Métodos Quantitativos em Políticas Públicas As políticas públicas, por sua própria natureza, lidam com fenômenos sociais de larga escala: desemprego, criminalidade, desigualdade de renda, mortalidade infantil, desempenho educacional. Os métodos quantitativos oferecem o instrumental necessário para descrever esses fenômenos com precisão, identificar padrões, testar hipóteses sobre suas causas e, sobretudo, avaliar se as intervenções estatais estão produzindo os efeitos desejados. O gestor público não precisa ser um econometrista, mas deve ser um consumidor inteligente de estatísticas, capaz de compreender relatórios de avaliação, interpretar indicadores e encomendar estudos com senso crítico. Esta aula aborda os conceitos e ferramentas centrais da análise quantitativa aplicada ao ciclo de políticas públicas, da estatística descritiva à avaliação de impacto e ao desenho de indicadores de desempenho. Estatística Descritiva: da Massa de Dados à Informação A análise de qualquer fenômeno social começa pela descrição sistemática dos dados disponíveis. A estatística descritiva fornece as medidas que sintetizam e organizam a informação contida em milhares ou milhões de observações individuais. Medidas de Tendência Central: indicam o valor "típico" ou o centro da distribuição dos dados. Média aritmética ($ \bar{x} $): é a soma de todos os valores dividida pelo número de observações ($ \bar{x} = \frac{1}{n}\sum{i=1}^{n} xi $). É a medida mais utilizada, mas extremamente sensível a valores extremos (outliers). Por exemplo, a renda média de um país é "puxada" para cima pela renda dos mais ricos, e não reflete a realidade da maioria. Mediana (Md): é o valor que ocupa a posição central de um conjunto de dados ordenados, dividindo a distribuição ao meio. Metade das observações está abaixo, e metade acima. A mediana é uma medida robusta, pouco afetada por outliers, sendo preferível à média para descrever a renda e a riqueza. Moda (Mo): é o valor que ocorre com maior frequência na distribuição. Útil para dados categóricos (ex.: o tipo de calçado mais comprado, a categoria de deficiência mais frequente). É a única medida de tendência central aplicável a variáveis nominais. Medidas de Dispersão: indicam o grau de variabilidade ou heterogeneidade dos dados em torno do centro. Variância: mede o desvio quadrático médio das observações em relação à média. É importante distinguir duas versões da fórmula: a variância populacional ($ \sigma^2 = \frac{1}{N}\sum{i=1}^{N} (xi - \mu)^2 $), usada quando se dispõe de todos os dados da população, e a variância amostral ($ s^2 = \frac{1}{n-1}\sum{i=1}^{n} (xi - \bar{x})^2 $), usada como estimador não viesado da variância populacional a partir de uma amostra — o denominador $ n-1 $ (correção de Bessel) compensa o fato de a média amostral estar mais próxima dos próprios dados que a gerou do que a verdadeira média populacional estaria. Seu valor está em unidades ao quadrado, o que dificulta a interpretação direta. Desvio padrão: é a raiz quadrada da variância. Mede a dispersão na unidade original dos dados. É uma das medidas mais utilizadas. Um desvio padrão baixo indica que os dados estão concentrados em torno da média; um desvio padrão alto, que estão espalhados. Coeficiente de Variação (CV): é a razão entre o desvio padrão e a média, expressa em percentual ($ CV = \frac{s}{\bar{x}} \times 100\% $). É uma medida de dispersão relativa, que permite comparar a variabilidade de fenômenos com médias muito diferentes (ex.: comparar a homogeneidade da distribuição de renda entre países ricos e pobres). Amplitude e Intervalo Interquartílico: a amplitude é a diferença entre o valor máximo e o mínimo, sendo muito sensível a outliers. O intervalo interquartílico (IIQ) é a diferença entre o terceiro quartil (Q3, que separa os 75% inferiores da distribuição) e o primeiro (Q1, que separa os 25% inferiores). É a amplitude onde se concentram os 50% centrais da distribuição, e é uma medida robusta de dispersão. Medidas de forma — Assimetria e Curtose: complementam a descrição da distribuição. A assimetria (skewness) indica se a distribuição é simétrica ou "puxada" para um dos lados; em distribuições de renda, a assimetria positiva (à direita) é a regra, refletindo a concentração de poucas observações com valores muito altos. A curtose mede o achatamento da distribuição e a presença de caudas pesadas (maior ou menor propensão a valores extremos) em comparação com a distribuição normal. Distribuições de Frequência e Representações Gráficas: Tabelas de Frequência: organizam os dados em classes ou categorias, mostrando a contagem (frequência absoluta) e a proporção (frequência relativa) de cada uma. Histograma: gráfico de barras sem espaçamento que representa a distribuição de frequências de uma variável numérica contínua. Box-plot (Diagrama de Caixa): representação gráfica que mostra a mediana, os quartis (a "caixa" vai de Q1 a Q3) e a presença de outliers, geralmente identificados como pontos além de 1,5 vez o IIQ acima de Q3 ou abaixo de Q1. É uma ferramenta indispensável para comparar distribuições entre diferentes grupos lado a lado (ex.: desigualdade de renda entre estados, tempo de espera em diferentes unidades de saúde). Medidas de Posição e a Análise da Desigualdade: os percentis dividem a distribuição em cem partes iguais. O décimo percentil (P10) é o valor abaixo do qual estão 10% das observações; o nonagésimo percentil (P90) é o valor abaixo do qual estão 90%. A comparação entre a renda do P90 e a renda do P10 (a razão P90/P10) é um indicador clássico de desigualdade, assim como a razão entre o rendimento apropriado pelos 10% mais ricos e o apropriado pelos 40% mais pobres. O Índice de Gini, por sua vez, é a medida síntese mais difundida de desigualdade de renda. Varia teoricamente de 0 (perfeita igualdade, todos têm a mesma renda) a 1 (máxima desigualdade, um único indivíduo detém toda a renda). Segundo a Síntese de Indicadores Sociais do IBGE (com base na PNAD Contínua), o Gini do rendimento domiciliar per capita no Brasil recuou de 0,544 em 2021 para 0,506 em 2024 — o menor valor de toda a série histórica iniciada em 2012 —, refletindo sobretudo o crescimento mais acelerado do rendimento entre os 40% mais pobres da população. Mesmo nesse patamar mais baixo, o país segue entre as economias mais desiguais do mundo, e a própria pesquisa do IBGE demonstra que, sem os benefícios de programas sociais, o Gini de 2024 seria cerca de 7,5% mais elevado. Noções de Inferência Estatística: Generalizando para a População Na imensa maioria das vezes, o gestor público não dispõe de dados para toda a população, mas apenas para uma amostra dela. A inferência estatística é o conjunto de métodos que permite generalizar conclusões da amostra para a população, quantificando o grau de incerteza associado a essa generalização. População e Amostra: a população é o conjunto completo de indivíduos, domicílios ou unidades de interesse (ex.: todos os alunos da rede pública brasileira). A amostra é um subconjunto representativo dessa população (ex.: os alunos que prestaram o SAEB). A qualidade da amostra determina a validade da inferência. Uma amostra é probabilística quando cada elemento da população tem uma probabilidade conhecida e diferente de zero de ser selecionado — o que permite calcular formalmente a margem de erro das estimativas. As pesquisas do IBGE, como a PNAD Contínua, utilizam amostras probabilísticas complexas (conglomerados em múltiplos estágios, estratificação), rigorosamente desenhadas para serem representativas do território nacional. Erro Amostral x Erro Não Amostral: é fundamental distinguir os dois tipos de erro que afetam uma estimativa. O erro amostral decorre do simples fato de se observar uma parte, e não o todo, da população, e é o único tipo de erro cuja magnitude pode ser estimada estatisticamente (pela margem de erro). Já os erros não amostrais — erro de cobertura (a lista da qual se sorteia a amostra não reflete bem a população-alvo), não resposta (recusa ou impossibilidade de contato com sorteados), erro de mensuração (pergunta mal formulada, respondente que mente ou não entende a pergunta) e erro de processamento — não são captados pela margem de erro e podem ser tão ou mais graves do que ele, exigindo cuidado metodológico na coleta e crítica dos dados. Margem de Erro: como a amostra nunca é a cópia exata da população, a estimativa amostral (ex.: uma taxa de desemprego de 9,5%) está sujeita a um erro amostral. A margem de erro é a diferença máxima que se espera entre a estimativa amostral e o verdadeiro valor da população, para um dado nível de confiança. A divulgação de pesquisas sempre deve vir acompanhada da margem de erro (ex.: "a taxa de desemprego foi de 9,5%, com margem de erro de 1 ponto percentual"). Intervalo de Confiança (IC): é um intervalo estimado para o parâmetro populacional, construído a partir da amostra. Um intervalo de 95% de confiança (o mais usual) significa que, se o processo de amostragem fosse repetido inúmeras vezes, em 95% delas o intervalo construído dessa forma conteria o verdadeiro valor da população — não significa que há 95% de probabilidade de o parâmetro estar naquele intervalo específico já calculado, distinção sutil mas cobrada em provas mais rigorosas. Por exemplo: a estimativa da taxa de aprovação escolar é 85% ± 3 p.p., com 95% de confiança. Teste de Hipótese e Valor-p: um teste de hipótese verifica se uma diferença observada (ex.: a nota média de meninos é maior que a de meninas) é estatisticamente significativa ou se pode ter ocorrido por mero acaso. Parte-se de uma hipótese nula (H0) — em geral, a de que não há diferença ou efeito — e busca-se evidência para rejeitá-la em favor da hipótese alternativa (H1). O valor-p é a probabilidade de se observar uma diferença tão ou mais extrema do que a encontrada, assumindo que H0 é verdadeira. Por convenção, se o valor-p for menor que 0,05 (5%), rejeita-se a hipótese nula e considera-se que a diferença é estatisticamente significativa. É fundamental não confundir significância estatística com relevância prática: um programa pode gerar um aumento de 0,01 ponto na proficiência que é estatisticamente significativo (porque a amostra é enorme), mas completamente irrelevante para a política educacional. Some-se a isso o risco de erro do Tipo I (rejeitar H0 quando ela é verdadeira, "falso positivo") e erro do Tipo II (não rejeitar H0 quando ela é falsa, "falso negativo") — dois riscos que toda decisão baseada em teste de hipótese assume simultaneamente e que não podem ser reduzidos a zero ao mesmo tempo. Correlação, Causalidade e os Métodos de Avaliação de Impacto A maior armadilha da análise quantitativa é confundir correlação com causalidade. Duas variáveis são correlacionadas quando variam juntas. Correlação não implica causalidade. O fato de observar que cidades com mais policiais têm maiores taxas de criminalidade não significa que a polícia cause o crime (provavelmente, é o inverso: a polícia é alocada justamente onde o crime é mais alto) — um caso clássico de causalidade reversa. Em outros casos, o problema é uma variável omitida (confounder): cidades com mais sorveterias também têm mais afogamentos, não porque uma cause a outra, mas porque ambas aumentam no verão. Para estabelecer uma relação causal em políticas públicas — ou seja, afirmar com segurança que a intervenção X foi a responsável pela mudança observada em Y — é necessário construir um contrafactual: a situação do grupo beneficiado caso a política não tivesse existido. O contrafactual não é observável (um mesmo indivíduo não pode, ao mesmo tempo, ter sido tratado e não tratado), e estimá-lo é o grande desafio da avaliação de impacto. Os principais métodos são: Experimento Randomizado (RCT — Randomized Controlled Trial): é o padrão-ouro para inferência causal. A elegibilidade para receber a política (grupo de tratamento) ou não (grupo de controle) é definida por sorteio aleatório. A randomização garante que, em média, os dois grupos sejam idênticos em todas as características (observáveis e não observáveis) antes da intervenção. Qualquer diferença subsequente no resultado entre os grupos pode ser atribuída causalmente à política. É um método caro, nem sempre eticamente viável (não se pode sortear quem recebe tratamento de saúde essencial, por exemplo) e sujeito a problemas de contaminação entre grupos (spillover) e de atrito amostral (attrition). *Diferenças em Diferenças (DiD — Difference-in-Differences): compara a evolução do grupo tratado e do grupo controle antes e depois da intervenção, subtraindo a variação do segundo da variação do primeiro. O objetivo é "isolar" o efeito da política da tendência temporal que ambos os grupos experimentariam de qualquer forma. A hipótese fundamental é a de tendências paralelas: na ausência da política, o grupo tratado teria evoluído na mesma trajetória do grupo controle — hipótese que não pode ser provada diretamente, mas que costuma ser testada indiretamente pela verificação de que as trajetórias dos dois grupos já eram paralelas no período anterior à intervenção. *Regressão Descontínua (RD — Regression Discontinuity): é aplicada quando a elegibilidade para a política é definida por um ponto de corte (nota mínima, idade, linha de pobreza) em uma variável contínua. Por exemplo, um programa de bolsas para alunos com nota acima de 7,0. A lógica é comparar os alunos que ficaram "imediatamente abaixo" do corte (nota 6,9) com os que ficaram "imediatamente acima" (nota 7,1). Como estar de um lado ou de outro do corte, nessa vizinhança estreita, é praticamente aleatório, esses dois grupos tendem a ser semelhantes em tudo, exceto pelo recebimento do benefício — o que torna a comparação muito próxima de um experimento local. *Pareamento por Escore de Propensão (Propensity Score Matching — PSM): quando não há aleatorização nem ponto de corte, o PSM é uma técnica que busca construir um grupo de controle artificial. Estima-se, para cada indivíduo, a probabilidade (escore de propensão) de ter recebido o tratamento dado um conjunto de características observáveis; em seguida, para cada indivíduo tratado, localiza-se no grupo não tratado um ou mais indivíduos com escore de propensão semelhante, formando pares. A hipótese central — chamada de ignorabilidade ou seleção em observáveis — é a de que, condicionalmente às características observáveis usadas no pareamento, a seleção para o tratamento é como que aleatória. A grande fragilidade do PSM é que ele não controla para fatores não observáveis que possam afetar simultaneamente a participação no programa e o resultado de interesse (ex.: motivação pessoal, capacidade gerencial do gestor local). Variáveis Instrumentais (IV): usada quando se suspeita que a própria participação no programa é afetada por fatores não observáveis correlacionados com o resultado (viés de seleção). Busca-se uma variável — o instrumento — que afete a probabilidade de participação no programa, mas que não tenha nenhum efeito direto sobre o resultado de interesse a não ser por meio dessa participação. Encontrar um instrumento válido é frequentemente o maior desafio prático do método, e boa parte da literatura empírica se dedica a justificar por que um instrumento específico atende a essa condição de exclusão. Nenhum desses métodos "prova" causalidade de forma absoluta: cada um se apoia em uma hipótese que não pode ser diretamente testada (aleatorização perfeita, tendências paralelas, ausência de manipulação do ponto de corte, seleção apenas em observáveis, validade do instrumento) e que deve ser justificada pelo desenho da pesquisa e pelo conhecimento do contexto da política avaliada. Indicadores Compostos e Índices Sintéticos de Políticas Públicas Indicadores compostos (ou índices) são a agregação de múltiplas variáveis em um único número síntese. Eles facilitam a comunicação e a comparação de fenômenos multidimensionais, embora escondam a granularidade das variáveis que os compõem — um mesmo IDH pode esconder um município com ótima renda e péssima educação, e outro com o perfil inverso. IDH (Índice de Desenvolvimento Humano): elaborado pelo PNUD, resume três dimensões: saúde (expectativa de vida ao nascer), educação (média de anos de estudo da população adulta e expectativa de anos de estudo para crianças em idade escolar) e renda (Renda Nacional Bruta per capita, em paridade de poder de compra). Desde a reformulação metodológica de 2010, o índice final é calculado como a média geométrica dos três subíndices de dimensão — e não mais a média aritmética simples usada até então —, o que penaliza mais fortemente países com desempenho muito desigual entre as três dimensões (um país não pode "compensar" plenamente uma saúde ou educação muito baixas apenas com renda muito alta). O IDH varia de 0 a 1 e os países são classificados em quatro faixas: muito alto (≥ 0,800), alto (0,700 a 0,799), médio (0,550 a 0,699) e baixo (< 0,550). No Relatório de Desenvolvimento Humano do PNUD divulgado em 2025 (com dados de 2023), o Brasil registrou IDH de 0,786, ocupando a 84ª posição entre 193 países — classificação de desenvolvimento humano alto, ainda abaixo, portanto, da faixa "muito alto". Quando ajustado pela desigualdade interna (IDH-D), o índice brasileiro cai substancialmente, evidenciando quanto da conquista média é distribuída de forma desigual entre a população. IDEB (Índice de Desenvolvimento da Educação Básica): criado pelo INEP em 2007 (Decreto nº 6.094/2007, no contexto do Plano de Metas Compromisso Todos pela Educação), combina dois componentes multiplicados entre si: a taxa de aprovação (fluxo escolar, variando de 0 a 1) e a média de proficiência dos alunos em Língua Portuguesa e Matemática no SAEB, padronizada em uma escala de 0 a 10. O produto dessas duas medidas gera o índice final, também em escala de 0 a 10. É calculado a cada dois anos, para cada escola, município, unidade da federação e para o Brasil, com metas bienais pactuadas por ente federativo. O primeiro ciclo de metas do Ideb (2007–2021) já se encerrou; desde janeiro de 2024 um Grupo de Trabalho instituído pelo INEP (o "GT Novo Ideb") estuda propostas de atualização da metodologia e de um novo ciclo de metas, de modo que o índice deve passar por revisões nos próximos anos, mantendo por ora a metodologia original para preservar a comparabilidade histórica. IPCA (Índice de Preços ao Consumidor Amplo): apurado pelo IBGE desde dezembro de 1979, é o índice oficial de inflação do Brasil, utilizado como referência pelo Banco Central para o regime de metas de inflação. Sua população-alvo abrange famílias com rendimentos de 1 a 40 salários mínimos, residentes nas áreas urbanas das regiões metropolitanas e municípios que compõem o Sistema Nacional de Índices de Preços ao Consumidor (SNIPC). A cesta de bens e serviços e os pesos atribuídos a cada item são definidos pela Pesquisa de Orçamentos Familiares (POF) do IBGE; a estrutura de ponderação vigente foi construída a partir da POF 2017-2018 e passou a ser utilizada nos resultados divulgados a partir de janeiro de 2020, substituindo a estrutura anterior baseada na POF 2008-2009. Índice de Vulnerabilidade Social (IVS): elaborado pelo IPEA (com a Fundação João Pinheiro e o PNUD), o IVS agrega 16 indicadores selecionados a partir da Plataforma do Atlas do Desenvolvimento Humano, organizados em três dimensões: infraestrutura urbana, capital humano e renda e trabalho. Ao contrário do IDH, no IVS quanto mais próximo de 1, maior é a vulnerabilidade social e mais precárias as condições de vida da população do território — ou seja, a escala tem sentido invertido em relação à do IDH, o que costuma ser objeto de pegadinha em prova. É calculado no nível de municípios, unidades da federação, regiões metropolitanas e das chamadas Unidades de Desenvolvimento Humano (UDHs), sendo um complemento ao IDH, focado especificamente nas carências e desigualdades territoriais. IFDM (Índice FIRJAN de Desenvolvimento Municipal) e IDHM (Índice de Desenvolvimento Humano Municipal): são exemplos de índices calculados para a totalidade ou quase totalidade dos municípios brasileiros (o IDHM é elaborado pelo PNUD, IPEA e Fundação João Pinheiro, adaptando a metodologia do IDH global à realidade municipal, inclusive com ajustes nos limiares das faixas de classificação), permitindo comparações, ranqueamentos e o monitoramento de desigualdades regionais no país. Tipologia de Indicadores e Avaliação de Desempenho no Ciclo de Políticas Públicas Além dos índices compostos voltados à mensuração de fenômenos sociais amplos, a gestão pública utiliza uma tipologia própria de indicadores para monitorar e avaliar programas e políticas específicas, articulada com a chamada cadeia de valor ou cadeia lógica de uma política: Insumos (inputs): os recursos financeiros, humanos e materiais empregados na política (ex.: orçamento, número de servidores). Processos: as atividades realizadas para transformar insumos em produtos (ex.: capacitações realizadas, processos de compra concluídos). Produtos (outputs): os bens e serviços efetivamente entregues ao público-alvo (ex.: número de vacinas aplicadas, quilômetros de estrada pavimentados). Resultados (outcomes): as mudanças de curto e médio prazo na condição do público-alvo em decorrência dos produtos entregues (ex.: aumento da cobertura vacinal). Impacto: as mudanças de longo prazo, atribuíveis à política depois de descontado o contrafactual, na condição de vida da população ou na sociedade como um todo (ex.: redução da mortalidade por doenças imunopreveníveis) — é exatamente para estimar esse último elo da cadeia, o mais difícil de isolar, que servem os métodos de avaliação de impacto descritos na Seção 3. Uma segunda tipologia amplamente cobrada é a dos "6 Es do Desempenho", referencial difundido no âmbito do TCU e dos órgãos centrais de planejamento federal para estruturar indicadores de desempenho institucional, organizada em duas perspectivas: a perspectiva de resultado — composta pela efetividade (os impactos gerados pelos produtos e serviços entregues), eficácia (o grau de cumprimento das metas e entrega dos produtos e serviços planejados) e eficiência (a relação entre os produtos e serviços entregues e os recursos empregados para tanto) — e a perspectiva de esforço — composta pela execução (a realização de processos, projetos e planos conforme estabelecido), excelência (a conformidade dos processos com padrões de qualidade) e economicidade (a obtenção de recursos na quantidade e qualidade adequadas, ao menor custo possível). Esses instrumentos quantitativos, por fim, atuam em dois momentos do ciclo de políticas públicas: ex-ante, na fase de formulação, por meio da Análise de Impacto Regulatório (AIR), tornada etapa obrigatória para a edição de atos normativos de interesse geral de agências reguladoras e, em grau mais amplo, de órgãos e entidades da administração pública federal direta, autárquica e fundacional pelo Decreto nº 10.411/2020; e ex-post, na fase de monitoramento e avaliação (M&A), quando se aplicam os próprios indicadores de insumo/processo/produto/resultado/impacto e, quando possível, os métodos de estimação do contrafactual (RCT, DiD, RD, PSM, IV) para verificar se os efeitos pretendidos pela política foram de fato alcançados. Leitura Crítica de Dados e Evidências A capacidade de navegar no universo de dados quantitativos não é apenas técnica, é também ética e política. O gestor público deve ser um leitor crítico, cético por formação, capaz de não ser enganado por gráficos maliciosos ou estatísticas descontextualizadas. Alguns alertas fundamentais: Confira a fonte e a metodologia: quem produziu o dado? Qual o tamanho e o desenho da amostra? Como a pergunta foi formulada? Órgãos com reputação técnica consolidada (IBGE, IPEA, INEP) costumam publicar notas metodológicas detalhadas que permitem essa checagem. Cuidado com manipulações gráficas: a escala truncada no eixo vertical de um gráfico pode fazer uma variação de 0,1% parecer uma catástrofe; eixos de dupla escala, sem correspondência clara entre si, também induzem a leituras equivocadas. Distinga variação absoluta de relativa: uma redução da mortalidade infantil de 100 para 50 por mil nascidos vivos é uma variação absoluta de −50 pontos, mas uma variação relativa de −50%. Ambas são verdadeiras, mas carregam pesos retóricos diferentes, e a escolha de qual delas destacar pode ser usada para exagerar ou minimizar um resultado. Busque o contrafactual: a notícia de que "milhares de pessoas foram presas pela polícia federal este ano" não informa se a polícia está combatendo melhor o crime ou se o crime está aumentando; da mesma forma, um número absoluto de atendimentos realizados por um programa social nada diz sobre sua efetividade sem uma base de comparação. Atenção ao Paradoxo de Simpson: uma tendência observada em subgrupos de dados pode se inverter, desaparecer ou se acentuar quando os subgrupos são agregados — por exemplo, um tratamento pode parecer pior que outro em cada faixa etária isoladamente, e ainda assim parecer melhor quando os dados de todas as faixas são somados, se a composição dos grupos comparados for muito diferente. É um lembrete de que agregações escondem heterogeneidades importantes. Desconfie do viés de sobrevivência (survivorship bias): analisar apenas os casos que "sobreviveram" a um processo de seleção (empresas que não faliram, alunos que não evadiram, programas que continuam existindo) tende a superestimar sistematicamente o sucesso da política ou do fenômeno estudado, porque os casos de fracasso simplesmente não aparecem mais na base de dados. Desconfie de projeções de longo prazo baseadas em tendências de curto prazo: a realidade social é complexa e não linear, e projeções lineares simples tendem a falhar diante de mudanças estruturais, choques econômicos ou alterações de política. O domínio desses conceitos e a posse de uma atitude crítica perante os números são o que separa o gestor público que toma decisões baseadas em achismos e palpites daquele que fundamenta sua ação em evidências sólidas, em busca de uma política pública mais efetiva, eficiente e equitativa. Exercícios: Qual das seguintes opções representa uma medida de desigualdade de renda, variando de 0 (perfeita igualdade) a 1 (máxima desigualdade)? Em contextos de pesquisa quantitativa, qual é o principal objetivo da inferência estatística? Qual das seguintes abordagens é considerada como o 'padrão ouro' para estabelecer causalidade em políticas públicas? Complete a frase: Ao contrário da média aritmética, a _____ é considerada uma medida de tendência central robusta, pois sua posição em uma série ordenada a torna imune à distorção provocada por valores extremos ou outliers. Complete a frase: Enquanto a variância expressa o desvio quadrático médio, o _____ é a medida de dispersão preferida para relatórios gerenciais, pois quantifica a variabilidade na mesma unidade de medida original dos dados analisados. Complete a frase: O _____ permite ao analista comparar a dispersão relativa entre grupos com escalas de grandeza distintas, sendo calculado tecnicamente como a razão percentual entre o desvio padrão e a média aritmética. Complete a frase: Na escala do _____, um valor próximo a zero indica uma situação de perfeita igualdade na distribuição de recursos, enquanto valores próximos a um apontam para a concentração máxima em um único indivíduo. Complete a frase: Para que os resultados de uma amostra possam ser generalizados para a população por meio da inferência estatística, é essencial que a amostragem seja _____, garantindo que cada elemento tenha chance conhecida e não nula de seleção. Complete a frase: A interpretação técnica de um _____ de 95% indica que, caso o procedimento de amostragem fosse repetido inúmeras vezes, o parâmetro populacional real estaria contido dentro dos limites calculados em 95 das 100 ocasiões. Complete a frase: Se um teste de hipótese para a avaliação de um programa educacional resulta em um _____ inferior a 0,05, o gestor deve rejeitar a hipótese nula, concluindo que o impacto positivo observado é estatisticamente significativo. Complete a frase: Na avaliação de impacto, a construção do _____ busca representar a situação hipotética em que o beneficiário estaria caso a política pública não tivesse sido implementada, permitindo o isolamento do efeito causal. Complete a frase: O método de _____ baseia-se na hipótese de tendências paralelas, assumindo que, na ausência da intervenção, o grupo tratado teria evoluído na mesma trajetória observada no grupo de controle ao longo do tempo. Complete a frase: O modelo de _____ é aplicado quando a participação em um programa é definida por um critério rigoroso de elegibilidade, como uma nota mínima, permitindo a comparação de indivíduos situados em torno desse limite.