Pesquisa Aplicada em Economia

Palestra - IBM0324 - 2026.2

Prof. Raphael Gouvea

Breve evolução da pesquisa aplicada em economia

“A era do economista aplicado”

“The twenty-first century is the age of the applied economist.”

— Backhouse & Cherrier (2017)

• O trabalho aplicado domina as principais revistas de economia
• Dez das doze citações mais recentes da John Bates Clark Medal¹ (até 2017) descrevem os premiados como “aplicados”, “empíricos” ou de “relevância prática”
• Fronteiras mais porosas entre academia, governo, bancos centrais, organismos internacionais e empresas de tecnologia

1: Prêmio anual agraciado pela American Economic Association para “um economista com menos de 40 anos que tenha apresentado contribuições significativas para área de economia”. Preditor do Nobel.

Abrir com a provocação: nem sempre foi assim. Deaton, citado por Backhouse e Cherrier, resume bem a mudança. A tese típica dos anos 1980 era um modelo elaborado de teoria dos preços, estimado por máxima verossimilhança com poucas observações. A tese típica de hoje usa pouca teoria, econometria mais simples e centenas de milhares de observações.

O que mudou nas revistas de ponta?

Destacar dois movimentos. A teoria pura cai de cerca de 58% (1983) para 19% (2011). Os trabalhos com dados próprios sobem de 2% para 34%.

Ressalva de Backhouse e Cherrier: os dados não mostram que existe mais trabalho empírico na economia como um todo. Mostram que o trabalho empírico ganhou prestígio nas revistas de topo. Sempre houve muita pesquisa empírica publicada em livros, no NBER, em bancos centrais e no Banco Mundial.

Mais a frente veremos um dashboard mais atualizado e com distinção por métodos.

O pluralismo do entreguerras

• Nos anos 1920 e 1930, o trabalho empírico era tão prestigiado quanto a teoria
  • Institucionalismo; NBER e Wesley Mitchell descrevendo estatisticamente os ciclos econômicos
  • Rigor científico significava estar ancorado em dados, não ser matematicamente rigoroso
• Koopmans (1947), da Cowles Commission, critica o NBER: “medição sem teoria”
• Vining (1949) responde: se não sabemos qual é a teoria certa, precisamos de trabalho empírico para descobri-la

Esse debate entre Koopmans e Vining é atual. É, em essência, o mesmo debate que vamos ver depois entre os defensores do desenho de pesquisa e os defensores de modelos estruturais.

Predomínio da teoria (1950-1970)

• Vence o programa da Cowles Commission: a teoria de agentes otimizadores gera hipóteses, e a econometria as testa

• A teoria passa a ser “o núcleo comum” da profissão

• Controvérsia marginalista: Lester (1946) apresenta evidências contrárias às previsões da teoria sobre salário mínimo e emprego

  • Friedman (1953) responde defendendo a teoria e ignorando as evidências de Lester

• Leontief (1971): a base empírica é frágil e cresce devagar demais para sustentar uma superestrutura teórica especulativa

Curiosidade para conectar com a abertura da aula: Backhouse e Cherrier observam que as evidências de Lester sobre o salário mínimo nos anos 1940 se pareciam muito com o experimento natural que Card e Krueger usariam em 1994. A pergunta era a mesma, mas o resultado na profissão foi muito diferente, quase 50 anos depois.

A crise de credibilidade

• Os grandes modelos macroeconométricos fracassam diante da inflação com desemprego do fim dos anos 1970 e suas repercussões na década de 1980
• Os experimentos do imposto de renda negativo terminam com muita discordância sobre os resultados
• Críticas influentes: Sims (1980), Hendry (1980) (“alquimia ou ciência?”), Leamer (1983)

“… we don’t take empirical work seriously in economics.”

— Leamer, citado por Card (2022)

A crise chega à microeconomia

• LaLonde (1986): os métodos econométricos de ponta, aplicados a um programa de treinamento, produzem estimativas muito diferentes entre si, e nenhum reproduz o resultado do experimento aleatorizado
• Lewis (1986): depois de revisar décadas de estudos sobre o efeito salarial dos sindicatos, conclui que MQO simples era mais confiável do que IV e modelos de seleção
• Dewald, Thursby & Anderson (1986): de nove artigos do Journal of Monetary Credit and Banking analisados em profundidade, só dois foram reproduzidos exatamente

O problema de Lewis não era a técnica em si. Era o uso de hipóteses arbitrárias para identificar os modelos, sem preocupação com a validade delas.

O estudo de Dewald et al. é um bom gancho para falar de reprodutibilidade no TCC. Mesmo com política de arquivamento de dados, um quarto dos autores não respondeu aos pedidos.

Pesquisa baseada em desenho

• Princeton, Industrial Relations Section: Ashenfelter, Card, Krueger, LaLonde
• Ashenfelter & Card (1985) cunham o termo “diferenças em diferenças”
• A expressão “research design” vem da medicina: Card e Krueger notaram que os resumos do New England Journal of Medicine tinham uma frase sobre o desenho de pesquisa
  • Card percebeu que poucos artigos dele tinham um desenho resumível em uma frase
• Freeman: procurar experimentos naturais e grandes choques

Sugestão de exercício rápido com a turma: vocês conseguem resumir o desenho de pesquisa do TCC de vocês em uma frase?

O capítulo 2 do livro Causal Inference: The Remix apresenta uma apresentação de como Princeton e Harvard foram cruciais para disseminação dessa abordagem.

Exemplos que marcaram a virada

• Card (1990), Mariel Boatlift: chegada súbita de imigrantes cubanos a Miami, com cidades comparáveis como controle
  • A ideia surgiu do TCC de um aluno de graduação de Princeton
• Angrist & Krueger (1991): a data de nascimento e as leis de escolaridade obrigatória criam grupos de “tratamento” e “controle”
• Card & Krueger (1994): salário mínimo em Nova Jersey vs. Pensilvânia, desenhado para imitar um RCT
• Jacobson, LaLonde & Sullivan (1993): event study sobre trabalhadores demitidos em demissões em massa

Destacar para a turma que o Mariel Boatlift nasceu de um TCC.

Sobre Card e Krueger: depois da primeira rodada da pesquisa, a amostra e o questionário ficaram congelados, e os autores não podiam mais mudar nada. Card comenta, com ironia, que todo mundo quer que as mãos dos outros pesquisadores estejam amarradas.

O resultado foi duramente criticado por Becker, Miller e Buchanan.

Panhans e Singleton, citados por Backhouse e Cherrier, datam a mudança “de modelos para métodos” a partir de Angrist e Krueger (1991).

Por que este enfoque deslanchou?

Segundo Card (2022):

1. Coloca a causalidade no centro: a identificação deixa de ser uma condição matemática abstrata e passa a ser o próprio desenho
2. Transparência: é fácil de entender e de comunicar a quem formula políticas
3. Portabilidade: o mesmo desenho pode ser replicado em outros contextos
   • O Mariel Boatlift foi replicado na França, em Portugal e em Israel; o desenho de fronteira de Card e Krueger, nos EUA e no México

E o debate macro?

• Para Sims (2010), esses métodos são úteis, mas “none are panaceas”
• Economia não é uma ciência experimental: experimentos “naturais” e “quase” experimentos não seriam experimentos
• Qualquer procedimento fácil de aplicar e usado em artigos famosos acaba imitado e, por fim, mal usado
• Que pergunta foi respondida, e para quem? Um efeito linear médio pode dizer pouco a quem precisa decidir uma política

Na macro, a tentativa de ganho de credibilidade veio por outro caminho:

• Friedman & Schwartz (1963) já usavam “experimentos naturais” históricos, mas a mensagem acabou simplificada demais
• Problema central: a política monetária responde à economia, o que torna difícil separar causa e efeito
• A resposta foram os VARs estruturais e os DSGE estimados: hipóteses de identificação explícitas no modelo teórico calibrado

O exemplo da pena de morte: os estudos de Ehrlich, dos anos 1970, listavam os instrumentos numa nota de rodapé. Donohue e Wolfers (2005) mostraram que estudos mais recentes, já com a linguagem de “experimento natural”, eram igualmente frágeis.

Sims também critica Romer e Romer (1989). As datas de contração monetária que eles identificaram nas atas do FOMC respondiam a ameaças inflacionárias. Assim, a queda do produto que vem depois pode refletir o choque que motivou a decisão, e não a política em si.

A ideia de Sims é que na macro os modelos continuaram com várias equações, e a linguagem de “experimento natural” não pegou.

Research Design e pesquisa macro

• Desde os anos 2010, a variação regional e entre firmas passou a fazer parte da caixa de ferramentas da macro.

• Crédito: firmas cujos bancos foram mais atingidos em 2008–09 cortaram mais empregos (Chodorow-Reich, 2014)

• Política fiscal: multiplicadores estimados comparando regiões que receberam mais ou menos gasto (Nakamura & Steinsson, 2014; Chodorow-Reich, 2019)

Desafio: um efeito regional não é o efeito agregado (Chodorow-Reich, 2020)

1. Os spillovers contaminam as regiões de controle
2. Somados, esses spillovers podem ser economicamente relevantes
3. Juros, câmbio e política monetária reagem a choques nacionais, mas não a choques locais

Esse slide amarra a parte histórica. A revolução da credibilidade chegou à macro, sobretudo via DiD (é o que mostra o Goldsmith-Pinkham), mas trouxe um problema próprio.

Ao comparar regiões, o pesquisador identifica um efeito relativo: quanto a região A cresceu a mais que a região B. A constante, que é o efeito sobre o país como um todo, se perde na comparação. A literatura chama isso de “missing intercept”.

Chodorow-Reich (2020) usa o arcabouço de resultados potenciais de Rubin e mostra que às vezes a teoria permite dar o sinal da diferença entre o efeito regional e o agregado, ou até limitá-la. Em Chodorow-Reich (2019), ele argumenta que o multiplicador regional pode servir de referência, sob certas condições, para o multiplicador agregado.

Mensagem para a turma: é a mesma lição de Sims e Card por outro ângulo. Desenho de pesquisa e modelo são complementares, e a pergunta, agregada ou relativa, define o que se precisa.

Para ir do efeito relativo ao efeito agregado, é preciso teoria: o microdado complementa o modelo, não o substitui

Transformações tecnológicas e recursos importam

Segundo Backhouse & Cherrier (2017), não foi só uma questão de técnicas:

• Computadores e dados: foram necessários, mas não suficientes

  • A “revolução dos dados” é, na verdade, um ajuste contínuo a novos tipos de dados desde o pós-guerra

• Patronos e clientes: a Guerra à Pobreza, a desregulamentação, a análise de custo-benefício, o Banco Mundial e a NSF moldaram o que se entendia por economia aplicada

• A teoria não morreu: ela mudou de papel, e surge a “teoria aplicada”, com modelos feitos para problemas específicos

• A virada se deu de forma diferente em cada área

Exemplos que eles discutem: experimentos de laboratório usados para desenhar leilões de slots em aeroportos, depois da desregulamentação aérea; e a valoração contingente, usada em litígios ambientais como o do Exxon Valdez.

Em 1988, o JEL reformulou seus códigos de classificação para integrar teoria e trabalho aplicado. A justificativa do editor era que boa pesquisa em economia combina teoria e trabalho empírico.

Onde estamos hoje

• O uso de métodos quase-experimentais continua crescendo, mas de forma desigual entre as áreas (Goldsmith-Pinkham, 2026)
  • Em 2024, 63% dos artigos de micro aplicada, 47% dos de finanças e 39% dos de macro e outras áreas mencionam esses métodos
  • O crescimento fora da micro aplicada vem sobretudo de diferenças em diferenças
• Dashboard interativo: paulgp.com/econlit-pipeline/dashboard.html

Slide opcional: abrir o dashboard ao vivo e mostrar a curva de diferenças em diferenças.

Mensagem para o TCC

• A história não é linear: teoria → dados → métodos, cada fase com seus excessos
• A credibilidade veio de caminhos diferentes em cada área
• Os próprios protagonistas reconhecem os limites dos métodos
• O que sobrevive a todas as fases é a pergunta: o método responde à minha pergunta de pesquisa?

Não há hierarquia de métodos

Tipo de pergunta	Exemplo	Abordagem adequada
Descritiva: o que acontece?	Como evoluiu a informalidade no Brasil?	Medição cuidadosa, comparação entre grupos e períodos
Causal: qual é o efeito de X sobre Y?	O Bolsa Família afeta a frequência escolar?	Desenho de pesquisa (RCT, DiD, RDD, IV)
Mecanismos e contrafactuais: por quê? E se?	O que aconteceria com um salário mínimo 50% maior?	Modelos estruturais, simulação
Previsão: o que vai acontecer?	Qual será a inflação no próximo trimestre?	Séries temporais, machine learning

A ideia é dos modelos como mapas (Rodrik, 2015): não existe o melhor mapa, existe o mapa adequado para a viagem. Um mapa do metrô é ótimo para andar de metrô e inútil para fazer uma trilha.

Vale lembrar que mesmo dentro da econometria não há hierarquia fixa. Lewis (1986), citado por Card, concluiu que MQO simples era mais confiável do que IV e modelos de seleção no estudo do efeito salarial dos sindicatos.

Cada pergunta pede uma ferramenta: o método vem depois da pergunta, não antes

Os próprios protagonistas concordam

• Deaton (2010, JEL): experimentos e instrumentos não são automaticamente superiores; sem entender os mecanismos, um efeito “limpo” diz pouco sobre outros contextos
• Heckman (2010, JEL): a pergunta de política define a abordagem, e o desenho de pesquisa e os modelos estruturais são complementares
• Sims (2010): quem vai usar o resultado, e para quê?
• Card (2022): uma análise simples merece atenção se a pergunta for interessante e o desenho for bem executado
• Ruhm (2019): o risco da “polícia da identificação” é escolher perguntas pelo método disponível, e não pela relevância

Há um contraste interessante nesse slide. Card, Nobel pelo desenho de pesquisa, e Deaton, um dos maiores críticos dos RCTs, chegam ao mesmo lugar: o que importa é a pergunta e a qualidade da execução.

Ruhm é o texto mais provocativo para a turma. Ele descreve o pesquisador que primeiro acha um instrumento ou uma descontinuidade e depois procura uma pergunta que caiba nele.

O critério não é o grau de sofisticação do método, e sim se ele responde bem à pergunta

Em defesa da pesquisa descritiva

• Descrever bem não é “menos científico” do que estimar um efeito causal (Gerring, 2012)
• Muitos trabalhos influentes são essencialmente descritivos:
  • Piketty & Saez (2003): a concentração de renda no topo nos EUA de 1913 a 1998
  • Chetty et al. (2014): o mapa da mobilidade intergeracional nos EUA
  • Claudia Goldin (Nobel 2023): a história das mulheres no mercado de trabalho
  • Medeiros, Souza e coautores: a concentração de renda no topo no Brasil, com dados do imposto de renda
• Um bom estudo descritivo define bem os conceitos, conhece os limites dos dados, compara com cuidado e não afirma mais do que os dados mostram
• Ele também gera os fatos que a teoria e os estudos causais precisam explicar

Retomar o debate de 1947 entre Koopmans e Vining, que apareceu na parte histórica. A defesa da medição como etapa da ciência é antiga.

Para quem quiser se aprofundar, há o guia de Loeb et al. (2017), do IES, que é gratuito e prático. Embora o foco seja educação, os princípios servem para qualquer área.

Mensagem para o TCC: um descritivo bem feito vale mais do que um DiD mal identificado. Mas descrever exige o mesmo rigor que estimar.

A ser aprofundado em aula específica com prof. Ricardo.

Enquete de status da turma

Como vai funcionar

• Escaneie o QR code com o celular. Não precisa instalar nada nem fazer login
• O celular acompanha os slides: cada pergunta aparece sozinha quando chegarmos nela
• As respostas são anônimas

Orientador

• Sim, sei quem gostaria mas ainda não estou conversando sobre o projeto
• Sim, já estou em contato para elaboração do projeto
• Não, mas tenho nomes em mente
• Não faço nem ideia

Pergunta

• Sim
• Não
• Não tenho certeza

Pesquisa aplicada

• Sim, com modelos econométricos
• Sim, análise descritiva
• Sim, para projeções ou simulações
• Ainda não sei
• Certamente não

Dados

• Já defini as bases a serem utilizadas
• Farei coleta de dados primários
• Não tenho certeza que existem os dados necessários para responder à pergunta
• Não se aplica, não farei pesquisa aplicada

Ferramentas de IA

• Claude
• Codex
• Gemini
• Copilot
• Outra

Uso de IA

• Escrita
• Códigos
• Ideação
• Definir especificações econométricas
• Compilação de dados

Scale: Não · Sim

Guia de boas práticas: dados e códigos

Na prática, pesquisa aplicada é…

Gentzkow & Shapiro (2014) Code and Data for the Social Sciences: empresas bilionárias vivem de resolver esse problema, vale aprender como os especialistas fazem

• Fazer boas perguntas, encontrar dados novos, desenhar a análise, escrever
• Mas, na maior parte do tempo: escrever e consertar código
  • IA mudou isto: a dificuldade maior verificação!
• Problemas que todo mundo já viveu:
  • Um join (juntar duas bases de dados distintas) descarta observações sem ninguém perceber, e os resultados mudam quando o erro é corrigido
  • A definição da amostra está copiada em vários arquivos, cada uma de um jeito
  • Ninguém sabe em que ordem rodar os arquivos de um projeto antigo

Automação

Regras:

1. Automatize tudo o que puder ser automatizado
2. Tenha um único script que execute todo o projeto, do dado bruto ao resultado final

Por que não trabalhar “no clique”?

• Replicabilidade: sem registro dos passos, não existe uma definição oficial do que são os números do trabalho

• Eficiência: cada mudança obriga a refazer todos os passos à mão, e você vai rodar cada etapa muito mais vezes do que imagina

Automação na prática

# run_all.R: o mapa do projeto
source("codigo/01_importa_dados.R")
source("codigo/02_limpa_dados.R")
source("codigo/03_estatisticas_descritivas.R")
source("codigo/04_regressoes.R")
source("codigo/05_figuras.R")
quarto::quarto_render("texto/tcc.qmd")

• O script único também diz a quem lê como o projeto funciona, e, diferente de um “leia-me”, ele não fica desatualizado
• O teste: apague todas as tabelas e figuras e rode run_all.R. Se tudo voltar igual, o trabalho é reprodutível

Controle de versão

Regras:

1. Guarde código (e dados) sob controle de versão
2. Rode o projeto inteiro antes de registrar uma nova versão

• O método de “data e iniciais” no nome do arquivo (limpa_dados_0221_jms.R) dá trabalho e gera confusão: qual versão produziu qual resultado?
• O controle de versão (Git) guarda todas as versões, registra quem mudou o quê e mostra as diferenças linha a linha
• Na prática: Git e GitHub, idepende da linguagem é R ou Python

Pastas

Regras:

1. Separe as pastas por função: construção dos dados vs. análise
2. Separe insumos de resultados
3. Faça o projeto portátil, usando caminhos relativos

tcc/
├── tcc.Rproj          # projeto do RStudio: define a raiz
├── run_all.R
├── dados/
│   ├── brutos/        # nunca editar à mão
│   └── processados/   # gerados pelo código
├── codigo/
├── resultados/
│   ├── tabelas/
│   └── figuras/
└── texto/

Documentação

Regras:

1. Não escreva documentação que você não vai manter atualizada
2. O código deve documentar a si mesmo

# Fonte: Shapiro (2005), Tabela 2A
var_quantidade <- -0.4
var_preco      <-  0.2
elasticidade   <- var_quantidade / var_preco
calcula_perda_bem_estar(elasticidade = elasticidade)

• Nomes claros de variáveis e arquivos substituem comentários
• Comente o que o código não consegue dizer: a fonte de um número, ou algo que parece errado mas está certo
• Para impedir um erro, não basta um aviso: escreva código que barre a entrada errada

Um mundo em transformação

IA e pesquisa aplicada

• Agentes de IA já leem arquivos, escrevem e rodam código no seu computador: baixam dados, limpam bases, estimam e fazem gráficos
• O custo de ir de uma ideia vaga a um primeiro resultado caiu muito. O custo de verificar esse resultado, não!
• As práticas que vimos (script único, controle de versão, pastas organizadas) são o que permite auditar o que a IA fez

Tutoriais com foco em pesquisa

• Paul Goldsmith-Pinkham (Yale)

  • Série Claude Code for Applied Economists (Markus’ Academy, 2026), com vídeos e notas detalhadas: markusacademy.substack.com/p/claude-code-for-applied-economists

  • Using AI in Household Finance Research: A Practical Guide (NBER Summer Institute, 2026): nber.org/research/videos/…

• Scott Cunningham (Baylor), autor de Causal Inference: The Mixtape

  • Série Claude Code no Substack, escrita para cientistas sociais e não para programadores: causalinf.substack.com/s/claude-code

  • The Mixtape - Youtube: The Odd Couple Season

IA: Use com moderação!

Pedro Santa’Anna criou um tutorial para uso de IA para fins acadêmicos. Este tutorial viralizou em diversos circulos. Veja a matéria aqui.

Passados alguns meses, Pedro fez esta postagem no Linkedin alertando para necessidade de conhecimento técnico no uso de IA.

Scott Cunningham fez uma postagem muito similar apontando como IA produz diversos resultados incorretos e ressaltando a necessidade de conhecimento técnico.

Referências

• Backhouse, R. E. & Cherrier, B. (2017). The Age of the Applied Economist: The Transformation of Economics since the 1970s. History of Political Economy, 49(suppl.), 1–33.
• Card, D. (2022). Design-Based Research in Empirical Microeconomics. American Economic Review, 112(6), 1773–1781.
• Chetty, R., Hendren, N., Kline, P. & Saez, E. (2014). Where is the Land of Opportunity? The Geography of Intergenerational Mobility in the United States. Quarterly Journal of Economics, 129(4), 1553–1623.
• Chodorow-Reich, G. (2014). The Employment Effects of Credit Market Disruptions: Firm-level Evidence from the 2008–9 Financial Crisis. Quarterly Journal of Economics, 129(1), 1–59.
• Chodorow-Reich, G. (2019). Geographic Cross-Sectional Fiscal Spending Multipliers: What Have We Learned? American Economic Journal: Economic Policy, 11(2), 1–34.
• Chodorow-Reich, G. (2020). Regional Data in Macroeconomics: Some Advice for Practitioners. Journal of Economic Dynamics and Control, 115, 103875.
• Deaton, A. (2010). Instruments, Randomization, and Learning about Development. Journal of Economic Literature, 48(2), 424–455.
• Gerring, J. (2012). Mere Description. British Journal of Political Science, 42(4), 721–746.
• Goldsmith-Pinkham, P. (2026). Tracking the Credibility Revolution across Fields. NBER Working Paper 35051.
• Hamermesh, D. (2013). Six Decades of Top Economics Publishing: Who and How? Journal of Economic Literature, 51(1), 162–172.
• Heckman, J. J. (2010). Building Bridges between Structural and Program Evaluation Approaches to Evaluating Policy. Journal of Economic Literature, 48(2), 356–398.
• Loeb, S. et al. (2017). Descriptive Analysis in Education: A Guide for Researchers. NCEE 2017-4023. Institute of Education Sciences.
• Nakamura, E. & Steinsson, J. (2014). Fiscal Stimulus in a Monetary Union: Evidence from US Regions. American Economic Review, 104(3), 753–792.
• Nakamura, E. & Steinsson, J. (2018). Identification in Macroeconomics. Journal of Economic Perspectives, 32(3), 59–86.
• Piketty, T. & Saez, E. (2003). Income Inequality in the United States, 1913–1998. Quarterly Journal of Economics, 118(1), 1–41.
• Rodrik, D. (2015). Economics Rules: The Rights and Wrongs of the Dismal Science. W. W. Norton.
• Ruhm, C. J. (2019). Shackling the Identification Police? Southern Economic Journal, 85(4), 1016–1026.
• Sims, C. A. (2010). But Economics Is Not an Experimental Science. Journal of Economic Perspectives, 24(2), 59–68.
• Bellemare, M. F. (2020). How to Write Applied Papers in Economics. Mimeo, University of Minnesota. Versão ampliada em Doing Economics: What You Should Have Learned in Grad School—But Didn’t. MIT Press, 2022.
• Gentzkow, M. & Shapiro, J. M. (2014). Code and Data for the Social Sciences: A Practitioner’s Guide. Mimeo, University of Chicago.
• Head, K. The Introduction Formula. Disponível em: blogs.ubc.ca/khead/research/research-advice/formula