Econometria Aplicada
Ementa do curso
Este curso é uma jornada introdutória no mundo da econometria aplicada, no qual usaremos ferramentas estatísticas para identificar padrões e tendências presentes nos dados econômicos reais. Começaremos aprendendo a usar o estimador de mínimos quadrados ordinários em regressões lineares (simples e múltiplas) para fazer inferências e discutiremos as suas limitações, por exemplo, frente aos dados experimentais. Em seguida, avançaremos para outras técnicas, como modelos de probabilidade (probit e logit), variáveis instrumentais e modelos de painel com efeitos fixos e aleatórios. Ao longo do caminho, também exploraremos a análise de séries temporais usando modelos ARIMA para projeções.
Livros
Heiss, F. (2020). Using R for Introductory Econometrics. 2nd edition.
Wooldridge, J. M. (2006). Introdução à econometria: uma abordagem moderna. Cengage Learning.
Bibliografia complementar
R
Instalação do R
(1) Acesse https://r-project.org
(2) Na coluna do lado esq, embaixo de Download, clique em CRAN
(3) Escolha o “mirror” da Universidade Federal do Paraná
(4) Download for Windows (ou Linux ou Mac, a depender do sist oper que você usa)
(5) Install R for the first time
Instalação do RStudio
(1) Acesse https://rstudio.com/products/rstudio/download/.
(2) Clique no download free.
(3) Embaixo de “Installers for Supported Platforms”, selecione a versão para Windows (ou Linux ou Mac, a depender do sistema operacional que você usa).
Instalação do Java
(1) Acesse http://oracle.com/technetwork/pt/java/javase/downloads/index.html.
(2) Download.
(3) Selecione “Accept License Agreement”.
(4) Download de acordo com o sistema operacional: se Windows 64 bit, clique no x64; se Windows 32 bit, clique no x86.
Primeiros passos no R
Econometria no R
R no Google Colab
(1) Clique neste link: https://colab.research.google.com/#create=true&language=r
Se você tiver conta no google drive (e estiver logada), vai abrir direto um notebook do google colab em branco.
Se não, precisa criar a conta e logar. E depois acessar o link no passo 1.
(2) Vá em File > Upload Notebook
(3) O notebook deve abrir no seu navegador e você poderá i) usar a máquna virtual do google ou ii) apenas copiar e colar o código.
Materiais das aulas
Geral
Cursos (gratuitos)
Bases de dados
Aula 1 - Regressão linear: simples e múltipla
Aula 2 - Regressão linear múltipla e formas funcionais
Aula 3 - Modelos de probabilidade (Probit e Logit)
Artigos
The Yield Curve as a Leading Indicator: Some Practical Issues
Horowitz, Joel L., and N. E. Savin. 2001. “Binary Response Models: Logits, Probits and Semiparametrics.” Journal of Economic Perspectives 15 (4): 43–56. https://www.aeaweb.org/articles?id=10.1257/jep.15.4.43
Aula 4 - Variáveis Instrumentais
Vídeos
Artigos
Murray, Michael P. 2006. “Avoiding Invalid Instruments and Coping with Weak Instruments.” Journal of Economic Perspectives 20 (4): 111–32. https://www.aeaweb.org/articles?id=10.1257/jep.20.4.111
Angrist, Joshua D., and Alan B. Krueger. 2001. “Instrumental Variables and the Search for Identification: From Supply and Demand to Natural Experiments.” Journal of Economic Perspectives 15 (4): 69–85. https://www.aeaweb.org/articles?id=10.1257/jep.15.4.69
Aula 5 - Modelos com dados em painel
Aula 6 - Introdução à séries temporais
Aula 7 - Modelos ARIMA
Trabalho - Aplicação
O principal produto da disciplina é desenvolver a capacidade de desenhar e implementar um projeto aplicado. Por isso, o trabalho consiste na apresentação de (i) uma pergunta, (ii) descrição e análise dos dados que serão utilizados para responder essa pergunta, (iii) estimativas econométricas e (iv) conclusões.
A última aula da disciplina será destinada à apresentação do trabalho e a entrega (da apresentação, em um arquivo no formato 'pdf' + os códigos e os dados, enviados pelo Teams).
Sugestão: acesse a Base dos dados para encontrar dados para a economia brasileira que ajudem a responder a pergunta de pesquisado do trabalho.
Algumas referências mais avançadas
Athey, Susan, and Guido W. Imbens. 2017. “The State of Applied Econometrics: Causality and Policy Evaluation.” Journal of Economic Perspectives 31 (2): 3–32. https://www.aeaweb.org/articles?id=10.1257/jep.31.2.3
Low, Hamish, and Costas Meghir. 2017. “The Use of Structural Models in Econometrics.” Journal of Economic Perspectives 31 (2): 33–58. https://www.aeaweb.org/articles?id=10.1257/jep.31.2.33
Stock, James H., and Mark W. Watson. 2017. “Twenty Years of Time Series Econometrics in Ten Pictures.” Journal of Economic Perspectives 31 (2): 59–86. https://www.aeaweb.org/articles?id=10.1257/jep.31.2.59
Mullainathan, Sendhil, and Jann Spiess. 2017. “Machine Learning: An Applied Econometric Approach.” Journal of Economic Perspectives 31 (2): 87–106. https://www.aeaweb.org/articles?id=10.1257/jep.31.2.87
Donaldson, Dave, and Adam Storeygard. 2016. “The View from Above: Applications of Satellite Data in Economics.” Journal of Economic Perspectives 30 (4): 171–98. https://www.aeaweb.org/articles?id=10.1257/jep.30.4.171
Varian, Hal R. 2014. “Big Data: New Tricks for Econometrics.” Journal of Economic Perspectives 28 (2): 3–28. https://www.aeaweb.org/articles?id=10.1257/jep.28.2.3
Nickerson, David W., and Todd Rogers. 2014. “Political Campaigns and Big Data.” Journal of Economic Perspectives 28 (2): 51–74. https://www.aeaweb.org/articles?id=10.1257/jep.28.2.51
Angrist, Joshua D., and Jörn-Steffen Pischke. 2010. “The Credibility Revolution in Empirical Economics: How Better Research Design Is Taking the Con out of Econometrics.” Journal of Economic Perspectives 24 (2): 3–30. https://www.aeaweb.org/articles?id=10.1257/jep.24.2.3
Keane, Michael P. 2010. “A Structural Perspective on the Experimentalist School.” Journal of Economic Perspectives 24 (2): 47–58. https://www.aeaweb.org/articles?id=10.1257/jep.24.2.47
Sims, Christopher A. 2010. “But Economics Is Not an Experimental Science.” Journal of Economic Perspectives 24 (2): 59–68. https://www.aeaweb.org/articles?id=10.1257/jep.24.2.59
Nevo, Aviv, and Michael D. Whinston. 2010. “Taking the Dogma out of Econometrics: Structural Modeling and Credible Inference.” Journal of Economic Perspectives 24 (2): 69–82. https://www.aeaweb.org/articles?id=10.1257/jep.24.2.69
Stock, James H. 2010. “The Other Transformation in Econometric Practice: Robust Tools for Inference.” Journal of Economic Perspectives 24 (2): 83–94. https://www.aeaweb.org/articles?id=10.1257/jep.24.2.83
Hausman, Jerry. 2001. “Mismeasured Variables in Econometric Analysis: Problems from the Right and Problems from the Left.” Journal of Economic Perspectives 15 (4): 57–67. https://www.aeaweb.org/articles?id=10.1257/jep.15.4.57
Wooldridge, Jeffrey M. 2001. “Applications of Generalized Method of Moments Estimation.” Journal of Economic Perspectives 15 (4): 87–100. https://www.aeaweb.org/articles?id=10.1257/jep.15.4.87
Koenker, Roger, and Kevin F. Hallock. 2001. “Quantile Regression.” Journal of Economic Perspectives 15 (4): 143–56. https://www.aeaweb.org/articles?id=10.1257/jep.15.4.143