A intenção desse GitHub é unificar, simplificar e deixar claro as funções relativas à econometria no Python, usando principalmente o statsmodels, o linearmodels e o scipy.
Há uma série de exemplos na pasta Notebooks, contendo aplicações de regressões e testes, MQ2E, modelos de painel, séries temporais, avaliações de políticas públicas e modelos de crescimento econômico.
As funções estão reunidas no arquivo econometric_functions.py. Para usá-las, basta colocar o arquivo no mesmo diretório da sua aplicação e importar como um módulo normal:
import econometric_functions as ef
Caso queira deixar o arquivo em uma pasta separada, coloque o caminho da pasta abaixo e rode esse código no início do seu notebook:
import os
import sys
sCaminhoEconometria = "caminho_da_pasta"
sys.path.append(os.path.abspath(sCaminhoEconometria))
import econometric_functions as ef
As principais funcionalidades estão descritas abaixo:
ols_reg(): Executa uma regressão MQO a partir de uma formula, mas com opções mais fáceis para a matriz de covariância (robusta e clusterizada).f_test(): Realiza um teste F de significância conjunta de várias variáveis. Consequentemente, é capaz de realizar um teste t de significância simples ou igualdade de coeficientes.ols_diagnostics(): Talvez uma das maiores contribuições do diretório; é similar aoplot(modelo)do R, plottando gráficos e realizando testes que verificam todas as hipóteses do modelo linear clássico (Gauss-Markov).
Nesse sentido, cooks_distance_outlier_influence() ajuda a averiguar a existência de outliers e observações com alta alavancagem, que poderiam ter muita influência sobre os coeficientes estimados para a regressão.
Um exemplo do ols_diagnostics() pode ser visto abaixo:
xtdescribe_panel(): Similar ao comando do STATA, verifica o grau de balanceamento do painel, ou seja, conta a distribuição do número de aparecimentos dos indivíduos no dataset.panel_structure(): Cria um DataFrame com um MultiIndex de indivíduo-tempo, necessário para os modelos de painel.
Há todos os modelos de painel presentes no livro Introdução a Econometria: uma abordagem moderna (MQO Agrupado, Efeitos Fixos e Efeitos Aleatórios), além de uma implementação do Teste de Hausman.
Além disso, há a implementação de MQ2E para Variáveis Instrumentais. Todos as funções suportam o uso de pesos e de covariâncias robustas e clusterizadas e foram criadas com base no módulo linearmodels.
Implementação de probit(), logit() e poisson(), printando os efeitos marginais e alguns outros comandos interessantes para análises.
Além disso, há uma implementação do modelo heckit() para a correção de seleção amostral. Uma implementação do modelo Tobit para dados truncados pode ser vista aqui.
Seguindo a metodologia de Box-Jenkins, apresenta funções de identificação (autocorrelação, teste de estacionariedade e cointegração), estimação (ARIMA, automatizado via pmdarima ou com ordem especificada) e diagnóstico (previsão períodos a frente, previsão frente a dados de teste e métricas de acurácia).
As funções ainda precisam ser implementadas, mas há uma série de exemplos na pasta Notebooks/Avaliação de Políticas. Os notebooks cobrem os tópicos de Randomização e Variáveis Instrumentais, Diferenças em Diferenças, RDD, Controle Sintético e Propensity Score Matching.
Parte do conteúdo, feito para uma disciplina da faculdade IDP, foi adaptado do livro do World Bank (ver bibliografia) e parte do site Causal Inference for the Brave and The True.
Além desse repositório, tenho um com projetos bem simples para aprender um pouco de Machine Learning e outros temas variados. Ele pode ser acessado aqui.