Estimating Long Run Welfare Outcome in Rotating Panel with Grouped Fixed Effects: Application to Poverty Dynamics in Peru

Este artigo aplica efeitos fixos agrupados (GFE) a dados de painel rotativo da ENAHO no Peru para estimar dinâmicas de pobreza de longo prazo, demonstrando que o método captura com maior precisão a mobilidade e a persistência da pobreza em comparação com os painéis sintéticos tradicionais.

O essencial

Imagine que você quer entender a história de vida financeira de milhares de famílias no Peru. Você quer saber: quem sai da pobreza? Quem fica preso nela? Quem cai nela de repente?

O problema é que você não tem um filme completo de 12 anos de cada família. O que você tem é como se tivesse vários clipes curtos de vídeo.

• A Família A aparece em 2007, 2008 e 2009, e depois some.
• A Família B entra em 2008, 2009 e 2010, e depois some.
• A Família C entra em 2009... e assim por diante.

Isso é o que chamamos de "Painel Rotativo" (Rotating Panel). É como um quebra-cabeça onde as peças se sobrepõem por um tempo, mas nunca formam uma imagem completa de uma única peça do início ao fim.

O Problema: Tentar adivinhar o futuro com peças soltas

Métodos antigos tentavam resolver isso agrupando famílias por características óbvias (como "todos que nasceram na mesma cidade" ou "todos com a mesma idade"). É como tentar adivinhar o final de um filme apenas olhando para a capa do DVD. Às vezes funciona, mas muitas vezes erra porque ignora a história única de cada família.

A Solução: O "Grupo de Irmãos" Inteligente (GFE)

Os autores deste paper, Hongdi Zhao e Seungmin Lee, usaram uma técnica chamada Efeitos Fixos Agrupados (GFE).

Pense no GFE não como agrupar pessoas pelo que elas são (idade, cidade), mas pelo ritmo de vida delas.

Imagine que você tem 100 pessoas em uma sala. Você não sabe quem é quem, mas você vê que:

1. Um grupo de pessoas está sempre subindo uma escada (melhorando a vida).
2. Outro grupo está descendo uma escada (piorando a vida).
3. Um terceiro grupo está estagnado no mesmo degrau.
4. Um quarto grupo oscila, sobe e desce.

O algoritmo GFE é como um detetive superinteligente que olha para os poucos clipes de vídeo que você tem e diz: "Olha, a Família A, que só apareceu por 3 anos, tinha o mesmo ritmo de subida que a Família B. Vamos colocá-las no mesmo 'Grupo de Subida'."

Ao fazer isso, o algoritmo cria 4 tipos de famílias (grupos) com histórias de vida distintas.

Como eles usaram isso no Peru?

Eles pegaram os dados do Peru (2007-2019), que é um país onde a pobreza caiu muito, mas de forma desigual.

1. Adivinhando o Invisível: Como muitas famílias só foram entrevistadas por 3 ou 4 anos, o algoritmo usou o que sabia sobre o "Grupo de Subida" para preencher os anos que faltavam na vida da Família A. Se o grupo todo estava melhorando em 2015, é provável que a Família A também estivesse, mesmo que não tenhamos entrevistado ela naquele ano.
2. Verificando a Precisão: Eles fizeram um teste. Esconderam o último ano de dados de cada família e tentaram prever se ela estaria pobre ou não. O método acertou em 83% dos casos! É como se você olhasse para a vida de alguém até 2018 e conseguisse prever com muita precisão se ela estaria pobre em 2019.
3. Comparando com o "Velho Método": Eles compararam seu método com o método tradicional (o "Painel Sintético"). O novo método foi mais preciso e, o mais importante, explicou por que as coisas aconteceram, mostrando os diferentes tipos de trajetórias.

O Que Descobriram? (A História dos 4 Grupos)

Ao classificar as famílias em 4 grupos, eles viram padrões claros que antes estavam escondidos:

• O Grupo "Top" (Os Vitoriosos): São famílias com mais escolaridade, falam espanhol e têm acesso a água e luz. Elas começaram bem e continuaram melhorando.
• O Grupo "Fundo" (Os Presos): São famílias com menos educação, muitas vezes em áreas rurais, com menos acesso a serviços básicos. Elas começaram pobres e tiveram dificuldade em sair dessa armadilha.
• Os Grupos do Meio: Um grupo que melhorou no início, mas depois estagnou ou piorou (talvez devido a crises econômicas). Outro grupo que começou mal, mas conseguiu subir a escada com o tempo.

Por que isso importa? (A Lição para o Mundo Real)

Este estudo é como ter um GPS para a pobreza.

• Políticas Públicas: Se você sabe que existe um grupo de famílias que poderia sair da pobreza se tivesse acesso a crédito, mas que está preso por falta de infraestrutura, você não deve dar apenas ajuda emergencial (como comida). Você deve investir em estradas e escolas para esse grupo específico.
• Entender o Tempo: Métodos antigos só olhavam para "quem está pobre hoje". Este método mostra "quem ficou pobre por 10 anos" versus "quem ficou pobre só por um mês". Isso muda completamente a forma como ajudamos.

Resumo em uma frase

Os autores criaram um "mapa de rotas" para as famílias do Peru, usando pequenos pedaços de informação para reconstruir a jornada completa de cada uma, permitindo que governos e pesquisadores entendam não apenas quem é pobre, mas como e por que a pobreza acontece e persiste ao longo do tempo.

Resumo técnico

Resumo Técnico: Estimativa de Resultados de Bem-Estar de Longo Prazo em Painéis Rotativos com Efeitos Fixos Agrupados

1. O Problema e o Contexto

A investigação da dinâmica da pobreza em nível de domicílio é frequentemente dificultada pela falta de dados de painel de longo prazo. Embora métodos existentes, como painéis pseudo e painéis sintéticos, ofereçam soluções baseadas em dados de corte transversal repetidos, eles falham em aproveitar a variação dentro do domicílio presente em painéis rotativos.

• Limitações dos Métodos Atuais: Os painéis sintéticos estimam a mobilidade da pobreza através de momentos e suposições sobre a distribuição conjunta de variáveis não observadas em nível de coorte. Eles tratam cada rodada de pesquisa como um desenho independente, descartando a informação observada de sobreposição entre os domicílios. Isso pode levar a estimativas enviesadas ou imprecisas, especialmente para dinâmicas de longo prazo, onde a autocorrelação em nível de coorte pode não se manter.
• Desafio dos Painéis Rotativos: Embora os painéis rotativos (como o da ENAHO no Peru) combinem a cobertura ampla de cortes transversais com algum acompanhamento longitudinal, eles sofrem de problemas como tamanho de amostra reduzido para unidades sobrepostas, viés de rotação e observações limitadas por domicílio (geralmente 2 a 6 anos), o que torna a estimação de efeitos fixos individuais (FE) imprecisa e economicamente pouco interpretável.

2. Metodologia: Efeitos Fixos Agrupados (GFE)

O artigo aplica o estimador de Efeitos Fixos Agrupados (Grouped Fixed Effects - GFE), proposto por Bonhomme e Manresa (2015), adaptado para a estrutura de painel rotativo desbalanceado da ENAHO (Peru, 2007-2019).

• Conceito Central: Em vez de estimar um efeito fixo individual para cada domicílio (o que é ruidoso em painéis curtos) ou agrupar por características pré-determinadas (como em painéis sintéticos), o GFE classifica os domicílios em um número finito de grupos latentes ($G$). Cada grupo compartilha um perfil temporal comum de heterogeneidade não observada.
• Especificação do Modelo:
  A equação de bem-estar (expenditure per capita transformada por Inverse Hyperbolic Sine - IHS) é modelada como:
  $$y_{it} = x'_{it}\theta + \alpha_{g_i t} + \mu_{p_i} + \varepsilon_{it}$$
  Onde:
  • $y_{it}$: Bem-estar do domicílio $i$ no tempo $t$.
  • $x_{it}$: Vetor de características observadas (ex: educação, idade, gênero, acesso a serviços).
  • $\theta$: Coeficientes comuns.
  • $\alpha_{g_i t}$: Efeito fixo grupo-tempo, capturando a heterogeneidade não observada que varia no tempo, comum a todos os domicílios do grupo $g_i$.
  • $\mu_{p_i}$: Efeito fixo de localização (província), capturando diferenças invariantes no tempo.
• Algoritmo de Estimação:
  Utiliza-se um algoritmo iterativo de Busca em Vizinhança Variável (VNS) combinado com busca local. O algoritmo alterna entre:
  1. Estimar parâmetros ($\theta, \alpha, \mu$) via Mínimos Quadrados Ordinários (MQO) dado um agrupamento atual.
  2. Reatribuir domicílios aos grupos que minimizam a soma dos quadrados dos resíduos, considerando apenas as observações disponíveis (tratando dados faltantes como não contribuintes para a função de perda, mas não penalizando a atribuição).
• Seleção do Número de Grupos ($G$):
  O número ótimo de grupos é selecionado combinando o Critério de Informação Bayesiano (BIC) e o Erro Quadrático Médio (RMSE) de validação out-of-sample. A validação é feita retendo o último ano observado de cada domicílio como dados de teste.
• Preenchimento de Dados Faltantes:
  Uma vantagem chave do GFE é a capacidade de reconstruir trajetórias completas de bem-estar para anos não observados. Após estimar os efeitos grupo-tempo ($\hat{\alpha}_{gt}$) e atribuir os domicílios, os anos faltantes são imputados assumindo regras para as covariáveis (ex: manter características invariantes, atualizar idade mecanicamente) e aplicando o modelo estimado.

3. Contribuições Principais

1. Ponte entre Dados de Curto e Longo Prazo: O artigo fornece um framework para estudar dinâmicas de pobreza em painéis rotativos, preenchendo a lacuna entre painéis verdadeiros longos e cortes transversais repetidos.
2. Estimativa de Dinâmicas de Longo Prazo: Demonstra como o GFE pode recuperar medidas de transição de pobreza para horizontes que excedem o comprimento do painel observado, modelando trajetórias temporais específicas de grupos.
3. Alternativa Baseada em Dados: Oferece uma alternativa aos painéis sintéticos baseados em coortes, reduzindo a sensibilidade a definições arbitrárias de coorte e fornecendo estimativas mais estáveis em contextos de painéis curtos.
4. Estrutura Interpretável: Ao contrário de métodos que apenas geram limites ou pontos, o GFE fornece uma estrutura de agrupamento latente que permite descrever a persistência e a mobilidade da pobreza de forma rica e economicamente significativa.

4. Resultados Empíricos (Peru - ENAHO)

• Seleção do Modelo: A análise indica que 4 grupos latentes ($G=4$) são ótimos, minimizando o erro de previsão (RMSE) em dados de teste, apesar de o BIC continuar a diminuir com mais grupos (sinal de overfitting em células grupo-ano esparsas).
• Trajetórias de Bem-Estar: Os quatro grupos identificam tipos distintos de domicílios:
  • Grupo Top: Bem-estar consistentemente alto e estável.
  • Grupos Intermediários: Estabilidade ou declínio gradual.
  • Grupo Bottom: Pior bem-estar inicial, mas com trajetórias que mostram variações significativas (alguns com melhoria, outros declínio).
• Validação de Transição:
  • O modelo GFE reproduz com alta precisão as taxas de transição de pobreza observadas (entrada, saída e persistência) em uma validação de "um passo à frente" (hold-out do último ano).
  • Comparação com Painel Sintético: O GFE apresenta erros menores (RMSE e MAE) nas taxas de transição em comparação com as estimativas pontuais do método de painel sintético (Dang et al., 2014), especialmente na estabilidade ao longo dos anos.
• Características dos Grupos:
  • Os grupos não são aleatórios; eles refletem diferenças estruturais observáveis. O grupo "Top" possui maior escolaridade, maior acesso a serviços (água, eletricidade) e maior prevalência de língua espanhola. O grupo "Bottom" apresenta desvantagens em todas essas dimensões.
  • A classificação GFE captura heterogeneidade que vai além de uma única característica, agrupando domicílios com perfis socioeconômicos correlacionados.

5. Significado e Implicações

• Políticas Públicas: A distinção entre tipos de pobreza (transitória vs. crônica) é crucial. O método permite identificar quais grupos estão "presos" na pobreza e quais são vulneráveis a choques, auxiliando no desenho de políticas diferenciadas (ex: assistência social para pobreza transitória vs. acumulação de ativos para pobreza crônica).
• Robustez: Os resultados são robustos a restrições de amostra (ex: remover a restrição de idade do chefe de família). No entanto, restringir a amostra apenas a domicílios observados por muitos anos (5+ anos) reduz o tamanho efetivo da amostra e torna as trajetórias estimadas mais sensíveis às especificações do modelo, sugerindo que, em painéis rotativos, manter uma cobertura mais ampla com participação mais curta é preferível para inferência estável.
• Aviso Metodológico: A reconstrução de trajetórias completas depende de suposições sobre como as covariáveis não observadas evoluem nos anos faltantes. Os autores recomendam que pesquisadores tratem a imputação de covariáveis como parte do desenho empírico e testem a robustez a diferentes regras de preenchimento.

Em suma, o artigo demonstra que o estimador GFE é uma ferramenta poderosa e prática para extrair dinâmicas de bem-estar de longo prazo de dados de painel rotativo, superando as limitações dos métodos tradicionais de painel sintético e fornecendo insights acionáveis para a análise da pobreza.