Em blogs de economia aplicada, é comum começar pelo modelo, pela base de dados ou pela técnica econométrica. O problema é que esse caminho costuma inverter a ordem mental do leitor. Primeiro vem a pergunta. Depois vem o desenho que permite respondê-la. Só então vale entrar em resultados, limites e implicações.
1. A pergunta vem antes da técnica
Uma estratégia empírica convence melhor quando a pergunta está formulada com precisão substantiva. Em vez de abrir com “estimamos um modelo de efeitos fixos”, costuma ser mais forte explicar qual mecanismo se quer testar, qual conflito de interpretação existe e por que resolver aquilo importa para política pública, gestão ou desenho institucional.
Esse passo inicial parece simples, mas é onde muita análise perde tração. Quando a pergunta é vaga, qualquer método vira ornamento. Quando ela é clara, o leitor consegue acompanhar por que certas escolhas são defensáveis e outras não.
2. Identificação não é só validade estatística
O ponto central de uma boa estratégia não é parecer sofisticada, mas isolar uma comparação crível. Isso envolve mostrar onde está a variação útil, quais ameaças de viés permanecem e que contrafactual implícito está sendo assumido. Sem isso, o desenho pode até ser tecnicamente correto, mas continua opaco.
Na prática, convencer significa responder perguntas como: o grupo de comparação faz sentido? O timing da intervenção está bem explicado? Há risco de seleção, mudança de composição ou choques concorrentes? O que o leitor precisa ver não é só o resultado final, mas a lógica que sustenta o caminho até ele.
Clareza na formulação do problema e transparência sobre os limites do desenho costumam gerar mais confiança do que sofisticação apresentada sem contexto.
3. Evidência útil para decisão não coincide sempre com resultado significativo
Há um erro recorrente em textos aplicados: tratar significância estatística como sinônimo de relevância. Para decisão pública ou institucional, muitas vezes importa mais a magnitude plausível do efeito, a robustez a hipóteses alternativas e o contexto de implementação do que um p-valor isolado.
Se a análise mostra um efeito pequeno, incerto ou fortemente dependente de uma janela específica, isso precisa aparecer com honestidade. Um texto convincente não exagera. Ele ajuda o leitor a entender o que a evidência sustenta, o que ainda depende de cautela e quais próximos testes fariam sentido.
4. Validade externa é parte da argumentação, não um rodapé
Mesmo quando a identificação é forte, o salto para outros contextos pede cuidado. Um bom post não trata esse ponto como obrigação burocrática. Ele explicita quais condições institucionais, populacionais ou territoriais podem limitar a generalização dos achados. Isso é especialmente importante em políticas públicas, onde replicar uma solução fora do contexto original pode produzir resultados muito diferentes.
- Explique para quem o resultado faz sentido.
- Mostre em que contexto institucional ele foi obtido.
- Deixe claro o que depende de teste adicional antes de generalizar.
5. O texto precisa fechar o circuito
No fim, a função de um post aplicado é fechar o circuito entre problema, método e consequência. O leitor deve terminar com uma noção clara do que a pergunta era, por que o desenho é razoável, quais limites permanecem e como isso pode orientar uma ação futura. Quando esse circuito fecha, a estratégia empírica deixa de ser apenas correta e passa a ser persuasiva.
Referências
- Angrist, Joshua D.; Pischke, Jörn-Steffen. Mostly Harmless Econometrics: An Empiricist's Companion. Princeton University Press, 2009.
- Imbens, Guido W.; Rubin, Donald B. Causal Inference for Statistics, Social, and Biomedical Sciences. Cambridge University Press, 2015.
- Cunningham, Scott. Causal Inference: The Mixtape. Yale University Press, 2021.