Registros administrativos repetidos — candidaturas do TSE, vínculos da RAIS, prontuários — trazem a mesma pessoa várias vezes, e às vezes sem ocupação classificável. Esta função preenche a lacuna com o último escore observado da própria pessoa, e devolve junto a marca de herança e a defasagem, para que a qualidade do preenchimento seja auditável em vez de invisível.
Arguments
- escore
Vetor numérico com a medida a carregar (ISEI, prestígio, o que for), com
NAonde não há observação.- id
Vetor identificador da pessoa, do mesmo comprimento.
- tempo
Vetor numérico ordenável — ano da eleição, data do vínculo.
- cod
Vetor opcional de códigos de ocupação, usado só por
excluir.- excluir
Códigos que não recebem carregamento. O padrão
NULLnão exclui nada; no dado do TSE,"931"(estudante e estagiário) é a escolha defensável.
Value
data.frame com escore (o valor final), herdado (lógico) e
defasagem (quantas unidades de tempo desde a observação de origem).
Por que isto não é imputação estatística
Nada é modelado nem estimado. Usa-se apenas a história ocupacional da própria pessoa, jamais patrimônio, partido, escolaridade ou qualquer covariável — de modo que o escore resultante continua independente das variáveis com que se vai cruzá-lo. Uma imputação por covariável criaria colinearidade por desenho; esta não cria.
As três regras
- só o passado
usar aparições futuras descreveria a posição no momento do registro por uma ocupação que a pessoa ainda não tinha.
excluirfica de forahá posições em que a recuperação pelo passado é mínima e o apelo estaria justamente no futuro que a primeira regra proíbe — estudante e estagiário são o caso típico.
- a herança é declarada
herdadoedefasagemsaem no resultado. Um escore herdado de doze anos atrás não vale o mesmo que um de quatro, e quem analisa precisa poder condicionar ou excluir.
O que ele erra, medido
O carregamento supõe que a ocupação da pessoa não mudou. Ela muda com frequência. Entre os 684.179 pares de candidaturas consecutivas da mesma pessoa em que o ISEI foi observado nas duas pontas — isto é, onde dá para conferir:
- 52,2%
mudam de código de ocupação.
- 45,2%
mudam de escore ISEI.
- 18,9 pontos
é a diferença absoluta média quando muda.
Ou seja: mesmo com defasagem zero, o escore herdado estaria errado em cerca de 45% dos casos, e por uma margem grande. E a defasagem raramente é zero — dos escores herdados, a mediana é de 4 anos, 34,6% vêm de 8 anos ou mais, e o máximo observado é 26.
Pior que o tamanho é a direção: o erro aponta sempre para o passado. Para quem ascendeu — a trajetória típica de profissionalização política — o carregamento puxa a posição para baixo. O viés não é ruído que se cancela na média; ele é sistemático e corre contra justamente a quantidade que estudos de recrutamento e oferta eleitoral querem medir.
Por isso herdado e defasagem saem no resultado, e não como cortesia:
relate quantos escores são herdados, e rode a sua análise também só com os
observados. Se a conclusão depender dos herdados, ela depende de uma
suposição que este parágrafo mostra ser falsa em quase metade dos casos.
O que ele resolve, medido
Nas candidaturas ao TSE de 1998 a 2024, a cobertura do ISEI sobe de 68,5% para 76,0% entre homens e de 52,9% para 58,8% entre mulheres. A janela para aqui de propósito, e não por desatualização: a medição exige o painel por pessoa, que identifica a mesma candidatura em eleições diferentes, e a safra de 2026 ainda não tem esse painel montado. O restante do pacote vai a 2026; este número, não. O ganho é maior entre elas porque o padrão de ausência é fortemente generificado: 14,7% das candidatas declaram posição fora da PEA, contra 1,3% dos candidatos.
Examples
d <- data.frame(
pessoa = c("A", "A", "A", "B", "B"),
ano = c(2012, 2016, 2020, 2016, 2020),
isei = c(70, NA, NA, NA, 45))
isei_retrospectivo(d$isei, d$pessoa, d$ano)
#> escore herdado defasagem
#> 1 70 FALSE NA
#> 2 70 TRUE 4
#> 3 70 TRUE 8
#> 4 NA FALSE NA
#> 5 45 FALSE NA