Primeira vez aqui? Seja bem vindo e cheque o FAQ!
x

Explorando a base de dados de "Familiarity Does Not Breed Contempt: Generosity, Discrimination, and Diversity in Delhi Schools"

0 votos
39 visitas
perguntada Mai 21 em Economia por Alan Antunes Rosendo (26 pontos)  

Rao, Gautam. 2019. "Familiarity Does Not Breed Contempt:Generosity, Discrimination, and Diversity in Delhi Schools." American Economic Review, 109(3):774-809.
DOI: 10.1257/aer.20180044
Disponível em: https://www.aeaweb.org/articles?id=10.1257/aer.20180044

Compartilhe

1 Resposta

0 votos
respondida Mai 21 por Alan Antunes Rosendo (26 pontos)  

1. Motivação

Existe uma grande segregação social na sociedade. É fundamental descobrirmos como reduzir a segregação e o faz com que ela exista. Dessa questão, surge esse estudo, que, por meio de diversos experimentos e estatística, avalia se o contato entre pessoas de classes sociais distintas aumenta ou diminui o preconceito entre pessoas.
O experimento é feito em Delhi, lá houve uma mudança na legislação, e a partir daquela data, as escolas privadas de elite foram obrigadas a conceder 20% das vagas para estudantes pobres.
Esse cenário foi ótimo para avaliar o impacto da interação entre os estudantes ricos com os pobres, dessa forma, o estudo foi conduzido para avaliar os impactos dessa medida. Principalmente em relação ao preconceito dos estudantes ricos com os estudantes pobres.

2. Revisão de literatura

Diversos estudos, como o de Schofield 1991, tem demonstrado que esforços para reduzir a desagregação social e ações afirmativas, além de serem motivadas por questões de equidade, também influenciam de forma positiva o comportamento social e as atitudes entre pessoas de classes sociais diferentes.
Muitos estudos também foram desenvolvidos utilizando o fato de que escolas são formas de segregação social e econômicas. Nesse sentido, Van Ewijk and Sleegers (2010) fez uma meta-análise sobre os efeitos da segregação sobre as desigualdades na aprendizagem. Outros estudos, como Buchmann and Hannum (2001) e Karsten (2010) estabeleceram medidas de segregação educacional.

3. Base de dados

Este artigo utiliza diversas bases de dados. Irei me ater a base que foi utilizada por mim para a reprodução dos cálculos. Ela foi montada conforme os resultados do experimento relatado a seguir.
A idéia principal do experimento foi estabelecer um trade-off para estudantes ricos entre escolher um colega de corrida mais rápido ou um colega rico porém mais lento, sendo que esse colega de equipe ia participar de uma corrida de revezamento com premiação em dinheiro.
Para isso, o experimento foi feito com estudantes de 2 escolas de elite, uma que havia 20% de vagas para estudantes pobres (nem todas as salas haviam estudantes pobres, mas eles foram classificados por sala, distinguindo as salas que haviam bolsistas e as que não haviam) e uma outra escola utilizada como controle.
Antes de escolher o parceiro de corrida, havia uma corrida e os tempos e resultados eram divulgados. Era considerado preconceito quando o estudante escolhia o corredor que perdeu a corrida em desfavor do corredor pobre que venceu a corrida. Após a corrida, a dupla de revezamento ficava 2 horas interagindo.

4.Modelo - Estimação

A equação utilizada para a regressão foi:
\(Y_{igs}=\alpha + \delta_s+\phi_g +\beta TreatedClassroom_{gs} + \varepsilon_{igs} \)
Com os subindíces:i: estudante; g: série (turma); s: escola.
\(\delta_s\) : efeitos fixos da escola;
\(\phi_g\) : efeitos fixos da série (turma);
\(\alpha \) : intercepto;
\(TreatedClassroom_gs\) : Variável dummy, com valor 1 se a turma possui bolsistas e 0 caso contrário;
\(\varepsilon \): Termo do erro.

Com esse modelo, foi feita uma regressão OLS.

5. Resultados - Tabelas

A tabela replicada no experimento foi a:
A imagem será apresentada aqui.

Foram feitas simulações das colunas 1 e 2 desta tabela. Essa simulações obtiveram resultados bem parecidos, havendo divergência apenas no cálculo do desvio padrão, pois o autor utilizou um agrupamento (cluster) para cálculo do desvio padrão.

A imagem será apresentada aqui.

A imagem será apresentada aqui.

A coluna 1 representa toda a amostra, é possível verificar que as séries tratadas tiveram menos preconceito, sendo que essa redução no preconceito era maior quando a recompensa pela corrida era menor. A coluna 1 apresenta o resultado médio para toda a amostra (-15,7%), já a coluna 2 apresenta o resultado para a recompensa menor (-25,6%).
Segue um gráfico (reprodução do gráfico do artigo, feita no python), com os dados do experimento:

A imagem será apresentada aqui.

6.Conclusão e interpretação dos resultados

Após os cálculos, foi possível observar que as séries tratadas tiveram menos preconceito que as não tratadas, o que comprova um aspecto muito positivo gerado pela interação entre crianças pobres e ricas.

7.Código

Segue o código em python utilizado para a estimação e a geração do gráfico.

#Estimação

reg1=smf.ols(formula='Discriminated~Prize200+Prize500+treatedClassroom'' + C(grade)+C(school)',data=data_dis)
results1=reg1.fit()
h=results1.params
print(f'results1.summary():\n{results1.summary()}\n')


reg2=smf.ols(formula='Discriminated~treatedClassroom+Prize200+Prize500 + treatedClassroom_X_Prize200+treatedClassroom_X_Prize500''+C(grade)+C(school)',data=data_dis)
results2=reg2.fit()
h=results2.params
print(f'results2.summary():\n{results2.summary()}\n')

#Filtrando os dados
treat_50=data_dis.loc[(data_dis['treatedClassroom']==1)&(data_dis['Prize50']==1)]
treat_200=data_dis.loc[(data_dis['treatedClassroom']==1)&(data_dis['Prize200']==1)]
treat_500=data_dis.loc[(data_dis['treatedClassroom']==1)&(data_dis['Prize500']==1)]
untreat_50=data_dis.loc[(data_dis['treatedClassroom']==0)&(data_dis['Prize50']==1)]
untreat_200=data_dis.loc[(data_dis['treatedClassroom']==0)&(data_dis['Prize200']==1)]
untreat_500=data_dis.loc[(data_dis['treatedClassroom']==0)&(data_dis['Prize500']==1)]

#Calculando as médias
mean_treat_50=np.mean(treat_50['Discriminated50'])
mean_treat_200=np.mean(treat_200['Discriminated200'])
mean_treat_500=np.mean(treat_500['Discriminated500'])
mean_untreat_50=np.mean(untreat_50['Discriminated50'])
mean_untreat_200=np.mean(untreat_200['Discriminated200'])
mean_untreat_500=np.mean(untreat_500['Discriminated500'])

#Criando as variáveis para o gráfico
x=[50,200,500]
y1=[mean_treat_50,mean_treat_200,mean_treat_500]
y2=[mean_untreat_50,mean_untreat_200,mean_untreat_500]

#Gráfico
plt.plot(x,y1,marker='o',color='red',label='Salas tratadas')
plt.plot(x,y2,marker='o',linestyle='--',color='green',label='Salas não tratadas')
plt.grid()
plt.xlabel('Recompensa por ganhar a corrida')
plt.ylabel('Discriminação contra o pobre')
plt.legend()
plt.savefig('grafico1.pdf')
comentou Mai 25 por Stuart Mill (1,429 pontos)  
Se tiver interesse em incluir clustering no Python, é possível fazer isso de forma fácil com a biblioteca linearmodels:
https://pypi.org/project/linearmodels/
...