Tenho uma camiseta que nunca coloquei porque não mereço usá-la. Diz “Master of ‘Metrics” no verso.
Eu consegui em 2015 como um empate promocional com uma cópia de revisão de um livro sobre econometria chamado “Mastering ‘Metrics: The Path From Cause to Effect,” co-escrito por Joshua Angrist, que na segunda-feira recebeu o Prêmio Nobel Memorial em Ciências Econômicas junto com David Card e Guido Imbens. Para usar a camiseta, é preciso mesmo terminar o livro. Estou apenas na página 85, então a camiseta permanece na cômoda.
Dito isso, estou muito animado com a entrega do prêmio a Angrist, do Massachusetts Institute of Technology; Card, da University of California, Berkeley; e Imbens, da Universidade de Stanford. Muito excelente artigos sobre o Nobel se concentraram em como esses estudiosos perturbaram a sabedoria econômica convencional em tópicos como o salário mínimo e imigração. Em vez disso, quero me concentrar nas ferramentas que os três desenvolveram. Essas ferramentas são poderosas, mas fáceis de manusear, como um bom alicate.
O problema com que a econometria lida é que a correlação não implica causalidade. Só porque você usou meias incompatíveis para uma entrevista de emprego e não conseguiu o emprego não prova a hipótese de que o mau funcionamento do guarda-roupa foi o que matou suas chances. E você não pode testar a hipótese repetindo a entrevista com meias combinadas.
Os economistas chamam isso de “o problema fundamental da inferência causal”. Felizmente, há uma maneira de contornar isso. Embora seja impossível retroceder no relógio para observar ambas as possibilidades para um único indivíduo (entrevista com meias combinadas vs. entrevista com meias não combinadas), é possível encontrar o efeito médio fazendo experimentos em várias pessoas. Nunca saberemos com certeza se tomar uma aspirina é o que curou sua dor de cabeça, mas podemos medir a efeito médio de aspirina em milhares de pessoas com dor de cabeça que tomaram ou não tomaram um comprimido.
Às vezes, os economistas podem realizar experimentos apropriados, onde certas pessoas escolhidas aleatoriamente são “tratadas” (experimentadas) e o restante serve como um grupo de “controle”. O Nobel de economia de 2019 foi para Abhijit Banerjee, Esther Duflo e Michael Kremer por tal experimentos, que visavam aliviar a pobreza global. Mais frequentemente, porém, experimentos apropriados são impossíveis. Você não pode designar aleatoriamente certas pessoas para serem fumantes ou abandonar a faculdade, por exemplo. Como alternativa, os economistas procuram “experimentos naturais”: situações da vida real que, devido a uma peculiaridade da natureza ou política governamental ou alguma outra fonte, se assemelham a experimentos planejados.
Card, Angrist e Imbens são inteligentes em identificar e aprender com os experimentos naturais. Card e seu colega economista Alan Krueger exploraram a famosa variação do salário mínimo estadual entre Nova Jersey e Pensilvânia para ver se o aumento do salário mínimo elimina empregos. Os restaurantes de fast-food dos dois lados da fronteira entre Nova Jersey e o leste da Pensilvânia eram semelhantes em todos os aspectos importantes, exceto quanto eles tinham que pagar aos trabalhadores, já que Nova Jersey havia aumentado seu salário mínimo. Ao contrário da sabedoria aceita, os economistas encontrado “Nenhuma indicação de que o aumento do salário mínimo reduziu o emprego.”
Se Card e Krueger tivessem olhado apenas para o emprego em Nova Jersey, eles teriam dificuldade em separar o efeito do salário mínimo mais alto do efeito das mudanças sazonais no emprego de fast-food. Assim, eles exploraram o fato de que os efeitos sazonais no leste da Pensilvânia são semelhantes aos de Nova Jersey, usando efetivamente a Pensilvânia como o grupo de “controle”.
Esse é um exemplo de ferramenta engenhosa que os ganhadores do Nobel deste ano desenvolveram. Aqui está outro:
Digamos que você queira descobrir o efeito de servir nas forças armadas durante a Guerra do Vietnã sobre os ganhos mais tarde na vida. Não é suficiente comparar os salários vitalícios de pessoas que serviram e não serviram, porque eles podem ser sistematicamente diferentes uns dos outros de outras maneiras difíceis de detectar. Por exemplo, e se as pessoas que não serviram tendessem a vir de famílias mais ricas?
Em um artigo de 1990 que examinou a relação entre o serviço militar durante a Guerra do Vietnã e os ganhos na velhice, Angrist propôs uma técnica para contornar o problema: ele se concentrou no número da loteria do draft de uma pessoa. Ter um número baixo na loteria aumentava a probabilidade de servir no exército, e não havia risco de que as pessoas que tiravam números baixos fossem sistematicamente diferentes das pessoas que tiravam números altos, porque os números da loteria eram atribuídos aleatoriamente.
Angrist reconheceu que essa abordagem não era perfeita. Muitos dos que serviram nas forças armadas durante a Guerra do Vietnã eram voluntários, o que significa que teriam servido mesmo se tivessem um grande número de loteria. Por outro lado, alguns que tinham números baixos na loteria não serviram, em alguns casos porque se qualificaram como objetores de consciência.
Mas Angrist, com Imbens, descobriu como fazer algumas inferências confiáveis mesmo quando o experimento natural estava turvo. No caso do calado, Angrist mostrou que poderia limpar a lama zerando a influência do número do calado – o experimento natural – sobre se um homem servia, ignorando outros fatores. Ele descobriu que é possível tirar conclusões úteis sobre os homens que serviram porque foram convocados, mas impossível concluir qualquer coisa útil sobre os homens que serviram porque se ofereceram. Ele encontrado que “no início da década de 1980, muito depois do fim de seu serviço no Vietnã, os ganhos dos veteranos brancos eram aproximadamente 15% menores do que os de não veteranos comparáveis”.
A beleza do trabalho dos Nobelistas é que se trata do mundo real. Encontrar experimentos naturais frutíferos requer não apenas inteligência, mas uma compreensão profunda do fenômeno que está sendo estudado.
Esta semana entrevistei Paul Romer, que recebeu o Nobel de economia de 2018 por seu trabalho sobre a teoria do crescimento. Em 2015 papel, ele criticou duramente outros economistas pelo que chamou de “matemática”, que ele definiu como o uso da linguagem da matemática, mas de uma forma desleixada que “deixa amplo espaço para derrapagem”. Isso não é problema para os laureados deste ano, que usaram a matemática de maneira apropriada, ele me disse.
“Tem havido uma reação na profissão afastando-se da teoria e voltando-se para muito mais atenção aos fatos”, disse ele. “Se você levar isso a sério, terá que levar a sério a pergunta de acompanhamento: Posso interpretar essas correlações como me dizendo algo sobre a causalidade?”
Romer identificou essa abordagem como “o verdadeiro coração” do que os laureados deste ano têm feito no trabalho.
Perguntei a Romer se ele achava que sua crítica à “matemática” de 2015 poderia ter empurrado a profissão e o comitê do Nobel para o tipo de trabalho homenageado este ano. Ele riu, observando que esse é exatamente o tipo de pergunta que o problema fundamental da inferência causal diz ser impossível de responder. No entanto, ele disse que sente que a profissão está no caminho certo.
Se você quiser saber mais sobre esta pesquisa, dois bons recursos são os Nobel local na rede Internet e uma série de videos online apresentando Angrist no recurso de economia online Marginal Revolution University. Agora preciso terminar o livro de Angrist para poder usar aquela camiseta.
Em outro lugar
David Card recebeu metade dos 10 milhões de coroas suecas (US $ 1,1 milhão nas taxas de câmbio atuais) concedidos ao Nobel de economia deste ano, enquanto Joshua Angrist e Guido Imbens receberam um quarto cada um. Pelo que eu posso dizer, esta é uma das quatro maneiras pelas quais o dinheiro do Nobel de Economia é distribuído. As outras são: Uma pessoa consegue tudo; duas pessoas recebem metade cada; e três pessoas recebem um terço cada. (Não pode haver mais de três destinatários.) Avise-me se perdi alguma outra divisão.
O que você acha deste sistema? Se você acha que todos os laureados devem ser tratados da mesma forma, você deve se opor à divisão 50-25-25 e preferir um terço cada. No outro extremo, se você acha que a alocação com base na contribuição proporcional é correta, por que não 40-30-30 ou 60-30-10 ou, já que falamos nisso, 98-1-1? (Isso seria um insulto sério para os 1s.)
Citação do dia
“Há anos que fazem perguntas e anos que respondem.”
– Zora Neale Hurston, “Their Eyes Were Watching God” (1937)
Tem algum feedback? Envie uma nota para [email protected].
Discussão sobre isso post