Escolar Documentos
Profissional Documentos
Cultura Documentos
Livro Av Econ Ajuste PDF
Livro Av Econ Ajuste PDF
Reviso de textos
Jos Paulo Ferrer
1 Edio - Brasil - 2012
Dinmica Grfica e Editora Ltda.
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 07
Antonio Jacinto Matias
Srgio Ribeiro da Costa Werlang
Prefcio 09
Naercio Menezes Filho
Introduo 13
Ricardo Paes de Barros - Lycia Lima
1. Avaliao de Impacto de Programas Sociais:
Por que, para que e quando fazer?
Bibliografia 175
Bibliografia Complementar 183
Autores 185
APRESENTAO
O Ita Unibanco, comprometido com o crescimento social e econmico do
pas, busca a sustentabilidade nos negcios, apostando em relaes dura-
douras, 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 Uniban-
co, 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 gover-
nos, 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 me-
lhores 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 Progra-
ma Avaliao Econmica de Projetos Sociais, colocando conhecimentos muito
prprios da empresa a servio da causa social. Com a convico de que a avalia-
o uma importante ferramenta de gesto, diversas aes foram desenvolvi-
das 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 ava-
liao 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 as-
sumida, pouco a pouco, como um relevante instrumento de gesto e de pres-
tao de contas sociedade.
Colocamos foco tambm na anlise de retorno econmico, pois, consideran-
do-se que a escassez de recursos para investimentos voltados para o desenvol-
vimento 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 alcan-
ce das aes sociais no nosso pas.
Desde ento, a Fundao Ita Social oferece cursos para gestores de organiza-
es 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 tra-
tasse 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 semi-
nrios. Dessa ideia nasceu este livro.
Este livro foi planejado tendo em vista um pblico formado por alunos de gra-
duao de cursos na rea de cincias sociais, que tenham passado por um bom
curso de estatstica bsica e que tenham interesse por projetos sociais. Gesto-
res de entidades do terceiro setor, fundaes empresariais e dos vrios nveis
do governo tambm acharo o contedo bastante estimulante. Alm disso, o
instrumental desenvolvido nos captulos avanados ideal para os interessa-
dos em se aprofundar na metodologia.
Esse livro deve estimular ainda mais a realizao de avaliaes de impacto, para
que possamos conhecer e replicar os projetos sociais e polticas pblicas com
maior retorno econmico, de forma a gerar o mximo de valor para a socieda-
de brasileira.
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 impac-
to 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?
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 permi-
tem verificar se estes recursos esto de fato sendo aplicados da melhor manei-
ra 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 supe-
ram seus custos?
Por que algum dedicaria tempo e esforo a um programa que no lhe traz
benefcios e, portanto, no tem qualquer impacto? A ampla utilizao de um
programa por ao menos um segmento da sociedade no seria por si s indcio
de existncia de impacto? De fato, pouco provvel que a maioria dos progra-
mas existentes no traga benefcio algum a seus beneficirios. Afinal, em sua
maioria, os programas sociais so voluntariamente utilizados pelos seus bene-
ficirios que, portanto, devem estar convencidos da sua utilidade.
Por outro lado, podemos argumentar que o objetivo de uma avaliao de im-
pacto vai muito alm de simplesmente determinar a existncia ou no do im-
pacto. Mesmo que tenhamos convico da existncia de impacto de um dado
programa, ainda assim ser necessrio conduzir uma avaliao para que pos-
samos entender o impacto. Tanto para o gestor do programa, quanto para os
usurios, to ou mais importante do que saber se h algum impacto conhe-
cer a magnitude do impacto, assim como saber sobre quais dimenses o pro-
grama tem impacto e que canais permitem que este impacto se manifeste. Este
conhecimento indispensvel para o aperfeioamento do desenho do progra-
ma e para a melhoria na sua adequao s necessidades de seus usurios.
Podemos apontar pelo menos quatro razes para justificar essa potencial in-
constncia temporal do impacto. Primeiramente, o impacto de um programa,
normalmente, est relacionado com o tempo de exposio do beneficirio, po-
dendo tanto declinar rapidamente logo aps o trmino do programa como
persistir por um longo perodo de tempo. Em segundo lugar, ao longo do tem-
po podem ocorrer flutuaes na qualidade da gesto do programa e, conse-
quentemente, na eficcia da implementao, gerando oscilaes na magnitu-
de do impacto. Em terceiro lugar, o impacto pode variar ao longo do tempo se
for sensvel a mudanas no ambiente socioeconmico. Por fim, se o perfil da
populao beneficiada pelo programa se modifica ao longo do tempo, de se
esperar que a magnitude do impacto tambm se altere.
Do ponto de vista dos beneficirios, possvel que seja suficiente saber o grau
de satisfao dos beneficirios com o programa de um modo geral. Porm,
para os gestores e aqueles que financiam o programa, essa informao pode
ser insuficiente.
Um mesmo programa pode ter muitos desenhos que variam em termos da sua
eficincia. Uma avaliao de impacto possibilita no apenas identificar o dese-
nho mais eficiente, mas tambm identificar os segmentos da populao-alvo
para os quais os benefcios so maiores. A identificao destes grupos fun-
damental para o desenho do programa. No curto prazo, a atuao do progra-
ma deveria se concentrar nos segmentos da populao-alvo que tm a maior
probabilidade de se beneficiar destas aes. Por outro lado, a identificao dos
segmentos que pouco se beneficiam das aes igualmente importante na
medida em que revela a necessidade do investimento em aes alternativas
voltadas para estes grupos.
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 impac-
to s variveis relacionadas gesto e operao do programa fornece informaes
valiosas para o aperfeioamento ou reformulao do sistema de gesto e operao.
Assim, para que a utilizao externa das avaliaes de impacto seja a mais
ampla possvel, essencial que estas investiguem no apenas o tamanho do
impacto, mas tambm a interao deste com caractersticas do ambiente so-
cioeconmico e cultural em que as avaliaes se inserem. Este o conceito de
validade externa que, em outras palavras, determina em que medida o impac-
to estimado de um programa pode ser extrapolado para diferentes contextos.
Trata-se, fundamentalmente, de uma avaliao da robustez ou da sensibilidade
do programa ao contexto.
Esse tipo de informao fundamental para sinalizar quais cuidados devem ser
adotados na difuso do programa, mas nada dizem sobre quais os ajustes ne-
cessrios no seu desenho para que o seu impacto seja invariante ao contexto.
Para que estes ajustes possam ser identificados, seria necessrio que as avalia-
es tambm indicassem como os parmetros do programa devem ser ajusta-
dos em cada situao para que sua eficcia seja preservada nos mais distintos
ambientes. Este um dos grandes desafios de uma avaliao de impacto: ava-
liar a sensibilidade do impacto ao contexto e identificar as adequaes neces-
srias para que o programa seja apropriado s mais variveis circunstncias.
Por outro lado, uma utilidade extremamente importante das avaliaes ex-post
5. Consideraes finais
Na nossa sociedade, formuladores de polticas continuamente propem uma
grande variedade de solues visando atender s mais diversas necessidades
Neste captulo inicial, procuramos apresentar ao leitor por que, para que e
quando deve-se realizar uma avaliao de impacto. A nossa discusso sinaliza
que a avaliao de impacto uma ferramenta valiosa que serve a propsitos
mltiplos, sendo assim relevante no apenas para aqueles diretamente envol-
vidos no programa, mas potencialmente para vrios outros agentes da socie-
dade.
Exerccios
1) Quais so as possveis motivaes para uma avaliao de impacto?
1
A ocorrncia do programa foi simplificada para se dar no momento demarca-
do pela linha vertical tracejada.
Antes Depois
1100
Impacto?
1000
Para responder essa pergunta, temos que nos questionar se o grupo de trata-
mento 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 de-
pois 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
As principais razes para isso esto relacionadas com as diferenas nas caracte-
rsticas observveis e no observveis (pelo avaliador) entre os dois grupos. Por
exemplo, possvel que, mesmo que os grupos sejam parecidos (em mdia)
em atributos observveis como gnero, idade, escolaridade, renda familiar etc.,
eles difiram em habilidades, motivao, esforo, e outras caractersticas que
tipicamente no esto disponveis nas bases de dados utilizadas nas avaliaes
de impacto. Na medida em que muitas dessas caractersticas podem afetar a
varivel de resultado sobre a qual se quer medir o impacto da interveno, o
uso da comparao direta entre os dois grupos no necessariamente mede o
efeito causal do programa. Afinal, as diferenas nas caractersticas no observ-
veis entre os grupos poderiam estar misturadas ao efeito do programa.
Antes Depois
1100
1000 Impacto?
900
Seja uma varivel discreta que assume valor igual a um se o indivduo par-
Note que ela informa o resultado observado para qualquer indivduo , pois
quando ocorre a participao no programa observamos a situao de
tratado, , ao passo que quando no h participao observamos a
situao de no tratado, .
Aplicando agora as equaes (1) e (2) na equao (3), esta ltima se transforma
em:
que uma equao de regresso linear cuja nica diferena em relao que-
las tipicamente encontradas em livros de estatstica e econometria bsica
que o parmetro que captaria o efeito do programa, , varia entre os indiv-
duos. 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:
5
Muitas vezes, o governo ou entidade gestora do programa que escolhe o grupo de in-
divduos ou famlias que recebero as aes da interveno. Se essa escolha recair sobre
parcelas especiais da populao em caractersticas no observveis, surge tambm uma
correlao entre o termo e a varivel de participao da equao (5). Nesse caso, muitas
vezes diz-se que h um problema de vis de seleo, mas no de autosseleo, pois no
so os prprios indivduos que se selecionam para participar do tratamento. A anlise do
problema permanece essencialmente a mesma, apesar das distintas denominaes.
6
Todas as expresses a seguir poderiam estar condicionadas ao vetor de caractersticas ,
ou seja, cada expresso poderia ser computada para diferentes combinaes dos valores
assumidos pelas variveis contidas nesse vetor. Para no tornar a notao demasiadamente
carregada, optamos por no o incluir nas expresses.
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
Note que essa semelhana deve se dar tanto nas caractersticas observadas
(sexo e cor do cabelo) quanto nas no observadas (habilidade com nmeros,
no nosso exemplo). Isso importante, pois a aleatorizao que garante que,
em mdia, os dois grupos sejam similares em todas as dimenses. Na realidade,
A primeira, mais comum, ocorre quando existe escassez de vagas para atender
toda a demanda ou pblico-alvo do programa. Nessa situao, pode-se inclu-
sive justificar o uso da aleatorizao como o critrio mais justo de alocao
(1)
11
Em termos de inferncia, o teste de se o parmetro diferente de zero (o conhecido
teste-t) equivalente ao teste de diferenas de mdias. Este ltimo baseado na estatsti-
oqueimplicaqueadiferena:
isola o parmetro de interesse.126
Podemos tambm utilizar uma variante da equao (2) para computar impac-
tos 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 im-
pacto do programa, com o indicador de tratamento T. Para verificar isso, supo-
nha que queiramos medir o efeito mdio de uma interveno separadamente
para homens e mulheres, os quais so identificados na base de dados pela va-
rivel 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:
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 mo-
tivados 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 impor-
tante 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 alea-
torizados, pode criar uma diferena entre o impacto que os gestores intencio-
navam 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 gru-
po 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
14
pessoas. Naturalmente, na hiptese de que o efeito igual para todos, no haveria diferena
entre o EIT e o EMPT.
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 observa-
das) dos indivduos ou ao impacto de interesse. Normalmente, quando o atrito
no aleatrio, a estimao do efeito causal do programa por meio da compa-
rao 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
15
Novamente, sob a hiptese de que o efeito do programa homogneo para todos, essa
diferena identificar o impacto do programa.
Externalidades
Alm das limitaes acima apontadas, os experimentos aleatrios tambm po-
dem estar associados a dois outros tipos de problemas. O primeiro um efeito
de transbordamento do programa sobre o grupo de controle, ou seja, uma ex-
ternalidade (positiva ou negativa) que gerada pelo prprio tratamento so-
bre 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 trata-
das 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, preferencial-
mente guardando certa distncia entre as selecionadas para cada grupo. Esse
tipo de cuidado deve ser sempre tomado com intervenes de sade, educa-
cionais, alimentares, entre outras, em que podem ocorrer externalidades de-
vido ao contato fsico ou de comunicao dos indivduos tratados com os no
tratados. 176
16
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 dis-
cusso 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 ale-
atrios.
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
A maior parte das avaliaes de impacto no leva em conta esse tipo de efeitos
indiretos do programa na economia e nas decises dos agentes. Essa prtica
no recomendada, especialmente nos casos de intervenes de larga escala.
A forma tpica de resolver esse problema lanar mo de um modelo estrutu-
ral geral que incorpore de forma explcita o comportamento dos agentes. Aps
a estimao dos parmetros do modelo inclusive o referente ao impacto do
programa , possvel simul-lo para conhecer os efeitos diretos e indiretos da
interveno.
Caso haja disponibilidade de dados para vrios pontos no tempo antes da in-
terveno, o teste de mesma trajetria temporal para os dois grupos pode ser
facilmente realizado. Naturalmente, esse teste s pode ser feito com base nos
dados do perodo pr-programa, j que as trajetrias dos grupos podem dife-
rir por causa dos efeitos do programa logo aps o incio deste.21
6
Vale ressaltar
que, embora a existncia de uma mesma tendncia temporal pr-programa
no garanta que o grupo de controle um bom contrafatual para o grupo tra-
tado, recomendvel que o teste seja realizado sempre que possvel. De fato,
caso a hiptese de mesma tendncia no seja rejeitada, o teste confere maior
credibilidade ao grupo de controle como um contrafatual adequado para o
grupo tratado.
O mtodo de DD pode ser utilizado tanto com dados de painel quanto com
dados seccionais (cross-section) repetidos no tempo. Os primeiros tipicamente
referem-se a informaes de indivduos ou famlias que so seguidos ao longo
do tempo, enquanto os segundos so dados temporais calculados para unida-
des mais agregadas tais como escolas, hospitais, setores de atividade, bairros,
municpios ou estados. A agregao dos dados normalmente feita de termos
de propores ou mdias das variveis de interesse para a avaliao. J os mo-
mentos no tempo geralmente so meses ou anos.227
23
possvel tambm que choques macroeconmicos tenham efeitos diferenciados sobre os
grupos de tratamento e controle, ou seja, no se pode garantir nem mesmo que choques
agregados sejam homogneos sobre os grupos.
que apenas um rearranjo da expresso (1). A expresso (2) mostra que o es-
timador de DD tambm pode ser visto como o contraste das diferenas de
mdias existentes entre os dois grupos no perodo anterior e posterior ao pro-
grama. 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.
Antes
Depois
Diferena
B
1100
A
1000
D
900
onde o subscrito t foi acrescentado notao dos captulos anteriores para de-
notar 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 va-
lor um no perodo ps-programa e valor zero, caso contrrio. O termo de erro
dado por . Sob a hiptese de que o efeito causal do programa
(condicional a X) medido pelo parmetro .325
Tratados, pr-programa:
Tratados, ps-programa:
Controles, pr-programa:
Controles, ps-programa:
4
26
Uma forma de estimar a equao (5) aplicar o mtodo do MQO primeira dife-
rena dessa equao:830
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 de-
tectou que muitos trabalhadores que fazem cursos de treinamento experimen-
taram 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 ren-
dimentos 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 procedi-
31
Embora fora do escopo do livro, vale observar que, se o termo apre-
sentar 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).
Exerccios
1) Foi noticiado em dois jornais locais que a poltica atual de reduo da crimina-
lidade 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 consubstan-
ciada 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 co-
nhecedor 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.
5) O grfico 4.2 abaixo mostra as trajetrias do salrio mdio dos grupos de tra-
tamento e controle de uma avaliao de impacto para um curso de treinamento
hipottico que ocorreu no momento zero no grfico. possvel que o mtodo das
diferenas em diferenas estime de forma enviesada o impacto do programa? Por
qu?
15
14
R$ 100
13
12
11
-6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6
meses
Controle Tratamento
A hiptese principal deste mtodo, que tem como objetivo estimar o efeito
mdio do tratamento sobre os tratados (EMPT), que o vetor de variveis ob-
servveis X contm todas as informaes sobre o resultado potencial na au-
sncia do tratamento (Y(0)) que o indivduo possui ao tomar a deciso de par-
ticipar ou no do tratamento. Ao levar em considerao estas caractersticas
observveis, o avaliador controla por todas as variveis que esto relaciona-
das ao resultado potencial na ausncia de tratamento e que tambm afetam
a deciso do indivduo em participar ou no. Assim, ao controlar pelo vetor X,
a varivel Y(0) torna-se independente de T. Esta hiptese conhecida como
seleo nos observveis, ou ignorabilidade, ou ainda no-confundimento, e
pode ser formalizada como:334
(H2)
Uma das crticas aos mtodos baseados nas duas hipteses acima que, ao
tomar a deciso de participar ou no, os indivduos olham no s para um ve-
tor de caractersticas observveis, mas tambm para caractersticas que no
so observadas pelo avaliador. Se estas caractersticas no-observveis forem
correlacionadas tanto com a deciso de participar do programa como com o
resultado potencial deste indivduo, o mtodo do pareamento no conseguir
eliminar o vis de seleo, e a estimao do EMPT estar sujeita a um vis.
(5.1)
(5.2)
Por exemplo, no caso em que inclui apenas uma varivel explicativa discreta,
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
36
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,
(5.1.1)
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.
(5.1.2)
38
Ver Crump, Hotz, Imbens e Mitnik (2009, 2008).
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).
(5.2.1)
Existem diversos mtodos que usam o escore de propenso para ajustar as di-
ferenas entre os indivduos nos grupos de controle e de tratamento, sempre
com base nas hipteses de seleo nos observveis e de sobreposio. Na pr-
xima seo, iremos apresentar dois mtodos bastante usados: o mtodo de
imputao baseado em uma regresso linear e o mtodo de reponderao.
42
Rubin (1977) usa o mtodo de regresso linear para estimar o efeito mdio do tratamento.
5.4 Reponderao
O escore de propenso tambm pode ser usado como um peso 16 45
que, ao ba-
lancear 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
(5.4.1)
(5.4.2)
(5.5.1.1)
(5.5.1.2)
(H3)
Esta hiptese mais fraca do que a hiptese de seleo nos observveis, pois
ela continua vlida mesmo que existam fatores no-observveis comuns aos
dois perodos que afetem simultaneamente a deciso de participar e os resul-
tados potenciais. No entanto, esta hiptese exige informao em pelo menos
um perodo anterior interveno. Se a evoluo dos resultados entre os pe-
rodos pr e ps-programa a mesma no grupo de controle e no grupo de
tratamento, esta hiptese vlida. O vetor X tem que incluir toda a informao
disponvel para o indivduo quando ele decidiu participar ou no no programa,
isto , so caractersticas observveis em perodos anteriores ao programa e
que esto relacionadas deciso de participao.
(5.5.2.1)
47
Podemos tambm fazer o pareamento baseado no vetor X.
Esta combinao de mtodos tambm pode ser usada para estimar o efei-
to 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)
Mas, essa regresso linear pode ser combinada com o mtodo de reponde-
rao, no qual ponderamos as unidades no grupo de controle por Ao
final, estimamos uma regresso ponderada com o peso igual a 1 para um in-
divduo 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)
Para obter o efeito mdio do tratamento usamos tambm uma regresso pon-
derada com duas modificaes em relao ao modelo anterior. Primeiro, a re-
gresso estimada excluindo a mdia para toda a amostra:
48
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.
Uma das hipteses usadas por todos os mtodos baseados no escore de pro-
penso a de que existe sobreposio da distribuio do escore de propenso
para tratados e da distribuio do escore de propenso para os controles na
regio de X. O grfico 5.6.2 mostra a sobreposio do escore de propenso
para homens e mulheres beneficirios e no-beneficirios para cada um dos
programas. As barras azuis mostram o histograma para os indivduos que no
receberam tratamento, enquanto as barras vermelhas mostram o histograma
para os indivduos no grupo de tratamento. Logo, podemos verificar qual a
porcentagem de indivduos no grupo de controle e no grupo de tratamento
para cada intervalo do escore de propenso. Se h sobreposio, em cada in-
tervalo que tiver indivduo tratado, temos que ter tambm indivduos no-tra-
tados. Os grficos indicam que h sobreposio das distribuies do escore de
propenso tanto para os homens quanto para as mulheres.
Exerccios
1) Estamos interessados em estimar o efeito mdio do tratamento,
CAPTULO 6
Variveis Instrumentais
Neste caso, precisamos de uma varivel exgena Z que afeta a deciso de participa-
o e que no est correlacionada com nenhum fator no observvel relacionado
ao resultado potencial. No caso clssico de varivel instrumental com efeitos ho-
mogneos do tratamento, estamos pensando no seguinte sistema de equaes:
Este modelo pode ser estimado por mnimos quadrados em dois estgios. Nes-
te caso, em um primeiro estgio, estimamos um modelo de probabilidade line-
ar que relaciona com e obtemos o valor predito:
(6.1)
(6.2)
Alm de ser alocado de forma aleatria, precisamos que ele s afete o resul-
tado 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:
(6.5)
Por exemplo, a primeira clula desta tabela representa os indivduos cujo tra-
tamento 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 realiza-
o para a varivel instrumental. Com as informaes que observamos pode-
mos montar a seguinte tabela:
52
Estas tabelas foram retiradas de Imbens e Wooldridge (2009)
Como pode ser visto pela tabela, a hiptese de monotonicidade elimina a exis-
tncia dos defiers. Usando a informao da tabela acima, podemos identificar
o efeito mdio do tratamento sobre a populao de compliers. Podemos de-
compor a expectativa condicional de Y em Z no comportamento de cada um
dos grupos,
Esta hiptese nos diz que entre indivduos com o mesmo vetor de caractersti-
cas X , o instrumento Z foi alocado de forma aleatria.
Neste caso, somente para indivduos com o mesmo vetor de variveis explicati-
vas, os resultados potenciais no iro depender da realizao de Z.
Alm disso, podemos fazer uma analogia entre o LATE e um experimento ale-
atrio. Suponha que o instrumento seja uma oferta de tratamento que foi alo-
cado de forma aleatria entre os indivduos. Por exemplo, suponha que quere-
mos testar o efeito de um exame novo que foi criado para detectar cncer de
mama, e para isso convidamos uma amostra aleatria de mulheres de 35 a 50
anos para realizar o exame. As mulheres que recebem a carta convite podem
se dirigir clnica e fazer o exame, ou podem no aceitar o convite e no fazer
o exame. Como so as mulheres que escolhem se iro fazer ou no o exame,
as mulheres que decidem fazer o exame podem ser na mdia diferentes das
mulheres que se recusaram a faz-lo. Por exemplo, as mulheres que aceitaram
os convites so geralmente mais bem instrudas, se preocupam mais em rea-
lizar os seus exames peridicos para deteco de doenas e tm hbitos mais
saudveis, tendo na mdia uma sade melhor que as mulheres que rejeitaram
o convite. Logo, para encontrar o efeito mdio do tratamento sobre a proba-
bilidade de detectar cncer de mama, no podemos comparar a proporo de
mulheres que fizeram o exame e foram diagnosticadas com cncer de mama
(6.2.1)
(6.2.2)
(6.2.3)
(6.2.4)
(6.2.5)
(6.3.1)
(6.3.2)
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)
(6.3.5)
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 gestaes, eles usam como instrumen-
to uma varivel binria que indica se na segunda gestao 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 gestao que tiveram o tamanho
da famlia aumentado em um nmero inesperado devido ao nascimento de g-
meos. 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, edu-
cao 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
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 cons-
trudas, 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,
e representa os fatores no observveis. Este modelo assume que o efeito
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?
em que .
b) Mostre que
c) Mostre que
mostre que
53
Uma hiptese mais forte que teria como consequncia a continuidade das funes de
regresso seria assumirmos que as funes de distribuies condicionais so contnuas, isto
, FY(0)|Z (y|z) e FY(1)|Z (y|z) e em z para todo y.
no qual
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 usa-
mos em uma regresso linear tradicional, sendo vlida somente em torno do
ponto de corte.
55
Para maiores detalhes sobre o LATE, ver Imbens e Angrist (1994) e Angrist, Imbens e Rubin
(1996).
56
Ver Imbens e Angrist (1994).
e temos que:
no qual
Existem dois procedimentos mais comumente usados para escolher esta jane-
la tima 588. O primeiro seria usar uma janela que leva em considerao alguns
componentes da distribuio conjunta de (Y,Z), como por exemplo, a curvatu-
ra do modelo de regresso. A regra de bolso usada para a escolha de h :
58
Em todos os procedimentos descritos nesta seo, estamos escolhendo uma janela nica
para ambos os lados do ponto de corte. A funo de densidade de Z provavelmente similar
em ambos os lados do ponto de corte, e com uma amostra grande a janela tima para o lado
direito do ponto de corte ser igual janela do lado esquerdo do ponto de corte. No entan-
to, podemos aplicar os procedimentos descritos para as observaes somente direita de
c e para as observaes somente esquerda de c, obtendo janelas timas diferentes para o
lado esquerdo e para o lado direito.
59
Neste captulo, iremos descrever o procedimento proposto por Imbens e Lemieux (2008).
E neste caso, o efeito mdio do tratamento ser dado pela razo entre a dife-
rena 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 Le-
mieux (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:
Uma ltima anlise grfica sugerida por McCrary (2008) seria investigar se houve
seleo dos indivduos em torno do ponto de corte olhando para o nmero de
indivduos abaixo e acima deste ponto. Com este propsito, usamos um grfi-
co em que dividimos o suporte de Z em intervalos e estimamos o nmero de
observaes em cada intervalo. Com este grfico, podemos avaliar se o nmero
de indivduos muda de forma descontinuidade em torno do ponto de corte. Se
houver uma mudana descontnua do nmero de indivduos em torno do ponto
de corte, podemos desconfiar que os indivduos manipularam o valor de Z, o que
invalidaria a regresso descontnua. Por exemplo, no caso em que o prmio de
mrito determinado pela nota em um teste de proficincia, se os indivduos
conseguissem escolher a sua nota no teste, iramos observar um nmero maior
de indivduos acima do ponto de corte do que abaixo do mesmo.
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 efei-
to, eles comparam municpios nos quais o prefeito incumbente ganhou as elei-
es 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 pre-
feitos 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 obri-
gados 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 f-
rias 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
Considere o seguinte modelo que relaciona idade com acesso a plano de sa-
de,
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 ?
Suponha que o governo tem uma base de dados com informaes dos traba-
lhadores em anos que antecederam a poltica e depois de sua implementao.
Nesta base de dados, temos informao sobre as caractersticas do trabalhador
como idade, sexo, renda mensal do trabalho, regio de domiclio e se o domi-
clio prprio ou no. Com estes dados, vamos estimar o efeito dessa poltica
de crdito sobre a probabilidade de adquirir um novo domiclio. Com esta base
de dados, trs pesquisadores propem metodologias diferentes para estimar
o efeito de tal poltica. O primeiro pesquisador prope o mtodo de diferenas
em diferenas, o segundo usa o mtodo de variveis instrumentais e o ltimo
se baseia no mtodo de regresso descontnua. Para cada um dos mtodos,
Dos exemplos apresentados, pode-se concluir que para determinar o valor ga-
nho ou economizado pela sociedade devido ao projeto o avaliador ter que co-
nhecer, profundamente, a literatura sobre o tema. S assim ser capaz de estimar
as vrias facetas afetadas pelo projeto e adotar boas hipteses para a transforma-
o. Ao final desse captulo, apresentamos trs exemplos de avaliaes de proje-
tos no Brasil, nas reas de educao, criminalidade e sade.
(1)
(2)
O custo contbil todo dispndio que, via de regra, aparece nos demonstrati-
vos contbeis. todo desembolso monetrio necessrio para o funcionamento
do projeto, por exemplo, pagamento de conta de luz, de pessoal, aquisio
de material, etc. O custo de oportunidade difere do custo contbil por ser um
custo implcito, ou seja, em geral no aparece nos demonstrativos contbeis.
(3)
(5)
A anlise do resultado :
(6)
A TIR uma taxa anual, ou na unidade de tempo utilizada para construir o flu-
xo de caixa. Para interpretarmos o resultado da TIR, necessria a comparao
com a TIR de outro projeto ou com uma taxa mnima de atratividade - TMA. A
taxa mnima de atratividade a taxa de juros mnima que um investidor pre-
tende obter com o seu investimento. Assim a TMA pode ser a taxa de juros
bsica do mercado, a taxa de remunerao da poupana ou outra taxa que
se considerar a mnima para remunerar um investimento. Assim, so trs os
resultados possveis:
61
Apesar de a razo ser a diviso do benefcio pelo custo razo benefcio-custo, adotamos
a nomenclatura razo custo-benefcio por ser a denominao difundida nacionalmente. Em
ingls o termo benefit-cost ratio.
Esta estatstica fornece quanta unidade de impacto se obtm por real gasto.
Por exemplo, no caso do projeto para preservao das baleias, a Razo Cus-
to-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 multi-
plicar 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-Efetivida-
de de 0,00045 e multiplicarmos esse resultado por 100.000, teremos que cada
cem mil reais investidos no projeto salvam 45 vidas.
Dos 150 participantes 10% conseguiram emprego por causa do projeto. Ento,
o projeto conseguiu inserir 15 jovens no mercado de trabalho, que no o aces-
sariam se no tivessem participado do curso profissionalizante.
VPTB : 742.196,00
VPTC : 697.878,57
VPL = VPTB VPTC
VPL = 742.196,00 - 697.878,57 = 44.317,43
No exemplo do projeto Trabalha Brasil a TIR de 7%. A frmula para seu cl-
culo :
VPTB : 742.196,00
VPTC : 697.878,57
62
possvel obter a TIR com calculadora financeira e outros pacotes computacionais. Op-
tamos por apresentar o exemplo utilizando o Excel, por ser um software muito difundido.
No exemplo:
Retorno = (1,06 - 1)*100 = 6,0%
ABADIE, A.; IMBENS, G. Simple and Bias-Corrected Matching Estimator for Ave-
rage 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. 313-
335, 1990.
ANGRIST, J.; KRUEGER, A. The effect of age at school entry on educational at-
tainment: an application of instrumental variables with moments from two
samples. Journal of the American Statistical Association. v. 418, p. 328-336,
1992.
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. 533-
575, 1999.
BARROS, R.P.; OLINTO, P.; LUNDE, T.; CARVALHO, M. The impact of access to free
BURTLESS, G. The case for randomized field trials in economic and policy rese-
arch. Journal of Economic Perspectives. v. 9, p. 63-84, 1995.
CAMELO JUNIOR, J. S.; FERNANDES, M. I. M.; JORGE, S. M.; MACIEL, L. M. Z.; SAN-
TOS. J. L. F.; CAMARGO JR, A. S.; PASSADOR, C. S.; CAMELO, S. H. H. Avaliao
econmica em sade: triagem neonatal da galactosemia. Cadernos de Sade
Pblica. v. 27, n. 4, p. 666-676, 2011.
CARD, D.; DOBKIN, C.; MAESTAS, N. The impact of nearly universal insurance
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.
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.
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.
HAHN, J.; TODD, P.; VAN DER KLAAUW W. Identification and estimation of tre-
atment effects with a regression discontinuity design. Econometrica. v. 69, p.
201-209, 2001.
HECKMAN, J.; LALONDE, R.; SMITH, J. The economics and econometrics of acti-
ve 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-
HECKMAN, J.; ROBB, R. Alternative methods for evaluating the impact of in-
terventions. In: HECKMAN, J.; SINGER, B. Longitudinal analysis of labor market
data. Nova York: Cambridge University Press, 1985.
HECKMAN, J.; SMITH, J. Assessing the case for social experiments. Journal of
Economic Perspectives. v. 9, p. 85-110, 1995.
HECKMAN, J.; SMITH, J. The pre-program earnings dip and the determinants of
participation in a social program: implications for simple program evaluation
strategies. Economic Journal. v. 109, p. 313-348, 1999.
HIRANO, K.; IMBENS, G. Estimation of causal effects using propensity score wei-
ghting: an application to data on right heart catheterization. Health Services &
Outcomes Research Methodology. v. 2, p. 259-278, 2001.
HIRANO, K.; IMBENS, G.; RUBIN, D.; Zhou, X. Identification and estimation of lo-
cal average treatment effects. Biostatistics. v. 1, n. 1, p. 69-88, 2000.
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.
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.
MATTOS, E.; MAIA, S.; MARQUES F. Evidncias da relao entre oferta de traba-
lho e programas de transferncia de renda no Brasil: bolsa escola versus bolsa
famlia. Pesquisa e Planejamento Econmico v. 40, p. 1-44, 2010.
MIGUEL, E.; KREMER, M. Worms: identifying the impacts on education and he-
alth in the presence of treatment externalities. Econometrica. v. 72, p.159-217,
2004.
PEIXOTO, B. Avaliao econmica do projeto fica Vivo: o caso piloto. In: Minis-
trio do Planejamento, Oramento e Gesto, Secretaria de Oramento Federal.
(Org.). Oramento Pblico: II Prmio SOF de Monografias - Coletnea. Braslia,
2010.
PONCZEK, V.; SOUZA, A. New evidence of the causal effect of family size on
child quality in a developing country. Journal of Human Resources. v. 47, p.
64-106, 2011.
ROSENBAUM, P.; RUBIN, D. The central role of the propensity score in observa-
tional studies for causal effects. Biometrika, v. 70, p. 41-55, 1983.
TODD, P.; WOLPIN, K. Ex-Ante Evaluation of Social Programs. PIER Working Pa-
per Penn Institute for Economic Research. n. 06-122, 2006.
VAN DER KLAAUW, W. Estimating the effect of financial aid offers on college en-
rollment: a regressiondiscontinuity approach. International Economic Review.
v. 43, p. 1249-1287, 2002.
I. Estatstica
TRIOLA, Mario F. Introduo Estatstica. 10 ed. Rio de Janeiro: LTC, 2008.
Esse livro ensina estatstica bsica para iniciantes. Apesar de o ttulo direcion
-lo para economistas, atende qualquer aluno das cincias humanas interessa-
do em aplicar a estatstica no seu campo de trabalho. Com uma linguagem sim-
ples 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 Mo-
derna. So Paulo: Thomson, 2006.
Esse livro uma obra bsica de matemtica financeira. Escrito para quem nun-
ca estudou o tema, traz os tpicos iniciais como juros simples e compostos,
descontos, sries de pagamentos e amortizaes. Com muitos exemplos resol-
vidos e exerccios prticos, excelente para um primeiro contato com a mat-
ria, principalmente para aqueles que no so familiarizados com a matemtica.
Entretanto, para quem deseja se aprofundar uma complementao com ou-
tros livros necessria.
Betnia Peixoto
Graduada em Cincias Econmicas pela FACE/UFMG (2000), mestre em Eco-
nomia pelo CEDEPLAR/UFMG (2003) e doutora em Economia pelo CEDEPLAR/
UFMG (2008). Tem experincia na rea de Economia, com nfase em Economi-
ca dos Programas de Bem-Estar Social e Econometria aplicada, atuando prin-
cipalmente 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 De-
velopment Economics pela School of Oriental and African Studies da Univer-
sidade 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.