Diferencial salarial público-privado: Uma análise em painel de dados com a PNAD contínua entre 2016-2019 Enlinson Mattos, Matheus Ribeiro Sonoda, Marcos Vinicio Wink Junior Estudos Economicos, 2022 Resumo O presente artigo estima o diferencial salarial entre funcionários dos setores público e privado de 2016 a 2019, utilizando a Pesquisa Nacional por Amostra de Domicílio Contínua. Para avaliação do prêmio salarial, foram utilizados (i) regressões por mínimos quadrados e a decomposição por Oaxaca-Blinder convencional e (ii) análise em painel de efeitos fixos, considerando uma extensão do modelo de Oaxaca-Blinder para modelos em painel. Na metodologia transversal foi encontrada uma diferença de 62,3% favorável ao funcionário público, sendo que 75% possui explicação por variáveis observáveis. Os outros 25% representam efeitos de variáveis não observadas, ou seja, um diferencial não explicado de, aproximadamente, 12%. Já, quando consideramos os dados em painel, nossa decomposição aponta que 73% deste diferencial é explicado por efeitos fixos, 18% por características dos agentes e apenas 11% representado por variáveis não observáveis, o que implica um diferencial não explicado de aproximadamente 6%. Os resultados ainda indicam um aumento no percentual não explicado do diferencial ao longo do tempo.
Impact assessment of emergency care units on hospitalizations for respiratory system diseases in Brazil Marcos Vinicio Wink Junior, Fernanda Linhares dos Santos, Micheline Gaia Hoffmann, Leandro Pereira Garcia Ciencia E Saude Coletiva, 2022 Emergency Care Units (UPAs) are part of a national health policy implemented by the Brazilian Government. UPAs are fixed prehospital components of the Brazilian Unified Health System (SUS), whose purpose is to provide resolutive emergency care to patients suffering from acute clinical conditions, and to perform the first care in cases of surgical nature. According to the Ministry of Economy, 750 units are operational throughout the country since 2008, and 332 are under construction. Being a public policy in expansion, it is imperative to assess the impact of such units as part of SUS. However, we found few studies that assessed UPAs’ impact, which have examined their specific impact on mortality rates. In our research, we aimed to evaluate the impact of UPAs on hospitalization rates for diseases of the respiratory system. To measure the impact, we used a strategy of Machine Learning through the Bayesian Additive Regression Trees (BART) algorithm. The results point to a decrease in the hospitalization rates by respiratory diseases due to Emergency Care Units. Therefore, these units generate a benefit for the Brazilian health system, being an important element for the care of patients with respiratory diseases.
