Questões de Concurso Público IPEA 2024 para Técnico de Planejamento e Pesquisa - Políticas Públicas e Avaliação

Ruas com iluminação pública diminuem o risco de crimes, segundo experimento
Escuridão favorece o fator surpresa da ação criminosa e dificulta a identificação de sua autoria


Se a escuridão favorece o fator surpresa da ação criminosa e dificulta a identificação de sua autoria, a principal hipótese é que o aumento da visibilidade permitido pela iluminação pública acabaria com essas vantagens, diminuindo os riscos de se cometer um crime.
Um experimento realizado em parceria com a polícia metropolitana de Nova York apontou para uma redução de 36% nos crimes ocorridos durante a noite em ruas que receberam iluminação pública extra por um período de seis meses, entre março e agosto de 2016.
Disponível em: https://www.otempo.com.br/brasil/ruas-com-iluminacao-publica-diminuem-o-risco-de-crimes-segundo-experimento-1.2209834. Acesso em: 2 jan. 2024. Adaptado.

Com base nessa experiência, o prefeito de uma determinada cidade resolveu implementar um programa de expansão do número de postes em uma localidade rural da cidade, com problemas de iluminação pública, que é considerada um bem público. A prefeitura também conseguiu inferir, a partir de uma pesquisa, a média do benefício marginal da instalação de postes de iluminação para 3 grupos de moradores com o mesmo tamanho (predisposição a pagar), conforme a Tabela seguinte: 




Sabe-se que, para a prefeitura, o custo de instalação de cada poste é de R$ 16,00.

Nesse contexto, conclui-se que,

Um governo implementou um programa de treinamento para trabalhadores em uma indústria específica visando melhorar suas habilidades. Uma amostra de 6 indivíduos foi selecionada para avaliar o impacto do programa.
Os resultados de cada indivíduo i estão apresentados na seguinte Tabela:




Na Tabela,
• Y_i ¹ representa o resultado para o indivíduo i, caso ele participe do programa.
• Y_i ⁰ representa o resultado para o indivíduo i, caso ele não participe do programa.
• D_i = 1 indica que o indivíduo i foi tratado (participou do programa) e 0 caso contrário.

Qual o Efeito Médio do Programa – EMP (Average  Treatment Effect - ATE) e o Efeito Médio do Programa sobre os Tratados – EMPT (Average Treatment Effect for the Treated - ATT)?

O Pareamento por Escore de Propensão (Propensity Score Matching) é um método estatístico usado para reduzir o viés em estudos observacionais, ao criar grupos de tratamento e controle similares com base em uma pontuação de propensão calculada, representando a probabilidade de receber um tratamento.

No Pareamento por Escore de Propensão, um algoritmo utilizado para emparelhar cada sujeito tratado com um ou mais sujeitos não tratados que têm as pontuações de propensão mais próximas é o pareamento por

Com base em um painel balanceado, construído a partir de uma amostra representativa de trabalhadores de um dado município brasileiro entre 2015 e 2019, um pesquisador estimou duas equações por meio dos modelos de Efeitos Fixos e Aleatórios, com o objetivo de estudar os determinantes do salário real dos trabalhadores da localidade em questão.

Equação I




O p-valor do Teste de Hausman obtido é igual a 0,001.

Equação II



O p-valor do Teste de Hausman obtido é igual a 0,265.
A base de dados é composta pelas seguintes variáveis:
• salario = salário real; • exper = anos de experiência profissional;
• casado = variável dummy igual a 1 se casado e 0 caso contrário;
• sindicato = variável dummy igual a 1 se sindicalizado e 0 caso contrário; • D15,D16,D17,D18 e D19 são os efeitos fixos de cada ano no tempo;
• a_I,i e a_II,i são os efeitos fixos não observados associados aos trabalhadores das Equações I e II, respectivamente;
• ε_I,it e ε_II,it são os termos de erro das Equações I e II, respectivamente.

Com base nos resultados dos Testes de Hausman e considerando o nível de significância a 5%, conclui-se que os coeficientes

O modelo de Regressão com Descontinuidade (RDD) é uma técnica estatística usada para avaliar o impacto causal de uma variável independente em uma variável dependente, quando essa variável independente ultrapassa um certo limite ou ponto de corte.

Suponha que se esteja investigando o efeito do número de horas de estudo (variável independente) no desempenho em um teste (variável dependente). Assumindo-se que haja um ponto de corte de 5 horas de estudo e que se deseje verificar se há algum efeito no resultado do teste ao se ultrapassar esse ponto de corte.

A equação para esse modelo pode ser expressa da seguinte forma:

Y_i = 60 + 5X_i + 8D_i + ϵ_i ,

onde

• Y_i é o desempenho no teste para o indivíduo i;

• X_i é o número de horas de estudo para o indivíduo i;

• D_i é uma variável indicadora que vale 1 se X_i > 5 horas e 0 caso contrário para o indivíduo i;

• ϵ_i é o termo de erro para o indivíduo i.

Ao se comparar um estudante que estuda 6 horas para um teste com um outro que estuda 4 horas, de acordo com o modelo RDD apresentado acima, verifica-se que o