Ovos são perigosos?


EDIÇÃO #210 | NEWSLETTER SEMANAL DA ANÁLISE MACRO

Ovos são perigosos?

Fala, Reader, posso te contratar como perito?

Essa foi, mais ou menos, a primeira questão de um trabalho de Econometria do Doutorado, há poucos dias.

O enunciado me colocava no papel de consultor técnico num caso real dos anos 1970 nos Estados Unidos: produtores de ovos, reunidos na National Commission on Egg Nutrition, publicaram anúncios dizendo que não havia evidência científica de que comer ovo aumentasse o risco de infarto.

A FTC — a agência de defesa do consumidor americana — processou a Comissão.

E eu tinha, para dar o parecer, um banco com 40 países e uma pergunta na cabeça: ovos são perigosos?

Parece um exercício distante e simples.

Bora lá, tentar responder?

🥚 O que os dados mostram?

O banco tem 40 países. Para cada um:

  • Mortalidade por doença isquêmica do coração em homens de 55–64 anos (por 100 mil),
  • Consumo de ovos em gramas/dia e
  • Calorias per capita/dia.

Um ovo tem uns 60 g, então a média de 28,3 g/dia dá, grosso modo, meio ovo por pessoa por dia.

A dispersão é enorme: de 44,5 mortes por 100 mil na Nicarágua a 1.030,8 na Finlândia. Mais de 20 vezes.

Correlação entre ovos e mortalidade: 0,426.

Positiva, visível, estatisticamente significante.

Uma regressão simples de MQO cospe +8,70 mortes por 100 mil para cada grama/dia a mais de ovo (p = 0,001).

Em unidade de ovo: um ovo a mais por dia implicaria 522 mortes extras por 100 mil, contra uma média amostral de 395.

Mais que dobraria a mortalidade.

Agora começa a graça.

Controlando por calorias, o coeficiente cai para 7,13.

Com calorias em forma quadrática, cai para 5,13 e deixa de ser significante (p = 0,134).

Em log-log, a elasticidade vira 0,40, p = 0,062 — a significância vai embora.

E tem o Japão: muito ovo (42,5 g/dia) e uma das menores mortalidades.

Tirar o Japão da amostra move o coeficiente em mais de 10%.

Um único país.

Meu parecer na prova foi direto: este banco não refuta a propaganda — e não a sustenta. Não é evidência causal competente em nenhuma das duas direções.

Variável omitida (renda, gordura saturada, tabagismo, sistema de saúde — calorias são proxy grosseiro de renda), erro de medida (país pobre sub-registra morte por IHD; se a expectativa de vida é baixa, muita gente morre antes dos 55), falácia ecológica (média de país não diz nada do indivíduo) e amostra pequena.

É o cardápio inteiro do capítulo 9 do Stock & Watson sobre validade interna.

E aí, qual seria o seu parecer?

⚖️ O que o tribunal decidiu?

Vale separar bem, porque confunde.

Em FTC v. National Commission on Egg Nutrition, 517 F.2d 485 (1975), a FTC apresentou — nas palavras da corte — "substantial evidence" de uma "correlation, and possibly a causal connection" entre o colesterol da dieta, inclusive o dos ovos, e o risco de doença cardíaca.

Repare: o próprio tribunal escreveu "possibly a causal connection".

Separou os dois conceitos.

O que foi proibido não foi defender o ovo.

Foi dizer que não existia evidência.

Em 570 F.2d 157 (1978), a corte foi explícita: a NCEN fez "statements denying the existence of scientific evidence which the record clearly shows does exist. These statements are, therefore, false and misleading."

O tribunal não decidiu que ovo causa infarto.

Decidiu que negar a existência de evidência era falso. Ausência de prova de causalidade não é prova de ausência. Correlação vende anúncio; causalidade decide política.

🇧🇷 O "ovo" nos dados brasileiros

Agora o que interessa aqui dentro. Os dados que a gente usa todo dia — PNAD, Selic, IPCA, comparações entre estados — estão cheios de "ovos".

Relações que parecem causais e não são. Vou dar três exemplos.

Caso 1 — Seleção: o rendimento médio "subiu" na pandemia.

Olhe estes três números da PNAD Contínua (IBGE/SIDRA), comparando o quarto trimestre de 2019 com o terceiro de 2020 — o auge da crise sanitária:

Rendimento médio real habitual: +6,7%

Pessoas ocupadas: −12,7% (quase 12 milhões a menos)

Massa de rendimento real: −7,1%

Fonte: PNAD Contínua, tabelas 6390, 6318 e 6392 (SIDRA/IBGE), trimestres móveis, Brasil.

Como assim o rendimento médio sobe em plena pandemia?

Simples: quem perdeu o emprego ganhava menos e saiu da amostra de ocupados.

A média foi calculada sobre quem ficou — que, em geral, era quem já ganhava mais.

A renda total do trabalho caiu 7,1%.

Olhar só para a média seria o mesmo erro de olhar só para a correlação dos ovos: a amostra mudou de composição.

Em outubro–dezembro de 2021, com os ocupados de volta a 93,99 milhões, a média real estava em R$ 3.068 (a preços recentes) — abaixo do pré-pandemia. A alta de 2020 não era aumento de salário de ninguém: era composição.

Caso 2 — Simultaneidade: Selic × IPCA.

Jogue Selic e IPCA no mesmo gráfico.

Elas tendem a andar juntas. Uma regressão ingênua da inflação na Selic dá coeficiente positivo — "juro alto causa inflação?".

Não!

No regime de metas, o Copom sobe a Selic porque a inflação (corrente e esperada) sobe.

A causalidade corre nos dois sentidos: o juro reage à inflação e, com defasagem, a inflação reage ao juro.

É a "causalidade simultânea" do cap. 9 do Stock & Watson.

Como a literatura resolve?

Isolando a parte da política que não é resposta sistemática à inflação: surpresas de política monetária, choques identificados num VAR, regras de reação estimadas explicitamente.

E há a saída do experimento: um dos papers da semana (w35831) sorteia cenários de alta de juros entre as famílias para ver como cada uma reage — variação que ninguém escolheu, exatamente o que o banco dos ovos não tinha.

Caso 3 — Variável omitida nas comparações regionais.

Comparar estados ou municípios brasileiros (renda, escolaridade, crédito, violência) sem controlar por nível de desenvolvimento repete o problema das calorias no banco dos ovos: o que parece efeito de X é, no fundo, renda.

A rotina da AM. Antes de rodar a regressão, três perguntas do capítulo 9:

  • O que ficou de fora?
  • O dado mede o que diz medir?
  • A amostra é a população que me interessa?

E, para série macro, uma quarta: quem reage a quem?

🔎 E a IA?

Rápido.

O resumo que chegou até mim esta semana dizia que o NBER w35796 (Fairlie & Wu) "documentava efeitos iniciais da IA sobre emprego" e trazia "evidência fresca de deslocamento de trabalhadores qualificados".

Fui ao abstract.

O paper diz o oposto: usando CPS de junho–agosto de 2026, com diferenças-em-diferenças e event study, os autores não acham aumento significativo do desemprego entre recém-formados — nem contra meses de anos anteriores, nem contra grupos de comparação.

A manchete chegou antes da identificação. É o nosso ovo da semana.

📄 Papers da semana

Ordenei pela estratégia de identificação de cada um — que é o que separa correlação de causa.

📊 Modelo da semana: Curva de Phillips

Encaixa aqui como luva. A Curva de Phillips nasceu nos anos 1950 como correlação: Phillips olhou quase um século de dados britânicos (1861–1957) e encontrou uma relação negativa entre desemprego e inflação de salários. A correlação virou cardápio de política — "aceita um pouco mais de inflação, compra um pouco menos de desemprego".

Nos anos 1970, o cardápio quebrou. Friedman e Phelps já haviam avisado: se agentes incorporarem expectativas, a relação se desloca. Depois veio a crítica de Lucas — regimes de política mudam a própria estrutura que você está estimando. A correlação observada no passado não era uma relação causal estável.

É o Caso 2 lá de cima vestido de teoria. Estimar uma Phillips brasileira hoje exige lidar com o fato de que o Banco Central reage à inflação. Sem lidar com isso, você estima a reação da política — não a Curva de Phillips.

📘 Livros da semana: LLMs e IA generativa aplicada

A ponte com o tema é mais direta do que parece: um LLM é fluente, não necessariamente acurado — assim como uma correlação é visível, não necessariamente causal. O modelo roda a regressão. Quem identifica é você.

🧠 Insight final

Correlação vende anúncio; causalidade decide política.

O tribunal dos ovos entendeu isso em 1975 — separou, nas próprias palavras da decisão, "correlação" de "possivelmente causal".

A gente, 50 anos depois, ainda escorrega.

Vê o rendimento médio subir e lê "pandemia aumentou salário".

Vê Selic e IPCA subindo juntos e lê "juro causa inflação".

Compara estados sem controlar por renda e lê "efeito de X".

Deixo a pergunta: qual dado brasileiro você já viu ser lido como ovo? Me responde esse e-mail. Quero conhecer os seus exemplos.

📎 Material da semana

📄 Resumo da semana (PDF) — o digest completo das newsletters que embasou esta edição.

🎧 Ouça em podcast — esta edição em áudio.

Um abraço,

Vítor Wilher — Análise Macro

A verdade está nos dados.


Qual tópico você tem maior interesse? Selecione abaixo:

Saber suas preferências me ajuda a direcionar o melhor conteúdo pra você :)

Boletim AM

Receba todo domingo à noite em seu e-mail nossa newsletter com exercícios reais de análise de dados econômicos e financeiros, envolvendo muito estatística, econometria, machine learning e inteligência artificial em R e Python. Tudo o que você precisa saber para estar antenado no mundo dos dados!

Read more from Boletim AM

EDIÇÃO #215 | EDIÇÃO ESPECIAL | NEWSLETTER SEMANAL DA ANÁLISE MACRO Pus nove IAs para prever o IPCA. Aqui está onde elas erram. Fala, Reader, tudo bem? Na edição passada, eu contei que um projeto sobre modelos fundacionais de séries temporais estava me tirando o sono. Hoje eu mostro qual é. A pergunta era simples de enunciar e difícil de responder: modelos de IA pré-treinados em milhões de séries, usados sem nenhum treino no IPCA, conseguem prever a inflação brasileira tão bem quanto o...

EDIÇÃO #214 | NEWSLETTER SEMANAL DA ANÁLISE MACRO Um chope no Leblon Fala, Reader, como foi a semana pós-feriado? Por aqui, foi muito cansativa: começo da Black Friday e também um ritmo mais intenso nos estudos. Estou tocando um projeto sobre modelos fundacionais de séries temporais que está me tirando um pouco o sono. Mas faz parte, né? Entre um paper e outro, gosto de dar uma caminhada no fim da manhã para abrir a mente para novas ideias. Sentir aquele vento do mar me traz uma calma e uma...

EDIÇÃO #214 | NEWSLETTER SEMANAL DA ANÁLISE MACRO Um chope no Leblon Fala, Reader, como foi a semana pós-feriado? Por aqui, foi muito cansativa: começo da Black Friday e também um ritmo mais intenso nos estudos. Estou tocando um projeto sobre modelos fundacionais de séries temporais que está me tirando um pouco o sono. Mas faz parte, né? Entre um paper e outro, gosto de dar uma caminhada no fim da manhã para abrir a mente para novas ideias. Sentir aquele vento do mar me traz uma calma e uma...