Entreprises d’assurance locales
5. Réglementations applicables à l’ensemble des secteurs
Análises estatísticas extravagantes, excessivamente complicadas, parecem estar em voga nos artigos científicos. Trata-se do chamado statistical machismo (MELLO, 2012), que pode ser definido como a utilização de métodos estatísticos que são mais complicados que outros e que, comparados a estes, não necessariamente mudam o resultado, sendo defendidos apenas com base na proposição “meu artigo é melhor porque eu usei as estatísticas mais difíceis”, algo que tem normalmente levado à constatação de que, mesmo nos casos em que a análise mais complexa se mostra relevante, ela pode ter implementação muito custosa e com muito pouco impacto sobre os resultados finais (MCGILL, 2012). Em resumo, pode acabar significando desperdício de tempo e – sem trocadilho – de energia.
8 “Pois, como todos os nossos raciocínios relativos à existência derivam da causalidade, e como todos os nossos
raciocínios relativos à causalidade derivam da conjunção experiente de objetos, não de qualquer raciocínio ou reflexão, a mesma experiência deve nos dar uma noção desses objetos e deve afastar todo o mistério de nossas conclusões.” (Tradução nossa)
Utilizar testes de causalidade de Granger em certas situações parece ser o caso9. Dito isso, convém lembrar que a limitação inerente à metodologia desses testes em certos cenários foi reconhecida pelo próprio Granger, na cerimônia em que ele foi laureado com o Nobel de Ciências Econômicas em 2003:
Partindo da definição de que 1 – a causa ocorre antes do efeito, e de que 2 – a causa contém informações únicas, que não estão em nenhuma outra variável, sobre o efeito, obtém-se, como consequência, que a variável causal pode ajudar a prever a variável efeito, após outros dados terem sido previamente utilizados. Infelizmente, muitos usuários se concentraram nessa implicação de previsão em vez de na definição original. Naquela época, eu [era ingênuo e] não imaginava que tantas pessoas tinham ideias muito fixas sobre o nexo de causalidade, mas elas concordavam que a minha definição não era, na opinião delas, “causalidade verdadeira”, mas apenas “causalidade de Granger”. Eu poderia solicitar uma definição de causalidade verdadeira, mas ninguém responderia. No entanto, a minha definição era pragmática, e qualquer pesquisador com duas ou mais séries temporais poderia aplicá-la. Isso [somado ao “causalidade de Granger”, o que proporcionava autoridade,] fez com que eu tivesse uma abundância de citações. Naturalmente, muitos artigos ridículos apareceram (GRANGER, 2003a, p. 365-366. Tradução nossa)10.
Granger chamou atenção para a utilização indiscriminada do conceito porque, basicamente, trata-se de algo desenhado sob medida para questões econométricas, que não leva em conta efeitos de confusão latentes, assim como não captura relações causais instantâneas e não lineares, embora, a bem da verdade, várias extensões tenham sido propostas para resolver essas questões (EICHLER, 2012, p. 328).
Ainda que de modo simplista, pode-se afirmar que o teste de causalidade de Granger (1969, p. 424-438) não desafia o raciocínio lógico intuitivo que se espera de qualquer pessoa. Quando uma série X causa uma série Y, os padrões observados em X são aproximadamente repetidos em Y após certo lapso temporal, tal como demonstrado no Gráfico 1. Em outras palavras, Y seria, em tais circunstâncias, uma representação aproximada e defasada de X, o que significa que valores passados de X poderiam ser usados à previsão de valores futuros de Y.
9 Entre os estudos mencionados na revisão de literatura desta dissertação, todos os seguintes, em ordem alfabética,
utilizaram, em certa medida, testes de Granger: ACARAVCI; OZTURK, 2010; AHAMAD; ISLAM, 2011; AKKEMIK; GÖKSAL, 2012; APERGIS; PAYNE, 2010a; APERGIS; PAYNE, 2010b; APERGIS; PAYNE, 2010c; APERGIS; PAYNE, 2011a; APERGIS; PAYNE, 2011b; APERGIS; PAYNE, 2011c; BALCILAR; OZDEMIR; ARSLANTURK, 2010; EGGOH; BANGAKE; RAULT, 2011; FALLAHI, 2011; FUINHAS; MARQUES, 2012; GURGUL; LACH, 2011; GURGUL; LACH, 2012; KAHSAI et al., 2012; NARAYAN; NARAYAN; POPP, 2010a; NARAYAN; NARAYAN; POPP, 2010b; NARAYAN; PRASAD, 2008; NARAYAN; SINGH, 2007; ODHIAMBO, 2009; OUEDRAOGO, 2013; OZTURK; ACARAVCI, 2010; OZTURK; ACARAVCI, 2011; SHAHIDUZZAMAN; ALAM, 2012; YALTA; CAKAR, 2012; YOO; KWAK, 2010.
10 As partes entre colchetes na citação referem-se à transcrição feita a partir da apresentação oral pessoal de
Granger, gravada em vídeo, na cerimônia de premiação. Cf. GRANGER, Clive W. J. Time Series Analysis, Cointegration, and Applications. Nobel Lecture, The Prize in Economic Sciences, December 8. Kamera Communications (webcasting). Stockholm: Stockholm University, 2003b. Disponível em: <https://goo.gl/WYrj1j>. Acesso em: 21 ago. 2016 (Tradução nossa).
Nesse caso, X seria a variável independente (causa), enquanto Y seria a variável dependente (efeito). Como é de se supor, o método de Granger utiliza, como valor de entrada das defasagens periódicas (lags), os próprios valores informados nas séries pelo usuário. Ou seja, caso tenham sido utilizados dados anuais, os lags considerarão o valor mínimo de um ano. O mesmo raciocínio vale para meses, dias, etc.
Gráfico 1. Séries temporais com indicação de causa e efeito. Os padrões de repetição e de sentido da causalidade estão evidenciados pelos pares de setas.
Fonte: dados primários aleatórios gerados pelo autor, via computador, apenas para exemplificação.
Disso se depreende, portanto, que uma declaração de causalidade possui duas componentes – uma causa e um efeito –, e que três condições comumente aceitas devem estar presentes ante a afirmação de que X causa Y: (i) precedência temporal, (ii) relação de dependência entre as variáveis e (iii) ausência de relação espúria entre elas (KENNY, 1979, p. 3).
Quanto à primeira condição, significa que X deve preceder Y naquilo que Eddington (1929, passim) chamou, conforme se verá, de “seta do tempo”.
Para se determinar a segunda condição, isto é, medir a relação entre as duas variáveis, primeiro é necessário definir o significado de não relação, ou, como às vezes é chamada, a independência entre elas. Duas variáveis são independentes quando o fato de se saber o valor de uma delas não fornece qualquer informação sobre o valor da outra; mais formalmente, X e Y são independentes se a distribuição condicional de Y não varia de acordo com X. Se as variáveis não são independentes, significa que são relacionadas (KENNY, 1979, p. 4).
0
1
2
3
4
5
6
Série X
Série Y
Quanto à terceira condição, para que uma relação entre X e Y não seja espúria não pode haver uma variável Z que, uma vez controlada, faça com que a relação entre X e Y desapareça. Uma distinção deve ser feita entre uma variável espúria e uma variável interveniente ou de mediação. Uma variável Z será interveniente ou de mediação entre X e Y se X causa Z e Z, por sua vez, causa Y. O controle tanto de uma variável espúria quanto de uma variável interveniente faz a relação entre X e Y desaparecer, mas enquanto uma variável espúria afasta a relação causal, uma variável interveniente ou de mediação elabora a cadeia causal (KENNY, 1979, p. 5).
Além dessas três condições formais de causalidade – precedência temporal, relação de dependência e ausência de relação espúria –, há talvez uma quarta condição, a qual é difícil de se indicar com precisão. Isso ocorre porque a causalidade traz consigo, implicitamente, um processo ativo, quase vitalista (orgânico). É difícil transmitir essa noção de causalidade formalmente assim como é difícil definir, também formalmente, espaço ou tempo (KENNY, 1979, p. 5), e isso implica várias limitações, nem sempre óbvias, às previsões em geral. Essas limitações serão enfrentadas, de modo mais pormenorizado, na subseção a seguir.