quando ela utilizada na avaliao econmica?
5) Quais so os componentes do custo econmico?
6) Se o custo de oportunidade implcito, como possvel calcul-lo? D
exemplos.
7) O que o avaliador pretende captar ao calcular o retorno econmico do projeto?
8) Cite as estatsticas de retorno econmico vistas nesse captulo.
9) Qual a diferena entre as estatsticas de retorno econmico?
10) O que anlise de sensibilidade e qual a sua finalidade?
Exerccios Prticos
1) O programa Mulher do Futuro fictcio objetiva aumentar a renda de famlias chefiadas por mulheres. Para isso, oferece cursos profissionalizantes em
diversas reas e ajuda na insero das participantes no mercado de trabalho,
por meio de convnios com empresas. Os cursos duram em mdia seis meses.
A avaliao de impacto do programa foi pensada desde sua concepo. Assim,
realizou-se uma pesquisa com as participantes e no participantes antes da
implementao. Dois anos aps o incio do programa, o grupo de avaliao
voltou a campo e novamente coletou informaes sobre as mulheres. O banco
de dados DDM contm as informaes em dois momentos no tempo escolaridade, idade, se o domiclio possui luz eltrica, se a mulher vive com cnjuge
e a renda familiar per capita.
a) Suponha que o experimento foi aleatrio e que possumos dados
do programa em um momento do tempo - aps o programa. Calcule o impacto
na renda per capita.
b) Faa o teste de diferena de mdias entre tratado e controle para as
variveis: escolaridade, idade, luz, cnjuge, no perodo aps o programa.
c) Como o teste de diferena de mdias mostrou que os grupos tratado e de controle no so estatisticamente iguais em todas as caractersticas
observadas, calcule o impacto do programa controlando para as variveis observveis, ainda supondo os dados em um momento do tempo - aps o programa. Esse resultado mostrou alguma diferena para o obtido na letra b? Se
sim, explique.
d) Ainda considerando os dados em apenas um momento do tempo,
estime o impacto do programa pelo mtodo pareamento por escore de propenso um para um, vizinho mais prximo, raio e Kernel.
e) Calcule o impacto do programa pelo mtodo de diferenas em diferenas. Analise os resultados.
f) Faa uma anlise descritiva e o teste de diferena de mdias das caractersticas dos participantes e no participantes antes do incio do programa.
O que podemos concluir dos resultados do teste?
g) Calcule o impacto do programa combinando o mtodo de pareamento com o de diferenas em diferenas.
Suponha que o resultado da avaliao de impacto mostrou que o programa
aumenta em 277,12 reais, por ms, a renda das participantes.
h) Por que no precisamos transformar o impacto em benefcio? Calcule o benefcio anual do projeto
i) Monte o fluxo de caixa do projeto supondo que a renda a mais gerada pelo programa perdurar durante toda a vida produtiva da mulher e que
as mulheres entram no mercado de trabalho com 20 anos e trabalham por 35
anos.
j) Em , calcule o benefcio total, custo total, VPL, a TIR, a Razo Custo
-Benefcio e a Razo Custo-Efetividade. Suponha uma taxa de desconto intertemporal de 5%.
i. O impacto, que apresenta o intervalo de confiana a 95%, variando
de 248,45 a 305,79.
BIBLIOGRAFIA
ABADIE, A.; DIAMOND, A.; HAINMUELLER, J. Synthetic control methods for comparative case studies: estimating the effect of Californias tobacco control program. Journal of the American Statistical Association. v. 105, p. 493-505, 2010.
ABADIE, A.; IMBENS, G. Simple and Bias-Corrected Matching Estimator for Average Treatment Effect. NBER Working Paper. n. 283, 2002.
ANGRIST, J. Lifetime earnings and the Vietnam era sraft lottery: evidence from
social security administrative records. American Economic Review. v. 80, p. 313335, 1990.
ANGRIST, J.; KRUEGER, A. The effect of age at school entry on educational attainment: an application of instrumental variables with moments from two
samples. Journal of the American Statistical Association. v. 418, p. 328-336,
1992.
ANGRIST, J.; PISCHKE J. Mostly harmless econometrics: an empiricists companion. Nova Jersey: Princeton University Press, 2008. 392 p.
ANGRIST, J. D.; IMBENS G. W. Two-stage least squares estimation of average causal effects using instrumental variables. Journal of American Statistical Association. v. 90, p. 430-442, 1995.
ANGRIST, J. D.; IMBENS, G. W.; RUBIN, D. B. Identification of causal effects using
instrumental variables. Journal of the American Statistical Association. v. 91, p.
444-472, 1996.
ANGRIST, J. D.; LAVY, V. Using Maimonides rule to estimate the effect of class
size on scholastic achievement. Quarterly Journal of Economics. v. 114, p. 533575, 1999.
ASHENFELTER, O. Estimating the effect of training programs on earnings. Review of Economics and Statistics. v. 60, p. 47-57, 1978.
ASSAF NETO, A. Matemtica Financeira e suas Aplicaes. 11 edio. So Paulo: Atlas, 2009. 296 p.
BANEREE, A.; DUFLO, E. Poor Economics: A Radical Rethinking of the Way to
Fight Global Poverty. Nova York : Public Affairs, 2011. 320 p.
BARROS, R.P.; OLINTO, P.; LUNDE, T.; CARVALHO, M. The impact of access to free
Avaliao Econmica de Projetos Socias l 175
coverage on health care utilization and health: evidence from medicare. American Economic Review. v. 98, n. 5, p. 2242-2258, 2008.
CARNEIRO, P.; HECKMAN, J.; VYTLACIL, E. Understanding what instrumental
variables estimate: estimating the average and marginal return to schooling.
2005. No Publicado.
CHAY, K.; GREENSTONE, M. Does air quality matter; evidence from the housing
market. Journal of Political Economy. v. 113, p. 376-424, 2005.
COCHRAN, W. Sampling Techniques. New York: John Wiley& Sons, 1977. 428 p.
COHEN, E.; FRANCO, R. Avaliao de projetos sociais. 9 edio. Petrpolis: Vozes, 2011. 312 p.
CRESPO, A. A. Matemtica Financeira Fcil. 14 edio. So Paulo: Saraiva, 2009.
255 p.
CRUMP, R.; HOTZ, V. J.; IMBENS, G.; MITINIK, O. Dealing with limited overlap in
estimation of average treatment effects. Biometrika. v. 96, n. 3, p. 187-199, 2009.
CRUMP, R.; HOTZ, V. J.; IMBENS, G.; MITINIK, O. Nonparametric tests for treatment
effect heterogeneity. Review of Economics and Statistics. v. 90, n. 3, p.389-405,
2008.
DEHEIJA, R.; WAHBA, S. Propensity score-matching methods for nonexperimental causal studies. Review of Economics and Statistics. v. 84, n. 1, p. 151161, 2002.
DEHEJIA, R. Program evaluation as a decision problem. Journal of Econometrics. v. 125, p. 141-173, 2005.
DEHEJIA, R.; WAHBA, S. Casual effects of nonexperimental studies: reevaluating
the evaluation of training programs. Journal of American Statistical Association. v.94, p.1053-1062, 1999.
DRUMMOND, M. F.; SCULPHER, M. J.; TORRANCE, G. W.; OBRIEN, B. J.; STODDART, G. L. Methods for the economic evaluation of health care programmes.
Nova York: Oxford University Press, 2005. 379 p.
DUFLO, E. Schooling and labor market consequences of school construction in
Indonesia: evidence from an unusual policy experiment. American Economic
Review. v. 91, n. 4, p. 795-813, 2001.
DUFLO, E.; GLENNERSTER, R.; KREMER, M. Using randomization in development
Avaliao Econmica de Projetos Socias l 177
economics research: A Toolkit. In: T. SCHULTZ; J. STRAUSS. Handbook of Development Economics. Oxford: North Holland, 2008. v. 4, p. 3895-3962.
EUROPEAN COMISSION. Guide to cost-benefit analysis of investment projects:
structural funds, cohesion fund and instrument for pre-accession, 2008. Disponvel em: <http://ec.europa.eu/regional_policy/sources/docgener/guides/
cost/guide2008_en.pdf>. Acesso em: 7 maio 2012.
FERMAN, B.; ASSUNO, J. Does affirmative action enhance or undercut investment incentives?: evidence from quotas in brazilian universities. 2009. No Publicado.
FERRAZ, C.; FINAN, F. Electoral accountability and corruption: evidence from
the audit reports of local governments. American Economic Review. v.101, p.
1274-1311, 2011.
FIRPO, S.; FOGUEL, M.; JALES, H. Evaluating the impact of stratified randomized
experiments with an application to a Brazilian public training program. 2011.
No Publicado.
GRASDAL, A. The performance of sample selection estimators to control for attrition bias. Health Economics. v. 10, p. 385-398, 2001.
GUJARATI, D. N. Econometria Bsica. 3 edio. So Paulo: Makron Books, 2000.
860 p.
HAHN, J. On the role of the propensity score in efficient semiparametric estimation of average treatment effects. Econometrica. v. 66, n. 2, p. 315-331, 1998.
HAHN, J.; TODD, P.; VAN DER KLAAUW W. Identification and estimation of treatment effects with a regression discontinuity design. Econometrica. v. 69, p.
201-209, 2001.
HECKMAN, J.; LOCHNER, L. e TABER, C. Explaining raising wage inequality: explorations with a dynamic general equilibrium model of labor earnings with
heterogeneous agents. NBER Working Paper. v. 1, n. 6384, p. 1-58, 1998.
HECKMAN, J. Varieties of selection bias. American Economic Review. v. 80,
p.313-318, 1990.
HECKMAN, J.; LALONDE, R.; SMITH, J. The economics and econometrics of active labor market programs. In: ASHENFELTER, O.; CARD, D. Handbook of Labor
Economics. Oxford: North Holland, 1999. v. 3, p.1865-2097.
HECKMAN, J.; HOTZ, J. Alternative methods for evaluating the impact of trai-
IMBENS, G. The role of the propensity score in estimating dose-response functions. Biometrika. v. 87, n 3, p. 706-710, 2000.
IMBENS, G.; ANGRIST, J. Identification and estimation of local average treatment effects. Econometrica. v. 61, n. 2, p. 467-476, 1994.
IMBENS, G.; LEMIEUX, T. Regression discontinuity designs: a guide to practice.
Journal of Econometrics. v. 142, n. 2, p. 615-635, 2008.
IMBENS, G.; RUBIN, D. Rubin causal model. In: DURLAUF, S.; BLUME, L. The New
Palgrave Dictionary of Economics. Hampshire: Palgrave Macmillan, 2008, 2
edio. 7344 p.
IMBENS, G.; WOOLDRIDGE, J. Recent developments in the econometrics of program evaluation. Journal of Economic Literature. v. 47, n 1, p. 5-86, 2009.
IMBENS, G. Nonparametric estimation of average treatment effects under exogeneity: A review. Review of Economics and Statistics. v. 86, n. 1, p. 1-29, 2004.
IPEA e CEDEPLAR. Uma proposta de avaliao do plano nacional de formao
profissional (planfor). 2000. Relatrio Parcial. No Publicado.
LALONDE, R. J. Evaluating the econometric evaluations of training programs
with experimental data. American Economic Review. v. 76, p. 604-620, 1986.
LEE, D. S.; CARD, D. Regression discontinuity inference with specification error.
Journal of Econometrics. v. 142, n. 2, p. 655-674, 2008.
LEE, D. S.; MORETTI, E.; BUTLER, M. Do voters affect or elect policies? Evidence
from the U.S. house. Quarterly Journal of Economic. v. 119, p. 807-859, 2004.
LEE, D. S.; LEMIEUX, T. Regression Discontinuity Designs in Economics. NBER
Working Paper. v. 48, n. 14723, p. 281-355, 2009.
MATTOS, E.; MAIA, S.; MARQUES F. Evidncias da relao entre oferta de trabalho e programas de transferncia de renda no Brasil: bolsa escola versus bolsa
famlia. Pesquisa e Planejamento Econmico v. 40, p. 1-44, 2010.
MCEWAN, H. M.; LEVIN, P. J. Cost-effectiveness analysis: methods and applications. Califrnia: Sage Publications, 2001. 308 p.
MCRARY, J. Testing for manipulation of the running variable in the regression
discontinuity design. Journal of Econometrics. v. 142, n. 2, p. 698-714, 2008.
MEYER, B. Natural and quasi-experiments in economics. Journal of Business &
BIBLIOGRAFIA COMPLEMENTAR
I. Estatstica
TRIOLA, Mario F. Introduo Estatstica. 10 ed. Rio de Janeiro: LTC, 2008.
Esse manual bastante adotado em cursos de graduao nas cincias humanas. Apresenta uma linguagem fcil, compreensvel para alunos com um
conhecimento menos profundo de lgebra. Alm disso, apresenta sees especiais com profissionais de vrios campos que utilizam a estatstica como ferramenta de trabalho, o que torna a leitura fluida e atraente. Um diferencial a
quantidade de exerccios (mais de 1.500) em varias reas das cincias humanas e seu foco mais centrado na interpretao do que nos clculos. Muitos dos
exerccios usam dados reais, o que os torna mais interessantes para os leitores.
O livro aborda temas mais avanados como correlao, regresso e estatstica
no paramtrica.
HOFFMANN, Rodolfo. Estatstica para Economistas. 4 ed. So Paulo: Thompson, 2006.
Esse livro ensina estatstica bsica para iniciantes. Apesar de o ttulo direcion
-lo para economistas, atende qualquer aluno das cincias humanas interessado em aplicar a estatstica no seu campo de trabalho. Com uma linguagem simples e objetiva, sem perder o rigor formal, apresenta os aspectos conceituais e
metodolgicos da estatstica. Mais ainda, o livro adentra o tpico de regresso
linear, o que permite ao leitor ter uma introduo ao tema.
II. Econometria
WOOLDRIDGE, Jeffrey. M. Introduo Econometria: Uma Abordagem Moderna. So Paulo: Thomson, 2006.
Esse manual de introduo econometria alia a matemtica existente nesse
mtodo de pesquisa emprica econmica com uma ampla interpretao prtica de problemas estudados em vrios campos das cincias humanas. Assim,
mostra que esse instrumental analtico, antes restrito problemtica econmica, pode ser aplicado em outras cincias para anlise de questes empricas.
Com esse enfoque, o livro combina questes mais tcnicas da econometria
AUTORES
Betnia Peixoto
Graduada em Cincias Econmicas pela FACE/UFMG (2000), mestre em Economia pelo CEDEPLAR/UFMG (2003) e doutora em Economia pelo CEDEPLAR/
UFMG (2008). Tem experincia na rea de Economia, com nfase em Economica dos Programas de Bem-Estar Social e Econometria aplicada, atuando principalmente nos seguintes temas: Avaliao Econmica de Polticas Pblicas e
Programas Sociais, Anlise Economtrica Aplicada e Criminalidade.
Lycia Lima
Graduou-se em Economia pela UFMG em 2003. Concluiu o mestrado em Development Economics pela School of Oriental and African Studies da Universidade de Londres em 2007. Desde ento, trabalhou como pesquisadora na
rea de monitoramento e avaliao de polticas pblicas no Banco Mundial em
Washington, na Fundao Joo Pinheiro do governo do Estado de Minas Gerais
e na Secretaria de Assuntos Estratgicos da Presidncia da Repblica do Brasil,
tendo conduzido principalmente estudos de avaliao de impacto nas reas
de sade, educao, governana, pobreza rural e primeira infncia.
Naercio Menezes Filho professor titular (Ctedra IFB) e coordenador do Centro de Polticas Pblicas do Insper Instituto de Ensino e Pesquisa. Professor associado da FEA-USP, colunista do Valor Econmico e consultor da Fundao
Ita Social, Naercio PhD em Economia pela University College London.