MATHEUS.B
Sobre
Contato

ENSINO SUPERIOR E TRABALHO REMOTO NO BRASIL

Estudo originado da monografia em Economia (UFPR) sobre 2,65 milhões de entrevistas da PNAD Covid-19 (IBGE, 2020), com modelos Logit GLM ponderados (HC1), efeitos marginais médios e mapas coropléticos.

Python Statsmodels · GLM HC1 GeoPandas & geobr IBGE PNAD Covid-19 Monografia UFPR

Base IBGE

2.650.459 entrevistas (Mai–Nov/2020)

Categoria

Economia do Trabalho & Políticas Públicas

Mapas coropléticos comparando Trabalho Remoto e Ensino Superior nas 27 UFs
Projeto estruturado com auditoria fiel às regras de salto do questionário do IBGE (evitando viés de seleção em C012/C013), pesos amostrais normalizados (V1032), Efeitos Marginais Médios (AME) via método delta e suíte de testes em pytest.

Panorama Descritivo e Desigualdade Geográfica

Entre maio e novembro de 2020, enquanto o contingente de trabalhadores afastados por distanciamento social caiu 75,5% (de 16,23 milhões para 3,97 milhões), o trabalho remoto mostrou forte persistência estrutural, mantendo 7,33 milhões de ocupados em novembro (8,2% dos ocupados totais), após pico de 8,71 milhões em maio.

Em novembro/2020, 76,0% de todos os trabalhadores remotos possuíam ensino superior completo (50,5%) ou pós-graduação (25,4%). Geograficamente, o Sudeste concentrou 58,3% do total remoto (SP 35,3%, RJ 13,1%, MG 8,5%), mas o Distrito Federal liderou em incidência interna com 18,2% dos ocupados em trabalho remoto e 41,5% com nível superior.

Concentração Educacional 76,0% Dos remotos tinham Superior ou Pós
Efeito Superior (AME) +21,7 p.p. OR = 7,34 (vs. Ensino Médio)
Efeito Pós-Grad. (AME) +35,5 p.p. OR = 14,65 · IC 95% [13,19; 16,28]
ROC-AUC Ponderado 0,869 / 0,881 Maio e Novembro/2020 (Pseudo-R² 0,30)
Evolução mensal do trabalho remoto e afastamentos (Mai-Nov 2020)
Trajetória mensal de trabalhadores remotos versus afastados e decomposição dos ocupados na PNAD Covid-19.

Modelos Logit Ponderados e Interações Heterogêneas

Para interpretar rigorosamente efeitos não lineares e interações (Ai & Norton, 2003), estimamos modelos GLM binomiais ponderados por V1032 (n = 106.686 em maio; n = 137.621 em novembro) com matriz robusta HC1 e reportamos probabilidades preditas por subgrupo:

  • Raça (Superior × PPI): Termo positivo e significativo (OR = 1,254, p = 0,0002), estreitando a desigualdade relativa racial — a probabilidade predita sobe de 4,4% para 26,8% entre Pretos, Pardos e Indígenas contra 7,1% para 32,6% entre Brancos/Amarelos.
  • Setores Físicos: Na Agricultura (OR = 4,308), o ensino superior eleva a chance predita de 0,5% para 14,1%; na Indústria (OR = 1,480), de 2,9% para 25,7% (+22,8 p.p.).
  • Formalidade (Superior × Formal): Complementaridade (OR = 1,346, p = 0,0011), gerando prêmio adicional de +25,2 p.p. no setor formal contra +20,2 p.p. no informal.
Forest plot de Efeitos Marginais Médios e Odds Ratios
Forest plot duplo exibindo Efeitos Marginais Médios (p.p.) e Odds Ratios do Modelo Logit 1 em Maio/2020.
Efeitos Heterogêneos e Interações do Ensino Superior
Probabilidades preditas por subgrupo (sem vs. com ensino superior) e ganho marginal líquido por raça, setor e formalidade.

Validação Temporal: Maio vs. Novembro/2020

Enquanto os gradientes de escolaridade e raça permaneceram estruturalmente estáveis entre maio e novembro, o efeito da Iniciativa Pública saltou de OR = 1,22 (+1,9 p.p.) em maio para OR = 1,97 (+5,2 p.p.) em novembro — refletindo o retorno presencial mais acelerado no setor privado frente ao funcionalismo público, com excelente calibração por decis e VIF máximo de 2,05.

Diagnósticos ROC, Calibração e Robustez Temporal Mai vs Nov
Curva ROC ponderada (0,869 / 0,881), calibração por decis e estabilidade dos Odds Ratios entre maio e novembro de 2020.

Outros Projetos