Seminário do Projeto Temático - Modelagem Econométrica e Previsão em Modelos de Alta Dimensionalidade (HDEM&For)

A divulgação voluntária de emissões de carbono entra em colapso em um paradoxo do “silêncio verde”: as empresas escolhem divulgar suas emissões com base em incentivos estratégicos (por exemplo, para corrigir superestimações feitas por fornecedores de dados), enquanto grandes emissores podem explorar vieses nas estimativas desses fornecedores. À semelhança do viés de seleção amostral de Heckman, essa autocensura faz com que as emissões divulgadas componham amostras não aleatórias, distorcendo a precificação do risco climático e as políticas públicas. Conectamos um problema econômico a métodos de machine learning e propomos um arcabouço em três etapas inspirado em Heckman, em contextos de alta dimensionalidade, para corrigir a não divulgação estratégica e garantir consistência na seleção de variáveis na presença de viés de seleção amostral. Ao integrar kernel group lasso (KG-lasso) e double machine learning (DML) a partir de empresas vizinhas, isto é, usando informações do “carbono ao lado”, revelamos uma subestimação sistemática: a análise empírica de 3.444 empresas únicas dos EUA (2010–2023) rejeita a hipótese nula de ausência de viés de seleção. Nossos achados indicam que a divulgação voluntária induz seleção adversa, na qual o “silêncio verde” recompensa poluidores e enfraquece a descarbonização. A subestimação resulta em um déficit de US$ 2,6 bilhões em arrecadação tributária e em até US$ 525 bilhões de custo social do carbono oculto. Nossas imputações em alta dimensionalidade também sugerem um prêmio de carbono substancialmente maior.