Noções de Desenho de Pesquisa
Experimentos, Quase-Experimentos e Estudos
Observacionais
Cesar Zucco
Rutgers University
CEFOR, março de 2013
Objetivos
• Conhecer a definição contra-factual de causalidade
• Entender a “impossibilidade” de se observar causalidade
• Conseguir imaginar o desenho de pesquisa “ideal” para
responder a sua pergunta
• Saber identificar os três grandes modos de se tentar inferir
causalidade, na prática
Logı́stica e Objetivos
• Dois longos encontros
• Hoje 9:00–12:00
Definição contra-factual de causalidade
(Mais abstrato)
• Amanhã 9:00–12:00
Experimentos, quase-experimentos, estudos
observacionais
(Mais aplicado)
• “Slides” serão disponibilizados
http://fas-polisci.rutgers.edu/zucco/cursocefor.htm
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
O que há de “cientı́fico” na ciência social?
• Ciência:
• A definição contra-factual de causalidade nos ajuda a
pensar o método que estamos usando
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
O que há de “cientı́fico” na ciência social?
• Ciência: estudo sistemático
• A definição contra-factual de causalidade nos ajuda a
pensar o método que estamos usando
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
O que há de “cientı́fico” na ciência social?
• Ciência: estudo sistemático
• Ciência Social:
• A definição contra-factual de causalidade nos ajuda a
pensar o método que estamos usando
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
O que há de “cientı́fico” na ciência social?
• Ciência: estudo sistemático
• Ciência Social: estudo sistemático de
• Valores
• Crenças
• Escolhas, ou
• Qualquer aspecto humano ou social não determinado
biologicamente
• A definição contra-factual de causalidade nos ajuda a
pensar o método que estamos usando
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
O que há de “cientı́fico” na ciência social?
• Ciência: estudo sistemático
• Ciência Social: estudo sistemático de
• Valores
• Crenças
• Escolhas, ou
• Qualquer aspecto humano ou social não determinado
biologicamente
• O que faz a ciência é o método, não a substância!
• A definição contra-factual de causalidade nos ajuda a
pensar o método que estamos usando
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Pesquisa empı́rica: Passo-a-passo
• Escolher o tema
• Revisar a literatura
• Definir conceitos
• Formular a pergunta (como uma pergunta)
• Enunciar uma tese/resposta (como uma resposta)
• Considerar argumentos alternativos
• Operacionalizar conceitos
• Desenhar a pesquisa
• Coletar, tratar e avaliar a evidência
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Pesquisa empı́rica: Passo-a-passo
• Escolher o tema
• Revisar a literatura
• Definir conceitos
• Formular a pergunta (como uma pergunta)
• Enunciar uma tese/resposta (como uma resposta)
• Considerar argumentos alternativos
• Operacionalizar conceitos
• Desenhar a pesquisa
• Coletar, tratar e avaliar a evidência
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Pesquisa empı́rica: Passo-a-passo
• Escolher o tema
• Revisar a literatura
• Definir conceitos
• Formular a pergunta (como uma pergunta)
• Enunciar uma tese/resposta (como uma resposta)
• Considerar argumentos alternativos
• Operacionalizar conceitos
• Desenhar a pesquisa
• Coletar, tratar e avaliar a evidência
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Pesquisa empı́rica: Passo-a-passo
• Escolher o tema
• Revisar a literatura
• Definir conceitos
• Formular a pergunta (como uma pergunta)
• Enunciar uma tese/resposta (como uma resposta)
• Considerar argumentos alternativos
• Operacionalizar conceitos
• Desenhar a pesquisa
• Coletar, tratar e avaliar a evidência
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Ressalva
A apresentação de um trabalho geralmente não obedece a
mesma sequência em que o trabalho foi realizado
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Perguntas & Respostas
Uma pergunta empı́rica. . .
• Deve ser formulada como uma pergunta
• Respondı́vel
• Relevante e ainda não respondida
Desenhando Pesquisas
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Perguntas & Respostas
Uma pergunta empı́rica. . .
• Deve ser formulada como uma pergunta
• Respondı́vel
• Relevante e ainda não respondida
A resposta
• Pode ser:
• Uma descrição da realidade (fatos)
• Uma interpretação da realidade (significado)
• Uma explicação da realidade (causas)
• E deve ser avaliada empiricamente
COMO?
Desenhando Pesquisas
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Exemplos de perguntas descritivas
• Qual a popularidade da presidente(a) Dilma?
• Qual a taxa de sucesso legislativa do atual governo
• O PT ainda é um partido de esquerda?
• Qual é o custo da corrupção?
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Exemplos de perguntas causais
• Democracia leva a crescimento econômico?
• Bom desempenho econômico aumenta a popularidade do
presidente?
• Contribuições de campanha aumentam a chance de
vencer eleição?
• Distribuir cargos de forma equitativa a partidos da coalizão
aumenta o sucesso legislativo dos governos?
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
O que os argumentos causais têm em comum?
• Associação entre causa e efeito
• Causa é diferente do efeito
• Causa precede o efeito
• Há um contra-factual implı́cito
• Há um “mecanismo” ligando causa a efeito (?)
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
O que os argumentos causais têm em comum?
• Associação entre causa e efeito
• Causa é diferente do efeito
• Causa precede o efeito
• Há um contra-factual implı́cito
• Há um “mecanismo” ligando causa a efeito (?)
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Como podemos identificar uma relação causal?
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Como podemos identificar uma relação causal?
• Não observamos a relação causal diretamente
• Análise empı́rica revela associações
• Associações podem (ou não) ser causais
• Inferência causal depende de
• Uma definição empı́rica de causalidade
• Um desenho de pesquisa que permita inferência
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
O Modelo Contra-Factual de Causalidade
Também conhecido como
• Model causal de Rubin
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
O Modelo Contra-Factual de Causalidade
Também conhecido como
• Model causal de Rubin
• Modelo causal Neyman-Rubin-Holland
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
O Modelo Contra-Factual de Causalidade
Também conhecido como
• Model causal de Rubin
• Modelo causal Neyman-Rubin-Holland
• Modelo causal de resultados potenciais
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
O Modelo Contra-Factual de Causalidade
Uma idéia simples, porém poderosa!
• Assuma uma “causa” que pode estar presente ou não
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
O Modelo Contra-Factual de Causalidade
Uma idéia simples, porém poderosa!
• Assuma uma “causa” que pode estar presente ou não
• Para cada observação há dois “resultados potenciais”:
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
O Modelo Contra-Factual de Causalidade
Uma idéia simples, porém poderosa!
• Assuma uma “causa” que pode estar presente ou não
• Para cada observação há dois “resultados potenciais”:
• Um com a causa presente
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
O Modelo Contra-Factual de Causalidade
Uma idéia simples, porém poderosa!
• Assuma uma “causa” que pode estar presente ou não
• Para cada observação há dois “resultados potenciais”:
• Um com a causa presente
• Outro com a causa ausente
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
O Modelo Contra-Factual de Causalidade
Uma idéia simples, porém poderosa!
• Assuma uma “causa” que pode estar presente ou não
• Para cada observação há dois “resultados potenciais”:
• Um com a causa presente
• Outro com a causa ausente
• O efeito causal é a diferença entre resultados potenciais
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
O Modelo Contra-Factual de Causalidade
Uma idéia simples, porém poderosa!
• Assuma uma “causa” que pode estar presente ou não
• Para cada observação há dois “resultados potenciais”:
• Um com a causa presente
• Outro com a causa ausente
• O efeito causal é a diferença entre resultados potenciais
• Não observamos os dois resultados potenciais
simultaneamente
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
O Modelo Contra-Factual de Causalidade
Uma idéia simples, porém poderosa!
• Assuma uma “causa” que pode estar presente ou não
• Para cada observação há dois “resultados potenciais”:
• Um com a causa presente
• Outro com a causa ausente
• O efeito causal é a diferença entre resultados potenciais
• Não observamos os dois resultados potenciais
simultaneamente
• É uma definição de efeito causal, não de causalidade
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
O Modelo Contra-Factual de Causalidade
Uma idéia simples, porém poderosa!
Em Português
Efeito causal é a diferença entre o resultado da observação
quando a causa está presente e quando ela não está
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Um exemplo simples
Hipótese
Candidatos a prefeito apoiados pelo governador recebem mais
votos
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Um exemplo simples
Hipótese
Candidatos a prefeito apoiados pelo governador recebem mais
votos
• Resultados potenciais:
• Y 0 : Votação do candidato X no municı́pio Z com o apoio do
governador
• Y 1 : Votação do candidato X no municı́pio X sem o apoio do
governador
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Um exemplo simples
Hipótese
Candidatos a prefeito apoiados pelo governador recebem mais
votos
• Resultados potenciais:
• Y 0 : Votação do candidato X no municı́pio Z com o apoio do
governador
• Y 1 : Votação do candidato X no municı́pio X sem o apoio do
governador
• Efeito causal: Y 1 − Y 0
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Resultados Potenciais
Um pouco de formalização
• Y : resultado observado
Desenhando Pesquisas
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Resultados Potenciais
Um pouco de formalização
• Y : resultado observado
• D = (0, 1): indicador de presença/ausência da causa
também conhecido como “tratamento”
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Resultados Potenciais
Um pouco de formalização
• Y : resultado observado
• D = (0, 1): indicador de presença/ausência da causa
também conhecido como “tratamento”
• Y 0 and Y 1 : os dois resultados potenciais
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Resultados Potenciais
Um pouco de formalização
• Y : resultado observado
• D = (0, 1): indicador de presença/ausência da causa
também conhecido como “tratamento”
• Y 0 and Y 1 : os dois resultados potenciais
• O resultado observado Y pode ser definido como
(
Y 1 se D = 1
Y =
Y 0 se D = 0
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Resultados Potenciais
Um pouco de formalização
• Y : resultado observado
• D = (0, 1): indicador de presença/ausência da causa
também conhecido como “tratamento”
• Y 0 and Y 1 : os dois resultados potenciais
• O resultado observado Y pode ser definido como
(
Y 1 se D = 1
Y =
Y 0 se D = 0
• De forma mais sumária
Y = DY 1 + (1 − D)Y 0
= Y 0 + (Y 1 − Y 0 )D
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Resultados Potenciais
Um pouco de formalização
• Y : resultado observado
• D = (0, 1): indicador de presença/ausência da causa
também conhecido como “tratamento”
• Y 0 and Y 1 : os dois resultados potenciais
• O resultado observado Y pode ser definido como
(
Y 1 se D = 1
Y =
Y 0 se D = 0
• De forma mais sumária
Y =
DY 1 + (1 − D)Y 0
= Y 0 + (Y 1 − Y 0 ) D
| {z }
Efeito Causal
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
O problema fundamental da inferência causal
Grupo
Controle (D = 0)
Tratamento (D = 1)
Y0
Observado
Contra-factual
Y1
Contra-factual
Observado
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
O problema fundamental da inferência causal
Grupo
Controle (D = 0)
Tratamento (D = 1)
Y0
Observado
Contra-factual
Y1
Contra-factual
Observado
O Problema
• Para cada observação vemos apenas um Y
• Y às vezes é Y 0 e outras Y 1
• Para cada observação i, nós não podemos computar:
δi = yi1 − yi0
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
O que é o problema fundamental da inferência causal?
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Lidando com o “Problema Fundamental. . . ”
• A solução cientı́fica
• Assumir estabilidade temporal
• Assumir homogeneidade de observações
• Solução estatı́stica
• Assumir independência/aleatorieade de tratamento
• Assumir efeito causal constante
• Computar efeitos causais médios
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Lidando com o “Problema Fundamental. . . ”
• A solução cientı́fica
• Assumir estabilidade temporal
• Assumir homogeneidade de observações
• Solução estatı́stica
• Assumir independência/aleatorieade de tratamento
• Assumir efeito causal constante
• Computar efeitos causais médios
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Efeito Causal Médio
A solução empregada nas ciências sociais
• Não podemos computar δi = yi1 − yi0
• Mas podemos juntar diversas observações diferentes
• Considere que E[·] é uma média
E[δ] =
E[Y 1 − Y 0 ]
= E[Y 1 ] − E[Y 0 ]
• E[δ] é o efeito causal médio de várias observações. . .
• algumas observações nos dão informação sobre E[Y 1 ],
outras sobre E[Y 0 ]
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Qual a diferença entre efeito causal médio e o efeito causal
estritamente definido?
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Resumo da Estratégia
O efeito causal não pode ser observado diretamente!
• Causalidade é definido como um contra-factual
• Por definição, o contra-factual não é observável
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Resumo da Estratégia
O efeito causal não pode ser observado diretamente!
• Causalidade é definido como um contra-factual
• Por definição, o contra-factual não é observável
Solução é tentar simular o contra-factual
• Observar outras unidades semelhantes
• Assumir que o efeito causal é constante para as unidades
observadas
• Estimar o “efeito médio’
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Quando diferenças observadas são causais?
• Observamos diferenças entre médias de grupos tratados e
de controle
• Sob algumas condições, estas diferenças são iguais ao
efeito causal
• Estas condições raramente estão presentes em estudos
observacionais
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Voltando ao exemplo simples
Hipótese
Candidatos a prefeito apoiados pelo governador recebem mais
votos
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Voltando ao exemplo simples
Hipótese
Candidatos a prefeito apoiados pelo governador recebem mais
votos
• Contra-factual:
Observar a mesma eleição, com o mesmo candidato, só que
com o outro tratamento/controle
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Voltando ao exemplo simples
Hipótese
Candidatos a prefeito apoiados pelo governador recebem mais
votos
• Contra-factual:
Observar a mesma eleição, com o mesmo candidato, só que
com o outro tratamento/controle
• Problema fundamental da inferência causal
Só podemos observar cada eleição uma única vez
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Voltando ao exemplo simples
Hipótese
Candidatos a prefeito apoiados pelo governador recebem mais
votos
• Contra-factual:
Observar a mesma eleição, com o mesmo candidato, só que
com o outro tratamento/controle
• Problema fundamental da inferência causal
Só podemos observar cada eleição uma única vez
• O que fazemos?
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Lidando com o Problema Fundamental
• Encontrar unidades comparáveis
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Lidando com o Problema Fundamental
• Encontrar unidades comparáveis
• Observar tratamento e resultado em cada unidade
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Lidando com o Problema Fundamental
• Encontrar unidades comparáveis
• Observar tratamento e resultado em cada unidade
• Computar efeitos causais “médios”
• Média de votos dos apoiados (tratados)
• Média de votos dos não-apoiados (controle)
• A diferença entre estas médias é o efeito observado
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Pergunta
• O quão adequado é este contra-factual?
• A diferença observada é o efeito causal de ser apoiado
pelo governador?
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Pesando no significado das diferenças que
observamos. . .
Grupo
Controle
Tratamento
Y0
Observado
E(Y 0 |D = 0)
Contra-factual
E(Y 0 |D = 1)
Y1
Contra-facutal
E(Y 1 |D = 0)
Observado
E(Y 1 |D = 1)
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Pesando no significado das diferenças que
observamos. . .
Grupo
Controle
Tratamento
Y0
Observado
E(Y 0 |D = 0)
Contra-factual
E(Y 0 |D = 1)
Y1
Contra-facutal
E(Y 1 |D = 0)
Observado
E(Y 1 |D = 1)
Diferenças iniciais entre grupos de controle e tratamento
E(Y 0 |D = 0) − E(Y 0 |D = 1)
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Pesando no significado das diferenças que
observamos. . .
Grupo
Controle
Tratamento
Y0
Observado
E(Y 0 |D = 0)
Contra-factual
E(Y 0 |D = 1)
Y1
Contra-facutal
E(Y 1 |D = 0)
Observado
E(Y 1 |D = 1)
Diferenças iniciais entre grupos de controle e tratamento
E(Y 0 |D = 0) − E(Y 0 |D = 1)
|
{z
} |
{z
}
Observado
Contra-factual
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Pesando no significado das diferenças que
observamos. . .
Grupo
Controle
Tratamento
Y0
Observado
E(Y 0 |D = 0)
Contra-factual
E(Y 0 |D = 1)
Y1
Contra-facutal
E(Y 1 |D = 0)
Observado
E(Y 1 |D = 1)
Efeito médio do tratamento nos tratados (ETT)
E(Y 1 |D = 1) − E(Y 0 |D = 1)
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Pesando no significado das diferenças que
observamos. . .
Grupo
Controle
Tratamento
Y0
Observado
E(Y 0 |D = 0)
Contra-factual
E(Y 0 |D = 1)
Y1
Contra-facutal
E(Y 1 |D = 0)
Observado
E(Y 1 |D = 1)
Efeito médio do tratamento nos tratados (ETT)
E(Y 1 |D = 1) − E(Y 0 |D = 1)
|
{z
} |
{z
}
Observado
Contra-factual
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Pesando no significado das diferenças que
observamos. . .
Grupo
Controle
Tratamento
Y0
Observado
E(Y 0 |D = 0)
Contra-factual
E(Y 0 |D = 1)
Y1
Contra-facutal
E(Y 1 |D = 0)
Observado
E(Y 1 |D = 1)
Efeito médio do tratamento nos tratados (ETT)
E(Y 1 |D = 1) − E(Y 0 |D = 1)
|
{z
} |
{z
}
Observado
Contra-factual
Efeito médio do tratamento no controle (ETC)
E(Y 1 |D = 0) − E(Y 0 |D = 0)
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Pesando no significado das diferenças que
observamos. . .
Grupo
Controle
Tratamento
Y0
Observado
E(Y 0 |D = 0)
Contra-factual
E(Y 0 |D = 1)
Y1
Contra-facutal
E(Y 1 |D = 0)
Observado
E(Y 1 |D = 1)
Efeito médio do tratamento nos tratados (ETT)
E(Y 1 |D = 1) − E(Y 0 |D = 1)
|
{z
} |
{z
}
Observado
Contra-factual
Efeito médio do tratamento no controle (ETC)
E(Y 0 |D = 1) − E(Y 0 |D = 0)
|
{z
} |
{z
}
Observado
Contra-factual
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Pesando no significado das diferenças que
observamos. . .
Grupo
Controle
Tratamento
Y0
Observado
E(Y 0 |D = 0)
Contra-factual
E(Y 0 |D = 1)
Y1
Contra-facutal
E(Y 1 |D = 0)
Observado
E(Y 1 |D = 1)
Efeito médio do tratamento (EMT)
E(Y 1 ) − E(Y 0 ) Assumindo o mesmo efeito nos tratados e no
controle
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Pesando no significado das diferenças que
observamos. . .
Grupo
Controle
Tratamento
Y0
Observado
E(Y 0 |D = 0)
Contra-factual
E(Y 0 |D = 1)
Y1
Contra-facutal
E(Y 1 |D = 0)
Observado
E(Y 1 |D = 1)
Diferença efetivamente observada
E(Y |D = 1) − E(Y |D = 0)
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Pesando no significado das diferenças que
observamos. . .
Grupo
Controle
Tratamento
Y0
Observado
E(Y 0 |D = 0)
Contra-factual
E(Y 0 |D = 1)
Y1
Contra-facutal
E(Y 1 |D = 0)
Observado
E(Y 1 |D = 1)
Diferença efetivamente observada
E(Y |D = 1) − E(Y |D = 0)
|
{z
} |
{z
}
Observado
Contra-factual
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
O que observamos nem sempre é o que queremos!
E[Y 1 |D = 1] − E[Y 0 |D = 0] =
|
{z
}
Diferenças Observadas
1
E[Y |D = 1] − E[Y 0 |D = 1]
{z
}
|
ETT
+ E[Y 0 |D = 1] − E[Y 0 |D = 0]
|
{z
}
Diferenças iniciais ou viés de seleção
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
O que observamos nem sempre é o que queremos!
E[Y 1 |D = 1] − E[Y 0 |D = 0] =
|
{z
}
Diferenças Observadas
1
E[Y ] − E[Y 0 ]
{z
}
|
EMT
+ E[Y 0 |D = 1] − E[Y 0 |D = 0]
|
{z
}
Diferenças iniciais ou viés de seleção
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
O que observamos nem sempre é o que queremos!
E[Y 1 |D = 1] − E[Y 0 |D = 0] =
|
{z
}
Diferenças Observadas
1
E[Y ] − E[Y 0 ]
|
{z
}
EMT
+ E[Y 0 |D = 1] − E[Y 0 |D = 0]
|
{z
}
Diferenças
iniciais ou viés de seleção
n
o
+ (1 − π)
E[Y 1 |D = 1] − E[Y 0 |D = 1] − E[Y 1 |D = 0] − E[Y 0 |D = 0]
|
{z
}
Efeitos Diferencial (ETT-ETC)
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
O que observamos nem sempre é o que queremos!
E[Y 1 |D = 1] − E[Y 0 |D = 0] =
|
{z
}
Diferenças Observadas
1
E[Y ] − E[Y 0 ]
|
{z
}
EMT
+ E[Y 0 |D = 1] − E[Y 0 |D = 0]
|
{z
}
Diferenças
iniciais ou viés de seleção
n
o
+ (1 − π)
E[Y 1 |D = 1] − E[Y 0 |D = 1] − E[Y 1 |D = 0] − E[Y 0 |D = 0]
|
{z
}
Efeitos Diferencial (ETT-ETC)
O efeito do tratamento é igual ao que observamos
somente quando:
• Diferenças iniciais = 0, e
• Efeito diferencial do tratamento = 0
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Efeitos de Educação na Capacidade Mental
Exemplificando cada uma das quantidades relevantes
Pessoas que fazem faculdade
demonstram mais capacidade
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Efeitos de Educação na Capacidade Mental
Exemplificando cada uma das quantidades relevantes
Pessoas que fazem faculdade
demonstram mais capacidade
Fazer faculdade
aumenta a capacidade
Pessoas que decidem fazer faculdade
têm mais capacidade
A capacidade dos que fazem faculdade
aumentaria mais do que
a capacidade dos que não fazem
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Efeitos de Educação na Capacidade Mental
Exemplificando cada uma das quantidades relevantes
Pessoas que fazem faculdade
demonstram mais capacidade
Fazer faculdade
aumenta a capacidade
Pessoas que decidem fazer faculdade
têm mais capacidade
A capacidade dos que fazem faculdade
aumentaria mais do que
a capacidade dos que não fazem
Diferenças observados
E[Y 1 |D = 1] − E[Y 0 |D = 0]
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Efeitos de Educação na Capacidade Mental
Exemplificando cada uma das quantidades relevantes
Pessoas que fazem faculdade
demonstram mais capacidade
Diferenças observados
E[Y 1 |D = 1] − E[Y 0 |D = 0]
Fazer faculdade
aumenta a capacidade
Efeito médio do tratamento
E[Y 1 ] − E[Y 0 ]
Pessoas que decidem fazer faculdade
têm mais capacidade
A capacidade dos que fazem faculdade
aumentaria mais do que
a capacidade dos que não fazem
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Efeitos de Educação na Capacidade Mental
Exemplificando cada uma das quantidades relevantes
Pessoas que fazem faculdade
demonstram mais capacidade
Diferenças observados
E[Y 1 |D = 1] − E[Y 0 |D = 0]
Fazer faculdade
aumenta a capacidade
Efeito médio do tratamento
E[Y 1 ] − E[Y 0 ]
Pessoas que decidem fazer faculdade
têm mais capacidade
Diferenças iniciais/Seleção
E[Y 0 |D = 1] − E[Y 0 |D = 0]
A capacidade dos que fazem faculdade
aumentaria mais do que
a capacidade dos que não fazem
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Efeitos de Educação na Capacidade Mental
Exemplificando cada uma das quantidades relevantes
Pessoas que fazem faculdade
demonstram mais capacidade
Diferenças observados
E[Y 1 |D = 1] − E[Y 0 |D = 0]
Fazer faculdade
aumenta a capacidade
Efeito médio do tratamento
E[Y 1 ] − E[Y 0 ]
Pessoas que decidem fazer faculdade
têm mais capacidade
Diferenças iniciais/Seleção
E[Y 0 |D = 1] − E[Y 0 |D = 0]
A capacidade dos que fazem faculdade
aumentaria mais do que
a capacidade dos que não fazem
Efeitos Diferenciais do Tratamento
E[Yi1 |Di = 1] − E[Yi0 |Di = 1]
−E[Yi1 |Di = 0] − E[Yi0 |Di = 0]
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Quando diferenças iniciais ou efeitos diferenciais existem, o
contra-factual não está bem definido
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Não vamos falar muito de efeitos diferenciais
Desenhando Pesquisas
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
No mundo real, diferenças iniciais quase sempre existem por
conta do “viés de seleção”
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
De onde vem o viés de seleção?
1. Observador seleciona “mal” os casos
Desenhando Pesquisas
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
De onde vem o viés de seleção?
1. Observador seleciona “mal” os casos
2. O “mundo” nos mostra uma seleção particular de cases
• Prefeitos apoiados
• Contribuições de campanha
• Efeitos de educação
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Hospitais faze mal à saúde
Grupo
Vistou Hospital
Não visitou
N
7774
90049
Índice de Saúde
3.21
3.93
EP
0.014
0.003
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
A Intuição do Problema
Um caso de auto-seleção
TREATMENT (Hospital Visit) OUTCOME (Health Index) Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
A Intuição do Problema
Um caso de auto-seleção
SELF-‐SELCTION (Feel bad) TREATMENT (Hospital Visit) OUTCOME (Health Index) Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Consequências do Viés de Seleção
• O contra-factual não é bem definido
• Grupos de control e tratamento diferem em outros
atributos além da presença ou não da causa
• O efeito causal:
• se confunde com outras diferenças entre os grupos
• não pode ser identificado
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Nem sempre o que observamos é o que queremos!
Grupo
Vistou Hospital
Não Visitou
N
7774
90049
Índice de Saúde
3.21
3.93
EP
0.014
0.003
Diferenças Observadas = Efeito Causal + Diferenças Iniciais
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Nem sempre o que observamos é o que queremos!
Grupo
Vistou Hospital
Não Visitou
N
7774
90049
Índice de Saúde
3.21
3.93
EP
0.014
0.003
Diferenças Observadas = Efeito Causal + Viés de Seleção
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
1.0
Um Exemplo Doméstico
●
●●
●
● ●
●●●
●●● ●
●●
●
●
●● ●●●
● ●●
●
●
●
●
●
● ●
●●●
●
●●
●
●
● ●●●
●
●●●
●●●● ●●●●●
●
●
●
●
●
●●● ●●
●
●
●●
●●● ●●
●
●
●●
●●
●
●
●
●●●●
●
●
●
● ●● ●
●
● ● ●
●
●
●
●
●
●
●●
●●
●●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
● ● ●●●
●
●
●
●●
●
●
●
●●●
●●
●
●●●● ● ●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●●
●
●
●
●●●
●
●
●
●●
●
●●
●
●
●
●
●
●
●●
●
●
●
● ●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●●
●
●
●●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●●
●
●
●●
●
●
●
●
●
●
●
●
●●
●
●●
●
●
●
●
●
● ●
●
●
●
●
●
●
●
●
●
●●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●● ●
●
●●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
● ● ●● ●
●
●
●●
●
●●●
●
●
●
●●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●●
●●
●●●
● ●●●
● ●
●
●
●
●●
●
●●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●●
●
●
●
●
●●
●
●
●
●
●● ●
●
●
● ●
●
●
●
●●●●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●● ● ● ●● ● ●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
● ● ●●
●
●
●
●
●
●
● ●● ●●●●●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
● ●● ●● ●●
●
●
●
●
●
●
●
●
●
●
●
●
● ●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●●
●
●●
●
●
●
●
● ●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
● ●●
●●
●
●●
●
●● ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
● ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●●●●●
●
●
●
●
●
●●●●● ●
●
●
●
●
●
●
●
●
●
●
● ●
●● ●●
●
●
●
●●
●
●
●
●
●
●
●
●●●●●●●●●●●●●●
●
●
●●
●
●
●●
●
●●●●● ● ●●●●●●●●●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●●
●
●
●
●
●
●
●
●
●
●
● ●●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●●● ●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●●
●
●
●
●●
●
●●
● ●●●●
●●
●
●
●
●
●
●●
●
●
●●●
●●
●
●
●
●
●
●
●
●●
●
●
●●●●
●
●
●
●
●
●
●
●
●
●●
●
●●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●●●
●
●
●●
●
●●● ● ● ● ●●●
●
●
●
●●
●●
● ●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●●
●
●
●
●
● ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●●
●●
●● ● ●●●
●
●●
●●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
● ●●
●
●
●
●
●
●
●
●
●
●
●
● ●●
●
●
●
● ●
●
●●
●
●●
●
●
●●
●
●
●●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●● ●
●
●
●
● ●
●
●
●
●
●
●
●●●
●
●
●
●●●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
● ●●
●
●
●
●
●
●●
●
●●
●
●
●
●
●
●●
●
●
●
●
●
●
●●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●●
●
●
●●●●
●
●
●
●
●●
●
●●
●●
●●
●
●
●
●●
●
●
●
● ●
●
●
●●
●
●
●●●
●
●
●
●●
●●●
●
●
●
●
●
●
●
●
●●●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●●●
●●
●
●
●
●
●●
●
●
●
●
●●
●●
●●
●
●
●●
●
●
●
●
●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●●
●
● ●●●●
●
●
●
●
●
●
●
●●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
● ●
●
●
●●
●
●
●
●
●
● ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
● ●●
●
●
●●
●
●●
●●
●
●
●
●
●
●
●
●
●
●
●
●●
●●
●
●
●
●●
●●
●
●●
●
●
●
●
●
●●
●
●
●●●●
●
●●
●
●
●
●
●
●
●
●
●
●●
● ●
●
●
●
●
●
●
● ●● ●
●●
●
●●
●
●●
●
●
●
●●
●
●
●
●
●
●
●
●
●●●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
● ●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●● ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
● ●
●●
●●
●
●
●
●●
●● ● ●
●
●
●
●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●● ●●
●●●
●●●
●
●
●●●●
●
●
●
●
●
●
●●
●
●●
●
●
●
●●●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●●
●●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●●●
●
●
●
●
●
●
●
●
●
● ●
●
●●
●
●●
●
●
●
●●
●
●●
●
●
●
●
●●
●
●
●
●●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
● ●●
●
●
●
●
●
●
●
●
●●●
●
●
●
● ●
●●● ●● ●
●
●
●●
●
●●●
●
●
●●
●
●
●●
●
●
●
●
●
●●●
●
●
●
●
●
●
●●
●
●
●●
●
●
●
● ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●●●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●
●
●●
●●
●
●
●
●●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
● ●
●
●●
●
●
●●●
●
●
●
●
●●
●
●
●●●●●●●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●●●●
●
●
●
●
●
●
●
●
●
●
●
●
●●●●
●
●
●
●
●
●●
●
●
●●
●
●
●
●●●
●
●
●
●
●
●
●
●
●
●
● ●●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
● ● ●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●●
●
●
●
●●
●
●●●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
● ●●
●
●
●●
●
●
●
●
●●●●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●●
●
●
●
● ●●
●
●
●
●
●
●
●●●
●●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
● ●●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●●
●
●
●
●●
●
●
●
●
●
●
●
●●●●
●
●
●
●
●●●●●●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●●
●●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●● ●
●●●
●●
●
●
●
●
●●
●
●●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●●
●
●●
●
●
●
●
●
●
●● ●
●
●
●
●
●
● ●
●
●●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●● ●
●
●
●●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●●●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
● ●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●●●●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●●●●●●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●● ●
●
●
●●
●
●
●
●
●
●
●
●
●
●●●●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
● ●●
●
●
●
●●
●
●
●●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
● ● ●●●●
●
●
●
●
●
●
●
●
●
●
●
●
●●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
● ●●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
● ●●
●
●
●
●
●
●
●
●
●
● ● ●●
●
●
●
●
●
●
●●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●● ●
●
●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●
● ● ●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
● ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●●
●
●
●
●
●
●
●●
●●
●
●
●
●
●●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●● ●●●● ●
●
●●●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
● ●●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
● ●●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
● ●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●●
●
●
●
● ●●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●●●●●●●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●● ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●● ●●
● ●
●●
●●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●●
●
●
●
●
●
●
●●
●
●●●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●●● ●● ●●● ●
●
●
●
●
●
●
●
●
●
●
●
●
● ● ●●
●●
●
●
●
●
●●
●
●●
●●
●
●●
● ●● ●●
● ●
●
●
●●
●
●
●
●
●●● ●
●
●
●●
●
●
●
●
●
●
● ●● ●
●
●
●
0.8
●
●
●
●
●
●
●
●
●
●
●●
●
0.6
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●●
●
●● ●
● ●
●
●
●
● ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
0.0
Dilma 2010
●
●
●
●
● ●
●
●
●
●
●
●
●
● ●●
0.4
●
●
●
●
●
●
●●● ● ●
● ●● ●
●
●
●
●
●
● ●
●
●●
●
●
● ●
●
● ●
● ● ●
● ●
●
●● ●
●
●●
●
●
●●
●
●
●
●
●
●● ● ●
●●
●●●
●
● ●
●
●
●
●
●
●
●
●
● ●
●
● ●
● ●●
●
●
●
●
●
●
●
●
●
●
●
● ●
●
●●
●●
●●
●
● ●
●
●
●●
●
●
●
● ● ●
●
●
●
●
●
● ●●●
● ●
● ●
● ●●
●●
●●
●
●
●
● ●
●
● ●
●
● ●
●●
● ● ●
●
●●●● ●
●●
●
● ●
● ●●
●
●
●
●
●
●
●
●
●
●
● ●
●
●
●
● ●
●
●●●
● ●
●
●
●●
● ● ●
●
● ●●
●
● ●
● ● ●● ●
● ●
●
●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
● ●
●
●
●
●
0.2
●
●
●
●
●●
●
●
● ●
●
●
●●
●
●
●
●
0.0
0.2
0.4
0.6
CCT Scope 2010
0.8
1.0
Desenhando Pesquisas
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Um Exemplo Doméstico
O mesmo vale para o nı́vel do indivı́duo
• Beneficiários votam mais para governo
• Beneficiários são diferentes de não beneficiários em várias
dimensões
• Efeito do benefı́cio se confunde com o efeito das outras
diferenças
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Como evitar viés de seleção
Desenhando Pesquisas
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
A “solução” para o viés e seleção
Tratar Independentemente/Aleatoriamente
A decisão de tratar ou não uma observação é feita por alguma
regra que independe de qualquer outra caracterı́stica da
observação, inclusive o valor de Y
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Efeitos do tratamento aleatório
O “pulo do gato”
• Cria grupos (tratamento e controle) que são idênticos, na
média
• Cancela todas as outras diferenças entre os grupos
• Equilibra grupos em todos os atributos, observáveis ou
não
• Permite que interpretamos quaisquer diferenças
observadas como efeitos causais
• Nos permite identificar efeitos causais
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Nem sempre o tratamento é aleatório!
Tipos de desenho de pesquisa
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Nem sempre o tratamento é aleatório!
Tipos de desenho de pesquisa
• Experimentos
• Manipulação do tratamento
• Controle estrito∗
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Nem sempre o tratamento é aleatório!
Tipos de desenho de pesquisa
• Experimentos
• Manipulação do tratamento
• Controle estrito∗
• Estudos observacionais
• Tratamento é nao aleatório
• Não é manipulado pelo pequisador
• Exige correções estatı́sticas (nem sempre possı́veis)
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Nem sempre o tratamento é aleatório!
Tipos de desenho de pesquisa
• Experimentos
• Manipulação do tratamento
• Controle estrito∗
• Quase-Experimentos & Experimentos Naturais
• Tratamento é “como se” aleatório
• Mas não é manipulado pelo pesquisador
• Estudos observacionais
• Tratamento é nao aleatório
• Não é manipulado pelo pequisador
• Exige correções estatı́sticas (nem sempre possı́veis)
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Passos para desenhar a pesquisa
1. Qual a relação causal de interesse?
2. Num mundo sem restrições, que experimento indentificaria
o efeito causal?
3. Qual a estratégia de identificação disponı́vel no mundo
real?
• Experimentos
• Experimentos Naturais/Quase-Experimentos
• Estudos Observacionais
4. Quais técnicas (estatı́sticas ou não) serão utilizadas para
avaliar os dados?
• Depende da estratégia escolhida
Da Pergunta ao Desenho
Causalidade
Inferência Causal
Viés de seleção
Desenhando Pesquisas
Experimentos são o “ideal” de referência
• Que experimento poderia identificar o efeito do Bolsa
Famı́lia?
• No nı́vel macro?
• No nı́vel individual
• Há algum quase-experimento disponı́vel?
• Se vou usar dados observacionais, que cuidados
(correções) devo tomar?
Recaptulando
• Efeito causal é uma definição contra-factual
• Não pode ser observado diretamente
• Diferenças observáveis podem ou não ser causais
• Teremos mais certeza de que são causais quanto “melhor”
for desenho de pesquisa
• Os “melhores” desenhos são aqueles que eliminam (ou
lidam com) viés de seleção
Amanhã
• Mais sobre experimentos
• Quase-experimentos e experimentos naturais
• Problemas com estudos observacionais