Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Luciano Sampaio
Gertler et al. Avaliação de Impacto na Prática. (versão online
gratuita de livro do Banco Mundial, traduzida):
https://openknowledge.worldbank.org/bitstream/handle/10986/25030
/9781464808890.pdf
▪ Aula de hoje: Cap 3 e 4.
2
Naércio Menezes Filho (organizador). Avaliação Econômica
de Projetos Sociais. Livro de Avaliação da Fundação Itaú
Social.
https://edisciplinas.usp.br/pluginfile.php/188592/mod_resource/conte
nt/1/Livro_Av_Econ_ajuste.pdf
▪ CAPÍTULO 2. Modelo de resultados potenciais Miguel Nathan Foguel.
3
Impacto =
Resultado do programa –
Resultado que teria acontecido se o
programa não tivesse sido implementado
4
Seja 𝑌 a variável de resposta (de interesse da política).
Seja 𝐷 uma variável dummy que indica que a pessoa participou da política
(tratada).
1, 𝑠𝑒 𝑝𝑒𝑠𝑠𝑜𝑎 é 𝑡𝑟𝑎𝑡𝑎𝑑𝑎
𝐷𝑖 =
0, 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜
Assim, 𝑌𝑖1 = 𝑌𝑖 (1) é o resultado da pessoa 𝑖 caso ela seja tratada e 𝑌𝑖0 =
𝑌𝑖 (0) é o resultado da pessoa 𝑖 caso ela seja não tratada.
Cada pessoa tem um par de resultados potenciais (𝑌𝑖 1 , 𝑌𝑖 (0)) e outras
características observadas 𝑋𝑖 e não observadas, 𝑢𝑖 .
O impacto da política na pessoa 𝑖 é:
𝛼𝑖 = 𝑌𝑖 1 − 𝑌𝑖 0
Desejamos estimar o impacto na média das pessoas da população:
𝛼 = 𝐸 𝛼𝑖 = 𝐸 𝑌𝑖 𝐷𝑖 = 1 − 𝐸(𝑌𝑖 |𝐷𝑖 = 0)
5
O contrafactual ideal pegaria o mesmo grupo de pessoas em duas
situações diferentes no mesmo instante de tempo. Teríamos um
clone perfeito para cada pessoa:
6
Duas formas ingênuas de avaliar um programa são:
Comparação entre tratados e não tratados quando a decisão de
participar do programa não é aleatória
▪ Problema de viés de seleção, em que as pessoas que participam do
programa não são semelhantes às que não participam
▪ Muitas vezes os programas são focados nos mais pobres ou nos
com piores desempenhos
▪ Também há a possibilidade de, dentre os indivíduos elegíveis,
aqueles que buscam participar do programa são mais motivados
ou mais informados
Intervenção
Tempo
8
Resultado
Intervenção
Tempo
9
Resultado
Intervenção
Tempo
10
Problema: o contrafactual não é observado!
Solução: precisamos encontrar um grupo para « substituir » o contrafactual:
Grupo de controle: grupo de pessoas “iguais” às pessoas
tratadas, mas não afetadas pelo programa
11
Escolha do grupo de controle pode ser por:
Randomização: selecione aleatoriamente pessoas que fazem parte do
programa e que fazem parte do grupo de controle
Não-randomização: argumente que um certo grupo é similar ao grupo
tratado se não tivesse tido tratamento
Métodos não-experimentais:
Comparação antes e depois (« ingênuo »)
(a serem vistos na disciplina de Avaliação; baseados em regressão)
Diferenças em diferenças/controle sintético
Propensity matching score
Descontinuidade de regressão
Variáveis instrumentais
12
Pegue uma amostra de pessoas elegíveis para entrar no programa
13
Pessoas
não
População Avaliadas
Alvo
Grupo de
Amostra tratamento
para Randomização
avaliação Grupo de
controle
14
Programa Balsakhi
15
Implementado por Pratham, uma ONG da India
16
Inicialmente, tratamento não é randomizado
17
1. Antes x Depois
Compara a nota média inicial
de alunos (antes de terem
tutores) com a nota média
final dos mesmos alunos no
final do ano (depois de terem
tutores)
18
1. Antes x Depois
Nota média para crianças com tutores no 51.22
final do ano (depois)
Nota média para crianças com tutores no 24.80
início do ano (antes)
Diferença = 26.42
19
1. Antes x Depois: Impacto?
Nota média
24.80
20
2. Diferença simples entre grupos
Compare as notas médias de:
22
2. Diferença simples: Impacto?
Nota média
23
3. Diferença em diferenças (DD)
Compare GANHOS em notas médias de:
controle
Impacto= 6.82?
Ganho para
grupo de
tratamento
26
Comparação entre impactos dos métodos:
Método Impacto
Antes x Depois 26.42*
Diferença simples -5.05*
Diferença em diferenças 6.82*
Experimento 5.87*
*: estatisticamente significante a 5%
28
Regressão Linear Simples: relação entre duas variáveis
Como analisar relação causal (de impacto de programa, p.e.)?
▪ Causalidade da teoria; regressão simples capta relação entre duas variáveis
▪ Demonstração: como encontrar os parâmetros da relação linear por MQO
Demonstração:
Relação Linear: 𝑦 = 𝛽0 + 𝛽1 𝑥 + 𝑢
29
Regressão Linear Simples: relação entre duas variáveis
Como analisar relação causal (de impacto de programa, p.e.)?
▪ Causalidade da teoria; regressão simples capta relação entre duas variáveis
▪ Demonstração: como encontrar os parâmetros da relação linear por MQO
Demonstração:
Relação Linear: 𝑦 = 𝛽0 + 𝛽1 𝑥 + 𝑢
▪ Parâmetro que mede o impacto de x e y?
n
i 1
30
Regressão Linear Simples: relação entre duas variáveis
Como analisar relação causal (de impacto de programa, p.e.)?
▪ Causalidade da teoria; regressão simples capta relação entre duas variáveis
▪ Demonstração: como encontrar os parâmetros da relação linear por MQO
Demonstração:
Relação Linear: 𝑦 = 𝛽0 + 𝛽1 𝑥 + 𝑢
▪ Parâmetro que mede o impacto de x e y?
n
i 1
ˆ cov( x, y )
1
var( x)
31
Regressão Linear Simples: relação entre duas variáveis
Como analisar relação causal (de impacto de programa, p.e.)?
▪ Causalidade da teoria; regressão simples capta relação entre duas variáveis
▪ Demonstração: como encontrar os parâmetros da relação linear por MQO
32