1 / 32

Amostragem para Avaliações do Impacto de Programas

Vincenzo di Maro. Amostragem para Avaliações do Impacto de Programas. Introdução. Como é que desenhamos uma amostra para detectar de uma forma credível um efeito significativo? Em que populações ou grupos estamos interessados e aonde é que conseguimos encontrá-los?

giza
Download Presentation

Amostragem para Avaliações do Impacto de Programas

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. VincenzodiMaro AmostragemparaAvaliações do Impacto de Programas

  2. Introdução • Como é que desenhamos uma amostra para detectar de uma forma credível um efeito significativo? • Em que populações ou grupos estamos interessados e aonde é que conseguimos encontrá-los? • Quantas pessoas/empresas/unidades devem ser entrevistadas/analisadas dessa população? • De que forma é que o tamanho da amostra afecta o orçamento da avaliação?

  3. Sumário • Base da amostragem • Que populações ou grupos estamos interessados • Como é que conseguimos encontrá-los? • Tamanho da amostra • Porque é tão importante: confiança nos resultados • Determinantes do tamanho apropriado da amostra • Outras questões • Exemplos • Orçamentos

  4. Base de amostragem • Em quem é que estamos interessados? • Todas as PMEs? • Todas as PMEs formais? • Todas as PMEs formais num sector específico? • Todas as PMEs formais num sector específico numa região em particular? • É preciso ter em consideração a validade externa • Consegue-se com os resultados da população (c) retirar ilações para programas de apoio a empresas informais noutro sector? • Consegue-se com os resultados da população (d) retirar ilações para as políticas públicas do país? • Mas é preciso ter em conta a viabilidade e o que queremos saber • Pode não ser possível ou desejável fazer um piloto muito genérico de um programa ou de uma política

  5. Base de amostragem: Encontrar as unidadesemqueestamosinteressados • Depende do tamanho e do tipo de experiência • Sorteio entre os aplicantes • Exemplo: Programa de Serviços de Apoio ao Desenvolvimento de Negócio entre empresas informais de uma área específica • Podemos utilizar unidades de tratamento e comparação da pool de aplicantes • Se não é possivel (50,000 recebem o tratamento), é necessário uma amostra para medir o impacto • Alteração de política • Exemplo: Alteração em distritos seleccionados aleatoriamente das regras de registro das empresas • Para medir o impacto nos lucros, não se pode criar uma amostra de todos os negócios informais nos distritos de tratamento e de comparação • É necessário uma amostra de empresas dentro dos distritos • Informação necessária antes da amostragem • Listagem completa de todas as unidades de observação disponíveis para amostragem em cada área ou grupo • Pode ser complicado para unidades como seja o caso de empresas informais, mas existem técnicas para resolver este problema

  6. Sumário • Base da amostragem • Que populações ou grupos estamos interessados? • Como é que conseguimos encontrá-los? • Tamanho da amostra • Porque é tão importante: confiança nos resultados • Determinantes do tamanho apropriado da amostra • Outras questões • Exemplos • Orçamentos

  7. Tamanhodaamostra e confiança • Comece com umaquestãomais simples que o impacto do programa • Digamosquequeremos saber a média dos lucrosanuais de uma PME em Rio • Opção 1: Saímos à rua e procuramos 5 empresários, aosquaiscalculamos a média das suasrespostas. • Option 2: Obtemos 1000 empresários e calculamos a média das suasrespostas. • Quemédiaestarámaispertodaverdadeiramédia?

  8. Tamanho da amostra e confiança: 5 empresas 1,000 empresas

  9. Tamanho da amostra econfiança • Da mesma forma, quando calculamos o impacto do programa • Necessitamos de muitas observações para dizermos com confiança se o resultado médio do grupo de tratamento é superior/inferior ao do grupo de comparação • O que significa com confiança? • Minimizar o erro estatístico • Tipos de erros • Erro tipo 1: Dizemos que há um impacto do programa quando na realidade não existe • Erro tipo 1 : Existe um impacto do programa mas não conseguimos detectá-lo

  10. Tamanho da amostra econfiança • Erro tipo 1: Detectar um impacto do programa quando não existe • Erro pode ser minimizado depois da recolha de dados, durante a fase de análise estatística • Necessário ajustar os níveis de significado das estimativas de impacto (ex. Intervalos de confiança de 99% ou 95%) • Erro tipo 2: não se consegue detectar que de facto há um impacto do programa • Na gíria: teste estatístico tem um poder baixo • Erro tem de ser minimizado antes da recolha de dados • Melhor forma de garantir isso: Assegurar que se tem uma amostra suficientemente grande • O objetivo da avaliação do impacto do programa é aprender alguma coisa • Ex-ante: não sabemos qual a dimensão do impacto do programa • Ex-post com poder baixo: Este programa pode ter aumentado os lucros das empresas em 50%, mas não conseguimos distinguir com confiança a diferença entre um aumento de 50% de um aumento de zero

  11. Calcular o tamanho da amostra • Na realidade, há uma formula. Mas não fique assustado. • Principais aspectos a ter em conta: • Tamanho suficiente para detectar o efeito • Probabilidade de erros tipo 1 e tipo 2 • Variância dos resultado(s) • Unidades (empresas, bancos) por área tratada

  12. Calcular o tamanho da amostra • Tamanho suficiente para detectar o efeito • O efeito mínimo que queremos distinguir de zero • Aumento de 30% nas vendas, uma queda em 25% nos subornos • Amostras maiores mais fácil detectar efeitos menores • Trabalham as mulheres e os homens o mesmo número de horas? • Hipótese: Em média, as mulheres trabalham 40 horas por semana, enquanto que os homens trabalham 44 horas por semana • Se estes dados são resultado de uma amostra de 10 mulheres e 10 homens • É díficil dizer que são diferentes • Sería mais fácil dizer que são diferentes se as mulheres trabalhassem 30 horas por semana e os homens 80 horas por semana • Mas se os dados resultam de uma amostra de 500 mulheres e 500 homens • Mais provável que sejam de facto diferentes

  13. Calcular o tamanho da amostra • Como é que escolhemos o tamanho do efeito detectável? • O efeito mínimo que implicaría uma resposta política • O efeito mínimo que permitiria dizer que o programa não foi um falhanço • Este programa aumentou as vendas em 40% e este efeito é significativo do ponto de vista estatístico • Óptimo - Vamos pensar como é que conseguimos expandi-lo • Este programa aumentou as vendas em 10% e este efeito é significativo do ponto de vista estatístico • Óptimo….oops..espera aí: gastamos este dinheiro todo e apenas aumentou as vendas 10%?

  14. Calcular o tamanho da amostra • Erro tipo 1 e erro tipo 2 • Tipo 1 • Nível de significado das estimativas é normalmente estabelecido a 1% ou 5% • 1% ou 5% é a probabilidade de não existir impacto no cenário em que acreditamos que encontrámos um efeito • Tipo 2 • Poder normalmente colocado a 80% ou 90% • 20% ou 10% é a probabilidade que haja um efeito que não conseguimos detectar • Amostras maiores  maior poder

  15. Calcular o tamanho da amostra • Variância dos resultado(s) • Menor variância  mais fácil detectar a diferença  pode-se ter uma amostra menor

  16. Calcular o tamanhodaamostra • Variância de resultados • Como é que sabemos a variância dos resultados antes de decidirmos o tamanho da amostra e recolhermos os dados? • O ideal é dados prévios, mas normalmente ….são não-existentes • Pode-se usar dados prévios de uma população semelhante • Exemplo: inquéritos a empresas, inquéritos ao mercado laboral • Torna isto um pouco um trabalho de adivinhação, não exactamente uma ciência

  17. Outras questões • Braços de tratamento múltiplos • Resultados desagregados por grupos • Adesão • Qualidade dos dados

  18. Outrasquestões • Braços de tratamento múltiplos • Compara-se cada tratamento separadamente com o grupo de comparação • Comparar grupos de tratamento implica amostras muito grandes • Especialmente se os tratamentos forem parecidos, as diferenças entre os grupos de tratamento serão provavelmente menores • De facto, é como corrigir um tamanho do efeito detectável muito pequeno • Resultados desagregados por grupos • São os efeitos diferentes para homens e mulheres? E para diferentes sectores? • Se o sexos/sectores são esperados reagir de uma forma semelhante, então estimar as diferenças no impacto do tratamento também requer amostras muito grandes

  19. Quem é mais alto? Detectar diferenças menores é mais difícil

  20. Outras questões • Resultados desagregados por grupos • Para garantir equilíbrio entre os grupos de tratamento e de comparação, é aconselhavel estratificar a amostra antes de alocar o grupo de tratamento • Estratos • Sub-populações • Estratos habituais: localização, sexo, sector, valores iniciais do resultado de interesse • Alocação ao grupo de tratamento(ou amostragem) é efectuada dentro destes grupos

  21. Porque é quenecessitamosde estratos? • Exemplo de estratos com base na região • = T • = C

  22. Porque é quenecessitamosde estratos? • Qual é o impacto numa região em particular? • Por vezes é dificil de dizer com confiança

  23. Porque é quenecessitamosde estratos? • Randomização do tratamento dentro das unidades geográficas • Dentro de cada tratamento, ½ sera tratada, ½ será do grupo de comparação. • Lógica semelhante para sexos, sector, tamanho da empresa, etc

  24. Outras questões • Adesão • Adesão baixa aumenta o tamanho do efeito detectável • Só se consegue detectar um efeito se for realmente grande • Na prática diminui o tamanho da amostra • Exemplo: Oferecer subsídios a PMEs na forma de serviços de apoio ao desenvolvimento do negócio • Oferta a 5,000 empresas • Apenas 50 participam • Provavelmente só se consegue dizer com confiança que há um efeito nas vendas se elas se tornarem parte das empresas do Fortune 500

  25. Outras questões • Qualidade dos dados • Dados de pouca qualidade aumentam na prática o tamanho da amostra necessário • Observações em falta • Aumento do ruído • Pode ser mitigado em parte com um coordenador no terreno a monitorizar a recolha de dados

  26. Exemplo do Gana •  Cálculos podem ser efectuados em vários pacotes estatísticos – e.g. STATA, OD • Experiência no Gana para aumentar os lucros de micro-empresas • Lucros base • 50 cedi por mês. • Dados dos lucros com ruído, o que leva a que o coeficiente de variação maior >1 seja habitual. • Exemplo do código em STATA para detectar um aumento de 10% dos lucros: • sampsi 50 55, p(0.8) pre(1) post(1) r1(0.5) sd1(50) sd2(50) • Ter dados antes e depois da intervenção diminui o tamanho da amostra necessário (pre e post)

  27. Exemplo do Gana • Resultados • Aumento de 10% (de 50 para 55): 1,178 empresas em cada grupo • Aumento de 20% (de 50 para 60): 295 empresas em cada grupo • Aumento de 50% (de 50 para 75): 48 firms in each group (Mas este efeito não é realista) • E se a adesão for apenas de 50% • Oferecemos formação que aumenta os lucros em 20%, mas apenas metade das empresas o cumprem. • Média para o grupo de tratamento = 0.5*50 + 0.5*60 = 55 • Equivalente a detectar um aumento de 10% com uma adesão de 100%  necessário 1,178 em cada grupo em vez de 295 em cada grupo

  28. Sumário • Base da amostragem • Que populações ou grupos estamos interessados • Como é que conseguimos encontrá-los? • Tamanho da amostra • Porque é tão importante: confiança nos resultados • Determinantes do tamanho apropriado da amostra • Outras questões • Exemplos • Orçamentos

  29. Orçamentos • O que é necessário? • Recolha de dados • Empresa de inquéritos • Entrada dos dados • Coordenador no terreno para garantir que o tratamento está de acordo com o protocolo de randomização e para monitorizar a recolha de dados • Análise de dados

  30. Orçamentos • Quanto é que tudo custa? • Varia muito. Normalmente depende do • Tamanho da amostra • Facilidade de encontrar inquiridos • Dispersão geográfica dos inquiridos • Questões de segurança • Empresas formais vs informais • Nível de formação do entrevistador • Et cetera…. • Dados para um inquérito a empresas:$40-350/empresa • Dados para um inquérito a lares: $40+/lar • Coordenador no terreno: $10,000-$40,000/ano • Depende se se consegue um coordenador local • Dados administrativos: Normalmente grátis • Por vezes tem resultados limitados, pode não ter informação sobre o sector informal

  31. Orçamentos • O dinheiro pode comprar o poder!

  32. Em resumo • O tamanho da amostra da avaliação do impacto do programa vai determinar quanto é que se pode aprender da experiência • Algum bom senso e adivinhação nos cálculos mas é importante despender tempo nestes cálculos • Se a amostra é muito pequena: perda de tempo e dinheiro porque não seremos capazes de detectar com confiança um impacto não-nulo • Se é posto pouco esforço na amostragem e na recolha de dados: Ver acima. • Questões?

More Related