Questões de Economia para Concurso

Considere um cenário hipotético em que um país, País Z, implementou uma política para reduzir os benefícios de seguro-desemprego em 2017, e que um pesquisador quer avaliar o seu impacto. O método utilizado pelo pesquisador  para estimar o efeito dessa política é o controle sintético. Dito isso, considere as seguintes informações:
• taxa de desemprego do País Z em 2016 = 7%;
• taxa de desemprego do País Z em 2018 = 5%;
• taxas de desemprego das Unidades de Controle (Países P, Q, R, S, T) em 2016 = variando de 6% a 8%;
• taxas de desemprego das Unidades de Controle (Países P, Q, R, S, T) em 2018 = variando de 4% a 6%;
• taxa de desemprego sintética do País Z em 2016 = 6,5%;
• taxa de desemprego prevista para o controle sintético em 2018: 6%.

Nessa situação, qual foi o efeito estimado da política sobre a taxa de desemprego do País Z no ano seguinte à implementação da política de redução do seguro-desemprego?

Seja um modelo autorregressivo de ordem 1, AR(1), para uma variável Yt estacionária, conforme a seguinte especificação:

Y_t = 3 + 0,5Y_t-1 + u_t ,

onde E(u_t) =0 e Var(u_t) = 6. Assuma, também, que u_t e Y_t-1 são independentes.

Nesse cenário, qual é a variância de Y_t?

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

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 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