Com a palavra os heterodoxos...

Ontem, o caos político que tomou conta do país me impediu de compartilhar com vocês um artigo bastante interessante publicado no Valor, titulado Ajuste fiscal contraproducente, dos autores Guilherme Tinoco e Ricardo Barboza. Com base na evidência empírica disponível, os autores refutam a crítica de economistas heterodoxos ao ajuste fiscal. Para estes, uma redução do gasto público aprofundaria a recessão, fazendo com que a arrecadação de tributos caia, reduzindo ainda mais o superávit primário, aumentando ainda mais a relação dívida/pib. Barboza e Tinoco, por sua vez, mostram que isso só seria verdade para números irrealistas de multiplicador fiscal ou de elasticidade da arrecadação ao PIB.

Pela refutação da crítica heterodoxa ao ajuste fiscal, o artigo já valeria muito a pena. Adiciono um ponto para que você o leia e pense: os autores utilizam a evidência empírica disponível para refutar uma hipótese equivocada. Em qualquer lugar civilizado, é assim que economistas trabalham. Acreditar em uma teoria, sem efetuar contas ou mostrar dados que a suportem não é mais economia há muito tempo...

Para quem quiser ler o artigo inteiro, disponibilizo aqui.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Como incorporar choques em cenários de previsão?

Neste exercício mostramos como incorar choques no cenário de variáveis exógenas para fins de previsão. Usando como exemplo a previsão do IPCA, através de um modelo de machine learning, mostramos os cuidados a serem tomados e uma forma simples de definir o cenário com os choques. Ao final, apresentamos uma previsão com um suposto choque e uma previsão sem o choque para comparação.

Como preparar os dados para um modelo preditivo?

Modelos de previsão macroeconômica podem facilmente alcançar um número elevado de variáveis. Mesmo modelos simplificados, como o Modelo de Pequeno Porte (MPP) do Banco Central, usam cerca de 30 variáveis. Isso impõe um grande desafio ao nosso dia a dia: como fazer a gestão destes dados para uso em modelos, desde a coleta até o tratamento?

Transfer Learning para Previsão de Séries Temporais com o Python

A aprendizagem por transferência (ou transfer learning) é a técnica de reutilizar um modelo previamente treinado em um novo problema. Esse conceito representa um grande avanço para a previsão de variáveis, especialmente aquelas organizadas ao longo do tempo, como séries temporais. Neste post, exploramos como usar transfer learning com Python para trabalhar com esse tipo de dado.

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

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.