1 of 54

Dados em Painel�Aula 01

Prof. Diego Carneiro | dr.carn@gmail.com

https://sites.google.com/view/drcarn/

2 of 54

Definição

Dados organizados na forma de Painel combinam duas dimensões:

espacial e temporal.

3 of 54

Fonte: MAIA, A. G. Análise de Dados em Painel. Universidade Estadual de Campinas

4 of 54

Introdução aos Dados em Painel

Ex.: (Dados em Painel) Expectativa de Vida nos 27 Estados Brasileiros de 2001 a 2010;

Cada estado possui a informação em 10 períodos diferentes;
Em cada ano tem-se 27 observações;
A base completa possui 270 observações.

5 of 54

Introdução aos Dados em Painel

Ex.: (Dados Empilhados) Informações do empregados da Construção Civil de 2016 a 2020;

Cada ano é realizado uma amostragem da população de trabalhadores da Construção;
Em cada amostragem trabalhadores diferentes são entrevistados;
Não é possível acompanhar um trabalhador ao longo do tempo (logitudinalidade)

6 of 54

Introdução aos Dados em Painel

Vantagens do uso de dados em painel:

Melhores propriedades estatísticas: dados mais informativos, maior variabilidade, menos colinearidade entre variáveis, mais graus de liberdade e mais eficiência;
Mais adequados para examinar a dinâmica da mudança;
Permitem levar em consideração a heterogeneidade das unidades crossection, assim como choques comuns em cada período.

7 of 54

Fonte: MAIA, A. G. Análise de Dados em Painel. Universidade Estadual de Campinas

8 of 54

Introdução aos Dados em Painel

Atrito em Dados em Painel

Consiste no “desaparecimento” de unidades crossection ao longo do tempo;
Se o fenômeno é de natureza não aleatória, os resultados da estimação podem ser afetados;

Ex.: Evasão escolar de alunos com baixo desempenho.

9 of 54

Dados em Painel�Aula 02

Prof. Diego Carneiro | dr.carn@gmail.com

https://sites.google.com/view/drcarn/

10 of 54

Modelos Empilhados (Pooled)

≥ 0

11 of 54

Fonte: MAIA, A. G. Análise de Dados em Painel. Universidade Estadual de Campinas

12 of 54

Modelos Empilhados (Pooled)

13 of 54

Modelos Empilhados (Pooled)

Número de parâmetros excluídos

→ Intercepto e parâmetros constantes.

14 of 54

Modelos Empilhados (Pooled)

15 of 54

Modelos Empilhados (Pooled)

Caso mais simples:

Teste de Chow

16 of 54

Modelos Empilhados (Pooled)

Exemplo:

Objetivo: Estimar a taxa de retorno da educação.
Dados: PNAD 2001 a 2006 (Dados empilhados)
Variáveis:

Var. dependente: log do salário real por hora;
esc: escolaridade, em anos de estudo;
exp: experiência, em anos;
branca: dummy, 1 se o trabalhador se declarou branco, 0 c.c.;

SULIANO, Daniel Cirilo; SIQUEIRA, Marcelo Lettieri. Retornos da educação no Brasil em âmbito regional considerando um ambiente de menor desigualdade. Economia Aplicada, v. 16, n. 1, p. 137-165, 2012.

17 of 54

Dados em Painel�Aula 03

Prof. Diego Carneiro | dr.carn@gmail.com

https://sites.google.com/view/drcarn/

18 of 54

Diferenças em Diferenças

Método muito utilizado na avaliação de políticas;
Experimento Natural: quando um evento exógeno (política) afeta o comportamento de algumas unidades crossection (tratados) e outras não (controles);
Requer informações de pelo menos dois períodos: antes e depois da política.
Obs.: Não requer logitudinalidade (grupos diferentes em cada coorte).

19 of 54

Diferenças em Diferenças

Intuição: A distância entre tratados e controles, após a política, se alterou com relação a antes da política?

Antes

Depois

Efeito da Política

20 of 54

Diferenças em Diferenças

21 of 54

Diferenças em Diferenças

22 of 54

Diferenças em Diferenças

23 of 54

Diferenças em Diferenças

Exemplo:

Objetivo: Avaliar efeito de uma política educacional.
Dados: SAEB 2007 e 2009
Grupo de Tratamento: Municípios Cearenses
Grupo de Controle: Municípios Baianos.

PETTERINI, Francis Carlo; IRFFI, Guilherme Diniz. Evaluating the impact of a change in the ICMS tax law in the state of Ceará in municipal education and health indicators. EconomiA, v. 14, n. 3-4, p. 171-184, 2013.

24 of 54

Dados em Painel�Aula 04

Prof. Diego Carneiro | dr.carn@gmail.com

https://sites.google.com/view/drcarn/

25 of 54

Modelo de efeitos não observados

Heterogeneidade individual não observada e fixa no tempo.

26 of 54

Modelo de efeitos não observados

Efeitos Aleatórios

Parâmetro a ser estimado

Variável Aleatória

Modelo em diferenças

MQO com dummies (LSDV)

Whithin Transformation

Efeitos Fixos

MQG

Max. Verossimilhança

27 of 54

Dados em Painel�Aula 05

Prof. Diego Carneiro | dr.carn@gmail.com

https://sites.google.com/view/drcarn/

28 of 54

Modelo de Efeitos Fixos

29 of 54

Modelo de Efeitos Fixos

30 of 54

Modelo de Efeitos Fixos

Equivale a calcular um intercepto para cada unidade.

31 of 54

Modelo de Efeitos Fixos

32 of 54

Modelo de Efeitos Fixos

33 of 54

Modelo de Efeitos Fixos

Quando utilizar cada modelo? (regra de bolso)

Característica (comparado ao Pooled)	Modelo em Diferenças	LSDV	Whithin Transformation
Perde-se a coorte do primeiro período	Sim	Não	Não
Exige hipótese mais forte	Não	Sim	Não
Pode induzir autocorrelação do termo de erro	Sim	Não	Não
Perde-se N graus de liberdade	Sim	Sim	Sim
Não permite covariadas constantes no tempo	Sim	Sim	Sim

N pequeno

T grande

Erros fortemente auto correlacionados

Pooled Data

Para nível mais agregado

34 of 54

Dados em Painel�Aula 06

Prof. Diego Carneiro | dr.carn@gmail.com

https://sites.google.com/view/drcarn/

35 of 54

Modelo de Efeitos Aleatórios

36 of 54

Modelo de Efeitos Aleatórios

37 of 54

Modelo de Efeitos Aleatórios

38 of 54

Modelo de Efeitos Aleatórios

39 of 54

Modelo de Efeitos Aleatórios

40 of 54

Dados em Painel�Aula 07

Prof. Diego Carneiro | dr.carn@gmail.com

https://sites.google.com/view/drcarn/

41 of 54

Selecionando o melhor modelo

42 of 54

Selecionando o melhor modelo

43 of 54

Selecionando o melhor modelo

Efeitos Fixos (EF) ou Efeitos Aleatórios (EA)? (Teste de Hausman, 1978)

Intuição: se houver auto correlação do termo de erro EA e EF são consistentes, mas EF é ineficiente. Caso contrário, EF será consistente, mas EA não.
Assim, se houver auto correlação, os estimadores dos dois modelos não deveriam diferir em média, apesar dos de EF possuírem maior variância;
O teste de Hausman então compara os estimadores das duas regressões, se forem iguais, há presença de autocorrelação e EA deve ser preferido. Caso contrário, EF deve ser utilizado.

44 of 54

Selecionando o melhor modelo

Efeitos Fixos (EF) ou Efeitos Aleatórios (EA)? (Teste de Hausman, 1978)

Hipótese nula: presença de auto correlação → EA mais eficiente.
Hipótese alternativa: ausência de auto correlação → EA inconsistente.

Estatística (chi-2):

45 of 54

Selecionando o melhor modelo

Resumindo...

H0: MQO

H1: EF

Teste de Chow

H0: MQO

H1: EA

Breush-Pagan

MQO é o mais adequado!

Hausman

H0: EA → EA é o mais adequado!

H1: EF → EF é o mais adequado!

46 of 54

Dados em Painel�Exercícios

Prof. Diego Carneiro | dr.carn@gmail.com

https://sites.google.com/view/drcarn/

47 of 54

Exercícios Resolvidos

48 of 54

Exercícios Resolvidos

→ Modelo Restrito

→ Modelo Irrestrito

49 of 54

Exercícios Resolvidos

Rejeita H0!

→ Modelo Irrestrito

50 of 54

Exercícios Resolvidos

02 – Considere os testes a seguir para a seleção do modelo mais adequado de Dados em Painel. Explique os resultados de cada teste, mostrando quais suas hipóteses e a que conclusão esses resultados conduzem.

51 of 54

Exercícios Resolvidos

Resumindo...

H0: MQO

H1: EF

Teste de Chow

H0: MQO

H1: EA

Breush-Pagan

MQO é o mais adequado!

Hausman

H0: EA → EA é o mais adequado!

H1: EF → EF é o mais adequado!

52 of 54

Exercícios Resolvidos

Resolução:

→ Rejeita H0: EF melhor que OLS

→ Rejeita H0: EA melhor que OLS

→ Não rejeita H0: EA melhor que EF

53 of 54

Exercícios Resolvidos

03 – Considerando a equação de salários a seguir, e na presença de auto correlação dos termos de erro, qual o efeito de um ano a mais de experiência sobre o salário de um trabalhador com 10 anos de experiência? Esse efeito é maior ou menor do que sobre um trabalhador com apenas 1 ano de experiência?

54 of 54

Exercícios Resolvidos

→ EA