Ensaios em desenvolvimento e crescimento econômico

Esta tese é composta por três ensaios, um na linha de desenvolvimento econômico e dois na linha de crescimento. O primeiro deles trata de uma investigação sobre o papel do acesso à energia elétrica a nível domiciliar na alocação do tempo das crianças e adolescentes do Brasil rural entre frequentar a escola e participar do mercado de trabalho. Para o estabelecimento da relação causal entre energia elétrica e a alocação de tempo se utilizam os critérios de prioridade de obras do programa Luz Para Todos como fonte de variação exógena no acesso à energia elétrica dos domicílios localizados na zona rural do Brasil. Aplicam-se os métodos de Regressão Descontínua e Diferenças em Diferenças com Variáveis Instrumentais. Os resultados obtidos da segunda metodologia apontam que a presença de energia elétrica aumenta a probabilidade das crianças e adolescentes estarem matriculadas na escola, não estarem atrasadas em relação à série que deveriam estar dada sua idade, serem alfabetizadas e não estarem trabalhando. Entre os possíveis canais capazes de explicar estes resultados está a maior participação das mães no mercado de trabalho. Entretanto, não se pode descartar a hipótese de que os resultados observados sejam justificados pelo aumento do aceso à energia elétrica a nível escolar, o que pode tornar as escolas melhores e mais atrativas, ou consequência do aumento do recebimento do programa Bolsa Família que exige frequência escolar das crianças e adolescentes. Já o segundo ensaio objetiva colaborar à literatura de instituições e crescimento econômico através da investigação do impacto da mudança institucional ocorrida em Cuba após a revolução socialista de 1959 sobre a trajetória da renda per capita do país. Para tanto, aplica-se o método de controle sintético para a obtenção do contrafactual da trajetória da renda per capita na ausência da revolução. Os resultados apontam que a trajetória do PIB per capita anual de Cuba entre 1959 a 1980 foi inferior ao que teria sido caso não tivesse sido implantado o regime socialista. Este resultado é robusto aos diferentes testes de placebo implantados e ao uso de distintas séries do PIB per capita de Cuba. Hipóteses alternativas à mudança institucional, mas também capazes de explicar a trajetória inferior do PIB per capita, são discutidas com base na literatura e na descrição de dados. A discussão sugere que foi de fato a mudança institucional a causa do efeito negativo observado sobre a economia cubana durante o período de análise. Por fim, o terceiro estudo investiga o custo econômico de um desastre natural ocorrido no Brasil em 2008, a saber, o excesso de chuvas em Santa Catarina entre os meses de novembro e dezembro daquele ano. Este artigo colabora com mais uma evidência para a recente literatura de desastres naturais. No Brasil não há nenhum trabalho, sob nosso conhecimento, medindo empiricamente o impacto que um desastre natural tenha acarretado a uma região atingida. Este estudo está estruturado em duas partes. Na primeira se utiliza o controle sintético para medir o impacto das chuvas na produção industrial de Santa Catarina. Propõe-se uma pequena acomodação do método para tratar o possível transbordamento dos efeitos das chuvas nos demais estados. Já na segunda parte, utiliza-se o método de diferenças em diferenças para medir o impacto das chuvas no PIB per capita das cidades mais atingidas. Os resultados apontam que para um período de dois anos após o final de 2008, o desastre causou uma produção industrial mensal 2.0% menor do que seria caso as chuvas não tivessem ocorrido. Por municípios, o efeito estimado do desastre sobre o PIB per capita se situou ao redor de -7,0% em 2008 e -5,0% em 2009. Em 2010 não há evidências de efeito.

Assessing Dodd Frank Effects on banking capital structure and Banker´s Pay structure

The systemic financial crisis that started in 2008 in the United States had some severe effects in the economic activity and required the bailout of financial institutions with the use of taxpayer’s money. It also originated claims for stronger regulatory framework in order to avoid another threat in the financial market. The Dodd Frank Act was proposed and approved in the United States in the aftermath of the crisis and brought, among many other features, the creation of the Financial Stability Oversight Council and the tougher inspection of financial institutions with asset above 50 billion dollars. The objective of this work is to study the causal effect of the Dodd Frank Act on the behavior of the treatment group subject to monitoring by the Financial Stability Oversight Council (financial institutions with assets above 50 billion dollars) regarding capital and compensation structure in comparison to the group that was not treated. We use data from Compustat and our empirical strategy is the Regression Discontinuity Design, not usually applied to the banking literature, but very useful for the present work since it allows us to compare the treatment group and the non-treatment group in the year of the enactment of the law (2010). No change of behavior was observed for the Capital Structure. In the Compensation Schemes, however, a decrease was found in the item other compensation for CEOs and CFOs. We also performed a robustness check by running a placebo test on the variables in the year before the law was enacted. No significance was found, which supports the conclusion that our main results were caused by the enactment of the DFA.

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).

Labor rights, formality and spillovers: evidence from Brazil

Nós analisamos o efeito da emenda constitucional 72/13 no Brasil, que igualou direitos trabalhistas de empregadas domésticas a aqueles de outros empregados. Mostramos que, após a legislação, uma considerável cobertura midiática e um interesse público intensificado aumentou o conhecimento geral de direitos trabalhistas de empregadas domésticas. Como consequência, o não-seguimento de legislações trabalhistas no setor de serviços domésticos ficou mais difícil. Ao mesmo tempo, a necessidade de regulamentar adicionalmente a emenda fez com que custos trabalhistas ficassem praticamente inalterados. Usando uma abordagem de diferença-em-diferenças que compara ocupações selecionadas ao longo do tempo, mostramos que a emenda -- e a discussão que ela causou -- levou a um aumento na formalização e nos salários de empregados domésticos. Então, usando a heterogeneidade do impacto da emenda em grupos demográficos, nossos resultados mostram que emprego doméstico foi reduzido e que mulheres pouco qualificadas saíram força de trabalho e foram para empregos de menor qualidade. Testes de placebo e análises de robustez indicam que nossos resultados não são explicados por diversas interpretações alternativas.

Cherry picking with synthetic controls

The synthetic control (SC) method has been recently proposed as an alternative method to estimate treatment e ects in comparative case studies. Abadie et al. [2010] and Abadie et al. [2015] argue that one of the advantages of the SC method is that it imposes a data-driven process to select the comparison units, providing more transparency and less discretionary power to the researcher. However, an important limitation of the SC method is that it does not provide clear guidance on the choice of predictor variables used to estimate the SC weights. We show that such lack of speci c guidances provides signi cant opportunities for the researcher to search for speci cations with statistically signi cant results, undermining one of the main advantages of the method. Considering six alternative speci cations commonly used in SC applications, we calculate in Monte Carlo simulations the probability of nding a statistically signi cant result at 5% in at least one speci cation. We nd that this probability can be as high as 13% (23% for a 10% signi cance test) when there are 12 pre-intervention periods and decay slowly with the number of pre-intervention periods. With 230 pre-intervention periods, this probability is still around 10% (18% for a 10% signi cance test). We show that the speci cation that uses the average pre-treatment outcome values to estimate the weights performed particularly bad in our simulations. However, the speci cation-searching problem remains relevant even when we do not consider this speci cation. We also show that this speci cation-searching problem is relevant in simulations with real datasets looking at placebo interventions in the Current Population Survey (CPS). In order to mitigate this problem, we propose a criterion to select among SC di erent speci cations based on the prediction error of each speci cations in placebo estimations