O método que salvou a Ciência Política (II)
como a estatística resolveu a crise da explicação causal
O legado de uma revolução silenciosa
O artigo de Dehejia e Wahba (1999) mostrou que é possível chegar perto do rigor experimental mesmo quando sorteios (“randomização” de participantes) são inviáveis.
Dehejia, R. H., & Wahba, S. (1999). Causal effects in nonexperimental studies: Reevaluating the evaluation of training programs. Journal of the American Statistical Association, 94(448), 1053–1062. https://doi.org/10.2307/2669919
Para a Ciência Política, isso significou aumentar muito o seu poder para responder perguntas enormes sobre instituições, comportamento político, políticas públicas com métodos mais confiáveis.
De lá para cá, a disciplina abraçou o Propensity Match Score (PSM) como parte do seu repertório metodológico.
Ele é, ao mesmo tempo, uma lição de humildade (os dados observacionais não falam sozinhos) e uma ferramenta poderosa para quem quer entender causalidade em contextos complexos.
Mark Rothko (nascido Markus Yakovlevich Rothkowitz), 1903, Daugavpils, Letônia - 1970, Nova Iorque, EUA. Untitled (Grey And White On Purple), 1967.
Como e onde usar PSM na pesquisa política no Brasil
No Brasil, onde os experimentos ainda são raros, o Propensity Match Score já foi usado em alguns tipos de estudos políticos (a lista é meramente exemplificativa, não exaustiva):
· Programas sociais e comportamento eleitoral
Zucco, C., Jr. (2013). When payouts pay off: Conditional cash transfers and voting behavior in Brazil, 2002-10. American Journal of Political Science, 57(4), 810–822. https://doi.org/10.1111/ajps.12026
O artigo mostra que beneficiários do Bolsa Família e de outros programas de transferência condicionada de renda tenderam a apoiar mais o presidente incumbente entre 2002 e 2010. Usando matching techniques (incluindo General Propensity Score Matching), Zucco identifica um efeito causal de curto prazo, restrito às eleições presidenciais. Esses programas aumentam o voto retrospectivo no incumbente, mas não criam identidades ou lealdades partidárias duradouras.
· Competição intrapartidária e reeleição
Gelape, L., & Silva, G. P. da. (2022). Restrição partidária às decisões de carreira de políticos brasileiros: evidências de vereadores brasileiros. Revista de Sociologia e Política, 30, e014. https://doi.org/10.1590/1678-98732230e014
Lucas e Glauco usam matching baseado em propensity scores/Mahalanobis para emparelhar vereadores com perfis observacionais semelhantes. Esse procedimento controla diferenças de experiência, partido, município e histórico eleitoral, aproximando o desenho de um experimento natural. Após o emparelhamento, aplicam regressões para estimar o efeito médio do tratamento. Concluem que maior competição intrapartidária reduz a probabilidade de vereadores se candidatarem à prefeitura. O uso de PSM reforça a validade causal dos achados, mantendo-os robustos em testes de equilíbrio e sensibilidade.
· Cotas de gênero nas eleições
Theodoro, M. I. A., Sakurai, S., & Rossali, J. (2023). Efetivas ou não? Um estudo dos efeitos da instituição de cotas para gênero nas eleições municipais brasileiras. Análise Econômica, 41(4), 31–56.
Usaram o Propensity Score Matching para emparelhar municípios semelhantes em termos socioeconômicos, tamanho e histórico eleitoral antes de estimar os efeitos da Lei de Cotas de 1997 e da minirreforma de 2009. A lei de cotas determinava que cada partido ou coligação deveria reservar no mínimo 30% e no máximo 70% de suas candidaturas para cada sexo. Já a minirreforma estabeleceu que os partidos deveriam preencher efetivamente essas vagas, evitando o registro apenas simbólico de mulheres. Após o emparelhamento, os autores aplicaram Diferenças-em-Diferenças para mensurar o impacto da legislação. Os resultados mostraram que as cotas aumentaram a proporção de mulheres candidatas, enquanto a minirreforma elevou também a de mulheres eleitas. O uso do PSM foi essencial para reduzir o viés de seleção e reforçou a robustez das inferências causais em contexto observacional.
Mark Rothko, Untitled /Red, Orange.
Um balanço bibliográfico
Keele, L. (2010). An overview of matching methods for causal inference in political science. In J. N. Druckman, D. P. Green, J. H. Kuklinski, & A. Lupia (Eds.), Cambridge Handbook of Experimental Political Science (pp. 271–290). Cambridge: Cambridge University Press.
Esse texto do Luke Keele (2010) é um dos marcos metodológicos que ajudaram a consolidar o matching (especialmente o Propensity Score Matching) como ferramenta de inferência causal em Ciência Política.
O matching foi particularmente útil para revisitar bases consagradas, muitas vezes usadas originalmente apenas com regressões.
Ele mostra que há grandes campos onde o PSM é aplicado em CP: voto e políticas públicas.
Um artigo citado por ele foi o de Bechtel, M. M., & Hainmueller, J. (2011).
Eles investigaram se políticas públicas que beneficiam eleitores geram efeitos duradouros ou apenas imediatos. Os autores examinaram a ajuda governamental após enchentes na Alemanha em 1997, utilizando PSM para emparelhar eleitores beneficiados e não beneficiados.
Os resultados revelaram um “voto de gratidão” no curto prazo, favorecendo a reeleição de incumbentes, mas esses efeitos desapareceram em eleições posteriores.
A principal contribuição do estudo foi demonstrar que o PSM pode ser efetivamente utilizado para medir impactos políticos de eventos exógenos de política pública.
Mark Rothko, National Gallery of Art, EUA.
Quando o PSM não funciona...
Arceneaux, K., Gerber, A. S., & Green, D. P. (2006) quiseram descobrir se o PSM conseguia dar os mesmos resultados que um experimento real.
Para testar isso, os pesquisadores usaram dados de um grande experimento sobre mobilização eleitoral: 60.000 pessoas receberam ligações telefônicas incentivando o voto e quase 2 milhões não receberam.
Eles analisaram esses dados de duas maneiras: primeiro, como um experimento normal (comparando quem foi sorteado para receber ou não as ligações), e depois fingindo que não sabiam quem tinha sido sorteado e usando o PSM para tentar formar grupos parecidos.
O resultado mostrou que o PSM falhou: enquanto o experimento real mostrou que as ligações não aumentaram a participação nas eleições, o PSM indicou erroneamente que elas tiveram um grande efeito positivo.
Isso aconteceu mesmo tendo muitas informações sobre os participantes (idade, renda, histórico de votação, etc.).
O matching, de fato, produz estimativas que não são mais precisas que aquelas geradas por regressão de mínimos quadrados ordinários. Os achados experimentais mostram que ligações telefônicas breves pagas para mobilização eleitoral não aumentam a participação, enquanto matching e regressão mostram um efeito grande e significativo.
A conclusão importante é que o PSM pode dar resultados errados mesmo quando temos bastante informação sobre as pessoas, mostrando que não é um substituto perfeito para experimentos reais.
Mark Rothko, Untitled, Black on Gray, 1969
Conclusão
O Propensity Score Matching foi uma virada metodológica. Ele mostrou que, mesmo sem sorteios aleatórios, podemos chegar a estimativas confiáveis de efeitos causais.
Para a Ciência Política, isso significou poder estudar a dinâmica política com mais rigor, transformando a forma como entendemos causa e efeito em fenômenos políticos.
Referências gringas:
Arceneaux, K., Gerber, A. S., & Green, D. P. (2006). Comparing experimental and matching methods using a large-scale voter mobilization experiment. Political Analysis, 14(1), 37–62.
Bechtel, M. M., & Hainmueller, J. (2011). How lasting is voter gratitude? An analysis of the short- and long-term electoral returns to beneficial policy. American Journal of Political Science, 55(4), 852–868. https://doi.org/10.1111/j.1540-5907.2011.00533.x
#CienciaPolítica
#PropensityScore
#CausalInference
#Metodologia
#PesquisaBrasil
#StatisticsRevolution
#PoliticaPublica
#DataScience
#MethodologyMatters