Aula 01 - Fundamentos Da Econometria Moderna

Métodos Quantitativos II
Aula 1 - Fundamentos da Econometria Moderna
Flávia Chein
2021
Flávia Chein (PPGEconomia/UFJF) MQ II 2021 1 / 56

Fundamentos da Econometria Moderna
1 Fundamentos da Econometria Moderna

Introdução
Identificação versus Causalidade
Experimentos Aleatórios/Randomizados
Fundamentos da Análise de Regressão

Fundamentos da Moderna Econometria

Introdução

Introdução
Joshua D. Angrist and Jörn-Steffen Pischke (2017) - Idade da

Pedra deu lugar à era dos computadores:
a econometria aplicada preocupava-se principalmente em estimar os

parâmetros que governavam a descrição teórica amplamente segmentada
da economia.
Modelos macro de multi-equações: variáveis de toda a economia -
desemprego e produção

Introdução


da economia.
Micro modelos: escolhas de agentes individuais ou equilíbrio de
mercado

Introdução


da economia.
Micro modelos: escolhas de agentes individuais ou equilíbrio de
mercado
A estrutura empírica dos anos sessenta e setenta normalmente
procurava explicar os resultados econômicos com o auxílio de uma lista
longa e diversificada de variáveis explicativas, mas nenhuma variável
única de interesse especial.

Introdução
Econometria contemporânea:
agenda procura responder a perguntas específicas, em vez de fornecer
uma compreensão geral, por exemplo, do crescimento do PIB.

Introdução
Essa agenda visa aos efeitos causais de um único fator:

Introdução
como os efeitos da imigração sobre os salários;

Introdução
ou os efeitos da democracia sobre o crescimento do PIB,

Introdução
geralmente focando em questões políticas, como os efeitos no emprego
de subsídios para pequenas empresas ou os efeitos da política
monetária.

Introdução
geralmente focando em questões políticas, como os efeitos no emprego
de subsídios para pequenas empresas ou os efeitos da política
monetária.
Os pesquisadores aplicados hoje procuram estratégias confiáveis para
responder a perguntas mais específicas

Introdução
Estudo tradicional da econometria

discussões estendidas de livros didáticos sobre a forma funcional, se os
termos de erro são independentes e distribuídos de forma idêntica e
como corrigir a correlação serial e a heterocedasticidade

Introdução

Tais discussões não são mais de importância primordial para a agenda
empírica moderna

Introdução

Tais discussões não são mais de importância primordial para a agenda
empírica moderna
Foco em ferramentas utilizadas para análise causal: diferenças em
diferenças; regressão descontínua e outros

Introdução
Mudanças na econometria empírica devem alterar a forma de ensinar

econometria

Introdução

econometria
Estratégias empíricas baseadas em ensaios randomizados e métodos
quase-experimentais
fornecem um modelo que revela os desafios da inferência causal e a
maneira pela qual as ferramentas econométricas enfrentam esses
desafios.
Chamamos essa estrutura de design-based approach to econometrics
porque as habilidades e estratégias necessárias para usá-la com sucesso
estão relacionadas ao desenho da pesquisa.

Introdução

econometria
quase-experimentais
desafios.
Esse ponto de vista leva à nossa primeira receita concreta para mudança
instrucional: uma revisão na maneira como ensinamos a regressão.

Introdução

econometria
quase-experimentais
desafios.
Esse ponto de vista leva à nossa primeira receita concreta para mudança
instrucional: uma revisão na maneira como ensinamos a regressão.
A regressão deve ser ensinada da maneira que agora é usada com mais
frequência: como uma ferramenta para controlar confounding factors .

Introdução

econometria
quase-experimentais
Essa abordagem abandona a estrutura de regressão tradicional na qual
todos os regressores são tratados igualmente.

Introdução

econometria
quase-experimentais
A ênfase pedagógica na eficiência estatística e na forma funcional,
juntamente com a narrativa que desencadeia os estudantes em busca
de "modelos verdadeiros", definidos por um ajuste estatístico
aparentemente preciso, estão prontos para a aposentadoria.

Introdução

econometria
quase-experimentais
A ênfase pedagógica na eficiência estatística e na forma funcional,
juntamente com a narrativa que desencadeia os estudantes em busca
de "modelos verdadeiros", definidos por um ajuste estatístico
aparentemente preciso, estão prontos para a aposentadoria.
Em vez disso, o foco deve estar no conjunto de variáveis de controle
necessárias para garantir que o efeito estimado pela regressão da
variável de interesse tenha uma interpretação causal.

Introdução

econometria
quase-experimentais
Mudanças na forma como utilizamos o modelo de regressão linear

Introdução

econometria
quase-experimentais
Mudanças na interpreção das estimativas das regressões

Introdução

econometria
quase-experimentais
Mudanças na interpreção das estimativas das regressões
Summers and Wolfe (1977) and Dale and Krueger(2002)

Introdução
Os dois artigos investigam o papel da escola na formação de capital
humano

Introdução
humano
Summers and Wolfe (1977): efeitos das características da escola
fundamental sobre o desempenho acadêmico

Introdução
humano
Dale and Krueger (2002): efeitos das características da faculdade
sobre os rendimentos dos graduados

Introdução
humano
Summers e Wolfe (1977) interpretam sua missão como sendo a de
modelar o processo complexo que gera o desempenho do aluno.

Introdução
humano
Eles começam com um modelo geral de produção educacional que
inclui características não especificadas dos alunos, características dos
professores, insumos escolares e composição de pares. O modelo é
vagamente motivado por um apelo à teoria do capital humano, mas os
autores reconhecem que as especificidades de como a conquista é
produzida permanecem misteriosas.

Introdução
humano
Eles começam com um modelo geral de produção educacional que
inclui características não especificadas dos alunos, características dos
professores, insumos escolares e composição de pares. O modelo é
vagamente motivado por um apelo à teoria do capital humano, mas os
autores reconhecem que as especificidades de como a conquista é
produzida permanecem misteriosas.
O que se destaca nessa estrutura é a falta de especificidade: a
regressão de Summers e Wolfe coloca a alteração nas notas da 3ª à 6ª
série no lado esquerdo, com uma lista de 29 características dos alunos e
das escolas à direita.
Introdução
A investigação de Dale e Krueger (2002) também começa com uma

pergunta sobre as escolas, perguntando se os alunos que frequentam
uma faculdade mais seletiva ganham mais

Introdução

Também estimam um OLS

Introdução

Também estimam um OLS
Mas o trabalho de Dale e Krueger (2002) se distigue do Summers e
Wolfe (1977), em pelo menos 3 aspectos:
Foco em um efeito causal específico ao invés de tentar explicar os
salários. Comparam estudantes que frequentaram faculdades mais e
menos seletivas
Estratégia de pesquisa com foco na eliminação do viés de seleção -
seleção nos observáveis
Distinção entre causas e controles no lado direito da regressão

Introdução
Fundamento: abordagem dos resultados potenciais

CIA - hipótese de independência condicional
yi = α + β Pi + ηi
β = Y1i − Y0i
E [ηi |Pi , Xi ] = 0
E [ηi |Pi , Xi ] = E [ηi |Xi ]

Introdução
A combinação de três ingredientes, efeitos causais constantes,

independência condicional e um modelo linear para possíveis
resultados condicionais aos controles, produz o modelo de regressão
yi = α + β Pi + γXi + εi


Introdução

Causalidade
Efeitos causais - hipótese "ceteris paribus" - Alfred Marshall -

Principles of Economics

Causalidade

O efeito causal da variável A na variável B é a mudança em B que
resulta de uma alteração em A, quando todas as outras características
são mantidas constantes

Causalidade

O efeito causal da variável A na variável B é a mudança em B que
resulta de uma alteração em A, quando todas as outras características
são mantidas constantes
Efeitos causais são simplesmente elasticidades, mas são difíceis de
serem estimados, dado que raramente os econometristas podem
observar situações em que uma variável se altera e as demais
permanecem constantes - ou seja, uma variação exógena genuína

Identificação
O problema da identificação é determinar a estrutura da distribuição

conjunta de dados em uma população.

Identificação

O foco na distribuição da população nos permite ignorar questões de
variabilidade de amostra e perguntar o que é conhecido nos grandes
conjuntos infinitos.

Identificação

O foco na distribuição da população nos permite ignorar questões de
variabilidade de amostra e perguntar o que é conhecido nos grandes
conjuntos infinitos.
A resposta para essa questão direciona se vale a pena construir
estimadores para serem usados no mundo real

Causalidade
O objetivo principal em Economia é determinar o efeito causal de uma

mudança na variável x sobre a variável de interesse y

Causalidade

Um ano a mais de educação causa um incremento no salário mensal?

Causalidade

Encontrar uma correlação entre duas variáveis é raramente suficiente
para estabelecer uma relação causal de uma variável sobre outra

Causalidade

Uma relação de causalidade é últil para fazer predições sobre
consequências de políticas

Causalidade

Uma relação de causalidade é últil para fazer predições sobre
consequências de políticas
A causalidade nos diz sobre o que teria acontecido no mundo
contrafactual

Causalidade

Causalidade
O primeiro problema envolve a aplicação da ciência, lógica e

imaginação. É, também, parcialmente uma questão de convenção;

Causalidade

Um modelo de contrafactuals é mais amplamente aceito quanto mais
amplo forem seus ingredientes, que são as regras para derivar o
modelo - regras lógicas ou matemáticas são seguidas? Está em acordo
com as teorias estabelecidas?

Causalidade

Modelos são descrições de mundos hipotéticas obtidos por variações
hipotéticas dos fatores que determinam os resultados

Causalidade

Modelos não são afirmações empíricas ou descrições do mundo real.
Embora, frequentemente façam predições sobre o mundo real, e

Causalidade

Modelos não são afirmações empíricas ou descrições do mundo real.
Embora, frequentemente façam predições sobre o mundo real, e
são, muitas vezes, representações abstratas de descrições empíricas

Causalidade
O segundo problema está relacionado à inferência em grandes

amostras

Causalidade

amostras
Pode-se recuperar os contrafactuais (médias ou distribuições dos
contrafactuais) que são livres de qualquer variação na amostra? Esse é
um problema de identificação

Causalidade

amostras
O terceiro problema é o de inferência na prática. Pode-se recuperar
um dado modelo ou um contrafactual desejável a partir de um certo
conjunto de dados? Soluções para esse problema envolvem questões
de inferência e teste em amostras do mundo real.

Causalidade

amostras
O terceiro problema é o de inferência na prática. Pode-se recuperar
um dado modelo ou um contrafactual desejável a partir de um certo
conjunto de dados? Soluções para esse problema envolvem questões
de inferência e teste em amostras do mundo real.
Esse é o problema mais familiar para os estatísticos e cientistas sociais
empíricos

Causalidade
Muitos "modelos causais" em estatística são guias incompletos ara se

interpretar dados ou sugerir respostas para questões de política. São
motivados pelo experimento como ideal

Causalidade

Não especificam claramente os mecanismos que determinam como o
contrafactual hipotético são compreendidos ou como intervenções
hipotéticas são implementadas, ao não ser pela mera comparação do
que "aleatorizado" com o "não aleatorizado"

Causalidade

Focam apenas nos resultados, deixando o modelo para seleção de
resultados apenas implicitamente especificados

Causalidade

Focam apenas nos resultados, deixando o modelo para seleção de
resultados apenas implicitamente especificados
Para estatísticos, os resultados do contrafactual são baseados apenas
na intuição, sem modelo formal.

Causalidade
Como os mecanismos que determinam a seleção do resultado não são

modelados na abordagem estatística, a metáfora da "atribuição
aleatória" é freqüentemente adotada

Causalidade

A razão pela qual muitos modelos estatísticos são incompletos é que
eles não especificam as fontes de aleatorização que gera variabilidade
entre os agentes, ou seja, não espeficiam o porquê, no caso contrário,
pessoas idênticas fazem escolhas diferentes e têm diferentes
resultados, dada a mesma escolha.

Causalidade

A razão pela qual muitos modelos estatísticos são incompletos é que
eles não especificam as fontes de aleatorização que gera variabilidade
entre os agentes, ou seja, não espeficiam o porquê, no caso contrário,
pessoas idênticas fazem escolhas diferentes e têm diferentes
resultados, dada a mesma escolha.
Não distiguem o conjunto de informação do agente do conjunto de
informação observado pelo estatístico, apesar da distinção ser
fundamental para justificar as propriedades de qualquer estimador para
resolver problemas de seleção e avaliação.

Causalidade
Ao invés de ter regras governando a seleção do tratamento de forma

implícita, a abordagem econométrica, usa relações explícitas entre não
observáveis no resultado e o mecanismo de seleção para identificar os
modelos causais a partir dos dados e elucidar a natureza das hipóteses
de identificação

Causalidade

de identificação
O objetivo da literatura econométrica, assim como o objetivo de toda
ciência é compreender as causas que produzem efeitos de forma que se
possa utilizar versões empíricos dos modelos para fazer previsões de
efeitos de intervenções não exprimentadas previamente.

Causalidade

de identificação
O objetivo da literatura econométrica, assim como o objetivo de toda
ciência é compreender as causas que produzem efeitos de forma que se
possa utilizar versões empíricos dos modelos para fazer previsões de
efeitos de intervenções não exprimentadas previamente.
Necessidade do desenvolvimento de uma teoria mais elaborada.

Causalidade
A abordagem econométrica examina as “causas dos efeitos” e os

mecanismos que produzem resultados, a fim de considerar e avaliar
intervenções eficazes que promovam a personalidade.

Problemas de Avaliação de Política e Critérios
Avaliar os impactos de intervenções sobre resultados, incluindo os

impactos sobre os tratados e a sociedade em geral
Avaliações Objetivas


Avaliações Subjetivas


Avaliações Subjetivas
Ex ante e ex post

Prever os Impactos (Construindo os Estados Contrafactuais) de

Intervenções Implementadas em Um Ambiente e em Outros
Ambientes, incluindo impactos sobre o Bem-Estar
Esse é um problema de validade externa: a partir do parâmetro do

tratamento ou um conjunto de parâmetros identificados in um
ambiente ou em outro

Prever os Impactos de Intervenções (Construindo Estados

Contrafactuais Associados com as Intervenções) Nunca
experimentadas historicamente, incluindo seus imapctos sobre
Bem-Estar
É um problema diárias dos analistas de política


Bem-Estar
Econometria Estrutural trata dessa questão


Bem-Estar
Econometria Estrutural trata dessa questão
A abordagem de avaliação de programa não, a não ser por meio de
"programas demonstração"

Causalidade - Estrutural Formal
Queremos entender em que medida e sob que hipóteses podemos

concluir a partir das evidências que D causa Y.
Yi = Y0i + (Y1i − Y0i ) Di (1)


suponha i um índice para as unidades da população sob estudo
Yi = Y0i + (Y1i − Y0i ) Di (1)


Di é o status de tratamento
Yi = Y0i + (Y1i − Y0i ) Di (1)


Di = 1 se a unidade foi exposta ao tratamento
Yi = Y0i + (Y1i − Y0i ) Di (1)


Di = 0 se a unidade não foi exposta ao tratamento
Yi = Y0i + (Y1i − Y0i ) Di (1)


Yi indica o resultado potencial de acordo com o tratamento
Yi = Y0i + (Y1i − Y0i ) Di (1)


Y1i é o resultado no caso do tratamento
Yi = Y0i + (Y1i − Y0i ) Di (1)


Y0i é o resultado no caso de não exposição ao tratamento;
Yi = Y0i + (Y1i − Y0i ) Di (1)


Y0i é o resultado no caso de não exposição ao tratamento;
O resultado observado para cada unidade pode ser escrito como:
Y1i se Di = 1

Yi =
Y0i se Di = 0
Yi = Y0i + (Y1i − Y0i ) Di (1)

Exemplo
Definition
Efeito Causal
Para a unidade i, o tratamento Di tem um efeito causal no resultado Yi se
o evento Di = 1 ao invés de Di = 0 implicar que Yi = Y1i ao invés de
Yi = Y0i . Nesse caso o efeito causal de Di em Yi é dado por:
∆i = Y1i − Y0i (2)
A identificação e a mensuração desse efeito são evidentemente impossíveis.
Essa notação é útil porque Y1i − Y0i é o efeito causal para o indivíduo i.
Em geral existe uma distribuição de probabilidade associada a Y1i e Y0i na
população de modo que o efeito do tratamento é deferenciado para
indivíduos diferentes

Exemplo
Vamos estudar o efeito causal em uma variedade de situações, nas

quais a noção de expectativa condicional é fundamental

Exemplo

É possível mostrar que, sob certas condições, a expectativa
condicional tem um significado econômico causal - motivação para
estudar as propriedades da função de expectativa condicional

Exemplo

É possível mostrar que, sob certas condições, a expectativa
condicional tem um significado econômico causal - motivação para
estudar as propriedades da função de expectativa condicional
Para tanto, começaremos recordando alguns fundamententos da
variável aleatória e sua distribuição de probabilidade - exemplo
distribuição de salários

Exemplo
Considere a variável aleatória salário, descrita pela função de

distribuição
F (u) = P(wage ≤ u)
<2->Quando F é diferenciável, a função densidade de probabilidade é:
d
f (u) = F (u)
du

Exemplo

distribuição
d
f (u) = F (u)
du

Exemplo

distribuição
d
f (u) = F (u)
du
Embora a função de densidade contenha a mesma informação que a
função de distribuição, a função densidade é mais fácil de interpretar e
é vista como mais informativa uma vez que podemos observar picos,
moda e dispersão das caudas, por exemplo.

Exemplo

Exemplo

Expectativa Condicional

Causalidade
Um dos benefícios de se focar nas médias condicionais é que elas

reduzem o problema de distribuições complicadas para uma única
medida e, portanto, facilita comparações entre grupos
Em função dessa propriedade simplificadora, as médias condicionais
são de interesse primário das análises de regressão e o maior foco na
econometria.
O nosso problema será, portanto, entender em que medida a regressão
é uma função de expectativa condicional e, sob quais condições,
podemos entender a relação expressa por essa função como uma
relação de causalidade

Causalidade
A regressão é causal quando a CEF que esta rregressão aproxima é

causal.
Causalidade significa coisas diferentes para pessoas diferentes, mas é
útil pensar em relações causais através de resultados potenciais.
A CEF é causal quando esta descreve diferenças na média dos
resultados potenciais para uma população de referência fixa.

Causalidade
Escolaridade e rendimento: a conexão causal pode ser definida como

uma relação funcional que descreve o que o indivÌduo poderia ganhar
se tivesse obtido diferentes níveis de educação.
Nos trabalhos empiricos, a relação entre escolaridade e rendimento nos
diz o que os indivíduos poderiam receber em média se alterássemos
sua escolaridade em um ambiente totalmente controlado,
Ou, se alterássemos a sua escolaridade randomicamente de modo que
aqueles com níveis diferentes de escolaridade seriam comparáveis entre
si.
Os experimentos nos asseguram que a variável causal de interesse é
independente dos resultados potenciais de modo que os grupos podem
ser comparados.

Causalidade
Retornemos, pois, a Hipótese de Independência Condicional (CIA)

Queremos generalizar a noção de variaváis causais para ambientes
mais complexos
variaveis de resultado podem assumir mais de dois valores e para
situações nas quais temos que manter um grupo de variáveis de
controle fixas - validade das inferências causais
Hipótese da Independência Condicional é a hipótese fundamental que
nos permite justificar a interpretação causal dos parâmetros da
regressão.

Causalidade
Hipótese da Independência Condicional (CIA) é denominada de

Seleção nos Observáveis porque as covariadas a serem mantidas
fixas são supostas conhecidas e observáveis
Mais adiante, retornaremos a CIA de modo mais formalizado

Problema fundamental da inferência Causal
Proposição 1: O problema fundamental da Inferência causal

É impossível observar para a mesma unidade i os valores D i = 1 e D i = 0
assim como os valores Y 1i e Y 0i , e portanto, é impossível observar o efeito
de D em Y para a unidade i. (Holland, 1986)
Não podemos inferir o efeito do tratamento porque não temos a evidência
contrafactual, isto é, o que teria ocorrido na ausência do tratamento.

A Solução Estatística
A estatística aborda o problema focalizando no efeito causal médio para a

população toda ou para alguns sub-grupos de interesse.
Definition
Efeito Médio do Tratamento (ATE) para uma unidade i aleatória:
E {∆i } = E {Yi (1) − Yi (0)} (3)

= E {Y1i } − E {Y0i }

O Problema de Seleção
A comparação do produto (resultado observado) a partir do status do
tratamento é informativa?

Essa comparação nos permite fazer inferências sobre a relação de
causalidade?

causalidade?
E {Yi |Di = 1} − E {Yi |Di = 0} (4)

= E {Y1i |Di = 1} − E {Y0i |Di = 0}
= E {Y1 |Di = 1} − E {Y0i |Di = 1}
+E {Y0i |Di = 1} − E {Y0i |Di = 0} (5)
= ATT + E {Y0i |Di = 1} − E {Y0i |Di = 0} (6)

causalidade?
E {Yi |Di = 1} − E {Yi |Di = 0} (4)

= E {Y1i |Di = 1} − E {Y0i |Di = 0}
= E {Y1 |Di = 1} − E {Y0i |Di = 1}
+E {Y0i |Di = 1} − E {Y0i |Di = 0} (5)
= ATT + E {Y0i |Di = 1} − E {Y0i |Di = 0} (6)
A diferença entre o lado esquerdo e o lado direito é o viés de seleção
amostral que é igual a diferença entre os resultados dos tratados e
controles na situação contrafactual, ou seja na ausência de tratamento.

causalidade?
E {Yi |Di = 1} − E {Yi |Di = 0} (4)

= E {Y1i |Di = 1} − E {Y0i |Di = 0}
= E {Y1 |Di = 1} − E {Y0i |Di = 1}
+E {Y0i |Di = 1} − E {Y0i |Di = 0} (5)
= ATT + E {Y0i |Di = 1} − E {Y0i |Di = 0} (6)
A diferença entre o lado esquerdo e o lado direito é o viés de seleção
amostral que é igual a diferença entre os resultados dos tratados e
controles na situação contrafactual, ou seja na ausência de tratamento.
O problema é que a variável de resultado (produto) dos tratados e dos
controles não é idêntica na situação de não tratamento.
Exemplo
A hospitalização melhora a saúde dos indivíduos?

Exemplo
Em princípio a resposta deveria ser afirmativa. Comparar os resultados
de saúde usando a NHS:
Group Sample Size Mean Health Status std.error
Hospital 7.774 3.21 0.014
Non-Hospital 90049 3.93 0.003

Exemplo
Hospital 7.774 3.21 0.014
Non-Hospital 90049 3.93 0.003
A diferença de médias é 0.72, estatísticamente signficativa.

Exemplo
Hospital 7.774 3.21 0.014
Non-Hospital 90049 3.93 0.003
A partir desse resultado poderíamos inferir que estar hospitalizado
piora o estado de saúde.

Exemplo
Hospital 7.774 3.21 0.014
Non-Hospital 90049 3.93 0.003
O problema com essa inferência é que as pessoas que vao ao hospital
sao em geral menos saudáveis do que as pessoas que nao são
hospitalizadas.

Exemplo
Hospital 7.774 3.21 0.014
Non-Hospital 90049 3.93 0.003
hospitalizadas.
=⇒ nesse caso temos um viés de seleção amostral negativo

Exemplo
Hospital 7.774 3.21 0.014
Non-Hospital 90049 3.93 0.003
hospitalizadas.
O viés de seleção pode ser tão grande a ponto de mascarar o valor do
tratamento.

Exemplo
Hospital 7.774 3.21 0.014
Non-Hospital 90049 3.93 0.003
hospitalizadas.
O viés de seleção pode ser tão grande a ponto de mascarar o valor do
tratamento.
O objetivo da pesquisa empírica é resolver o viés de seleção e portanto
dizer algo sobre o efeito causal de uma variável Di .

Introdução

Experimentos Randomizados
A atribuição aleatória do tratamento soluciona o problema porque o
processo de randomização torna o tratamento independente dos
resultados potenciais.
Para ver isto note que:
E [Yi |Di = 1] − E [Yi |Di = 0] = E [Y1i |Di = 1] − E [Y0i |Di = 0]
= E [Y1i |Di = 1] − E [Y0i |Di = 1]
Como o resultado potencial é independente do tratamento, podemos
trocar:
E [Y0i |Di = 0] por E [Y0i |Di = 1] .

Desta maneira, devido à randomização:
E [Y1i |Di = 1] − E [Y0i |Di = 1] = E [Y1i − Y0i |Di = 1]

= E [Y1i − Y0i ]
Outra formalização da aleatorização
Considere duas amostras aleatórias C e T da população. Por
construção estas amostras são estatísticamente idênticas à população
inteira.

inteira.
E {Yi (0)|i ∈ C } = E {Yi (0)|i ∈ T } = E {Yi (0)} (7)

inteira.
E {Yi (0)|i ∈ C } = E {Yi (0)|i ∈ T } = E {Yi (0)} (7)
E {Yi (1)|i ∈ C } = E {Yi (1)|i ∈ T } = E {Yi (1)} (8)

inteira.
E {Yi (0)|i ∈ C } = E {Yi (0)|i ∈ T } = E {Yi (0)} (7)
E {Yi (1)|i ∈ C } = E {Yi (1)|i ∈ T } = E {Yi (1)} (8)

Subsitituindo essas duas expressões na expressao para o ATE, obtemos
que:

inteira.
E {Yi (0)|i ∈ C } = E {Yi (0)|i ∈ T } = E {Yi (0)} (7)
E {Yi (1)|i ∈ C } = E {Yi (1)|i ∈ T } = E {Yi (1)} (8)

Subsitituindo essas duas expressões na expressao para o ATE, obtemos
que:
E {∆i } = E {Yi (1) − Yi (0)}

= E {Yi (1)|i ∈ T } − E {Yi (0)|i ∈ C }

A randomização resolve o problema fundamental da inferência causal

porque permite usar as unidade do controle como imagem do que
unidades tratadas na situação contrafactual de não tratamento e
vice-versa.

A randomização resolve o problema fundamental da inferência causal

porque permite usar as unidade do controle como imagem do que
unidades tratadas na situação contrafactual de não tratamento e
vice-versa.
Os experimentos randomizados não são uma solução sem problemas,
mas resolvem o problema fundamental da pesquisa empírica que é o
contrafactual.

Análise de Regressão em Experimento
Suponha que o tratamento é similar para todos os indivíduos de modo

que:


que:
Yi1 − Yi0 = ρ


que:
Yi1 − Yi0 = ρ
Como o tratamento é constante entre os indivíduos podemos
reescrever a equação acima da seguinte forma:


que:
Yi1 − Yi0 = ρ
Yi = Y0i + (Y1i − Y0i ) Di


que:
Yi1 − Yi0 = ρ
Yi = Y0i + (Y1i − Y0i ) Di
Yi = α + ρDi + ηi (9)
ηi = Y0i − E (Y0i )


que:
Yi1 − Yi0 = ρ
Yi = Y0i + (Y1i − Y0i ) Di
Yi = α + ρDi + ηi (9)
ηi = Y0i − E (Y0i )
onde ηi é a parte aleatória de Y0i .

Aplicando a experança condicional nessa expressão, temos:

E [Yi |Di = 1] = α + ρ + E [ηi |Di = 1]

E [Yi |Di = 1] = α + ρ + E [ηi |Di = 1]
E [Yi |Di = 0] = α + E [ηi |Di = 0]

E [Yi |Di = 1] = α + ρ + E [ηi |Di = 1]
E [Yi |Di = 0] = α + E [ηi |Di = 0]

De modo que:

E [Yi |Di = 1] = α + ρ + E [ηi |Di = 1]
E [Yi |Di = 0] = α + E [ηi |Di = 0]

De modo que:
E [Yi |Di = 1]−E [Yi |Di = 0] = ρ + E [ηi |Di = 1] − E [ηi |Di = 0]

|{z} | {z }
efeito do tratamento viés de seleção

Assim, o viés de seleção ocorre devido a uma correlação entre o termo

randômico e o tratamento, uma vez que:


E [ηi |Di = 1] − E [ηi |Di = 0] = E [Y0i |Di = 1] − E [Y0i |Di = 0]


Como dito, essa correlação reflete a diferença entre os resultados

potenciais entre tratados e controles na ausência de tratamento.


Como dito, essa correlação reflete a diferença entre os resultados

potenciais entre tratados e controles na ausência de tratamento.
No caso de experimentos randômicos a regressão é adequada para a
análise de relações causais.


Introdução

Relações Econômicas e Expectativas Condicionais
A Função de Expectativa Condicional: A função de expectativa condicional

para uma variável dependente yi , dado um vetor de covariadas k x 1
(elementos xki ) é a expectativa, ou média populacional de yi quando o
vetor de características está fixo (Xi ).

Caracteristicas da CEF
Expectativa condicional pode ser pensada como uma média de uma

amostra infinitamente grande, ou a média de uma população finita
enumerável.
E [Yi |Xi ]
é uma função de Xi .
Como Xi é uma variável aleatória, a CEF é aleatória.
Xi pode assumir diferentes valores, por exemplo, pode ser uma variável
binária, 0,1 ou pode ser uma variável contínua.
Para um valor específico de Xi = x, escrevemos a expectativa
condicional da seguinte forma:
E [Yi |Xi = x]

Caracteristicas da CEF
Para uma variável Yi contínua com função de densidade condicional

fy (t|Xi = x) em yi = t a expectativa condicional é dada por:
Z
E [Yi |Xi = x] = tfy (t|Xi = x)dt
Para Yi discreta,
E [Yi |Xi = x] = t ∑ P (yi = t|Xi = x)

t
onde P (yi = t|Xi = x) é a probabilidade condicional de Yi dado que Xi = x

Expectativa é um conceito populacional.

Referências
Angrist, Joshua D., and Jörn Steffen Pischke. 2017. “Undergraduate

Econometrics Instruction: Through Our Classes, Darkly.” Journal of
Economic Perspectives 31(2): 125–44.
Hansen, B. Econometrics. Department of Economics, University of
Wisconsin. Manuscript. 2019.
Angrist, J. e J.S Pischke, Mostly Harmless Econometrics: an
Empiricists Companion, Princeton University Press, 2009.
Angrist, Joshua D., and Alan B. Krueger. 2001. “Instrumental
Variables and the Search for Identification: From Supply and Demand
to Natural Experiments.” Journal of Economic Perspectives 15(4):
69–85. 2.
Angrist, Joshua D., and Jörn Steffen Pischke. 2010. “The Credibility
Revolution in Empirical Economics: How Better Research Design Is
Taking the Con out of Econometrics.” Journal of Economic
Perspectives 24(2): 3–30.
Referências
Athey, Susan, and Guido W. Imbens. 2017. “The State of Applied

Econometrics: Causality and Policy Evaluation.” Journal of Economic
Perspectives 31(2): 3–32.
Heckman, James J. 2000. “Causal Parameters and Policy Analysis in
Economics : A Twentieth Century Retrospective Author ( s ): James J
. Heckman Published by : Oxford University Press Stable URL :
Http://Www.Jstor.Org/Stable/2586935 Accessed : 18-08-2016 15 :
01 UTC Your Use of Th.” 115(1): 45–97. 5. Lewbel, Arthur. 2019.
“The Identification Zoo: Meanings of Identification in Econometrics.”
Journal of Economic Literature 57(4): 835–903.

Aula 01 - Fundamentos Da Econometria Moderna

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Aula 01 - Fundamentos Da Econometria Moderna

Enviado por

Direitos autorais:

Formatos disponíveis

Métodos Quantitativos II

Aula 1 - Fundamentos da Econometria Moderna

Flávia Chein (PPGEconomia/UFJF) MQ II 2021 1 / 56

1 Fundamentos da Econometria Moderna

Flávia Chein (PPGEconomia/UFJF) MQ II 2021 2 / 56

1 Fundamentos da Econometria Moderna

Flávia Chein (PPGEconomia/UFJF) MQ II 2021 3 / 56

Joshua D. Angrist and Jörn-Steffen Pischke (2017) - Idade da

a econometria aplicada preocupava-se principalmente em estimar os

Flávia Chein (PPGEconomia/UFJF) MQ II 2021 4 / 56

Joshua D. Angrist and Jörn-Steffen Pischke (2017) - Idade da

a econometria aplicada preocupava-se principalmente em estimar os

Flávia Chein (PPGEconomia/UFJF) MQ II 2021 4 / 56

Joshua D. Angrist and Jörn-Steffen Pischke (2017) - Idade da

a econometria aplicada preocupava-se principalmente em estimar os

Flávia Chein (PPGEconomia/UFJF) MQ II 2021 4 / 56

Flávia Chein (PPGEconomia/UFJF) MQ II 2021 5 / 56

Flávia Chein (PPGEconomia/UFJF) MQ II 2021 5 / 56

Flávia Chein (PPGEconomia/UFJF) MQ II 2021 5 / 56

Flávia Chein (PPGEconomia/UFJF) MQ II 2021 5 / 56

Flávia Chein (PPGEconomia/UFJF) MQ II 2021 5 / 56

Flávia Chein (PPGEconomia/UFJF) MQ II 2021 5 / 56

Estudo tradicional da econometria

Flávia Chein (PPGEconomia/UFJF) MQ II 2021 6 / 56

Estudo tradicional da econometria

Flávia Chein (PPGEconomia/UFJF) MQ II 2021 6 / 56

Estudo tradicional da econometria

Flávia Chein (PPGEconomia/UFJF) MQ II 2021 6 / 56

Mudanças na econometria empírica devem alterar a forma de ensinar

Flávia Chein (PPGEconomia/UFJF) MQ II 2021 7 / 56

Mudanças na econometria empírica devem alterar a forma de ensinar

Flávia Chein (PPGEconomia/UFJF) MQ II 2021 7 / 56

Mudanças na econometria empírica devem alterar a forma de ensinar

Flávia Chein (PPGEconomia/UFJF) MQ II 2021 7 / 56

Mudanças na econometria empírica devem alterar a forma de ensinar

Flávia Chein (PPGEconomia/UFJF) MQ II 2021 7 / 56

Mudanças na econometria empírica devem alterar a forma de ensinar

Flávia Chein (PPGEconomia/UFJF) MQ II 2021 8 / 56

Mudanças na econometria empírica devem alterar a forma de ensinar

Flávia Chein (PPGEconomia/UFJF) MQ II 2021 8 / 56

Mudanças na econometria empírica devem alterar a forma de ensinar

Flávia Chein (PPGEconomia/UFJF) MQ II 2021 8 / 56

Mudanças na econometria empírica devem alterar a forma de ensinar

Flávia Chein (PPGEconomia/UFJF) MQ II 2021 9 / 56

Mudanças na econometria empírica devem alterar a forma de ensinar

Flávia Chein (PPGEconomia/UFJF) MQ II 2021 9 / 56

Mudanças na econometria empírica devem alterar a forma de ensinar

Flávia Chein (PPGEconomia/UFJF) MQ II 2021 9 / 56

Flávia Chein (PPGEconomia/UFJF) MQ II 2021 10 / 56

Flávia Chein (PPGEconomia/UFJF) MQ II 2021 10 / 56

Flávia Chein (PPGEconomia/UFJF) MQ II 2021 10 / 56

Flávia Chein (PPGEconomia/UFJF) MQ II 2021 10 / 56

Flávia Chein (PPGEconomia/UFJF) MQ II 2021 10 / 56

A investigação de Dale e Krueger (2002) também começa com uma

Flávia Chein (PPGEconomia/UFJF) MQ II 2021 11 / 56

A investigação de Dale e Krueger (2002) também começa com uma

Flávia Chein (PPGEconomia/UFJF) MQ II 2021 11 / 56

A investigação de Dale e Krueger (2002) também começa com uma

Flávia Chein (PPGEconomia/UFJF) MQ II 2021 11 / 56

Fundamento: abordagem dos resultados potenciais

E [ηi |Pi , Xi ] = E [ηi |Xi ]

Flávia Chein (PPGEconomia/UFJF) MQ II 2021 12 / 56

A combinação de três ingredientes, efeitos causais constantes,

Flávia Chein (PPGEconomia/UFJF) MQ II 2021 13 / 56