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  bom, mas peca por ignorar DAGs. Se for para ler apenas um, escolha Morgan & Winship. Pearl, Glymour & Jewell é uma versão light e curta a nível de graduação —acabou de ser lançada.  Pearl é mais denso e se você nunca viu um DAG antes não comece por ele, comece por Pearl, Glymour & Jewell. Depois que tiver dominado DAGs, entretanto, não deixe de voltar para o livro seminal de Pearl.

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.

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_

Detectando reviews falsos na Amazon


Agora que comecei a usar mais a Amazon no dia-a-dia (usava basicamente para livros e eletrônicos) percebi a quantidade assustadora de reviews falsos que existem por lá. Isso naturalmente levou a outra pergunta: que tal usar análise de dados para filtrar os reviews falsos dos verdadeiros?

Pois bem, como quase toda a idéia que temos, alguém já a implementou. Então se você ainda não conhece, vai aqui a dica do fakespot. Usando técnicas de processamento de linguagem natural e machine learning, o site tenta identificar quais e quantos reviews são realmente autênticos. O serviço poderia ser melhor executado, mas tem funcionado bem nos casos que testei.