4 resultados para Differences-in-Differences method
em Repositório digital da Fundação Getúlio Vargas - FGV
Resumo:
Este trabalho objetiva verificar o impacto na renda gerado pelo programa de subsídio tarifário para passageiros de transporte intermunicipal da região metropolitana do Estado do Rio de Janeiro (RMRJ), denominado Programa Bilhete Único Intermunicipal (BUI). Para cálculo do impacto foi utilizada a arrecadação do ICMS do comércio varejista como “proxy” da renda. O método para cálculo do impacto foi o de diferença de diferença (DD) para três definições distintas de grupos de tratamento e controle, considerando o período de janeiro de 2006 a janeiro de 2010 como pré-intervenção e fevereiro de 2010 a dezembro de 2014 como pós-intervenção. A primeira definição comparou a evolução de arrecadação do tributo entre os municípios participantes do programa e os municípios fluminenses situados na região limítrofe à RMRJ como grupo de controle. O segundo exercício manteve o mesmo grupo de controle, porém utilizou apenas os municípios sujeitos à intervenção situados a mais de 30 km de distância da capital Rio de Janeiro como grupo de tratamento. Por fim, como teste de robustez, os grupos de tratamento e controle foram selecionados utilizando o método de pareamento (matching). Através de três variações do modelo de DD para cada definição, foi possível encontrar resultados de impacto positivos na arrecadação de ICMS do comércio varejista para os municípios participantes do programa, em especial para os segundo e terceiro exercícios, o que sugere um aumento na renda de seus habitantes após a introdução do Bilhete Único.
Resumo:
A presente dissertação trata da estruturação de um cluster de economia criativa no centro da cidade de São Paulo, voltado à área de tecnologia. A escolha da região central, assim como da economia criativa como impulso para a requalificação econômica e reocupação social da área, tem como objetivo enfrentar o problema do esvaziamento do centro da cidade, impulsionando o empreendedorismo e o posicionamento da região como local de convivência. Para análise da viabilidade e adequabilidade dessa proposta optou-se por uma pesquisa aplicada, cujos procedimentos englobaram uma breve revisão da literatura e também entrevistas com profissionais do setor criativo. Foram realizados estudos de casos internacionais e nacionais; estudo da legislação brasileira; avaliação do nível de desenvolvimento dos setores criativos em São Paulo e reflexão sobre as vocações da cidade. Com essa bagagem, iniciou-se a modelagem do cluster de tecnologia do Distrito Criativo da Sé/República, por meio da qual se objetivou traçar propostas de ações que pudessem ser desenvolvidas em curto, médio e longo prazos. Foram apresentadas ações mais imediatas, como a realização de um branding das atividades já em andamento, medidas realizáveis no médio prazo, como a concretização de parcerias, e outras um tanto mais estruturantes, como a requalificação de espaços e de projetos. Todas essas medidas almejam otimizar a ação municipal na busca pela reocupação da região e, consequentemente, na atração de investimentos para o local, de modo a frear o processo de degradação e alavancar o processo de reposicionamento do centro da cidade de São Paulo como valioso núcleo econômico e cultural para o Município. Com o presente trabalho, chega-se à conclusão de que há exemplos no Brasil e no mundo que podem servir de inspiração para o desenvolvimento da ação proposta e que a possibilidade de se gerar um impacto positivo, mesmo em épocas de dificuldades orçamentárias, é bastante plausível.
Resumo:
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.
Resumo:
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).