Trump e políticas pró-empresa vs políticas pró-mercado


Saber fazer a distinção entre políticas pró-empresa e políticas pró-mercado é fundamental – mas, infelizmente, um ponto em que geralmente ainda há muita confusão entre as pessoas. 

Quando o PT decide dar benefícios para a JBS, por exemplo, isso é uma política pró-empresa – certamente vai beneficiar os atuais donos da JBS, mas dificilmente veremos benefícios para a economia como um todo no longo prazo. 

Outro nome comum para isso é capitalismo de compadres: ao invés de melhorar o ambiente para a livre-iniciativa, vemos surgir um ambiente que favorece os amigos do governo.

Digo isto porque há algum tempo estava querendo escrever um pouco sobre Trump – ou, ao menos, minhas primeiras impressões sobre Trump – que, infelizmente, parece tender para políticas de um capitalismo de compadres. Mas o Zingales acabou de escrever sobre o assunto então apenas deixo aqui o post como sugestão.

Berkeley Initiative for Transparency in the Social Sciences (BITSS) – 2016 meeting


Ontem e hoje houve a reunião da Berkeley Initiative for Transparency in the Social Sciences (BITSS). Além de anunciados os vencedores do último Leamer-Rosenthal Prizes, houve várias apresentações interessantes sobre métodos quantitativos em ciências sociais.

Os dois dias foram  filmados e estão disponíveis no Youtube.

Dia 1:

Dia 2:

Computer age statistical inference e The undoing project


Segue minha sugestão de leitura para as férias de final de ano: um livro de estatística e outro de psicologia/economia comportamental.

Para falar a verdade, ainda não os li, mas já recomendo.

O primeiro livro é do Michael Lewis, sem dúvida um dos melhores cronistas da atualidade (entre outros ótimos livros: Flash Boys, Moneyball, The Big Short). Lewis conta a história da vida e amizade dos dois psicólogos israelenses que começaram a revolução da economia comportamental:Daniel Kahneman e Amos Tversky. Para quem ainda não conhece o trabalho da dupla, vale a pena recomendar de novo o já clássico Thiking, Fast and Slow.

O segundo livro é o mais novo lançamento dos estatísticos Bradley Efron e Trevor Hastie. Os dois fazem um tour histórico e técnico pela revolução computacional dos últimos 60 anos da estatística. Para quem está começando na área, Efron é mais conhecido por seu trabalho no bootstrap; Trevor (junto com Tibshirani), por seus trabalhos em GAMs e modelos esparsos entre outros. Trevor também é co-autor dos já famosos Elements of Statistical Learning e sua recente versão baby An introduction to Statistical Learning — ambos com versões gratuitas na internet (aqui e aqui).

O que tenho estudado — Causalidade


Para o blog não passar novembro em branco — o que tenho estudado e algumas referências.

Em causalidade acredito que essas sejam as referências básicas:

Morgan & Winship;
Imbens & Rubin;
Pearl, Glymour & Jewell;
Pearl.

Esses livros são muito mais do que suficiente para você começar no assunto. O mais amigável e completo para iniciantes é Morgan & Winship. Imbens & Rubin também é muito bom, mas peca por ignorar DAGs. Se for para ler apenas um, escolha um desses dois. Pearl, Glymour & Jewell é uma versão light e curta a nível de graduação —acabou de ser lançada. Gostei, mas como o livro diz, é um primer. Pearl é mais denso e se você nunca viu DAG antes não comece por ele. Depois, entretanto, não deixe de ler.

Já tinha batido no livro do Wooldridge uma vez por não tratar mais claramente dos problemas de specification searches e multiple testing, que na prática é o que é feito no dia-a-dia do econometrista. Agora vale a pena bater de novo por conta da causalidade (mas é claro que esse problema não é só do Wooldridge, uso ele apenas como um exemplo em geral). Faz algum tempo que estou convencido de que é uma péssima prática ensinar estatística para cientistas sociais sem prover algum framework adequado para se falar de causalidade — e quando falo de framework adequado, não digo tricks para identificar efeitos causais como variáveis instrumentais ou regression discontinuity designs. Falo de um ferramental para ajudar o pesquisador a pensar rigorosamente e claramente sobre o assunto.

Depois vou tentar falar um pouco sobre o que tenho estudado em algoritmos, estatística computacional, pesquisa amostral e probabilidade nesse último trimestre.