Elon Musk’s Big Fucking Rocket


Wait But Why com um post super bacana sobre as ambições da SpaceX:

We’ll follow the Twitter feeds of some of our favorite journalists on Mars to keep up with what’s happening there. We’ll all get hooked on Mars’s first hit reality shows. And some of us will start thinking, “Should I sign up to go to Mars one of these years before I get too old?”

PS: apresentação do Elon Musk.

Economistas como engenheiros? Ou, leia Who Gets What — and Why


Viajar faz bem, nem que seja para nos forçar a ler na sala de espera. No caminho para Los Angeles finalmente tive tempo para terminar o livro do Alvin Roth Who Gets What – and Why. Confesso que por alguma razão — que não sei bem precisar, talvez pela pretensão do título — estava receoso. Mas como admiro o trabalho do Roth não poderia deixar de ler. Ainda bem. Esse é, sem dúvida, um dos melhores livros de economia (para o público geral) publicados recentemente.

Quando Alvin Roth ganhou o Nobel (ok, o Prêmio dado pelo Banco Central Sueco em memória de Alfred Nobel) os temas “desenho de mercados” e “economistas como engenheiros” vieram à tona e vimos muita coisa absurda escrita por aí — isso para dizer o mínimo. Não vou compartilhar os links para poupar essas pessoas que talvez deixaram-se levar mais por preconceitos e velhos dogmas do que pela razão. Criticaram provavelmente sem conhecer a literatura e talvez hoje tenham noção do que escreveram.

Mas, na verdade, esse tipo de reação não era inesperado. A ideia de uma economia parecida com uma “engenharia” pode parecer aviltante para muitos colegas, sejam liberais ou intervencionistas. Ora, afinal de contas, a economia é uma ciência social, não é mesmo!? Como podem economistas agirem como engenheiros? O problema é que muitos economistas/cientistas sociais estão acostumados a discutirem de maneira solta e informal pretensas “grandes perguntas” e interpretam qualquer assertiva dentro desse contexto. Quando você lida com questões do naipe “o planejamento estatal é bom ou ruim para a economia?” pensar em economistas como engenheiros certamente vai acender um alerta.

Mas não se trata disso. A ideia aqui é simplesmente resolver problemas reais e prementes presentes em “mercados” (no sentido amplo do termo), seja na esfera pública ou privada — daí o “engenheiro”. Suponha que você tenha uma empresa como o Google e queira saber a melhor forma de vender espaços para os anúncios. Ou que você tenha uma empresa como o eBay e queira saber a melhor forma de fazer com que compradores e vendedores saibam quem tem uma boa reputação de verdade. Ou, ainda, que você trabalhe para o governo e queira reformular o sistema que distribui alunos entre as escolas públicas. Como abordar essas questões?

A coisa não para aí — leilões de espectro, regras para negociações nas bolsas de valores, mecanismos para doações de rins, alocação de médicos/advogados recém-formados no mercado de trabalho… todos problemas importantes e reais do dia-a-dia com uma alta demanda por pessoas com a capacidade analítica de solucioná-los. E nisso a economia pode ajudar bastante (principalmente teoria dos jogos). O Vale do Silício, por exemplo, tem espaço para profissionais com essa formação.

A maioria dos economistas não vai trabalhar diretamente com “as grandes questões” e um nicho de atuação importante e crescente do economista é entender melhor como mercados funcionam, como e por que alguns mercados funcionam melhor do que outros, e como podemos atuar para resolver problemas reais desses mercados. O livro do Roth é um ótimo lugar para começar a pensar sobre esse assunto.

51xg1ql-zgl-_sx329_bo1204203200_

Inferência causal e Big Data: Sackler Big Data Colloquium


Uma série de palestras interessantes do Sackler Big Data Colloquium:

 

Hal Varian: Causal Inference, Econometrics, and Big Data

***

Leo Bottou: Causal Reasoning and Learning Systems

***

David Madigan: Honest Inference From Observational Database Studies

***

Susan Athey: Estimating Heterogeneous Treatment Effects Using Machine Learning in Observational Studies

Impactos de Contágio do Setor Real no Sistema Financeiro


O novo Relatório de Estabilidade Financeira (REF) do Banco Central do Brasil foi publicado ontem. Dentre várias informações interessantes, neste relatório foi publicado um boxe que discute a mensuração de impactos de contágio do setor real da economia no sistema financeiro.

Resumidamente, a partir de uma rede de conexões do setor real, o BCB simula um processo de contágio e verifica os possíveis afetados bem como seus empregados. Com esses dados em mão, o BCB mapeia as exposições do SFN a essas empresas e funcionários e, em seguida, simula um segundo processo de contágio no setor financeiro.

A rede do setor real (representada abaixo) foi montada a partir dos dados de TED entre as empresas. Na figura abaixo, “cada esfera representa um grupo econômico. O tamanho delas é proporcional à sua participação no fluxo de transferências do SPB. As cores das arestas refletem a importância do fluxo de TED para a empresa recebedora – quanto mais vermelho, maior a importância e maiores as chances de contágio. Nem todos os grupos estão representados.” (BCB, 2015)

setor real

Já a rede do setor financeiro é montada a partir das exposições que os conglomerados financeiros possuem entre si. Na figura abaixo, “as esferas azuis referem-se aos Bancos Múltiplos e Comerciais, as verdes, aos Bancos de Desenvolvimento, as vermelhas, aos Bancos de Investimento, as laranjas, às Cooperativas de Crédito e Financeiras, e as amarelas, às Corretoras e empresas de leasing.” (BCB, 2015)

rede sfnVale a pena tirar um tempo e conferir o REF!

Foda-se a nuance, entrevista com Alvin Roth, erro de medida no desemprego e Machine Learning no Airbnb.


Algumas leituras e vídeos interessantes

– Kieran Healy mandando um fuck nuance. (Abstract: Seriously, fuck it).

– Entrevista de Alvin Roth no Google:

– Sobre a acurácia das variáveis econômicas: quanto é o desemprego da China? Nessa linha, qual é a medida adequada para “desemprego”? Veja uma discussão interessante para o caso dos EUA no Econbrowser.

Como o Airbnb usa Machine Learning?

Replicação de 100 estudos de psicologia: efeitos reduzidos pela metade, apenas 47% com magnitudes dentro do intervalo de confiança


O pessoal do Open Science Framework acabou de concluir um trabalho hercúleo: durante mais de 3 anos, juntaram 270 colaboradores para realizar 100 replicações de 98 artigos de psicologia. Todos os materiais do projeto, para cada replicação, encontram-se disponíveis no site, inclusive os códigos em R!

E quais os resultados? Os efeitos replicados tiveram a magnitude estimada reduzida pela metade quando comparados com os efeitos originais. Apenas 36% das replicações alcançaram “significância” estatística (p-valor menor do que 5%) e apenas 47% dos efeitos originais ficaram dentro do intervalo de confiança de 95% das replicações. Supondo que não exista viés de seleção nos estudos originais (o que é difícil de acreditar, considerando os resultados acima), uma meta análise combinando os resultados indica apenas 68% dos efeitos como “significantes”. 

Essa é uma iniciativa fantástica, é ciência como deve ser feita. E que venham mais replicações, para termos estimativas mais precisas, sem viés de publicação, do tamanho e da incerteza ao redor desses efeitos.

PS: Em economia, provavelmente nossa situação é ainda pior: a maior parte de nossos estudos é baseada em dados observacionais.