Entendendo o básico antes de complicar
Muita gente travada na hora de aplicar economia micro e macro porque confunde os níveis de análise. Micro olha para firmas e consumidores. Macro olha para agregados como PIB, inflação, taxa de juros e desemprego. O problema é que o cérebro tende a misturar as duas coisas na hora de resolver um caso real, e aí a modelagem sai torta. Já vi analista tentar usar uma elasticidade-preço estimada em nível micro para projetar o impacto de uma mudança na taxa Selic sobre o crescimento do PIB. Isso não funciona. A elasticidade micro mede comportamento individual, não agregado. No agregado, os efeitos se retroalimentam de formas que o modelo micro não captura.
Onde economia micro e macro se encontram na prática
O ponto de encontro é a microfundamentação. Você pega um resultado micro — digamos, uma função demanda derivada da utilidade de um consumidor — e agrega. Mas a agregação não é triviai. Uma restação comum que esquecem é a heterogeneidade distributiva. Se sua amostra tem 60% das famílias na faixa de renda média baixa e o restante nos 10% mais ricos, agregar a demanda por um bem normal pode mascarar completamente o efeito distributivo. Um aumento de imposto pode parecer inócuo na média, mas destrói consumo nos estratos inferiores. No meu trabalho, uma vez precisei estimar o efeito de um subsídio alimentar em nível municipal sobre a taxa de desnutrição infantil. O dado micro vinha de uma PNAD setorial com 2.400 entrevistas. O dado macro vinha do IBGE de renda domiciliar agregada. Conservei os pesos amostrais originais, ajustei a equivalência de escala pelo escalar de Oxford, e usei regressão com efeitos fixos de município ao longo de três anos. O resultado micro mostrou redução de 8% na prevalência, mas o modelo macro, controlando por gastos estaduais em saúde, reduziu o efeito para 3,2%. O gargalo era a variável omitida: municípios com maior cobertura do CAI recebiam mais subsídio e também tinham mais atenção do estado. Ignorar isso gerava viés de omitted variable de aproximadamente 58% no coeficiente micro.
Método: como construir uma ponte entre micro e macro sem errou
O procedimento que costumo seguir é o seguinte: Passo 1 — Definir a pergunta em nível agregado. Não comece pelos dados. Comece pela questão macro. Por exemplo: "O crédito consignado expandindo em 15% elevou o consumo de bens duráveis no trimestre?"
Passo 2 — Escolher o canal micro que justifica a ligação. No caso, a função de consumo intertemporal com restrição de liquidez. Se não conseguir mapear um mecanismo micro plausível, o exercício macro fica sem fundamento. Passo 3 — Estimar parâmetros micro com dados panel. Uso DID com tratamento diferenciado por estado quando há política territorializada, ou IV quando a variável de interesse é endógena. Instrumento clássico: variação na taxa básica de juros anterior ao período, defasada quatro trimestres. Validade do IV exige teste de First Stage F maior que 10 e teste de Hansen para sobreidentificação se houver mais de um instrumento.
Passo 4 — Agregar usando pesos de participação orçamentária atualizados. Não use shares de 2015 para projetar efeito em 2024. A composição do consumo mudou com a pandemia e com a inflação dos alimentos. Atualize pelo Caged ou pela POF mais recente disponível. Passo 5 — Rodar simulação macromodelo. Aqui entras os parâmetros micro estimados no modelo DSGE ou no modelo de equilíbrio parcial. Eu prefiro equilíbrio parcial quando o foco é um único setor. O DSGE introduz rigidez nominal e choque de expectativas que, muitas vezes, diluem o sinal que você quer captar. Para políticas setoriais, equilíbrio parcial é mais direto e costuma rodar em 40 minutos, contra duas horas de calibração DSGE.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Pegadinhas que quase ninguém menciona
Uma delas é o paradoxo da agregação. Uma relação estatisticamente significativa em nível individual pode desaparecer totalmente quando agregada. O motivo: correlações espúrias dentro dos grupos que se cancelam entre si. Meu time já perdeu dois dias de análise porque o coeficiente micro era robusto, mas o agregado retornava erro padrão de 3,4 vezes o tamanho do coeficiente. A solução foi desagregar por faixa etária e reintroduzir como interações. O efeito real estava concentrado em consumidores de 25 a 34 anos. O resto era ruído. Outra pegadinha é confundir correlação macro com causalidade micro. Quando a taxa de juros sobe e o consumo cai, isso não prova que o canal de transmissão é o crédito. Pode ser efeito riqueza, pode ser expectativa de recessão, pode ser simply a substituição intertemporal. Sem discriminar o canal, suas políticas microficam cegas. O workaround que uso é testar mecanismos alternativos com mediação. Estimo o caminho indireto juros crédito consumo e comparo com o caminho direto. Se o caminho direto for insignificante após controle de variáveis de expectativa, o efeito opera via crédito. Se não, revise a especificação.
Ferramentas que realmente funcionam
Para dados micro, Stata com os comandos xtreg, ivregress e teffects ainda são a referência. R é bom para visualização, mas para painel com efeitos fixos e clusterização robusta, Stata entrega resultado mais estável em modelos com milhares de unidades e poucas ondas temporais. Para aggregação, o pacote aggmod em R é útil, mas eu prefiro escrever a lógica de pesos em Python com pandas e depois chamar o Stata para a estimação final. Para simulação macro, o GSSAP da FGV oferece modelos prontos de equilíbrio geral setorial que já vêm calibrados com a matriz insumo-produto brasileira. Baixe a versão mais recente no site da FGV, extraia o arquivo zip, rode o script run_main.py e ajuste os parâmetros no arquivo params.yaml. O processo leva cerca de 15 minutos em um notebook com 16 GB de RAM. Resultados sensíveis aparecem nos primeiros dois minutos de saída, mas deixe rodar até o fim para capturar efeitos de segunda ordem.
Alternativa mais leve: Excel com Solver. Para modelos simples de oferta e demanda com elasticidades constantes, o Solver resolve em menos de dois minutos e permite ajustar restrições manualmente. Não recomendo para modelos com mais de 20 variáveis de decisão, pois a convergência falha com frequência e o tempo de processamento dispara para 20 minutos ou mais, dependendo da complexidade.
Limitações que ninguém vende como vantagem
A microfundamentação não é bala de prata. Ela depende inteiramente da qualidade dos dados micro. Se sua base não tem representatividade regional ou se o weighting foi feito com informações desatualizadas, todo o edifício macro cai. Dados da PNAD contínua são bons, mas a amostra de municípios menores tem taxa de non-response superior a 22%. Isso gera viés de seleção que distorce coeficientes de elasticidade em até 12%. Outro limite sério: modelos de equilíbrio geral computacional são lentos para atualização. Uma calibração completa leva de 3 a 5 dias úteis. Se você precisa de resposta para uma decisão de política no mesmo dia, use aproximação por elasticidades estruturais derivadas de séries temporais VAR. O VAR perde a microfundamentação, mas entrega resultado em 30 minutos com intervalos de confiança razoáveis para horizontes de um a quatro trimestres.
Também é importante ser honesto sobre o que esses modelos não fazem bem. Eles capturam efeitos de equilíbrio comparativo, mas não modelam crises de confiança, pânico bancário ou mudanças estruturais repentinas. Se o contexto envolve ruptura institucional, nenhum modelo micro ou macro convencional vai prever o caminho com precisão. Nesse caso, a recomendação é recorrer a análise de cenários qualitativos e usar os modelos apenas como referência de baseline, não como forecast. O que funciona de verdade é tratar a fronteira entre micro e macro como uma ponte, não como uma parede. Estime com cuidado, verifique suposições, e nunca confie cegamente no resultado do primeiro rodapé. O número que aparece na tela é apenas um ponto de partida, não a conclusão.
