MDPE

Economia Aplicada

Aula 10

EVIDÊNCIA EMPÍRICA

Clarissa Costalonga e Gandour

12.AGO.2023
Avisos

• aula de revisão (13/09): online

• monitor colocará link no canal do Teams

• prova (19/09): presencial às 19h30m

• foco em interpretação e argumentação, conforme estilo das aulas e das atividades
• pode consultar slides, anotações, livros
• não será feita no computador

• avaliação do curso
Feedback atividade aula 09

• enunciado polêmico
• monitor aceitou as duas interpretações
• foco era cálculo e interpretação do Índice de Gini

• efeito Índia e China (muito populosos): desigualdade entre cidadão dos mundos
cai, apesar de aumento na desigualdade entre e dentro de países
Plano para hoje

• inferência causal
• um sobrevoo

• agenda
• algumas estatísticas descritivas
• correlação X causalidade
• dados experimentais
• dados observacionais

• bibliografia: S. Cunningham “Causal Inference – The Mixtape”, introdução

Contexto

O PIB dos países cresce ao longo do tempo. Quanto? Com que velocidade? O que determina esse
crescimento? Que cuidados precisamos ter ao analisar esse tipo de dados?
Economia empírica

• economia como forma de explicar comportamento humano

• teórico: fundamentos
• empírico: evidências

Juntas

Fã
i

... na abordagem empírica, por que e como separar correlação e causalidade?

 carregar
RITINA mas
vi cousins
cuisine pode
ir nas DUAS
sirenes
[!] não inclui emissões associadas a uso da terra
Inferência causal
causas
reais
• estimar impacto de eventos/escolhas em determinado resultado de interesse
• combina embasamento teórico e profundo conhecimento institucional
Ficam
ftp.t ivn
• grande avanço metodológico... mas isso fica para a disciplina de econometria! =)

• sobre “competência” (segundo S. Cunningham)

• informados sobre o que cada desenho/método consegue e não consegue fazer
• capazes de trabalhar com dados, escrever código e, partindo de conhecimento teórico e
contextual, implementar desenho/método adequado

... não mais restrito à academia, relevante para negócios e política pública
Inferência causal

• correlação: costuma ser “visível”

• risco: relações espúrias (correlações altas, sem causalidade)

Por se seorrencias que Montecem

Ventos um não tem relação dont
Inferência causal

• correlação: costuma ser “visível”

• risco: relações espúrias (correlações altas, sem causalidade)

... então não serve para nada? não é bem assim!

Inferência causal

• correlação: costuma ser “visível”

• risco: relações espúrias (correlações altas, sem causalidade)

... então não serve para nada? não é bem assim!

• causalidade: nem sempre é relação óbvia... ou mesmo visível

Haji
• endogeneidade: exemplo do Mixtape
Decisõestomadas sem o sistema se interesse
• exemplo: estimar elasticidade da demanda
– medida de grande interesse
– impossível observar objetos teóricos... só observamos relações de equilíbrio
– factível ter choque exógeno de preços, com todo o resto constante?
Inferência causal

... dá para contornar?

i
desenhar e as possibili
prover
dados de contaminar
• experimentos aleatorizados os
mto
grupos
• como ensaios clínicos com grupos de tratamento e de controle
• participação ativa do pesquisador, condições “de laboratório” experimente
• alguns exemplos
– microcrédito: entrada de financeira em área rural do Marrocos, expansão em fases

I fora
– campanhas de imunização: aleatorização de vilas na Índia, grupos com/sem incentivos
– discriminação racial: envio CVs idênticos com mudanças de nomes, explora ocupações,
indústrias e tamanhos de firma
• desafios: desenho robusto (antes de implementar), custo financeiro, questões
éticas/morais, tempo, interesse de stakeholders
Inferência causal

... dá para contornar?

• dados observacionais e econometria

• pesquisas (surveys) tipicamente retrospectivas; recente avanço de “big data”
• participação passiva do pesquisador (no processo de geração dos dados), não interfere no
ambiente observado

Feia
E sua
• desafios: qualidade dos dados, estabelecer causalidade na presença de endogeneidade ―
escolha de método, hipótese de identificação, mitigação de viés (ex: seleção), identificação
de mecanismos, ...

causalidade reversa uma coisa crua

surf
É
ÉTER instrumental policia crime
afeta a variável se interesse mas na
resultam de interesse are a
Inferência causal: considerações finais

• fundamental ter conhecimento robusto sobre teoria (métodos) e contexto

institucional
• identificar oportunidades, desenhar pesquisas, interpretar resultados, discutir implicações

• ética de pesquisa: (deveria ser) mais importante fazer um trabalho correto do

que buscar determinado resultado
• viés de confirmação, viés de publicação, ...
 dúvidas?

* sorteio grupos para atividade *

Atividade em grupo

Acessar os dados do Projeto Maddison e com auxílio do Excel ou outro software:

a) Calcular as taxas de crescimento do PIB per capita de 1820 em diante para Brasil e EUA.

b) Computar numa tabela: crescimento médio de cada um desses dois países, juntamente com desvio-padrão
e coeficiente de variação.

c) Usando apenas os anos do período 2000-2018, traçar o gráfico do crescimento médio e do crescimento
mediano mundial.

d) Comentar a frase: “meus dados coletados durante um ano inteiro de idas à praia indicam que consumo de
sorvetes e de bebidas estão positivamente correlacionados; daí desenvolvi uma teoria: sorvete dá muita
sede”. Como esse comentário deve ser levado em consideração na hora de entendermos os determinantes
do PIB de um país?