Considere a seguinte regressão:
\begin{aligned} I S P_{i} & =17,8+33,2 G i n i_{i} \\\ d p & =(4,9) \quad(11,8) \quad r^{2}=0,16 \end{aligned}
Em que,
I S P : índice de instabilidade sociopolítica, média para o período 1960-1985
Gini: coeficiente Gini para 1975 ou o ano mais próximo dentro do período 1970-1980.
A amostra consiste em 40 países.
O coeficiente Gini é uma medida de desigualdade de renda e situa-se entre 0 e 1 . Quanto mais próximo de 0 , maior a igualdade de renda e, quanto mais próximo de 1 , maior a desigualdade de renda.
a) Como você interpreta esta regressão?
b) Suponha que o coeficiente Gini aumente de 0,25 para 0,55 . Enquanto o ISP aumentará?
c) O coeficiente angular é estatisticamente significativo no nível de 5 \% ? Demonstre os cálculos necessários.
d) Com base na regressão anterior, é possível argumentar que os países com maior desigualdade de renda são politicamente instáveis?

Passo 1

Vou listar claramente o que o enunciado nos dá e o que é pedido.
  • O enunciado fornece a regressão estimada (OLS) entre o índice de instabilidade sociopolítica I S P e o coeficiente de Gini:
I S P_{i}=17,8+33,2\;Gini_{i}
  • Entre parênteses estão provavelmente os erros-padrão das estimativas (na mesma ordem): erro-padrão do intercepto =4,9 e erro-padrão do coeficiente angular =11,8. O R^{2}=0,16.
  • Tamanho da amostra: n=40 países.
  • Sabemos que Gini varia entre 0 e 1.
  • Perguntas:
    (a) Como interpretar esta regressão?
    (b) Se Gini aumenta de 0,25 para 0,55, quanto o I S P aumentará?
    (c) O coeficiente angular é estatisticamente significativo a 5\%? Mostrar os cálculos.
    (d) Com base nesta regressão, é possível argumentar que países com maior desigualdade são politicamente instáveis?

Passo 2

Interpretação básica dos coeficientes — detalhe didático e intuitivo.
  • Intercepto \,17,8: é o valor previsto do I S P quando \,Gini=0. Em termos práticos, é o intercepto da reta de regressão; como na prática Gini raramente é 0, o intercepto serve principalmente como ponto de referência no modelo.
  • Coeficiente angular \,33,2: indica a variação esperada de I S P associada a um aumento unitário em Gini. Como Gini varia entre 0 e 1, um aumento de uma unidade em Gini (por exemplo, de 0,0 para 1,0) estaria associado, segundo o modelo, a um aumento de 33,2 unidades no I S P.
  • Interpretação prática em pedaços menores: se quisermos pensar em aumentos menores de Gini,
    • um aumento de 0,10 em Gini aumenta o I S P em 33,2\times0,10=3,32;
    • um aumento de 0,01 em Gini aumenta o I S P em 33,2\times0,01=0,332.
  • R^{2}=0,16: o modelo explica 16\% da variação observada no I S P. Isso significa que 84\% da variação do I S P entre países não é explicada por este modelo simples com apenas o Gini.

Passo 3

Cálculo pedido em (b): variação do I S P quando Gini vai de 0,25 para 0,55.
  • Diferença em Gini:
\Delta Gini = 0,55-0,25=0,30.
  • Pelo coeficiente angular, variação prevista no I S P:
\Delta ISP = 33,2 \times \Delta Gini = 33,2 \times 0,30.
  • Calcular:
33,2 \times 0,30 = 9,96.
  • Podemos também calcular os valores previstos antes e depois:
ISP_{1}=17,8+33,2\times0,25=17,8+8,30=26,10,
ISP_{2}=17,8+33,2\times0,55=17,8+18,26=36,06,
ISP_{2}-ISP_{1}=36,06-26,10=9,96,
ou seja, o I S P aumenta em 9,96 unidades (preditas pelo modelo).

Passo 4

Teste de significância do coeficiente angular (item c) — passo a passo didático.
  • Hipóteses para o teste (teste bilateral usual):
H_{0}: \beta_{1}=0\qquad\text{vs.}\qquad H_{1}: \beta_{1}\neq0,
onde \beta_{1} é o verdadeiro coeficiente do Gini.
  • Estatística t:
t = \frac{\widehat{\beta}_{1}}{\text{se}(\widehat{\beta}_{1})} = \frac{33,2}{11,8}.
  • Calcule t:
t \approx \frac{33,2}{11,8}\approx 2,8136\approx2,81.
  • Graus de liberdade: df = n-2 = 40-2 = 38.
  • Valor crítico (bilateral) ao nível de 5\%: buscar t_{0,025;38}. Um valor tabela típico dá
t_{0,025;38}\approx 2,024.
  • Comparação: |t|=2,81>2,024. Portanto rejeitamos H_{0} ao nível de 5\% e concluímos que o coeficiente angular é estatisticamente diferente de zero a 5\%.
  • Intervalo de confiança de 95\% para \beta_{1} (complemento útil para interpretação):
\text{IC}_{95\%}:\; \widehat{\beta}_{1}\pm t_{0,025;38}\times\text{se}(\widehat{\beta}_{1})
=33,2 \pm 2,024\times11,8 = 33,2 \pm 23,86,
\text{IC}_{95\%}\approx (9,34,\;57,06).
Esse intervalo não contém zero, reforçando a significância estatística ao nível de 5\%.
  • Sobre o p-valor (aproximação): com t\approx2,81 e df=38, o p-valor bilateral é pequeno (menor que 0,05, e da ordem de grandeza de 0,01 ou inferior). Logo, confirmação prática da rejeição de H_0.

Passo 5

Discussão de interpretação causal e limitações — item (d) — ensino sobre por que correlação não implica causalidade.
  • O que a regressão nos diz com segurança: existe uma associação estatística positiva entre Gini e I S P na amostra — isto é, países com maior Gini tendem a apresentar I S P mais altos segundo o modelo estimado, e essa associação é estatisticamente significativa.
  • Por que NÃO podemos afirmar causalidade direta com base apenas nesta regressão simples:
    1. O modelo é bivariado (apenas Gini como explicativa). Se houver outras variáveis que afetam I S P e que também estejam correlacionadas com Gini (por exemplo, nível de renda per capita, desigualdades regionais, história institucional, conflitos prévios, educação, crescimento econômico, recursos naturais, etc.), então essas variáveis omitidas podem estar causando uma relação espúria — problema conhecido como viés de variável omitida.
    2. Possível causalidade reversa: instabilidade política pode afetar desigualdade (por exemplo, políticas redistributivas que são interrompidas em países instáveis), criando relação de retroalimentação.
    3. Erros de medida: Gini medido em anos diferentes e ISP é média de 1960–1985; possíveis incompatibilidades temporais podem introduzir erros.
    4. R^{2}=0,16 indica que a maior parte da variação do I S P não é explicada pelo Gini — mesmo com coeficiente significativo, o poder explicativo é limitado.
    5. Amostragem e heterogeneidade: diferenças entre países (cultura, instituições, políticas) podem exigir controles ou métodos que capturem efeitos não observados (efeitos fixos, variáveis instrumentais, experimentos naturais).
  • Conclusão prática e aconselhamento: com base apenas nesta regressão, pode-se argumentar que há uma relação positiva estatisticamente significativa entre desigualdade e instabilidade, mas NÃO é correto afirmar causalidade sem análises adicionais (incluir controles relevantes, testar endogeneidade, usar painéis, encontrar instrumentos válidos, etc.). Em termos de argumento político, pode-se dizer que a evidência é sugestiva, mas não conclusiva quanto à causalidade.

Passo 6

Comentário final sobre significância prática e utilização do resultado na prova (dica didática e motivacional).
  • Significância estatística (testada) mostra que o efeito plausivelmente difere de zero; significância prática depende do contexto: um aumento de 0,30 em Gini foi associado a quase 10 pontos a mais no I S P, o que pode ser importante dependendo da escala e interpretação do I S P.
  • Ao responder questões em provas: sempre distinguir clareza entre (i) interpretação do coeficiente numérica e graficamente, (ii) teste de hipótese com cálculos de t e comparação com t-crítico, e (iii) limitações para inferência causal.
  • Força: você já fez o cálculo do efeito, o teste t, o IC e a discussão das limitações — isso é o que normalmente esperam numa resposta completa.

Resposta

(a) O intercepto =17,8 é o I S P previsto quando Gini=0. O coeficiente angular =33,2 indica que um aumento unitário em Gini (lembrando que Gini varia entre 0 e 1) está associado a um aumento de 33,2 unidades no I S P. Em termos práticos, um aumento de 0,10 em Gini eleva o I S P em 3,32. O R^{2}=0,16 diz que o modelo explica 16\% da variação do I S P.
(b) Se Gini aumenta de 0,25 para 0,55 ( \Delta Gini=0,30), o I S P previsto aumenta em
33,2\times0,30=9,96.
Valores previstos: ISP_{1}=26,10, ISP_{2}=36,06.
(c) Estatística t=\dfrac{33,2}{11,8}\approx2,81 com df=38. O crítico bilateral a 5\% é t_{0,025;38}\approx2,024. Como |t|=2,81>2,024, rejeita-se H_{0}:\beta_{1}=0 ao nível de 5\%. Portanto, o coeficiente angular é estatisticamente significativo a 5\%. Intervalo de 95\% para \beta_{1} aproximadamente (9,34,\;57,06).
(d) Não é possível afirmar causalidade apenas com esta regressão. O resultado mostra uma associação positiva e significativa entre desigualdade e instabilidade na amostra, mas problemas de variável omitida, causalidade reversa, erros de medida e baixo R^{2} impedem conclusões causais sem análises adicionais (controles, métodos que tratem endogeneidade, painéis, IV, etc.). Portanto pode-se dizer que a evidência é sugestiva, mas não conclusiva quanto a que “maior desigualdade causa maior instabilidade”.

Exercícios relacionados