Sınıf Çatışmasının Reddi ve Teorik Boyutları

Para a obtenção dos resultados almejados com a realização da presente pesquisa, foram utilizadas ferramentas como a Regressão Linear Múltipla e o modelo SBM da Análise Envoltória de Dados, explicado de maneira mais detalhada na seção 5.2.1. Para a aplicação do modelo e realização das análises, serão utilizados os softwares Stata®

, Gretl® e Microsoft Excel®.

a) Etapa 1: Seleção e validação de variáveis

A primeira etapa se refere à seleção e validação das variáveis, onde foi realizada uma análise de regressão múltipla entre cada variável de output e todas as variáveis de input. Os parâmetros utilizados para determinar quais variáveis são estatisticamente significantes para o modelo foram identificados por meio da tabela de regressão múltipla gerada pelo software

Stata® utilizando o método dos mínimos quadrados generalizados com heterocedasticidade

corrigida. Foi realizada a conversão das variáveis como logaritmos, no intuito de minimizar a variação de valores entre as variáveis, e para cada observação, foi apurado o p-valor fornecido pela tabela, em um nível de significância de 5%.

Segundo Gujarati e Porter (2010, p. 15), em uma interpretação moderna a análise de regressão é definida como o estudo da dependência de uma variável em relação a uma ou mais variáveis independentes, a partir de n observações. O objetivo da regressão no presente estudo é verificar a existência de uma relação explicativa entre as variáveis de input e output, para que ocorra a validação do modelo escolhido.

Para este estudo foram inicialmente selecionados 4 (quatro) variáveis de intput controláveis, 1 (uma) variável de input não-discricionário e 7 (sete) variáveis de output. Diante da presença de outputs indesejáveis, foi adotada a transformação linear decrescente, conforme explicado na seção 5.3.1.

Um detalhe importante a ser observado é que os dados observados se encontram em forma de painel, o que significa que a mesma unidade analisada transversalmente (dimensão espacial) é estudada ao longo do tempo. Deste modo, pode-se afirmar que a análise de dados em painel abrange as dimensões de espaço e de tempo.

O modelo de regressão múltipla utilizando dados em painel pode ser representado pela Expressão (16), adaptado de Gujarati e Porter (2010, p. 594):

OUTit = β0 + β1IN1it + β2IN2it + β3IN3it + β4IN4it + uit (16) Onde:

OUT: variável dependente (output)

β 0: intercepto da função β 1, β 2, β 3, β 4,: coeficiente da variável

IN1, IN2, IN3, IN4: variáveis independentes ou explicativas (inputs)

i: i-ésima observação (DMUs)

t: t-ésimo período estudado;

u: erro aleatório

Após efetuar a regressão múltipla com as variáveis, o procedimento seguinte será a exclusão das variáveis de output para os quais os investimentos do Programa Minha Casa Minha Vida não possuem relevância estatística. O motivo para o qual o PMCMV foi utilizado como critério na exclusão se deve ao fato de o objetivo dessa pesquisa ser relacionado a questão da habitação. Em relação aos inputs, serão excluídos aqueles que não forem significativos para explicar nenhuma variável de output. Caso isso aconteça com os investimentos no PMCMV, todavia, novas variáveis sociais precisarão ser levantadas.

b) Etapa 2: Aplicação do modelo SBM, análise de janela e determinação da eficiência relacionada ao PMCMV

Definidas as variáveis, foi utilizada o modelo SBM da Análise Envoltória de Dados, como forma de calcular isoladamente a eficiência do PMCMV. Esta etapa foi subdividida em outras duas subetapas, sendo que na primeira o modelo SBM com retornos variáveis de escala e dupla orientação foi aplicado utilizando-se todas as variáveis de inputs e outputs selecionadas. A partir dessa primeira aplicação, foi obtido um índice de eficiência global, o qual pode ser definido como um subproduto desta pesquisa.

O maior interesse, todavia, se encontra na eficiência específica, relativa apenas à variável do PMCMV, determinada a partir das folgas do modelo conforme o procedimento desenvolvido por Choi et al (2012), apresentado na seção 5.2.1.

Vale mencionar que foi utilizada a análise de janela, na qual é possível obter várias medidas de eficiência para cada período analisado (ano). Para contornar esse problema ao se investigar a influência das variáveis explicativas, foi considerada para este estudo a média das janelas como resultado final.

c) Etapa 3: Análise de regressão e testes estatísticos para a determinação da influência das variáveis explicativas

Após obtida a eficiência, foi realizada nova análise de regressão do índice obtido na segunda etapa em relação às variáveis explicativas, as quais não representam inputs nem

outputs. É importante esclarecer que os valores de eficiência obtidos pela DEA-SBM são

censurados (truncados), ou seja, delimitados entre 0 e 1. Consequentemente, o modelo de regressão Tobit, proposto em 1958 por James Tobin, demonstrou ser o mais adequado na caracterização das relações entre os valores de eficiência e as variáveis explicativas (WANG

et al., 2015).

Segundo Agovino e Rapposelli (2016), o modelo Tobit também demonstra ser a melhor alternativa para os casos onde ocorre acúmulo de observações em um único ponto de massa na fronteira, e os valores das amostras são reduzidos. Trata-se de um modelo de regressão linear, no qual o Y* substitui o Y em razão da presença de dados censurados ou truncados, e é definido pela Expressão 17:

Y* = β0 + β1X1 + … + βnXn + ɛ (17)

O modelo de regressão Tobit foi utilizado neste caso para determinar o quanto essas variáveis são capazes de explicar a eficiência obtida com a aplicação do modelo, e validar as hipóteses relacionadas na seção 1.3. Com a validação da pesquisa, os resultados serão apresentados em formato de tabelas, acompanhadas de análises, discussões e considerações finais do trabalho.