Economia ed econometria - come leggere davvero i dati

Economia ed econometria non sono due etichette intercambiabili. La prima serve a capire come funzionano mercati, incentivi e politiche pubbliche; la seconda usa la statistica per misurare relazioni, testare ipotesi e trasformare i dati in evidenze utili. Nel dibattito su economics and econometrics, la domanda davvero utile non è la definizione accademica, ma capire come questi strumenti aiutino a leggere inflazione, occupazione, crescita e qualità delle decisioni pubbliche.

Cosa distingue l’economia dall’econometria

Io parto sempre da una distinzione semplice: l’economia formula il problema, l’econometria prova a misurarlo. L’economia ci chiede, per esempio, perché i prezzi salgono, come reagiscono i salari o quali effetti produce una manovra fiscale; l’econometria prende quella domanda e la traduce in variabili osservabili, stime e intervalli di confidenza. Il passaggio decisivo è questo: una teoria economica può essere plausibile anche prima dei dati, ma diventa davvero utile solo quando i dati la rendono controllabile.

Qui c’è anche un errore molto comune: prendere un coefficiente come se fosse una verità assoluta. In realtà è una stima, quindi una sintesi costruita su un campione, con un grado di incertezza sempre presente. Una buona analisi non nasconde questa incertezza, la espone in modo leggibile. Chiarita la distinzione, diventa più facile capire dove la statistica cambia davvero il risultato.

Dove la statistica cambia davvero il risultato

Io distinguo sempre tre usi della statistica in economia: descrivere, inferire e prevedere. La statistica descrittiva riassume i dati, l’inferenza statistica misura quanto possiamo fidarci di una relazione e i modelli predittivi cercano un equilibrio tra precisione e robustezza. Il punto più frainteso è che un effetto statisticamente significativo non è automaticamente importante sul piano economico: un risultato può essere reale ma troppo piccolo per cambiare una scelta di politica pubblica o di impresa.

Regressioni e relazioni condizionate

La regressione lineare è uno strumento base, ma è anche uno dei più abusati. Serve a stimare come varia una grandezza, per esempio il consumo, quando cambia un’altra variabile, per esempio il reddito, tenendo fermi altri fattori rilevanti. Il valore della regressione non sta nel numero in sé, ma nel fatto che rende esplicite le assunzioni: quali variabili conto, quali lascio fuori e che tipo di relazione immagino tra di loro.

Quando compaiono termini come errore standard, intervallo di confidenza o p-value, io li leggo come strumenti di prudenza, non come decorazioni tecniche. L’errore standard misura quanto una stima può oscillare; l’intervallo di confidenza indica un range plausibile; il p-value dice quanto i dati sono compatibili con un’ipotesi nulla. Nessuno di questi elementi basta da solo a dire se una conclusione è utile.

Serie storiche e dati panel

Per fenomeni come PIL, inflazione, occupazione o tassi d’interesse, le serie storiche sono indispensabili. Qui contano molto la stagionalità, i ritardi temporali e le revisioni dei dati. Se guardo solo il dato di un mese, rischio di scambiare un rumore per un segnale; se invece osservo una sequenza lunga, posso distinguere meglio trend, cicli e shock temporanei.

I dati panel, cioè dati che seguono le stesse unità nel tempo, sono ancora più interessanti quando voglio confrontare regioni, imprese o famiglie. In Italia, per esempio, aiutano a leggere differenze territoriali che un dato medio nazionale nasconde facilmente. Questo punto è essenziale: la media spesso racconta meno di quanto sembri, perché può cancellare disuguaglianze molto rilevanti.

Leggi anche: Tipi di grafici statistici - quale usare e quando

Quando servono strategie causali

Se devo capire l’effetto di una politica pubblica, di un incentivo o di un cambio normativo, la semplice correlazione non basta. In questi casi entrano in gioco approcci come le differenze-in-differenze, le variabili strumentali o i disegni di discontinuità, cioè metodi che cercano di isolare meglio il nesso causale. Sono utili, ma non magici: funzionano bene solo se il contesto li rende credibili e se le assunzioni dietro il modello sono dichiarate con onestà.

Una volta chiarito che tipo di risposta sto cercando, il problema successivo diventa molto concreto: da quali dati partire e quanto fidarsi di quelli disponibili.

Le fonti dati che uso per leggere l’economia italiana

Quando passo dall’idea ai numeri, parto quasi sempre da tre livelli: quello nazionale, quello finanziario e quello europeo. In Italia mi affido soprattutto a Istat e alla Banca d’Italia; per il confronto tra paesi guardo Eurostat, perché la comparabilità lì è costruita in modo molto più stretto. Nel 2026, per esempio, le note congiunturali ufficiali mostrano bene quanto una previsione sul PIL vada letta insieme alle revisioni successive: il numero iniziale è utile, ma non è mai l’ultima parola.

Eurostat insiste proprio sulla comparabilità dei risultati, e per chi fa analisi economica questo è un vantaggio decisivo. Al tempo stesso, però, la standardizzazione impone un compromesso: non tutto ciò che è facile da confrontare è facile da interpretare nel dettaglio di un singolo paese. Una buona analisi nasce proprio dall’incrocio tra fonti solide e un metodo coerente. Ed è qui che il lavoro econometrico comincia davvero.

Come costruire un’analisi econometrica che regga

1. Definisco la domanda. Voglio spiegare un effetto, prevedere un andamento o confrontare due scenari? Senza questa scelta il modello rischia di essere elegante ma inutile.
2. Scelgo l’unità di analisi. Famiglie, imprese, regioni, mesi o trimestri non sono equivalenti. La decisione cambia il risultato più di quanto spesso si ammetta.
3. Pulisco e controllo i dati. Valori mancanti, outlier, cambi di definizione e serie riviste possono alterare una stima più di un piccolo dettaglio del modello.
4. Seleziono il metodo adatto. Se mi interessa una relazione semplice posso usare una regressione; se seguo l’evoluzione nel tempo guardo le serie storiche; se confronto soggetti diversi nel tempo uso i dati panel.
5. Verifico la robustezza. Riprovo il modello con specifiche diverse, campioni diversi o variabili alternative. Se il risultato scompare appena cambio un’ipotesi, non è ancora affidabile.
6. Interpreto in termini economici. Un coefficiente da solo dice poco: devo capire se l’effetto è grande, realistico e coerente con il contesto istituzionale.

Se, per esempio, voglio stimare l’effetto di un aumento dei tassi sui consumi, non mi basta osservare che le due grandezze si muovono in direzioni opposte. Devo chiedermi se il legame è immediato o ritardato, se l’effetto è uguale per famiglie indebitate e non indebitate, e se il dato riflette davvero il comportamento reale oppure una fase di transizione. Un modello ben costruito non cancella l’incertezza, ma la rende visibile. E questo aiuta molto più di una certezza apparente.

Gli errori più comuni e i limiti da tenere presenti

Quando vedo analisi economiche deboli, gli errori si ripetono quasi sempre negli stessi punti. Il primo è confondere correlazione e causalità: due variabili possono muoversi insieme senza che una provochi l’altra. Il secondo è l’endogeneità, cioè il caso in cui una variabile esplicativa non è davvero indipendente e finisce per distorcere la stima. Il terzo è il campione piccolo o selezionato, che produce risultati apparentemente puliti ma poco generalizzabili.

• Correlazione scambiata per causalità: succede quando si conclude troppo in fretta che un rapporto osservato sia un effetto reale.
• Endogeneità: il modello sembra solido, ma una parte della spiegazione rientra nella variabile che stiamo cercando di spiegare.
• Multicollinearità: due o più variabili si assomigliano troppo e i coefficienti diventano instabili o difficili da leggere.
• Dati revisionati o non confrontabili: una serie economica può cambiare dopo la pubblicazione iniziale, quindi va letta con prudenza.
• Overfitting: il modello si adatta benissimo ai dati passati, ma peggiora appena prova a leggere un periodo nuovo.
• Significatività economica ignorata: un effetto può essere statisticamente robusto ma troppo piccolo per contare davvero nelle decisioni.

C’è poi un limite più sottile, che spesso pesa più dei tecnicismi: i numeri non parlano da soli. Hanno bisogno di un contesto istituzionale, di una lettura storica e di un’idea chiara di ciò che sta cambiando davvero. Se questo contesto manca, l’analisi rischia di sembrare precisa solo perché usa formule complesse. Ed è qui che conviene riportare tutto alla domanda iniziale: che cosa deve aiutarmi a capire questa analisi?

Come leggere meglio i numeri economici senza farsi ingannare

Quando leggo una ricerca, una nota congiunturale o un grafico sull’economia italiana, mi faccio sempre tre domande molto semplici: che cosa misura, con quali dati e quanto è fragile il risultato. Se una di queste risposte manca, la prudenza vale più dell’entusiasmo. E se il rapporto tra teoria, dati e metodo non è chiaro, il testo può sembrare autorevole senza esserlo davvero.

• Il risultato è espresso con unità, periodo e fonte in modo trasparente.
• Il metodo scelto è coerente con la domanda, non solo con la disponibilità dei dati.
• L’effetto stimato è abbastanza grande da avere rilevanza economica, non solo statistica.
• La conclusione regge anche se cambio leggermente la specifica o il campione.

Per me, questo è il punto finale di tutto il discorso: la statistica non è un accessorio dell’economia, ma il suo controllo di qualità. Quando funziona bene, aiuta a leggere meglio l’Italia e il contesto europeo; quando viene usata male, produce numeri ordinati ma idee fragili. Se si tiene fermo questo criterio, l’analisi economica diventa molto più utile e molto meno impressionistica.