Doutorado em Economia dos Negócios

URI permanente para esta coleçãohttps://repositorio.insper.edu.br/handle/11224/3243

Navegar

Filtros

20242

Configurações

Área do Conhecimento: search.filters.subjectcnpq.CIENCIAS EXATAS E DA TERRA

Resultados da Pesquisa

Agora exibindo 1 - 2 de 2
  • N/D
    Tese
    A Constrained BART Model for Identifying Heterogeneous Treatment Effects in Regression Discontinuity Designs
    (2024) Alcantara, Rafael Campello de
    Este projeto propõe o modelo BART-RDD, uma modificação dos modelos Bayesian Causal Forest (HAHN; MURRAY; CARVALHO, et al., 2020; CHIPMAN; GEORGE; MCCULLOCH, et al., 2010) que utiliza uma nova priori de árvore de regressão que incorpora a estrutura única de desenhos de regressão em descontinuidade (RDD). Especificamente, adicionam-se restrições ao processo de crescimento das árvores para garantir a presença de unidades tratadas e não tratadas em um pequeno intervalo em torno do valor de corte da variável que determina tratamento (ponto no qual o efeito do tratamento é identificado). Mostra-se que os modelos BART e BCF sem modificações estima efeitos de tratamento mal neste contexto, enquanto o BART-RDD identifica os efeitos de forma acurada. Ao mesmo tempo, este modelo preserva a flexibilidade inerente de todos os modelos baseados no BART, permitindo redução de variância e efetiva exploração de heterogeneidade nos efeitos de tratamento. Foram realizadas simulações que sugerem que o BART-RDD obtém considerável redução de variância ao custo de algum viés. Porém, esta redução de variância é grande o suficiente para compensar o viés, levando a um estimador que é mais estável que outros estimadores de RDD e modelos baseados no BART sem modificação em diferentes cenários. Ilustra-se a aplicação do novo estimador pela reanálise dos dados de Lindo, Sanders, and Oreopoulos (2010), que investigam o efeito de suspensão acadêmica na performance de estudantes em uma universidade canadense.
  • N/D
    Tese
    Essays on Stochastic Choice
    (2024) Caluz, Antonio Daniel Ricardo Engracia
    This thesis delves into the realm of stochastic choice theory, offering novel perspectives across three distinct but related chapters. In Chapter One, we introduce a Salience Biased Nested Logit model, constructively incorporating salience bias into choice probabilities, thus exploring variation from conventional nested logit approaches. In this first chapter, we approach the theoretical construction of the model from two different perspectives, the decision theory framework and the random utility estimation framework, presenting a rich set of price elasticities in the applied context. Chapter two shifts focus to the Eliminationby- Aspects framework of Tversky, proposing the entitled Elimination-by-Salience model, which simplifies traditional EBA by dropping sharply the number of parameter while capturing the nuanced impacts of salience on choice. Moreover, we propose a competing model where agents are fully attentive and no salience influences transition probabilities. Chapter three, “Replicas Without Full Support,” extends the Luce model with replicas, integrating non-positive probabilities and offering a broader understanding of choice under uncertainty. Collectively, these chapters contribute to the stochastic choice literature by introducing innovative models that enhance our understanding of decision-making processes, highlighting the significance of salience and the rationality of choice within stochastic decision frameworks.