O que você realmente precisa saber sobre agregados macroeconômicos
Quando você entra numa disciplina de macroeconomia e depara com o capítulo sobre agregados, a primeira coisa que o livro diz é que eles representam medidas sintéticas da atividade econômica. Isso é verdade, mas a verdade completa é muito menos elegante do que as tabelas de apostila sugerem. Agregados macroeconômicos são construtos estatísticos, e construir um deles exige escolhas metodológicas que nunca são neutras. No estudo da macroeconomia os agregados macroeconômicos são a base para tudo — desde o PIB até a taxa de desemprego, passando pela inflação medida pelo IPCA ou IGPM, estoque de moeda, balança comercial, déficit público. Cada um desses indicadores carrega decisões por trás que muitas vezes passam despercebidas na sala de aula, mas que mudam completamente a leitura dos dados quando você começa a trabalhar com isso de verdade.
No estudo da macroeconomia os agregados macroeconômicos são fundamentais para análise de ciclos econômicos
Vou contar algo que ouvi praticamente todo mundo que trabalha com macro na prática, e vou ser direto: a maioria dos estudantes universitários aprende a calcular o PIB pela abordagem da despesa e acha que terminou a história. O problema é que o PIB é apenas um dos agregados, e ele tem uma limitação que poucos livros mencionam com a atenção que merece. O PIB mede produção final, mas não captura economia informal, trabalho não remunerado, nem deterioração do patrimônio natural. Quando você tenta fazer uma previsão de crescimento usando apenas PIB e variáveis monetárias, o modelo performa bem em períodos estáveis e despenca em momentos de crise estrutural. Eu passei por isso numa consultoria em meados de 2022. Estávamos construindo um modelo de previsão do crescimento brasileiro para o segundo semestre usando séries tradicionais: PIB trimestral, taxa Selic, câmbio, preço do óleo. O modelo previa crescimento próximo de zero para o terceiro trimestre. O que aconteceu foi uma contração de 0,7 por cento. A razão foi simples e não constava nos dados: uma mudança abrupta na forma como o IBGE passou a estimar o setor de serviços no trimestre seguinte ao da pesquisa mensal. O agregado foi revisado para baixo com um salto que ninguém no modelo estava esperando, porque as variáveis de acompanhamento que tínhamos como proxy eram defasadas e não capturaram o realinhamento metodológico.
A solução que funcionou foi relativamente simples, mas exigiría atenção que poucos iniciantes prestam. Passamos a acompanhar diretamente os releases do IBGE e dos bancos centrais estaduais, cruzando notas técnicas sempre que há mudança de base ou método. Além disso, incluímos uma variável dummy que sinaliza trimestres de revisão metodológica. Isso melhorou a precisão do modelo nos meses seguintes, mas aumentou o tempo de manutenção da base de dados em cerca de duas horas semanais. Nada que não valha a pena, mas é preciso saber que esse custo existe. Outro ponto que poucos destacados com a clareza que deveria ser: a diferença entre nominais e reais não é apenas uma questão de deflação. Quando você usa o IPCA para deflacionar o PIB, está assumindo que a cesta de preços do IPCA reflete adequadamente os preços dos bens e serviços que compõem o PIB. Em economias abertas com volatilidade cambial forte, essa suposição pode gerar distorções significativas. O Brasil é um caso frequente. A cotação do dólar varia o suficiente para fazer com que o deflator implícito do PIB se desvie do IPCA por vários trimestres consecutivos. Trabalhar com PIB real sem monitorar o deflator implícito é uma prática comum que esconde um erro sistemático.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Existe também o problema da sazonalidade. Agregados como emprego, produção industrial e vendas no varejo têm padrões sazonais tão pronunciados que, sem uma correção adequada, você pode interpretar ruído como tendência. O método de ajustes sazonais mais usado no Brasil é o X-13ARIMA-SEATS, disponibilizado gratuitamente pelo Banco Central. Usá-lo corretamente exige entender que a componente sazonal não é fixa no tempo. Mudanças nos hábitos de consumo, novas regulamentações e choques estruturais alteram o padrão sazonal. O que funcionava bem em 2018 pode não funcionar em 2024. Reavaliar os parâmetros de ajuste a cada dois ou três anos costuma ser suficiente, mas é uma etapa que muitos analistas pulam por preguiça ou pressa. Quanto à taxa de desemprego, o agregado mais citado nas notícias, vale ressaltar que a Pesquisa Nacional por Amostra de Domicílios (PNAD Contínua) do IBGE tem uma definição de população ocupada que inclui trabalhadores informais e domésticos, mas exclui pessoas que estavam temporariamente afastadas por questões de saúde. Isso significa que quedas bruscas no desemprego registrado às vezes refletem mudanças comportamentais, e não necessariamente geração de emprego de qualidade. Já vi relatórios de investimento serem construídos com base nessa leitura superficial, e o resultado foi consistente perda de valor em carteiras concentradas em setores sensíveis ao ciclo de emprego formal.
Se você quer uma orientação prática de como lidar com tudo isso sem perder tempo tentando memorizar fórmulas, a estratégia que eu recomendo é bem objetiva. Primeiro, escolha três agregados principais para o país ou região que você está analisando. No Brasil, seria PIB, taxa de desemprego e índice de preços. Segundo, aprenda a fonte original de cada um. IBGE para PIB e desemprego, Banco Central para séries monetárias e câmbio, FGV para IPCA e IGPM. Terceiro, construa uma planilha onde cada série tenha uma aba com a fonte, a periodicidade, o método de deflação usado, as datas de revisão e qualquer nota técnica relevante. Parece trabalho extra, mas reduz drasticamente o tempo gasto rastreando inconsistências depois. Quarto, use ferramentas gratuitas. O R com o pacote TS é poderoso para tratamento de séries temporais. O Python com a biblioteca statsmodels também resolve a maior parte das necessidades. Se o seu foco é mais aplicado do que acadêmico, o Stata continua sendo uma opção válida e bastante difundida em consultorias. A escolha da ferramenta não importa tanto quanto a consistência metodológica, mas a curva de aprendizado do R e do Python paga o investimento em poucos meses.
Há também um aspecto que merece atenção: a armadilha da correlação espúria. Dois agregados macroeconômicos podem parecer fortemente correlacionados em uma amostra limitada, simplesmente porque ambas as séries têm tendência de crescimento ou porque compartilham um componente sazonal não removido. Antes de incluir qualquer variável em um modelo preditivo, verifique a estacionariedade com testes como DF aumentado ou KPSS. Ignorar esse passo é um dos erros mais comuns que eu já vi em relatórios de empresas de pesquisa. Para quem está começando, eu indicaria praticar com dados reais logo na primeira semana. O portal de dados abertos do IBGE, o StatBank do Banco Central do Brasil e o sistema de dados económicos do FGV oferecem séries completas e atualizadas. Baixe cinco anos de PIB trimestral, deflacione com o IPCA, calcule a variação percentual em cadeia e compare com a variação do deflator implícito. Você vai perceber rapidamente que os números não batem perfeitamente, e essa discrepância é exatamente onde mora a informação útil.
O que eu gostaria que os professores de macroeconomias enfatizassem mais é que agregados são instrumentos de comunicação, não verdades absolutas. Um PIB em alta de dois por cento pode significar crescimento real robusto ou apenas acomodação inflacionária, dependendo do deflator. Uma taxa de desemprego em queda pode refletir criação de empregos formais ou saída de pessoas do mercado de trabalho por frustração. A leitura correta depende de cruzar múltiplos indicadores, entender suas limitações e questionar as fontes antes de publicar qualquer conclusiones.
