Yaşam Doyumunu Etkileyen Faktörler

Como o objetivo deste trabalho é identiĄcar se a LC está relacionada a um aumento na probabilidade de migração para rede pública, é essencial saber quais os principais fatores que determinam a escolha de uma família em matricular seu(s) Ąlho(s) em uma escola privada.

Em um dos primeiros trabalhos a tratar empiricamente sobre o tema,Long e Toma

(1988) utilizam dados do Censo americano de 70 e 80 para identiĄcar os determinantes da escolha por escola privada. Com base em um modelo de probabilidade linear, os autores encontram que a renda familiar, aĄliação religiosa e oferta de escolas privadas no munícipio afetam positivamente a probabilidade de um aluno estar matriculado na rede privada. A Ąm de estimar os determinantes dessa mesma escolha,Menezes-Filho, Curi et al. (2011), a partir de dados da PNAD e da POF e utilizando modelos para dados censurados, estimam que a educação da mãe, a renda familiar, e a oferta e custo das escolas privadas no munícipio do aluno afetam positivamente a probabilidade de matricula na rede privada.

Opice (2015) parte de um modelo de probabilidade linear com base em dados individuais de alunos do estado de São Paulo, para identiĄcar as variáveis associadas à probabilidade de migração da rede pública para privada no Ąm dos dois ciclos do EF, ou seja, 5o _{e 9}o _{ano. A autora encontra que educação da mãe, renda familiar e a nota do aluno}

em uma prova padronizada impactam positivamente a probabilidade de migração para rede privada. Observa-se ainda que alunos brancos e matriculados em escolas públicas melhores tem maior probabilidade de migrar para rede privada no ano seguinte.

Em relação ao mercado de escolas privadas, o trabalho seminal deEpple e Romano

(1998) desenvolve um modelo teórico com o objetivo de encontrar um equilíbrio na alocação entre alunos, diferenciados em renda e habilidade, e escolas públicas e privadas, sendo que as escolas privadas podem descriminar preços. Em equilíbrio, as escolas públicas recebem os estudantes mais pobres e de mais baixa habilidade, enquanto surge uma hierarquia estrita de escolas particulares, gerando segregação dentro do sistema de ensino.

36

Menezes-Filho, Moita e Andrade(2014) analisam o impacto de uma política pública que aumenta a participação de alunos mais pobres no sistema de ensino básico, o Bolsa Família. Os autores apontam que esta política aumenta a desigualdade educacional dentro do sistema publico de ensino, já que estimula a entrada de alunos que antes sequer estavam na escola. Estima-se que o aumento na desigualdade educacional está relacionado a um aumento na probabilidade de entrada de uma escolar privada em dado munícipio, pois alguns alunos do sistema público passam a demandar uma alternativa privada em decorrência da queda na qualidade do ensino.

Por Ąm, outro fator que pode afetar a decisão de escolha pela rede privada é a qualidade das escolas públicas no município da família. Estevan(2014) analisa o impacto de um aumento exógeno nos gastos municipais com educação pública sobre a parcela de

alunos do 1o _{ciclo do EF matriculados na rede privada de ensino. Os resultados indicam}

que o aumento nos gastos reduz a matricula na rede privada20_{. Epple, Figlio e Romano}

(2004), a partir de um painel com 15 590 estudantes americanos, encontram que a renda

familiar e a habilidade de um aluno inĆuenciam positivamente a probabilidade de matricula em escola privada. O trabalho aponta também que, em municípios onde os gastos com educação pública são menores, o impacto da renda sobre a probabilidade de matricula na rede privada é superior.

Apesar de não haver trabalho que trate sobre a migração da rede privada para rede pública, a literatura de school choice aponta para algumas variáveis: educação da mãe, renda familiar, habilidade do aluno, oferta e custo das escolas privadas e qualidade das escolas públicas no município do aluno.

20

Em outro trabalho,Estevan(2009) mostra que este aumento exógeno de gastos está relacionado à melhora em indicadores de qualidade das escolas.

37

4 Método de IdentiĄcação

O principal objetivo empírico deste trabalho é identiĄcar se a Lei de Cotas aumenta a probabilidade de migração para a rede pública, isto é, se a Lei tem algum impacto sobre a escolha de escola dos alunos brasileiros matriculados em escolas privadas. Neste contexto, os alunos tratados pela Lei são aqueles que podem se beneĄciar na disputa por uma vaga em uma universidades federais ao mudar de escola. Como a Lei vale para aqueles que estudaram apenas o EM integralmente na rede pública, consideramos que os alunos afetadas são aqueles matriculados no último ano do EF em escola da rede privada.

Como já discutido, os dados disponibilizados pelo Censo Escolar não fornecem informações socioeconômicas acerca das variáveis que inĆuenciam a decisão de migração. Para contornar essa limitação e obter um método de identiĄcação consistente, utilizaremos a metodologia de Diferenças-em-Diferenças (DD).

Consideraremos que um aluno matriculado em escola privada só realiza a escolha de se manter no sistema privado ou migrar para o sistema público uma vez por ano, ao Ąm do ano letivo. Para observar a variação na probabilidade de migração para rede pública de alunos matriculados em alguma etapa do ensino básico, observaremos coortes de alunos matriculados nesse segmento em anos posteriores e anteriores à implementação da Lei.

Realizaremos duas análises, uma utilizando apenas as coortes de 2011 e 2012, isto é, o período imediatamente anterior e posterior à implementação da Lei, e, em uma segunda análise, utilizando todas as coortes disponíveis, 2009, 2010, 2011, 2012, 2013 e 2014, totalizando 3 coortes não afetadas e 3 coortes afetadas pela LC. Os grupos de

tratamento são compostos pelos alunos matriculados no 9o _{ano do EF em escolas da rede}

privada em cada uma das coortes analisadas. A LC entra em vigor em 2012 e já vale para o primeiro vestibular de 2013, portanto todos os alunos do grupo de tratamento matriculados em escola privada nas coortes de 2012, 2013 e 2014 são afetados pela Lei.

Já os grupos de controle são compostos por alunos matriculados no 5o _{ano do EF. Assim}

38

mudança de rede é semelhante21_{. Contudo, os alunos do 5}o _{ano não são afetados pela Lei,}

já que a LC beneĄcia aqueles que estudaram apenas o EM na rede pública e, portanto, a decisão de migrar ou não para rede pública no ano seguinte não irá deĄnir se serão

beneĄciados. Temos como hipótese que alunos matriculados no 5o

que tenham a intenção de migrar para escola pública no EM a Ąm de beneĄciarem-se da Lei, não irão antecipar essa migração já no 6o _{em decorrência do grande diferencial de qualidade entre as redes de}

ensino no Brasil, descrito na seção anterior.

DeĄniremos a função estrutural que modela a probabilidade de um aluno matricu- lado em uma escola particular em um dado ano migrar para uma escola pública no ano seguinte como:

𝑌ist = Ð · 𝑎𝑛𝑜t+ Ñ · 𝑡𝑟𝑎𝑡s+ 𝜃 · (𝑎𝑛𝑜t· 𝑡𝑟𝑎𝑡s) + Γ · 𝑋ist+ 𝑢ist

Onde 𝑌ist é uma variável binária que vale 1 se o aluno i do grupo s no ano t muda

para escola pública no ano t+1 e 0 caso contrário. 𝑋ist é um vetor contendo todas as

variáveis que inĆuenciam a decisão de migração para escola pública. 𝜃 é nosso coeĄciente de interesse.

Com base nos resultados apresentados pela literatura, iremos considerar que o vetor

𝑋ist contém as seguintes variáveis: renda familiar per capita, número de irmãos, educação

dos pais, qualidade das escolas públicas e oferta relativa de escolas privadas no município do aluno i no ano t, custo da educação privada e outras variáveis não observáveis que não se alteram no tempo. Como a maior parte dessas variáveis não estão disponíveis na base de dados utilizada, controlaremos apenas pela qualidade das escolas públicas e oferta relativa de escolas privadas no município do aluno i no ano t.

A primeira especiĄcação a ser estimada não levará em consideração nenhuma das

21

Estevan(2014) encontra evidências de que um aumento exógeno nos gastos com educação pública reduz a parcela de alunos matriculados em escolas privadas no 1o

ano do EF relativamente aos 3 anos subsequentes, indicando que há custos diferenciados de mudança de escola entre anos Ąnais de ciclo e os outros anos.

39 variáveis de controle mencionadas acima.

𝑌ist = Ð · 𝑎𝑛𝑜t+ Ñ · 𝑡𝑟𝑎𝑡s+ 𝜃 · (𝑎𝑛𝑜t· 𝑡𝑟𝑎𝑡s) + 𝑢ist (4.1)

Incluindo a nota no IDEB das escolas públicas22_{e a razão entre o número de escolas}

privadas e públicas de EM no munícipio do aluno i no ano t, variáveis de controle para a qualidade da escola pública e oferta de escolas privadas, chegamos à segunda especiĄcação a ser estimada:

𝑌ist = Ð · 𝑎𝑛𝑜t+ Ñ · 𝑡𝑟𝑎𝑡s+ 𝜃 · (𝑎𝑛𝑜t· 𝑡𝑟𝑎𝑡s) + Ò · 𝐼𝐷𝐸𝐵ist+ ã · 𝑂𝑅ist+ 𝑢ist (4.2)

Por Ąm, serão realizadas análises incluindo características socioeconômicas para o município do aluno23 _{e erros clusterizados por escola/ano, terceita e quarta especiĄcação}

respectivamente. A segunda análise será feita por dois motivos: i) a decisão de um aluno (ou um grupo de alunos) que muda de turma pode ter impacto sobre a decisão de seus

colegas de sala, acarretando em correlação entre os erros individuais24

; ii) fatores exógenos que afetem uma escola em determinado ano, podem afetar a decisão de migração de todos os alunos dessa escola.

4.1

Hipóteses de IdentiĄcação

Partindo de qualquer uma das especiĄcações a serem estimadas, temos como condição necessária para identiĄcação que qualquer variação na probabidade de migração decorrente de mudanças em variáveis não observáveis ocorra em igual magnitude para o

grupo de controle e tratamento. Se um aumento na renda familiar dos alunos de 9o_{, por}

22

Como o IDEB é realizado a cada 2 anos, para as coortes de 2014 foi considerada a nota de 2013, para as coortes de 2013 e 2012 a nota de 2011, para as coortes de 2011 e 2010 a nota de 2009 e para as coortes de 2009 a nota de 2007. Incluímos o IDEB defasado, pois as famílias apenas tem conhecimento do índice em seu município no ano posterior à realização da Prova Brasil. Dessa forma, o IDEB de 2011, por exemplo, apenas é observado pelas famílias em 2012.

23

As variáveis utilizadas foram o coeĄciente de gini, percentual da população em situação de pobreza, renda per capita, população total e o a qualidade da educação pública medida pelo IDHM, disponíveis no Censo 2010.

24

Como as turmas são em geral pequenas e a correlação entre as características de alunos de uma mesma turma é muito alta, não iremos clusterizar os erros à nível da turma, pois isso tornaria qualquer estimador estatistiscamente não signĄcante.

40

exemplo, levar a uma queda na probabiliadde de migração desse grupo, é necessário que também ocorra o aumento na renda dos alunos do grupo de controle e que o impacto sobre a probabilidade de migração ocorra em igual magnitude. DeĄnimos formalmente essa condição como:

{𝐸[𝑌ist|𝑋ist, 𝑠= 1, 𝑡 = 1] − 𝐸[𝑌ist|𝑋ist, 𝑠= 1, 𝑡 = 0]}−

{𝐸[𝑌ist|𝑋ist, 𝑠= 0, 𝑡 = 1] − 𝐸[𝑌ist|𝑋ist, 𝑠= 0, 𝑡 = 0]} = 𝜃

O que nos leva à hipótese de identiĄcação:

𝐸[𝑢ist|𝑋ist, 𝑠= 1, 𝑡 = 1] − 𝐸[𝑢ist|𝑋ist, 𝑠= 1, 𝑡 = 0] =

𝐸[𝑢ist|𝑋ist, 𝑠= 0, 𝑡 = 1] − 𝐸[𝑢ist|𝑋ist, 𝑠= 0, 𝑡 = 0]

Caso a hipótese de identiĄcação seja válida, os estimadores de DD para a regressão (4.1) serão consistentes e não viesados. Quando analisamos apenas as coortes imediatamente anterior e posterior à implementação da Lei, é condição suĄciente que todas as variáveis incluídas no vetor 𝑋ist e que não estão especiĄcadas na equações (1) a (4), entre elas: renda

familiar per capita, número de irmãos, educação dos pais e custo da educação privada; não variem signiĄcativamente de 2011 para 2012.

Com base na informações da PNAD, observamos que essa condição é satiĄsfeita tanto para as coortes de São Paulo, quanto de Minas Gerais, como pode ser obserado na tabela abaixo. Vale ressaltar que, diferentemente do Censo Escolar, as informações presentes na PNAD são amostrais, motivo pelo qual o número de observações na análise abaixo é muito inferior ao total de alunos observados nas coortes de controle e tratamento.

41

Tabela 3 Ű Testes de média das características socioeconômicas

Tratamento

Controle

2011

2012

Dif.

p-val.

2011

2012

Dif.

p-val.

Minas Gerais

Renda per capita

1459,69 1862,78 403,09

0,14

1627,46 1433,02 -194,44

0,48

# pessoas na família

3,88

3,81

-0,06

0,73

3,68

3,59

-0,08

0,67

# anos de estudo da P.R*

14,37

14,30

-0,06

0,89

14,27

14,85

0,57

0,15

Obs.

54

74

49

48

São Paulo

Renda per capita

1635,38 1745,42 110,03

0,61

1573,21 1691,60

118,38

0,68

# pessoas na família

3,85

4,07

0,21

0,14

3,91

3,82

0,97

0,48

# anos de estudo da P.R*

15,50

15,38

-0,12

0,58

15,61

15,47

-0,19

0,30

Obs.

90

91

82

84

* Pessoa de referência na família Fonte: PNAD

43

5 Dados

Para identiĄcar a migração de alunos da rede privada para rede pública, utilizaremos os dados presentes no Censo Escolar. Desde 2007, esta base fornece informações a nível individual de todos os alunos matriculados no ensino básico em escolas públicas ou privadas. Por meio de um código de identiĄcação é possível acompanhar a escola e turma em que um aluno está matriculado e, com isso, saber se em algum momento este aluno tomou a decisão de migrar de rede. Também utilizaremos dados do Censo Escolar para a construção

da varíavel 𝑂𝑅ist, que representa a razão entre escolas privadas e públicas de EM no

munícipio do aluno i no ano t, e para construção das variáveis utilizadas na seção de heterogeniedade.

Tabela 4 Ű Número de alunos por coorte de controle e tratamento

Minas Gerais São Paulo

Controle Tratamento Controle Tratamento

2014 29715 27628 106118 105326 2013 28469 27630 101310 106107 2012 27818 27549 100309 101860 2011 28032 27292 96894 100196 2010 27373 26694 97359 95419 2009 26991 26087 98768 92013 Fonte: http://www.qedu.org.br/

Para construção de estatísticas descritivas e análise da validade da hipótese de identiĄcação, utilizamos dados da Pesquisa Nacional por Amostra de Domicílio (PNAD), mais especiĄcamente as informações referentes à renda familiar per capita, número de pessoas na família e número de anos de instrução da pessoa de referência na família25_.

Utilizaremos também os dados do Censo 2010 para construção das variáveis socioeconômicas dos munícipios, que servirão como controle na análise empírica, e informações do IDEB a nível municipal a Ąm de construir um indicador de qualidade das escolas públicas.

25

Pessoa responsável pela família ou que assim fosse considerada pelos demais membros da família. Variável utilizada como proxy para anos de estudo de um dos pais.

44

5.1

Atrito

DeĄniremos atrito como os alunos que são observados no Censo em um ano, mas não são encontrados no ano seguinte. Esse problema pode ocorrer por uma das seguintes razões: i) evasão escolar; ii) mudança do aluno para outro país; iii) erro cadastral por parte da escola, o que impossibilita a identicação de um aluno no painel. Em relação ao motivo (i), a tabela (5) apresenta as taxas de evasão para os grupos de controle e tratamento ao longo das coortes analisadas. Observamos que a taxa é extratamente baixa para os alunos provenientes de escolas privadas e não se altera radicalmente entre as coortes 2011 e 2012. O problema (ii) será desconsiderado, partindo da hipótese de que não há correlação entre a variação na migração para o exterior e o período de implementação da Lei de Cotas.

Neste trabalho, o atrito pode ser um problema para a identiĄcação caso o problema (iii) esteja correlacionado com a implementação da Lei. Supomos que a probalidade de erro cadastral é maior quando o aluno muda de escola. Dessa forma, com o aumento da migração no período em que a Lei de Cotas entra em vigor, deverá haver um aumento na quantidade de atrito, especialmente no grupo mais afetado pela Lei. Contudo, note que este problema tornaria nossos estimadores mais conservadores, já que no caso onde a variação na probabilidade de migração para rede pública é maior para o grupo de tratamento, esperamos que uma parte dos alunos do grupo de tratamento tenham desaparecido da base em decorrência da mudança do código de identiĄcação. Assim, a variação observada será inferior à variação efetiva. Como não temos como recuperar os alunos pedidos devido a essa forma de atrito, iremos desconsiderar este possível problema em nossa análise ao custo de estimar mais conservadoramente o impacto da Lei, nos casos em que ele exista.

45

Tabela 5 Ű Reprovação e abandono escolar por coorte de controle e tratamento- Minas Gerais e São Paulo

2014 2013 2012 2011 2010 2009

Minas Gerais

Tratamento Abandono escolar 0,4% 0,5% 0,5% 0,5% 0,5% 0,6% Taxa de reprovação 5,2% 5,8% 5,8% 6,3% 5,6% 5,9% Controle Abandono escolar 0,1% 0,0% 0,1% 0,1% 0,1% 0,1% Taxa de reprovação 1,5% 1,6% 1,6% 1,7% 1,7% 1,8%

São Paulo

Tratamento Abandono escolar 0,1% 0,1% 0,2% 0,2% 0,2% 0,2% Taxa de reprovação 2,9% 3,3% 3,2% 3,4% 3,3% 3,5% Controle Abandono escolar 0,0% 0,0% 0,0% 0,0% 0,0% 0,0% Taxa de reprovação 1,3% 1,4% 1,4% 1,5% 1,7% 1,7%

47

6 Resultados

Na tabela (6) são apresentados os coeĄcientes de interesse estimados para todas as especiĄcações apresentadas. Os resultados estão dividos por estado, Minas Gerais e São Paulo, e foram escolhidos dois períodos para análise. No primeiro, foram considerados apenas duas coortes, uma imediatamente anterior à implementação da Lei (2011), portanto não afetada, e outra relativa ao ano de sanção da Lei (2012). No segundo, são utilizadas seis coortes, três não afetadas (2009,2010 e 2011) e três afetadas pela Lei (2012, 2013 e 2014).

Em Minas Gerais, o impacto da Lei sobre a migração para rede pública é positivo e estatiscamente signiĄcante à 1% para todas as especiĄcações analisadas. Quando analisado dois períodos, observamos que a Lei aumenta em cerca de 2.2 p.p a probabilidade de

migração para rede pública na 1a _{série do EM, o que representa uma variação de 20% em}

relação a probabilidade de migração do grupo de tratamento no período anterior à Lei. Já nas regressões em que são utilizados 6 períodos, e que portanto incorporam os impactos da Lei nos 3 anos posteriores à sua implementação, o coeĄciente estimado sinaliza aumento de cerca de 4.3 p.p na probabilidade de migração.

Já em São Paulo, estado onde a Lei de Cotas não representa uma mudança institucional tão signiĄcativa no acesso ao ensino superior, os coeĄcientes estimados são menores em magnitude e perdem a signiĄcancia estatística quando analisados seis períodos. No primeiro caso, observamos que a Lei aumenta em cerca de 1.2 p.p a probabilidade de migração, variação de 8% em relação à probabilidade observada antes da Lei. Quando incorporamos novas coortes na análise, o coeĄciente de interesse cai para 0.1 p.p, e perde a signiĄcancia para todas as expeciĄcações.

As váriaveis de controle, IDEB e OFERTA, apresentam resultado negativo e estatisticamente signiĄcante para todas as especiĄcações, como pode ser observado na tabela A1, no apêndice. Os resultados conĄrmam a hipótese de que maior qualidade da educação pública e maior oferta de escolas privadas no município do aluno reduzem a

48

probabiliadde de migração para rede pública.

Foi ressaltado na seção anterior que, em Minas Gerais, alunos que estudaram o último ano do EF em escola da rede privada, mas que cursaram ao menos quatro anos na rede pública, poderiam se beneĄciar de uma das 6 ações aĄrmativas em vigor no estado no período anterior à Lei de Cotas. Dessa forma, parcela das alunos de 9o _{ano estariam sendo}

tratados tanto no período posterior, quando no período anterior à Lei de Cotas. Para mitigar essa possibilidade, iremos estimar novamente os coeĄcientes apresetados na tabela 8, contudo considerando como grupo de tratamento e controle os alunos que estudaram o 9o

e 5o

ano do EF na rede privada, respectivamente, e que estudara os últimos três anos na rede pública26_{. Os resultados apresentados na tabela (7) indicam que, em Minas Gerais,}

a Lei tem impacto de 1.9 p.p. na probabilidade de migração e, em São Paulo, de 0.9 p.p.

26

49

Tabela 6 Ű Impacto da Lei de Cotas sobre a escolha de escola

Duas coortes Seis coortes

(2011-2012) (2009-2014)

(1) (2) (3) (4) (1) (2) (3) (4)

Painel A: Minas Gerais

Lei de Cotas 0.022*** 0.022*** 0.022*** 0.022*** 0.045*** 0.039*** 0.039*** 0.039***

(0.004) (0.004) (0.004) (0.005) (0.002) (0.002) (0.002) (0.004)

Obs. 110691 110543 110543 110543 331278 330955 330955 330955

𝑅2 _{0.004 0.014 0.022 0.022 0.004 0.015 0.022 0.022}

Painel B: São Paulo

Lei de Cotas 0.012*** 0.012*** 0.012*** 0.012** 0.001 0.001 0.001 0.001

(0.002) (0.002) (0.002) (0.005) (0.001) (0.001) (0.001) (0.003)

Obs. 399259 399259 399259 399259 1201679 1126743 1126743 1126743

𝑅2 _{0.040 0.043 0.044 0.044 0.041 0.043 0.045 0.045}

Variáveis de controle SIM SIM SIM SIM SIM SIM

Carac. municipais SIM SIM SIM SIM

Erros clusterizados SIM SIM

Notas: A tabela esta dividida em dois painéis. No painel A sao apresentadas estimativas para o estado de Minas Gerais. No painel B são apresentadas as estimativas para o estado de São Paulo. Em ambos painéis foi utilizado como grupo de controle os alunos de 5o

ano do EF. A signiĄcancia estatistica dos resultados e representada por: *** Estatisticamente signiĄcante ao nivel de 1%, ** Estatisticamente signiĄcante ao nivel de 5%, * Estatisticamente signiĄcante ao nivel de 10%

50

Tabela 7 Ű Impacto da Lei de Cotas sobre a escolha de escola - Alunos que estudaram os últimos 3 anos em escolas privadas

Duas coortes

(2011-2012)

(1)

(2)

(3)

(4)

Painel A: Minas Gerais

Lei de Cotas

0.019*** 0.019*** 0.019*** 0.019**

(0.004)

(0.004)

(0.004)

(0.008)

Obs.

79506

79316

79316

79316

𝑅

2

_0.005

_0.014

_0.019

_0.019

Painel B: São Paulo

Lei de Cotas

0.009*** 0.009*** 0.009***

0.009

(0.002)

(0.002)

(0.002)

(0.005)

Obs.

310143

310143

310143

310143

𝑅

2

0.046

0.048

0.050

0.050

Variáveis de controle

SIM

SIM

SIM

Carac. municipais

SIM

SIM

Erros clusterizados

SIM

Notas: Em ambos painéis foi utilizado como grupo de controle os alunos de 5o

ano do EF. A signiĄcancia estatistica dos resultados e representada por: *** Estatistica- mente signiĄcante ao nivel de 1%, ** Estatisticamente signiĄcante ao nivel de 5%, * Estatisticamente signiĄcante ao nivel de 10%

51

7 Heterogeniedade

Nos observamos um aumento na probabilidade de migração dos alunos do grupo de tratamento em relação ao grupo de controle, após a implementação da Lei de Cotas,

Belgede Ergenlerde dini başa çıkma-yaşam doyumu ilişkisi (Antalya imam hatip liseleri örneği) (sayfa 47-50)