A crise do casamento contemporâneo: um estudo psicossocial

A atual família nuclear urbana e a instituição do casamento passam por momentos difíceis. Profundas mudanças sócio-econômicas levaram o casamento contemporâneo a um estado de crise caracterizado pelo aumento do número de separações a tal ponto que aproximadamente, cinquenta por cento das uniões, nos dias de hoje, tendem à ruptura em poucos anos. Na primeira parte de nosso trabalho expomos os fatores aparentemente responsáveis por essa situação. Assim, a diminuição da religiosidade, a modernização e a industrialização, o encurtamento das famílias, a excessiva e acrítica valorização do amor como base única do casamento e solução para todos os males, o aumento da longevidade, ·a revolução sexual, um estilo de vida que privilegia um individualismo exarcebado, a emancipação feminina, a menor integração social na comunidade e o isolamento excessivo seriam .as principais causas da crise e da configuração do que denominamos - pelo fechamento e isolamento resultantes - de família. Com os objetivos de testar uma série de hipóteses relacionadas à propensão ao divórcio e de contrastar o que pensam os estudiosos da área com o que as pessoas no seu dia a dia consideram como causas da crise, expomos na segunda parte de nosso trabalho os resultados de pesquisa realizada com quatrocentos sujeitos de classe media, distribuídos em quatro condições: jovens solteiros, casados, separados e casados idosos (metade do sexo masculino, metade do feminino). Através de questionários criados para esse fim, comparamos as avaliações pessoais em função das diferenças de estado civil, faixa etária e sexo, nos quatro grupos - outra de nossas metas. Abordamos também a aplicação de alguns princípios da psicologia social a nossa área de estudos. Para tanto incluímos nos questionários perguntas tendo como embasamento teórico (a) as hipóteses de Jones e Nisbett sobre perspectivas divergentes na atribuição de causalidade entre atores e observadores, (b) a percepção de ineqüidades existentes na relação entre homens e mulheres e suas consequências (tópicos em justiça distributiva) e (c) a divisão de poder no casamento. As conclusões de nosso trabalho estão na última seção, onde são sumarizadas e relacionadas como exposto na primeira parte as hipóteses que confirmamos: a hipervalorização do amor, principalmente entre os mais jovens, a crescente secularizaçao e suas implicações, o movimento feminista, o espírito individualista reinante e o grande número de relações extramaritais são alguns dos principais fatores que contribuem para a dissolução das uniões. Verificamos ainda, além de distintas visões do casamento por parte de homens e mulheres, a relação entre a percepção de inequidades no casamento e insatisfação conjugal, a existência de perspectivas divergentes em termos de atribuição causal entre atores e observadores e uma divisão mais igualitária de poder entre casais jovens.

Inference in differences-in-differences with few treated groups and heteroskedasticity

Differences-in-Differences (DID) is one of the most widely used identification strategies in applied economics. However, how to draw inferences in DID models when there are few treated groups remains an open question. We show that the usual inference methods used in DID models might not perform well when there are few treated groups and errors are heteroskedastic. In particular, we show that when there is variation in the number of observations per group, inference methods designed to work when there are few treated groups tend to (under-) over-reject the null hypothesis when the treated groups are (large) small relative to the control groups. This happens because larger groups tend to have lower variance, generating heteroskedasticity in the group x time aggregate DID model. We provide evidence from Monte Carlo simulations and from placebo DID regressions with the American Community Survey (ACS) and the Current Population Survey (CPS) datasets to show that this problem is relevant even in datasets with large numbers of observations per group. We then derive an alternative inference method that provides accurate hypothesis testing in situations where there are few treated groups (or even just one) and many control groups in the presence of heteroskedasticity. Our method assumes that we can model the heteroskedasticity of a linear combination of the errors. We show that this assumption can be satisfied without imposing strong assumptions on the errors in common DID applications. With many pre-treatment periods, we show that this assumption can be relaxed. Instead, we provide an alternative inference method that relies on strict stationarity and ergodicity of the time series. Finally, we consider two recent alternatives to DID when there are many pre-treatment periods. We extend our inference methods to linear factor models when there are few treated groups. We also derive conditions under which a permutation test for the synthetic control estimator proposed by Abadie et al. (2010) is robust to heteroskedasticity and propose a modification on the test statistic that provided a better heteroskedasticity correction in our simulations.

Inference in differences-in-differences with few treated groups and heteroskedasticity

Differences-in-Differences (DID) is one of the most widely used identification strategies in applied economics. However, how to draw inferences in DID models when there are few treated groups remains an open question. We show that the usual inference methods used in DID models might not perform well when there are few treated groups and errors are heteroskedastic. In particular, we show that when there is variation in the number of observations per group, inference methods designed to work when there are few treated groups tend to (under-) over-reject the null hypothesis when the treated groups are (large) small relative to the control groups. This happens because larger groups tend to have lower variance, generating heteroskedasticity in the group x time aggregate DID model. We provide evidence from Monte Carlo simulations and from placebo DID regressions with the American Community Survey (ACS) and the Current Population Survey (CPS) datasets to show that this problem is relevant even in datasets with large numbers of observations per group. We then derive an alternative inference method that provides accurate hypothesis testing in situations where there are few treated groups (or even just one) and many control groups in the presence of heteroskedasticity. Our method assumes that we know how the heteroskedasticity is generated, which is the case when it is generated by variation in the number of observations per group. With many pre-treatment periods, we show that this assumption can be relaxed. Instead, we provide an alternative application of our method that relies on assumptions about stationarity and convergence of the moments of the time series. Finally, we consider two recent alternatives to DID when there are many pre-treatment groups. We extend our inference method to linear factor models when there are few treated groups. We also propose a permutation test for the synthetic control estimator that provided a better heteroskedasticity correction in our simulations than the test suggested by Abadie et al. (2010).