Este repositório contém uma coleção de textos, dicas e artigos relacionados a econometria, métodos estatísticos, inferência causal e ciência de dados. Os artigos aqui presentes são de minha autoria e são provenientes de diversas fontes, como LinkedIn, sites e outras publicações.
O objetivo deste repositório é compartilhar conhecimentos e insights sobre econometria, inferência causal, métodos estatísticos e ciência de dados com a comunidade. Espero que os materiais aqui presentes possam ser úteis para estudantes, profissionais e entusiastas dessas áreas.
Descubra como superar uma das principais dificuldades dos pesquisadores: a interpretação dos resultados de uma regressão.
Neste artigo, demonstro como traduzir os resultados em unidades que permitam inferir o impacto de uma intervenção ou tratamento.
Para isso, utilizo uma abordagem prática com o estimador de diferença-em-diferenças.
Texto publicado no LinkedIn.
https://www.linkedin.com/pulse/como-interpretar-os-coeficientes-de-uma-regress%C3%A3o-da-rosa-paula/
É possível realizar uma avaliação de impacto causal quando dispomos apenas de informações para o grupo que recebeu o tratamento?
Como avaliar o impacto causal de uma intervenção utilizando a abordagem de Séries Temporais Estruturais Bayesianas (BSTS)? Descubra neste texto como a utilização do BSTS pode ajudar a estimar o contrafactual sintético e obter uma aproximação do efeito causal, mesmo quando não há informações disponíveis para um grupo de comparação. Além disso, o texto apresenta as vantagens da abordagem BSTS em relação a outras técnicas de Machine Learning ou redes neurais na modelagem de séries temporais. Entenda como a probabilidade bayesiana pode ser utilizada para determinar a significância estatística do efeito causal e acompanhe um exemplo prático de como aplicar a abordagem BSTS na prática.
Texto publicado no LinkedIn.
https://www.linkedin.com/pulse/%C3%A9-poss%C3%ADvel-realizar-uma-avalia%C3%A7%C3%A3o-de-impacto-causal-o-da-rosa-paula/
Os testes A/B são comuns em business e marketing digital, enquanto os RCTs são utilizados na academia e pesquisas científicas. Já os testes A/B avaliam o desempenho de duas variantes, enquanto os RCTs são usados para estabelecer causalidade e medir o impacto de tratamentos. Os RCTs requerem mais rigor metodológico, sendo reconhecidos como o padrão-ouro. Os testes A/B são focados em resultados, enquanto os RCTs buscam testar hipóteses e fornecer respostas mais amplas. Ambos os métodos são importantes e fornecem insumos valiosos para a tomada de decisões baseadas em evidências.
Texto publicado no LinkedIn. https://www.linkedin.com/pulse/rcts-vs-teste-ab-silvio-da-rosa-paula/
Saiba como uma avaliação de impacto pode ser aplicada não só em programas sociais, mas também em estratégias de negócios, para identificar se os resultados correspondem com os objetivos traçados. Descubra os principais componentes necessários para uma identificação causal, como a linha do tempo dos eventos, a avaliação de variáveis de confusão e a observação das mudanças, e os termos-chave utilizados em pesquisas causais, como hipótese, desenho experimental, variável independente, variável dependente e variável de controle.
Texto publicado no LinkedIn. https://www.linkedin.com/pulse/avalia%C3%A7%C3%A3o-de-impacto-aplicado-%C3%A1rea-neg%C3%B3cios-silvio-da-rosa-paula/
Em um post em um blog de análise de dados, é levantada a questão sobre a possibilidade de grande parte dos trabalhos aplicados atuais estarem incorretos. É destacado o Paradoxo de Simpson, que ocorre quando certas estruturas levam a resultados enganosos em análises estatísticas. Além disso, é enfatizado que a decisão sobre quais variáveis incluir em um conjunto de controle é impossível sem considerar a estrutura subjacente dos dados. Um exemplo é dado via simulação em que duas variáveis não observadas podem levar a estimativas enviesadas devido à falta de conhecimento sobre a natureza subjacente dos dados.
Texto publicado no LinkedIn. https://www.linkedin.com/pulse/paradoxo-de-simpson-silvio-da-rosa-paula-1e/