Logotipo Análise Macro
Econometria usando IA

Programa e informações gerais do curso

1 Resumo

Rodar uma regressão hoje é uma linha de código, e o assistente de IA escreve essa linha em segundos. O que continua sendo trabalho seu é saber quando aquela regressão sustenta a conclusão que ela anuncia.

Neste curso a IA entra nos dois papéis. Ela implementa o modelo, e ela também é o objeto da auditoria: o assistente estima corretamente e, na mesma resposta, escreve “o aumento da escolaridade eleva a renda em 11%” a partir de uma regressão com dados observacionais, sem nenhum desenho de identificação. O coeficiente estimado está correto e a frase que o interpreta está errada. O software não emite aviso nesse caso.

Você percorre a distância entre correlação e causalidade com a maquinaria toda na mão: a derivação do MQO a partir das condições de primeira ordem, o erro-padrão robusto escrito termo a termo e a fórmula do viés de variável omitida obtida e verificada numericamente. E aprende a reconhecer, com os critérios da literatura, quando essa distância não foi percorrida.

O curso tem uma versão só, conduzida pelo agente de IA. Não há linguagem a escolher: o agente escreve o código, e o seu trabalho é ler o que ele escreveu e conferir o que ele fez. O erro-padrão robusto e o teste F são implementados linha a linha, sem pacote fechado de econometria, porque é essa construção que torna a auditoria possível.

Categoria Básicos fundamentais
Carga horária total 14 horas
Horas de vídeo 14 horas
Número de aulas 27 aulas em 5 módulos
Nível Avançado
Certificado Sim, emitido pela Análise Macro
Lançamento 08/01/2027

Calendário de lançamento

As videoaulas são liberadas módulo a módulo, às sextas-feiras, de 08/01 a 05/02/2027.

Módulo Data Dia da semana
Módulo 1 – Econometria e causalidade 08/01/2027 sexta-feira
Módulo 2 – Probabilidade para econometria 15/01/2027 sexta-feira
Módulo 3 – Regressão linear com um regressor 22/01/2027 sexta-feira
Módulo 4 – Inferência na regressão 29/01/2027 sexta-feira
Módulo 5 – Regressão com múltiplos regressores 05/02/2027 sexta-feira

2 Pré-requisitos e Objetivos

Pré-requisitos

O curso Estatística usando IA, da mesma trilha, é pré-requisito. Você precisa dominar distribuição amostral, intervalo de confiança e teste de hipóteses, que são usados desde o Módulo 2 e não são reconstruídos aqui.

O que vem da Estatística Onde é usado aqui
Distribuição amostral de um estimador Módulos 3 e 4
Intervalo de confiança e sua interpretação Módulo 4 inteiro
Teste de hipóteses, p-valor, erro tipo I e II Módulos 4 e 5
Média, variância, covariância, correlação Módulo 2, que os recorta e aprofunda

São exigidos também manipulação algébrica, somatório e noção de derivada, porque as condições de primeira ordem do MQO são derivadas em aula. Notação matricial não é pré-requisito: ela aparece no teste F e é construída na hora.

Não é preciso saber programar. O assistente escreve o código, e o curso ensina a conduzi-lo e a auditá-lo. O ambiente é montado na sua máquina, com o agente conduzindo a instalação. O agente de IA pede assinatura paga de um provedor (Claude, OpenAI ou Google), contratada por você direto com ele, e não incluída no valor do curso. VS Code, R e Python são gratuitos.

O que este curso cobre, e onde ele para

O curso cobre o núcleo da econometria: da pergunta causal à regressão múltipla com inferência conjunta, com as derivações inteiras.

Ficam de fora dados em painel e efeitos fixos, variáveis instrumentais, diferenças em diferenças, regressão descontínua, controle sintético, propensity score matching, modelos de resposta limitada como logit e probit, e séries temporais. Esses métodos aparecem no fechamento do Módulo 5, cada um com o tipo de pergunta que resolve e a hipótese que precisa defender, para você saber onde continuar.

A regressão múltipla controla por variáveis observadas, e só por elas. Contra um confundidor que você não observa ela não tem recurso, e é daí que vêm os métodos listados acima.

Também não é curso de programação, de estatística (que é pré-requisito) ou de machine learning. A IA aparece como implementadora e como caso de auditoria, não como tema.

O que você será capaz de fazer

Ao final do curso, você será capaz de:

  • Formular uma pergunta de efeito causal e descrever o experimento ideal que a responderia, inclusive quando esse experimento é inviável, que é o caso quase sempre.
  • Declarar a estratégia de identificação de qualquer análise, sua ou de outra pessoa, e dizer sob que hipótese o número estimado é um efeito.
  • Derivar o estimador de mínimos quadrados e a sua distribuição amostral, e reconhecer quando o método não se aplica.
  • Estimar, diagnosticar e reportar uma regressão múltipla com erro-padrão robusto e o tamanho do efeito na unidade do problema, em reais ou em pontos percentuais, em vez da estrela de significância.
  • Prever o sinal do viés de variável omitida antes de estimar, a partir do que você sabe sobre o problema, e distinguir controle necessário de bad control.
  • Construir e interpretar teste t, intervalo de confiança e teste F conjunto, e explicar por que não se testa um coeficiente de cada vez.
  • Auditar a saída do assistente de IA e identificar os três erros que ele comete com mais frequência: o verbo causal, o erro-padrão default e a significância apresentada como identificação.
  • Ler a tabela de regressão de outra pessoa e saber o que perguntar, inclusive quais controles podem ser consequência do tratamento.
  • Reportar associação como associação, declarar a hipótese que faltaria e indicar que evidência a resolveria.

Habilidades e ferramentas

Habilidades desenvolvidas no curso:

  • Causalidade definida com precisão, e a cláusula ceteris paribus como o ponto onde está a dificuldade.
  • O experimento controlado aleatorizado, com a aleatorização vista em simulação com efeito conhecido: ela não elimina o confundidor, distribui-o igualmente entre os grupos.
  • O problema fundamental da inferência causal, as quatro perguntas de Angrist e Pischke, o viés de variável omitida e a causalidade simultânea.
  • Corte transversal, série de tempo e painel, e o que cada estrutura permite controlar.
  • A média condicional lida como função: a regressão é um método para estimar médias condicionais.
  • Condicionar como reponderação do universo, demonstrado em álgebra; a lei das expectativas iteradas e o caso em que cada parte contradiz o todo.
  • A desigualdade de Chebyshev verificada numericamente, e covariância zero sem independência.
  • A distinção que sustenta a inferência causal: Corr(u, X) = 0 é imposta pela álgebra do MQO, enquanto E(u | X) = 0 não é.
  • Mínimos quadrados derivado das condições de primeira ordem até a forma de covariância sobre variância, com o MQO calculado à mão pelas três formas e conferido contra a função pronta.
  • Interpretação do coeficiente, das unidades, da escala e do intercepto; a decomposição TSS = ESS + SSR demonstrada; R² e erro-padrão da regressão pelo que medem.
  • A hipótese de identificação, que não é testável com os dados, e a diferença entre ajuste e identificação.
  • A distribuição amostral do coeficiente construída por simulação, os testes pelos três caminhos equivalentes e as duas leituras erradas mais comuns do p-valor.
  • Heterocedasticidade e o erro-padrão robusto escrito à mão, com o estimador sanduíche construído termo a termo antes do uso da função pronta.
  • Regressão com variável binária, o Teorema de Gauss-Markov verificado por simulação e as duas limitações que ele carrega.
  • A fórmula do viés de variável omitida derivada, medida contra a fórmula e demonstrada: o viés não diminui com o crescimento da amostra.
  • Bad control, mediador e colisor como três situações distintas, com a diferença estrutural que nenhum teste estatístico detecta.
  • Multicolinearidade perfeita e imperfeita, a armadilha da dummy, e o teste F implementado do zero pela forma de Wald, com a identidade F = t².
  • Os cinco erros característicos do assistente, um por módulo, e o par de prompts: o mesmo problema levado ao assistente de duas formas, a ingênua e a disciplinada.

Ferramentas utilizadas:

  • VS Code, o editor usado no curso, com o ambiente montado na própria máquina.
  • Claude Code, o agente usado nas demonstrações, na extensão do VS Code; Codex e Gemini CLI, apresentados em pé de igualdade.
  • O código escrito pelo agente, sem pacote fechado de econometria: o erro-padrão robusto e o teste F são implementados explicitamente.
  • Simulações com parâmetro verdadeiro conhecido, que tornam o viés mensurável.
  • Dados brasileiros: PNAD Contínua, IPCA, Selic e ações da B3, ao lado dos casos clássicos da literatura.

3 Programa Detalhado

Módulo 1 – Econometria e causalidade

O módulo abre com quatro análises empíricas publicadas em periódicos de primeira linha, aceitas por reguladores, e erradas. No caso do Vioxx houve experimento aleatorizado e ele não bastou: no estudo VIGOR, 17 infartos contra 4 foram lidos como resultado não significante.

Você termina o módulo com o vocabulário da inferência causal (contrafactual, experimento ideal, estratégia de identificação) e com a simulação que mostra a aleatorização agindo contra a autosseleção, num cenário em que o efeito verdadeiro é conhecido. O erro do assistente neste módulo: o verbo causal escrito a partir de regressão observacional.

  • Aula 01 - Quatro análises erradas que foram publicadas.
  • Aula 02 - O que é econometria, e o que ela pede de você.
  • Aula 03 - Causalidade, o experimento ideal e o problema fundamental.
  • Aula 04 - As quatro perguntas e a estrutura do dado.
  • Aula 05 - As duas dificuldades, e a aleatorização em simulação.

Módulo 2 – Probabilidade para econometria

O módulo recorta, do que a Estatística cobriu, as três peças que a econometria usa: média condicional, lei das expectativas iteradas e desigualdade de Chebyshev. Cada uma é trabalhada na profundidade que a econometria exige.

Você sai sabendo que a regressão é uma média condicional. O erro do assistente aqui: peça “a renda de quem tem ensino superior” e ele devolve a média agregada, calculada sem falha, respondendo a outra pergunta.

  • Aula 06 - Variáveis aleatórias, esperança e variância: o recorte útil.
  • Aula 07 - Distribuição conjunta, marginal e independência.
  • Aula 08 - A média condicional, porque a regressão é isso.
  • Aula 09 - A lei das expectativas iteradas e a reversão.
  • Aula 10 - Chebyshev, covariância e a distinção que importa.

Módulo 3 – Regressão linear com um regressor

Aqui a estimação começa. Você deriva o MQO resolvendo as condições de primeira ordem, calcula os coeficientes à mão pelas três formas e confere contra a função pronta, vendo o que ela executa internamente.

Você sai com o coeficiente interpretado com rigor, a decomposição TSS = ESS + SSR demonstrada e a hipótese de identificação declarada. O erro característico do módulo é tomar ajuste por identificação: reportar R² alto como validação do modelo, ou R² baixo como invalidação.

  • Aula 11 - O modelo, o termo de erro e a Função de Regressão Populacional.
  • Aula 12 - MQO derivado: as condições de primeira ordem.
  • Aula 13 - Ler o coeficiente com precisão: unidades, escala e o intercepto.
  • Aula 14 - Medidas de aderência: TSS = ESS + SSR, R² e o SER.
  • Aula 15 - A hipótese que decide a interpretação, e não é testável.
  • Aula 16 - Ajuste não é identificação.

Módulo 4 – Inferência na regressão

Neste módulo o assistente não escreve código quebrado. Ele acerta o código e entrega o número errado, porque o default do software responde a uma pergunta diferente da que você fez.

Você constrói a distribuição amostral do coeficiente por simulação, verifica a cobertura do intervalo de confiança em repetições e implementa o estimador sanduíche à mão, com a álgebra visível, antes de usar a função pronta. Peça a tabela sem mencionar robustez e o assistente entrega o default homocedástico sem declarar a escolha: o código roda, não há aviso, e a inferência está errada.

  • Aula 17 - De onde vem a coluna de erro-padrão.
  • Aula 18 - Teste sobre os coeficientes, com a leitura correta.
  • Aula 19 - Intervalos de confiança e efeitos preditos.
  • Aula 20 - Heterocedasticidade e o erro-padrão robusto, escrito à mão.
  • Aula 21 - Significância estatística e relevância prática.
  • Aula 22 - A dummy, Gauss-Markov e ler tabela alheia.

Módulo 5 – Regressão com múltiplos regressores

O erro característico deste módulo: estimar um coeficiente e chamá-lo de efeito sem perguntar o que ficou de fora da regressão.

Você deriva a fórmula do viés de variável omitida, mede o viés contra a fórmula e observa que ele permanece com o crescimento da amostra. Viés não é ruído: com mais dados, a resposta errada vem com mais precisão. O módulo fecha nomeando painel, variáveis instrumentais, diferenças em diferenças e regressão descontínua como os métodos que seguem daqui.

  • Aula 23 - Viés de variável omitida: a fórmula, e o sinal.
  • Aula 24 - O modelo múltiplo, o ceteris paribus e o que ele não mantém constante.
  • Aula 25 - Controlar por tudo é resposta errada: bad control, mediador e colisor.
  • Aula 26 - R², R² ajustado e multicolinearidade.
  • Aula 27 - O teste F, implementado do zero, e o fechamento do curso.

4 Inscrição

A matrícula dá acesso às 27 videoaulas, ao guia escrito de cada módulo, aos códigos e exercícios do curso, aos prompts em blocos prontos para adaptar, ao suporte individual com professores e à emissão do certificado da Análise Macro ao concluir o curso. O acesso é de 12 meses.

Assista os módulos na ordem. Em cada exercício de interpretação, o trabalho termina quando você consegue dizer sob que hipótese aquele número é um efeito causal, e tiver perguntado ao assistente se ele checou essa hipótese. Na maior parte das vezes, ele não checou.