Teses de Doutorado

Essa tese consiste em três ensaios em Econometria. Mais especificamente, com em métodos de Variáveis Instrumentais (IV) para Inferência Causal. O primeiro capítulo é coautorado com Cristine Pinto, e trata da identificação de Efeitos Marginais (MTE) de Tratamento em designs de Diferenças-em-Diferenças (DiD). Muitas aplicações de DiD se assemelham ao métodos de variáveis instrumentais no sentido de que a exposição ao choque que afeta a escolha do tratamento não determina quem é tratado e quem permanece no controle. Nesses designs, chamados de Fuzzy DiD, efeitos de tratamento são identificados apenas para compliers. Neste capítulo, mostro como MTEs podem ser identificados em designs de Fuzzy DiD substituindo a hipótese de independência do instrumento pela hipótese de tendências paralelas. O segundo capítulo propõe um novo método de identificação para efeitos causas dinâmicos usando IVs em painel. O ponto de partida da investigação é que 2SLS não identifica efeitos causais com interpretação clara diante de efeitos dinâmicos e instrumentos serialmente correlacionados no tempo. Diante desse resultado, proponho um novo método para identificar efeitos causais associados à sequências alternativas de tratamentos ao longo do tempo sob restrições de dinâmica no primeiro estágio. Por fim, o terceiro capítulo propõe uma nova abordagem para Análise de Sensibilidade em métodos de IV onde a hipótese de independência não é crível. Focando no caso de outcomes binários, eu derivo resultados de identificação parcial de efeitos de tratamento sob violação de independência, e identifico os valores máximos de violação para qual é possível sustenar conclusões sobre os efeitos verdadeiros.

O presente trabalho aborda a utilização de técnicas de aprendizado de máquina para prever a inflação agregada a partir de dados desagregados de preços de diferentes categorias. São utilizados dados de séries temporais de preços de bens e serviços, bem como dados macroeconômicos relevantes, para construir o modelo de previsão. O modelo é construído usando uma variedade de algoritmos de aprendizado de máquina, incluindo modelos de regularização, árvores de decisão e máquinas de vetor de suporte (SVM). Os resultados indicam que o modelo proposto apresenta desempenho superior aos modelos de previsão adotados como benchmark neste estudo. Além disso, o estudo mostra que o desempenho do modelo é aprimorado quando os dados desagregados são incluídos no modelo.

Teses de Doutorado

Navegar

Filtros

Configurações

Ordenar por

Resultados por página

Resultados da Pesquisa