Compreender a Análise de Regressão

A análise de regressão é uma das ferramentas estatísticas mais poderosas do kit de ferramentas do economista. Na sua forma mais simples, o método modela a relação entre uma variável dependente (o resultado do interesse) e uma ou mais variáveis independentes (previsores potenciais ou causas). Para historiadores econômicos, isso significa ir além das descrições narrativas de eventos passados para testar hipóteses com evidências mensuráveis. Por exemplo, um pesquisador pode perguntar se taxas de alfabetização mais elevadas na Inglaterra do século XIX foram associadas com um crescimento mais rápido da produção industrial. Regressão permite-lhes quantificar essa associação, enquanto controlando para outros fatores como investimento de capital ou urbanização.

A ideia central é ajustar uma linha (ou curva) através de dados históricos que melhor descreve a relação sistemática entre variáveis. A forma mais comum é a regressão ordinária dos mínimos quadrados (OLS), que minimiza a soma das diferenças ao quadrado entre valores observados e previsões de modelos. Mas a história econômica também frequentemente emprega regressão logística quando os resultados são binários (por exemplo, se uma empresa sobreviveu a uma crise), e regressão múltipla quando muitas influências devem ser contabilizadas simultaneamente. Compreender os pressupostos por trás desses modelos – linearidade, independência de erros, homocedasticidade e ausência de multicolinearidade perfeita – é fundamental para desenhar inferências válidas de conjuntos de dados históricos que são muitas vezes confusos ou incompletos.

Aplicações em História Econômica

Mercados de Trabalho e Capital Humano

Os historiadores econômicos têm usado regressão para explorar como educação, habilidades e salários em saúde ao longo dos séculos. Um estudo clássico pode regredir ganhos individuais em anos de escolaridade, idade e gênero, usando dados censitários da América do século XIX. Os coeficientes estimados revelam não só o retorno à educação na época, mas também como esses retornos variam por região ou indústria. Modelos mais sofisticados incorporam efeitos fixos para cidades ou anos de nascimento para controlar a heterogeneidade não observada, oferecendo uma janela mais clara para dinâmica histórica do mercado de trabalho.

Comércio e globalização

A análise de regressão esclareceu as consequências econômicas das políticas comerciais, desde as Leis Britânicas do Milho até as tarifas modernas. Os pesquisadores muitas vezes usam modelos de gravidade, uma forma de regressão que prevê fluxos comerciais bilaterais baseados em tamanhos de países, distâncias e acordos comerciais. Ao analisar dados históricos do comércio dos séculos XIX e XX, os historiadores podem estimar como o protecionismo ou acordos de comércio livre afetaram renda nacional, especialização industrial e desigualdade salarial. Esses modelos destacam que a abertura comercial nem sempre beneficia todos os segmentos da sociedade igualmente, uma nuance que narrativas históricas simples podem perder.

Mudança Tecnológica e Produtividade

Entender como a energia a vapor, a eletricidade e a computação influenciaram o crescimento econômico é um quebra-cabeça central na história econômica. Os modelos de regressão podem decompor o crescimento da produtividade em contribuições do aprofundamento do capital, melhorias na qualidade do trabalho e produtividade total de fatores (TFP) - um resíduo que muitas vezes captura o progresso tecnológico. Por exemplo, uma regressão de séries temporais da produção agregada em entradas de capital e trabalho permite que pesquisadores estimem as equações de contabilidade de crescimento desenvolvidas primeiramente por Robert Solow. Quando aplicadas aos dados do século XIX, tais modelos mostram que o crescimento do TFP aumentou após 1860, coincidindo com a disseminação das redes ferroviárias e telegráficas.

Transições Demográficas e de Saúde

A história demográfica se beneficia de análises de regressão que associam mortalidade infantil, fertilidade e expectativa de vida às condições econômicas, investimentos em saneamento e intervenções em saúde pública, estudo que pode regredir nas taxas de mortalidade em municípios do início do século XX sobre medidas de qualidade da água, densidade habitacional e renda para determinar quais fatores mais reduziram as mortes, além de incorporarem defasagens espaciais ou temporais, reconhecendo que as melhorias na saúde muitas vezes acompanham investimentos em infraestrutura com atraso, e os resultados informam se os aumentos de renda ou políticas públicas foram os principais fatores que impulsionaram o declínio da mortalidade moderna.

Estudo de caso: A Revolução Industrial Revisitado

O artigo original tocou em análises de regressão da Revolução Industrial, mas a profundidade do trabalho moderno merece um tratamento mais completo. Os historiadores há muito debateram o que causou o avanço no crescimento britânico após 1760. Contas tradicionais enfatizam carvão, vapor e invenções mecânicas. Mas modelos de regressão permitem que os estudiosos testem explicações concorrentes quantitativamente. Um estudo seminal de 1990 usou dados de contas cruzadas da Inglaterra e País de Gales para regredir contagens de patentes - um proxy para inovação - em depósitos de carvão, proximidade com rios, e densidade populacional. Os modelos descobriram que a disponibilidade de carvão teve um efeito positivo estatisticamente significativo na inovação, mas que o efeito foi menor do que uma vez pensou que controlavam para urbanização e custos de transporte.

Regressões mais recentes de painéis de produção industrial britânica de 1700 a 1850 incluem variáveis como preços do algodão, produção de ferro e rendimentos agrícolas. Ao incluir efeitos fixos no tempo, os pesquisadores podem absorver choques comuns como guerras ou falhas de colheita, isolando o papel de mudanças tecnológicas específicas. Os resultados sugerem que, enquanto o motor a vapor foi transformador, seu impacto na produtividade agregada foi modesto até 1830, décadas após sua invenção. Isto contradiz narrativas heróicas que creditam uma única invenção para a Revolução Industrial. Em vez disso, as regressões apontam para um conjunto de inovações complementares em têxteis, ferro e engenharia, cada uma interagindo com a queda dos custos de energia e mercados em expansão.

O estudo de caso também ilustra a importância da especificação do modelo. Regressões precoces que incluíam apenas capital e trabalho como preditores muitas vezes produziram “resíduos” (a parte TFP) que eram implausivelmente grandes, implicando que a tecnologia explicou quase todo o crescimento. As abordagens modernas adicionam capital humano, instituições e preços da energia, reduzindo o resíduo para uma participação mais defensável. Este refinamento iterativo – testar um modelo, ajustar para variáveis omitidas, re-estimar – é a marca de um trabalho de regressão histórica rigoroso.

Desafios e Considerações

Erro de Fragmentação e Medição de Dados

Os conjuntos de dados históricos raramente são tão limpos quanto os inquéritos contemporâneos. Os historiadores econômicos geralmente trabalham com registros fiscais, registros paroquiais, registros comerciais e tabelas de censos que contêm lacunas, erros de transcrição e definições inconsistentes. Erro de medição em uma variável independente tende a vieses coeficientes de regressão em relação a zero – um fenômeno conhecido como viés de atenuação. Os pesquisadores respondem usando variáveis instrumentais, verificações de robustez, ou documentando cuidadosamente a construção de dados. Por exemplo, um estudo das taxas de salários britânicas do século XIX pode cruzar dados de múltiplas fontes (Board of Trade Reports, folha de pagamento da empresa e jornais locais) e resultados de testes sob diferentes pressupostos de medição.

Bias Variáveis Omitidas

A correlação não implica em causa, uma lição que a regressão por si só não pode ensinar. Uma regressão que encontra uma forte ligação positiva entre expansão ferroviária e crescimento económico pode estar faltando o fato de que ambos foram conduzidos por uma terceira variável – digamos, a crescente demanda por exportações. Se essa variável omitida correlaciona-se tanto com a variável independente (ferrovias) como com a variável dependente (crescimento), o coeficiente estimado será enviesado. Os historiadores econômicos abordam isso incluindo o maior número possível de controles, usando efeitos fixos de região ou tempo, e às vezes empregando experimentos naturais. O método diferença-in-diferenças, por exemplo, compara um grupo tratado (uma região que obteve uma via férrea) com um grupo de controle antes e depois do tratamento, diferenciando efetivamente fatores invariantes do tempo não observados.

Regressão e não-estacionalidade espúrios

Ao analisar séries temporais longas (por exemplo, PIB de 1800 a 2000), muitas variáveis econômicas tendem a subir ao longo do tempo. Regredir uma série tendencial em outra pode produzir altos valores de R-quadrado e impressionantes estatísticas t-mesmo que as duas não estejam relacionadas - um caso clássico de regressão espúria. Historiadores econômicos devem testar para raizes unitárias e cointegração, e muitas vezes usar dados ou modelos de correção de erros diferentes para evitar esta falha. Técnicas de cointegração, desenvolvidas na década de 1980, permitem que os pesquisadores modelem relações de equilíbrio de longo prazo entre variáveis não estacionárias, permitindo ainda dinâmica de curto prazo. Isto tem sido especialmente útil para estudar relações históricas entre fornecimento de dinheiro, preços e saída.

Multicolinearidade e tamanho da amostra

Preditores históricos como educação, renda e urbanização são muitas vezes altamente correlacionados entre as regiões, tornando difícil isolar a contribuição única de cada variável. Multicolinearidade infla erros padrão, levando a estimativas de coeficiente impreciso. Pesquisadores podem lidar com isso usando técnicas de redução de dimensões (por exemplo, componentes principais), por agrupamento de dados, ou limitando o número de variáveis. Pequenos tamanhos de amostra, outro problema comum no trabalho histórico, reduzir o poder estatístico e aumentar o risco de falsos negativos. Métodos bayesianos ou inferência bootstrap podem ajudar, mas, em última análise, os pesquisadores devem reconhecer os limites de suas evidências.

Técnicas avançadas de regressão na história econômica

Dados do painel e efeitos fixos

Muitos conjuntos de dados históricos combinam unidades transversais (países, regiões, empresas) observadas ao longo de vários períodos de tempo. A regressão em painel explora ambas as dimensões, permitindo aos investigadores controlar factores não observados específicos de unidade que são constantes ao longo do tempo (por exemplo, geografia, cultura) e factores de tempo comuns a todas as unidades (por exemplo, recessões globais). Isto reduz drasticamente o viés variável omitido. Por exemplo, um estudo do impacto económico da morte negra nas cidades europeias poderia utilizar efeitos fixos de cidades para absorver diferenças variáveis no tempo no clima ou na qualidade do solo, enquanto os efeitos fixos de ano captam choques de mortalidade pandemicos. O coeficiente numa variável como as “rotas comerciais” reflecte então as mudanças no comércio dentro da cidade ao longo do tempo, líquidos das tendências nacionais.

Variáveis instrumentais

Quando a endogeneidade é suspeitada, ou seja, a variável independente está correlacionada com o termo erro, os economistas recorrem a instrumentos: variáveis que afetam a variável independente, mas não estão diretamente correlacionadas com o resultado, exceto por meio dessa variável. Em contextos históricos, os instrumentos muitas vezes vêm de experimentos naturais ou acidentes históricos. Por exemplo, para estimar o efeito causal dos direitos de propriedade sobre o investimento agrícola na Índia colonial, os pesquisadores podem usar o tempo de assentamentos de renda de terras como instrumento, argumentando que a atribuição de assentamento não estava relacionada com a qualidade do solo local. Uma regressão de mínimos quadrados em duas etapas, então isola o componente exógeno da aplicação dos direitos de propriedade.O uso de variáveis instrumentais tem crescido rapidamente na história econômica, especialmente para estudar resultados de desenvolvimento de longo prazo.

Diferenças em Diferenças e Controles Sintéticos

Diferenças em diferenças (DiD) compara a evolução de um resultado em um grupo que experimentou uma mudança política em relação a um grupo que não o fez, antes e depois da mudança. Historiadores econômicos aplicaram DiD para avaliar a introdução de leis de escolaridade obrigatória, regulamentos bancários e extensões de sufrágio. A principal hipótese identificadora é que as tendências nos dois grupos teriam sido paralelas na ausência da política – uma condição testável usando dados pré-tratamento. Métodos de controle sintéticos estendem DiD construindo uma combinação ponderada de unidades de comparação que se encaixam estreitamente no caminho pré-tratamento da unidade tratada, proporcionando um contrafatual mais rigoroso. Isto tem sido usado, por exemplo, para estimar o impacto econômico da divisão da Coreia após a Segunda Guerra Mundial ou as consequências da reunificação alemã.

Métodos de Séries de Tempo para Quebras Estruturais

As séries históricas de tempo geralmente exibem quebras estruturais – mudanças súbitas na média ou tendência devido a guerras, crises financeiras ou mudanças de regime político. As técnicas de regressão tradicionais podem não detectar ou modelar corretamente essas quebras. As abordagens modernas como testes de ponto de ruptura endógenos (por exemplo, testes Bai-Perron) permitem que os dados identifiquem datas de interrupção, que podem então ser incorporadas em modelos de regressão com variáveis dummy. Um estudo da produção industrial dos EUA de 1880 a 1940 pode descobrir quebras em 1914 (Great Depression). Ao modelar essas quebras, o pesquisador pode evitar que o viés de assumir uma única relação constante em períodos fundamentalmente diferentes.

Conclusão e Orientações Futuras

A análise de regressão tornou-se indispensável para a história econômica, transformando a disciplina de um campo puramente narrativo em um que testa hipóteses com rigor estatístico. Ao quantificar relações, controlar para confundidores e identificar efeitos causais, modelos de regressão têm aprofundado nosso entendimento de transformações econômicas passadas - da Revolução Industrial à Grande Depressão. O melhor trabalho no campo reconhece abertamente limitações, usa estratégias de identificação robustas e resultados cruzados entre diferentes fontes de dados e métodos.

Os historiadores económicos estão a adoptar cada vez mais técnicas de aprendizagem de máquina, como florestas aleatórias e regressão de laços, para lidar com dados históricos de alta dimensão e para descobrir relações não lineares que o OLS tradicional pode faltar. As abordagens Text-as-data (por exemplo, a contagem de palavras em jornais históricos) estão também a ser combinadas com a regressão para medir atitudes culturais, discurso político e qualidade institucional. Estas inovações prometem abrir novas fronteiras, mas os princípios fundamentais da análise de regressão – especificação cuidadosa, conhecimento de viés, e interpretação cautelosa – permanecem sempre relevantes. Para aqueles interessados em mergulhar mais fundo, os recursos como o Guia do NBER para a regressão na história económica e o História Económica de Cambridge do Mundo Moderno oferecem excelentes pontos de partida. O Guia da NBER para a regressão económica na história económica do website] e História Económica do Mundo Moderno oferece excelentes pontos de partida.