Exercícios do Wooldridge: Crimes no Campus

[et_pb_section admin_label="section"][et_pb_row admin_label="row"][et_pb_column type="1_2"][et_pb_text admin_label="Texto" background_layout="light" text_orientation="justified" text_font="Verdana||||" text_font_size="18" use_border_color="off" border_color="#ffffff" border_style="solid"]

No nosso Curso de Introdução à Econometria usando o R, os alunos aprendem a estimar modelos lineares a partir de Mínimos Quadrados Ordinários, tendo uma prática constante com o R. Para ilustrar como aprender econometria é divertido, podemos replicar um exemplo do livro clássico do Wooldridge, de Introdução à Econometria. Escolhemos aqui o exemplo 4.4, que avalia a relação entre quantidade de alunos em um campus e criminalidade nele.

[/et_pb_text][/et_pb_column][et_pb_column type="1_2"][et_pb_image admin_label="Imagem" src="https://analisemacro.com.br/wp-content/uploads/2018/09/Copy-of-Copy-of-Turmas-de-setembro.png" show_in_lightbox="off" url_new_window="off" use_overlay="off" animation="left" sticky="off" align="left" force_fullwidth="off" always_center_on_mobile="on" use_border_color="off" border_color="#ffffff" border_style="solid"]

 

[/et_pb_image][/et_pb_column][/et_pb_row][et_pb_row admin_label="row"][et_pb_column type="4_4"][et_pb_text admin_label="Texto" background_layout="light" text_orientation="justified" text_font="Verdana||||" text_font_size="18" use_border_color="off" border_color="#ffffff" border_style="solid"]

Podemos traçar um paralelo intuitivo entre número de alunos em uma universidade e criminalidade no seu campus, especialmente pensando no contexto americano onde é comum morar no ambiente universitário. Mais jovens juntos provavelmente cometem mais, crimes, afinal. É verdade? Se sim, em que medida? Isso é importante para um gestor de políticas públicas, afinal ele precisa alocar policiais de maneira racional.

Vamos carregar a base de dados "campus", do pacote "wooldridge" e estimar o seguinte modelo,  onde C é o número de crimes e M é o número de matrículas.

(1)   \begin{equation*} \log(C) = \beta_0 + \beta_1 \log(M) + \mu \end{equation*}


library(wooldridge)
data(campus)
summary(lm(lcrime ~ lenroll, data = campus))

O leitor que replicar o código acima irá encontrar uma estimativa alinhada com nossa intuição. O parâmetro é positivo, significante e estimado em algo em torno de 1.2. O que nos sugere que um aumento de 1\% nas matrículas de uma universidade leva a um aumento de 1.2\% no número de crimes nela cometidos.

Quer aprender mais sobre econometria? Conheça nossos Cursos Aplicados de R! Membros do Clube do Código têm acesso aos códigos desse e de outros exercícios do capítulo 4 do Wooldridge. Assine o Clube aqui


[/et_pb_text][/et_pb_column][/et_pb_row][/et_pb_section]

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Tratamento e transformação de séries temporais macroeconômicas para modelagem

"Garbage in, garbage out" é a regra de ouro na previsão macroeconômica. Antes de aplicar qualquer modelo de IA ou econometria para prever indicadores como o IPCA ou o PIB, existe um trabalho crucial de tratamento de dados. Neste post, abrimos os bastidores do nosso dashboard de previsões e mostramos o passo a passo para transformar dados brutos de múltiplas fontes (como BCB, IBGE e FRED) em séries prontas para modelagem. Veja como lidamos com diferentes frequências, aplicamos transformações e usamos metadados para criar um pipeline de dados robusto e automatizado.

Como planejar um pipeline de previsão macroeconômica: da coleta ao dashboard

Montar um pipeline de previsão macroeconômica não é apenas uma tarefa técnica — é um exercício de integração entre dados, modelos e automação. Neste post, apresento uma visão geral de como estruturar esse processo de ponta a ponta, da coleta de dados até a construção de um dashboard interativo, que exibe previsões automatizadas de inflação, câmbio, PIB e taxa Selic.

Coletando e integrando dados do BCB, IBGE e IPEA de forma automatizada

Quem trabalha com modelagem e previsão macroeconômica sabe o quanto é demorado reunir dados de diferentes fontes — Banco Central, IBGE, IPEA, FRED, IFI... Cada um com sua API, formato, frequência e estrutura. Esse gargalo de coleta e padronização consome tempo que poderia estar sendo usado na análise, nos modelos ou na comunicação dos resultados.

Foi exatamente por isso que criamos uma rotina de coleta automatizada, que busca, trata e organiza séries temporais econômicas diretamente das APIs oficiais, pronta para ser integrada a pipelines de previsão, dashboards ou agentes de IA econometristas.

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

como podemos ajudar?

Preencha os seus dados abaixo e fale conosco no WhatsApp

Boletim AM

Preencha o formulário abaixo para receber nossos boletins semanais diretamente em seu e-mail.