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.

• ​The Early Impacts of AI on Employment among Recent College Graduates — Fairlie & Wu (NBER w35796). Já discutido acima: DiD e event study, sem efeito detectável no verão de 2026.
• ​Subjective Models of the Macroeconomy and the Transmission of Monetary Policy — D'Acunto, Georgarakos, Kenny & Weber (NBER w35831). Identificação por experimento: cenários de alta de juros sorteados numa survey multi-país. Quem pensa a política via custo do crédito corta mais consumo; quem pensa via inflação corta menos. É o ensaio randomizado que o banco dos ovos não tinha.
• ​Corporate bond pricing in the AI era — Banca d'Italia (QEF 1057/26). DiD em torno do lançamento do ChatGPT: hyperscalers com queda relativa no custo de captação; software, condições piores. Evento datado como experimento natural.
• ​The macroeconomic effects of AI technology shocks — Banca d'Italia (Temi 1542). Mede intensidade de IA em patentes dos EUA (1980–2019) para identificar choques: efeitos defasados em PTF, produto, emprego e preços — perfil de choque positivo de oferta. Identifica o choque antes de medir o efeito.
• ​The Macroeconomic Effect of AI: Sizing the Software Engineering Channel — Blumenfeld, Hazell, Lian & Schaab (NBER w35793). Usa sensibilidade de ações a um índice de IA, pesada pela folha de engenheiros, e um modelo para traduzir em produtividade. Chega a +32,6% permanente em engenharia de software e 3,6% a 6,5% no nível do PIB. Aqui a identificação vem do modelo — o número é tão bom quanto suas hipóteses, e o próprio paper admite que mede expectativa do mercado.
• ​An LLM Workflow That Reproduces, Improves, and Extends Published Economics Research — Schwartz, Andrews & Shapiro (NBER w35782). Workflow aberto roda pacotes de replicação de 4.452 artigos; aponta discrepâncias em 3.460, acelera 496 em 10x+, propõe extensões em 923. Cuidado: discrepância não é erro. A IA roda a regressão em segundos; decidir se a discrepância muda a conclusão continua sendo trabalho de quem entende identificação.
• ​The implications of AI for monetary policy: a first assessment — Banca d'Italia (QEF 1051/26). Avaliação qualitativa dos riscos da IA para transmissão e estabilidade financeira.
• ​Old workers, young machines: can AI and automation offset population ageing? — BIS Bulletin 135. Scorecard envelhecimento–automação para 130+ economias. Validade externa importa: o que funciona num setor/país não transporta automaticamente.

📊 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.

• ​Hands-On Large Language Models — Jay Alammar & Maarten Grootendorst (O'Reilly, 2024).
• ​Designing Large Language Model Applications — Suhas Pai (O'Reilly, 2025).
• ​How Large Language Models Work — Drew Farris (Manning, 2025).
• ​Architecting Generative AI Applications — Leonid Kuligin (Packt, 2026).
• ​Generative AI-Driven Application Development with Java — Satej Kumar Sahu (Apress, 2026).

🧠 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:

• ​Estatística e Probabilidade​
• ​Análise de Dados na Prática​
• ​Macroeconomia e Conjuntura​
• ​Econometria e Previsão​
• ​IA Aplicada​
• ​Mercado Financeiro​

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