Introdução à Microeconometria

IBM0288 - 2026.1

Prof. Raphael Gouvea

Bem-vindos a Microeconometrica

Sobre o professor

• Professor do IBMEC Brasília
• Pesquisador do Instituto de Pesquisa Econômica Aplicada (cedido)
• Diretor de Bioindústria e Insumos Estratégicos da Saúde na Secretaria de Economia Verde (MDIC)
• Assessor Econômico Deputada Federal Tabata Amaral (entre 2021 e Set/2025)
• Mais informações em raphaelgouvea.com

Perguntas de pesquisa que tenho interesse em responder

1. Como choques macroeconômicos e mudanças regulatórias afetam a alocação de mão de obra e a desigualdade salarial em economias em desenvolvimento?

2. Qual é o impacto causal de reformas na tributação sobre o consumo (ex: substituição tributária ou mudanças de alíquota) na evolução dos preços de bens essenciais e como isso afeta a desigualdade de bem-estar entre diferentes faixas de renda?

3. Em que medida a redistribuição de recursos via FUNDEB alterou o comportamento de investimento das redes municipais de ensino e qual foi o impacto resultante no desempenho escolar (IDEB) controlado por efeitos fixos de município?

Nos conhecendo melhor

• Nome

• Áreas de interesse

• Uma pergunta de pesquisa que gostaria de responder?

• O que você espera do curso?

O que entendemos por Microeconometria neste curso?

Neste curso, a Microeconometria não é vista apenas como um conjunto de fórmulas, mas como o instrumento de viabilização da pesquisa científica.

O objetivo é fornecer a você as ferramentas necessárias para:

• Responder perguntas de modo preciso: Ir além da intuição e fornecer estimativas pontuais com rigor estatístico.

• Quantificar o desconhecido: Transformar hipóteses teóricas em evidências numéricas mensuráveis e replicáveis.

• Estabelecer Causalidade: Identificar o efeito real de uma variável sobre outra, isolando ruídos e fatores de confusão.

• Gerar Contrafactuais: Responder com precisão à pergunta: “O que teria acontecido se a política pública não tivesse sido implementada?”.

Plano de Ensino

Aprendizado Esperado: Teoria

O curso tem como objetivo introduzir os alunos às principais técnicas de inferência causal utilizadas em economia, com ênfase na identificação e avaliação de efeitos causais em contextos empíricos.

Ao final do curso, espera-se que você seja capaz de:

• Compreender os fundamentos: Entender a lógica por trás da inferência causal e dos contrafactuais.

• Formular Hipóteses: Desenvolver perguntas de pesquisa que possam ser testadas empiricamente.

• Dominar o Instrumental: Aplicar métodos como Experimentos Aleatórios, Diferenças-em-Diferenças, Variáveis Instrumentais e Regressão Descontínua.

Aprendizado Esperado: Prática

Além da base teórica, o curso foca no desenvolvimento de habilidades técnicas aplicadas.

• Linguagem R: Você aprenderá a implementar todas as técnicas estudadas utilizando programação em R.

• Análise de Dados: Desenvolverá a capacidade de manipular bases de dados reais para extrair conclusões estatísticas.

• Interpretação Crítica: Habilidade para ler e avaliar criticamente resultados empíricos em relatórios e artigos científicos.

• Reprodutibilidade: Uso de programação para garantir que suas análises sejam transparentes e replicáveis.

Integridade Acadêmica

Espera-se integridade absoluta do estudante em todas as atividades acadêmicas. Integridade implica adesão firme a um conjunto de valores baseados na honestidade em relação ao próprio esforço intelectual e ao dos outros.

• Autoria: A entrega de um trabalho indica que ele é de sua autoria e toda assistência externa deve ser devidamente reconhecida.

• Colaboração: Discussões são encorajadas, mas o código final e a escrita devem ser individuais.

• Âmbito: A integridade é esperada não apenas em situações formais, mas em todos os relacionamentos e interações vinculados ao processo educacional.

Aviso

O plágio ou a falta de atribuição de créditos em scripts de R serão tratados com o mesmo rigor de uma avaliação teórica.

Uso de Telas: discussão

Política de Uso de Telas

Diversas pesquisas demonstram que estudantes aprendem menos e obtêm notas piores quando utilizam dispositivos eletrônicos em sala, prejudicando inclusive os colegas ao redor.

• Evidências: Diversos estudos indicam que o uso de telas dispersa a atenção, mesmo quando utilizadas para anotações, e gera prejudica aprendizagem de colegas ao redor.

• Aulas Expositivas: Não será permitido o uso de computadores, tablets ou celulares durante as aulas teóricas!

• Aulas Práticas: O uso de computadores (não celulares!) será obrigatório para a realização das atividades em R.

• Exceções: Casos específicos, como deficiências de aprendizagem, podem ser discutidos individualmente para autorização de uso.

Importante

Foco no Aprendizado: o objetivo desta política é garantir um ambiente de aprendizado profundo e sem distrações para todos.

IA, Programação e Aprendizado

Ferramentas como ChatGPT e GitHub Copilot são parte do ecossistema atual, mas seu uso deve focar no desenvolvimento de competências:

• O Modelo Editor-Chefe: A IA é como um estagiário rápido, mas descuidado. Você é o editor-chefe e o único responsável por cada linha de código e interpretação.

• Conhecimento de Base: Sem entender a lógica e a sintaxe, você não será capaz de revisar ou validar o trabalho da IA.

• Transparência: O uso de IA para auxílio na programação deve ser explicitamente declarado em seus trabalhos.

• Recomendação: Tente resolver sozinho primeiro! Use a IA para entender o erro, não para copiar a solução. O aprendizado ocorre na transição entre o erro e a compreensão.

IA e Produção de Textos

Diferente da programação, a redação de textos e interpretações segue regras mais estritas:

• Proibição de Redação Automatizada: O uso de IA para redação integral ou parcial de trabalhos é estritamente proibido!

• Escrita como Pensamento: Escrever é o processo fundamental de organizar o pensamento causal e testar a lógica dos seus argumentos.

• Avaliação de Autoria: Textos com características de geração automatizada (generalizações vagas ou falta de precisão teórica) serão avaliados com rigor.

• Objetivo: Avaliar sua capacidade de articular ideias, não a habilidade de um algoritmo em prever a próxima palavra.

Importante

O uso não declarado de IA será tratado sob a política de integridade acadêmica da disciplina.

Suporte ao Aluno

O Ibmec é comprometido com a equidade e a inclusão de todos os nossos alunos. Caso você enfrente dificuldades acadêmicas, emocionais ou de adaptação, utilize os canais de apoio:

• Setor CASA: Oferece atendimento personalizado e suporte psicopedagógico ao longo de toda a sua trajetória universitária.

• Dificuldades na Disciplina: Não hesite em me procurar após as aulas ou via e-mail institucional para discutirmos seu desempenho ou necessidades específicas.

• Diversidade e Inclusão: Este é um espaço seguro onde todos os históricos e perspectivas são valorizados como recursos para o aprendizado.

Nota

Mais informações sobre o CASA: acesse o portal do aluno ou o Blog do Ibmec para detalhes sobre como agendar um atendimento.

Avaliação: Componentes e Pesos

As avaliações de aprendizagem são compostas por provas teóricas e atividades práticas:

• Avaliação Parcial 1 (AP1): Individual, em sala e sem consulta (Peso: 40%).

• Avaliação Parcial 2 (AP2): Individual, em sala e sem consulta (Peso: 40%).

• Avaliação Continuada (AC): Conjunto de atividades práticas em R realizadas ao longo do semestre (Peso: 20%).

• Avaliação Substitutiva (AS): Individual, em sala e sem consulta, cobrindo todo o conteúdo.

Dica

Cálculo da Nota Final (NF): \(NF = (0,4 \times AP1) + (0,4 \times AP2) + (0,2 \times AC)\)

Aprovação e Políticas de Recuperação

Para a conclusão da disciplina, seguiremos os critérios abaixo:

• Critérios de Aprovação: Nota Final (NF) ≥ 7,0 e frequência mínima de 75%.

• Uso da AS:

  • Substitui prova perdida (AP1 ou AP2).

  • Substitui a menor nota (AP1 ou AP2) para quem tem NF < 7 ou deseja aumentar a média.

Importante

O aluno poderá realizar um projeto final opcional para substituir a nota da AC, caso a nota do projeto seja maior.

Bibliografia Básica

Os textos abaixo formam o núcleo teórico da nossa disciplina:

• Stock & Watson (2020): Introduction to Econometrics (4th ed.). Pearson.

• Stock & Watson (2004): Econometria (1ª ed.). Pearson. Disponível na biblioteca.

  Obs: A 1ª edição pode ser utilizada; conteúdos novos serão discutidos e sinalizados em sala.

• Angrist & Pischke (2015): Mastering ’Metrics: The Path from Cause to Effect. Princeton University Press.

Bibliografia Complementar

Para aprofundamento em design de pesquisa e técnicas avançadas:

• Angrist & Pischke (2009): Mostly Harmless Econometrics: An Empiricist’s Companion. Princeton University Press.

• Cunningham (2021): Causal Inference: The Mixtape. Yale University Press.

• Huntington-Klein (2025): The Effect: An Introduction to Research Design and Causality. Chapman & Hall.