Na próxima segunda-feira (07/11/2022), vou ministrar o minicurso “Medindo Desigualdade e Pobreza com a PNAD Contínua” no XXII Encontro Nacional de Estudos Populacionais (ENEP), promovido pela Associação Brasileira de Estudos Populacionais (ABEP); mais informações sobre este e outros minicursos podem ser encontrados neste link.
Este ano, o curso é uma versão mais curta daquele que ministrei em 2021 para o IESP, com algumas novidades. Também estou trabalhando em uma nova versão para 2023, com algumas aulas a mais.
Ontem, eu estava vendo stories no Instagram e me deparei com uma aula com as palavras “Amostragem por cotas e pós-estratificação”. Isso me lembrou de um comentário que fiz na aula de amostragem da semana passada: se você não tem uma amostragem probabilística, sua inferência necessariamente se baseia em um modelo, seja ele sobre o modo como a amostra foi selecionada ou sobre o comportamento da variável na população.
Atualização (25/07/2022): eu e prof. Pedro Silva (ENCE/IBGE) fizemos uma apresentação no IPEA sobre Método dos Conglomerados Primários e estimação de variância do estimador de calibração usando a PNADC. Os slides estão disponíveis neste link.
Recentemente, a PNAD Contínua passou por duas mudanças:
Mudança de pós-estratificação para raking; Mudança no método de estimação da variância dos estimadores, do Método do Conglomerado Primário para bootstrap. Mas o que isso significa? E como considerar isso na estimação usando o R?
É notório que há uma grande subnotificação de casos da COVID-19. Como se pode imaginar, testar as pessoas na porta do hospital enviesaria as amostras. Então, como fazer testagem em massa? Uma estratégia possível seria usar uma amostra aleatória. Usando uma ideia antiga desenvolvida pelo economista estatístico Robert Dorfman (Dorfman, 1943), é possível reduzir os custos da testagem. Por exemplo, em vez de testar imediatamente todas as pessoas de um domicílio, testamos o conjunto de pessoas.