Heterodoxia desvairada

[et_pb_section admin_label="section"][et_pb_row admin_label="row"][et_pb_column type="4_4"][et_pb_text admin_label="Texto" background_layout="light" text_orientation="justified" use_border_color="off" border_color="#ffffff" border_style="solid" text_font="Verdana||||" text_font_size="18"]

Parte importante da teoria econômica construída a partir dos anos 1950 é composta por modelos teóricos que podem ser refutados com base na evidência empírica disponível. De fato, à medida que há maior disponibilidade de bases de dados e avançam as ferramentas e pacotes estatísticos/econométricos, grande parte da produção acadêmica na área passou a ser empírica. Isso dito, me causou surpresa e mesmo indignação a coluna de hoje na Folha do economista, professor do IE/Unicamp e coordenador do programa de governo do PT, Marcio Pochmann.

Ao invés de refutar a coluna de algumas semanas de Samuel Pessôa, Pochmann partiu para a agressão pessoal. Entre outros questionamentos, Pessôa, com base na literatura e no debate sério sobre o tema, aponta o equívoco de Pochmann, ao defender que o problema fiscal de resolve com a volta do crescimento. Como aponta a literatura e o debate sério, que resumimos aqui, a ideia de que o efeito de um impulso fiscal sobre o crescimento econômico e sobre a arrecadação de tributos seria mais do que suficiente para não se ver aumentada a dívida pública com relação ao PIB só é possível sob condições muito específicas. Não disponíveis no Brasil.

Em outras palavras, leitor, Pessôa apontou um equívoco grave de Pochmann, que se for levado a cabo em um eventual mandato presidencial, pode custar muito caro ao país. Para isso, utilizou a literatura e a melhor evidência disponível.

O que fez Pochmann?

Entre outras barbaridades, que grosseiramente apontam uma fuga do debate sério sobre o tema, Pochmann se acha um injustiçado por não poder dar uma opinião (sic): "Assumem, como na época da Inquisição, a condição de julgadores que definem o que é o "certo", desqualificando colegas, distorcendo argumentos e posando de falsa moral acadêmica".

Como dito no início, uma parte importante do trabalho de um economista profissional envolve propor hipóteses e testá-las, com base na evidência disponível. O que Pochmann propõe está definitivamente errado, como demonstra a literatura e a melhor evidência disponível. Não é, portanto, questão de opinião.

A profissão, diga-se, está cansada dos que acham que toda opinião é possível em economia. Não é verdade. A evolução das bases de dados disponíveis e das ferramentas e pacotes estatísticos/econométricos permitem hoje refutar hipóteses equivocadas, como as defendidas por Pochmann. Certamente, diga-se, há hipóteses que ainda carecem desse tipo de refutação. E aí está a fronteira da profissão, em debate sério, que envolve trabalho árduo para propor modelos teóricos, coletar e tratar os dados disponíveis.

Pochmann ignora tudo isso e apela para a agressão pessoal contra um dos profissionais mais abertos ao debate que o país possui. É uma lástima que deve ser severamente rechaçada por estudantes, professores e profissionais de mercado.

[/et_pb_text][et_pb_image admin_label="Imagem" src="https://analisemacro.com.br/wp-content/uploads/2017/11/cursosaplicados.png" show_in_lightbox="off" url="https://analisemacro.com.br/cursos-de-r/" url_new_window="off" use_overlay="off" animation="off" sticky="off" align="left" force_fullwidth="off" always_center_on_mobile="on" use_border_color="off" border_color="#ffffff" border_style="solid"] [/et_pb_image][/et_pb_column][/et_pb_row][/et_pb_section]

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Análise regional do mercado de trabalho com dados do CAGED usando Python

Os microdados dos CAGED fornecem informações detalhadas a nível de cidade, sexo, raça, nível de instrução, idade, salário e outras sobre os trabalhadores formais do Brasil, possibilitando ricas análises regionais de dados. Neste artigo mostramos como acessar, processar e analisar estes dados utilizando o Python.

Transfer Learning: mostrando porque o Python está na ponta do desenvolvimento

A aprendizagem por transferência (transfer learning) é o reuso de um modelo pré-treinado em um novo problema. Portanto, sua utilização torna-se um avanço enorme para a previsão de diferentes tipos de variáveis, principalmente para aquelas ordenadas no tempo. Mostramos nesta postagem o uso do Transfer Learning com o Python para o caso de Séries Temporais.

como podemos ajudar?

Preencha os seus dados abaixo e fale conosco no WhatsApp

Boletim AM

Preencha o formulário abaixo para receber nossos boletins semanais diretamente em seu e-mail.