Modelos de cada componente

Do ponto de vista prático, os modelos com apenas um componente têm pouco poder explicativo já que não computam interação com variáveis de outros componentes. Isto pode ser observado pela última coluna da Tabela 18. Nota-se que os coeficientes são bem diferentes, assim como os sinais, sem que seja possível estabelecer alguma explicação plausível para todos os modelos.

Ao todo foram desenvolvidos cinco modelos, um para cada componente identificado pela Análise de Componentes Principais (ACP). Estes modelos tiveram por finalidade verificar o efeito individual de cada componente sobre a Variável Dependente (VD). Os resultados de ajuste destes modelos estão na Tabela 16. Todos os resíduos foram significativos, inclusive de N1 (ano). Isto é uma informação importante, pois os períodos de análise são diferentes para alguns componentes, conforme a limitação das variáveis explicativas que os compõem. O menor período foi de cinco anos, com os dados bienais de C1 (proficiência). Em termos de deviance, C1 (proficiência) foi o que apresentou o melhor ajuste dos cinco componentes. O pior ajuste foi obtido por C5 (variáveis agropecuárias). O pior ajuste de C5 pode ser explicado pela pouca produção de riqueza do setor agropecuário em comparação aos outros setores, o que proporciona pequeno impacto sobre o PIB per capita (VD). A qualidade dos dados também pode explicar este pior ajuste. Os dados de C5 possuem problemas com valores zero em grande frequência, causando assimetria positiva persistente e de difícil correção por meio de transformação. É o caso das variáveis de saúde de C4. Não por acaso, a deviance de C4 (bem-estar) indica o segundo pior ajuste. Em termos de variância explicada, C3 é o que apresenta menor variância explicada por N2 (município). Ou seja, a variância de DIS entre os anos explica uma boa parte da variância total (dado que se trata apenas de variáveis de C3). Já C4 é a que tem maior variância explicada pelo N2. A variação na produção de riqueza (VD) é menos relacionada com a variação de “bem-estar” ao longo dos anos e mais relacionada com as diferenças entre os municípios. Novamente, isto pode ser fruto da qualidade ruim dos dados de saúde.

De forma geral, os componentes ligados à educação (C1, C2 e C3) são os que apresentaram melhor ajuste dos modelos. “Bem-estar” (C4) e “agropecuária” (C5) foram os de pior ajuste. Este problema de ajuste parece estar relacionado com os problemas de assimetria das variáveis explicativas. Também é digno de nota o fato do

número de casos válidos ter alguma relação com o deviance. Os modelos com menos casos válidos apresentaram os menores deviance, enquanto os com maior número de casos, apresentaram maior deviance. De certa forma, faz sentido, uma vez que o maior número de casos aumenta a variância dentro do modelo, o que implica em maior dificuldade para encontrar uma solução convergente. Um outro aspecto interessante pode ser verificado pelo R2 _{de N2. Os componentes C1, C4 e C5 têm nos}

municípios a maior fonte de explicação da variância, enquanto que C2 e C3 (DIS) têm os anos como a maior fonte de explicação da variância total. Isto é razoável, na medida que DIS é uma variável intimamente ligada ao fator tempo.

7. Conclusões

Por esta pesquisa não se tratar de um desenho experimental ou quase- experimental, não se tinha um grupo controle ou um grupo contrafactual com o qual se comparar e, assim, determinar o impacto do PBF. Este seria o caminho “fácil” de fazer ciência, controlando as variáveis e o seu contexto.

O caminho escolhido no presente estudo foi o de observar o comportamento dos dados ao longo de um período e, a partir de eventuais mudanças, procurar associar com possíveis causas. A dificuldade residiu em determinar que dado coletar de maneira que permitisse inferir o impacto da intervenção. Uma vez escolhidos os dados, a segunda maior dificuldade foi lidar com as suas limitações, sejam temporais, geográficas ou de representatividade. Para resolver este problema, foram utilizadas duas estratégias de análise: (1) determinar a relação direta entre as variáveis do PBF e a VD (modelo M1); e (2) verificar as diferenças entre dois modelos, um antes (M3) e outro depois (M4) da implementação do PBF.

A primeira estratégia permitiu concluir que pequenas quedas na taxa de crescimento do município ampliam em muito, e num curto espaço de tempo, o número de famílias que passam a depender do PBF. Logo, como estratégia de intervenção do governo, é mais interessante procurar ampliar a produção de riqueza a fim de evitar a dependência ao PBF. Porém, caso seja necessária a intervenção do PBF, ele se mostra um mecanismo barato de redução da pobreza.

Quanto à segunda estratégia de análise, ele foi inconclusivo em determinar o impacto do PBF na diminuição da pobreza. O que se pode afirmar é que existe sim uma diferença entre o estado das variáveis antes e depois de 2003. Dadas as variáveis

utilizadas no modelo, estas diferenças se concentram nos percentuais de distorção idade-série (DIS). As variáveis ligadas à saúde, agropecuária e setor produtivo se mostraram relativamente estáveis nos dois períodos. Logo, o que causou a diferença está ligado às variáveis educacionais. Não só o PBF tem algum efeito sobre estas variáveis por meio da exigência de frequência escolar dos filhos dos beneficiários. Também afetam estas variáveis os investimentos diretos em educação, não só em infraestrutura, mas em ações sociais ligadas às escolas, como os programas de merenda escolar, vacinação, alfabetização de adultos e outros. Portanto, as causas parecem ser de natureza difusa. O fato do PBF ter como bases de ação ampliar a renda, aprimorar a saúde e melhorar a escolaridade e os modelos não identificarem diferenças em saúde e produção de riqueza (renda), é bem improvável que o PBF seja de fato a principal causa das diferenças observadas em DIS.

Além da natureza difusa do que afeta a educação no Brasil, também deve-se lembrar que mudanças de hábitos, seja de consumo, de alimentação, ou de saúde, não ocorrem instantaneamente. É importante frisar que as diferenças observadas podem na realidade não indicar mudanças, mas apenas se tratar de picos transitórios. Da mesma forma, a estabilidade pode ser vista como uma mudança, só que de maneira muito lenta. Tudo depende de o que se considera como “período longo”. Uma diferença observada em dois anos num intervalo de cem anos de fato pode ser considerado um “pico”. Mas em um período de quatro anos, não. Isto é um ponto a favor para se atribuir causalidade ao PBF. As suas bases de ação lidam com variáveis que demandam tempo para mudanças. Assim, talvez não fosse apenas a técnica ou o modelo errados, mas um intervalo de tempo curto estudado. Suporta esta hipótese o fato da causalidade de BFF sobre PIBPC ser pequena, o que indicaria um estágio inicial do programa.