A fada da confiança e a incerteza

Um dos aspectos mais trágicos da atual conjuntura é a lenta recuperação da economia. O hiato do produto, a diferença entre o PIB efetivo e o PIB potencial, segue em terreno bastante negativo e a taxa de desemprego segue elevada. A pergunta que fica é, portanto, quando voltaremos a crescer? Para respondê-la, precisamos seguir alguns passos. Antes de tudo, é preciso que a incerteza, causada sobretudo pelo ambiente político, ceda. Uma vez que a incerteza diminua, os agentes aumentarão a confiança no futuro e voltarão a consumir e investir.

Para ilustrar, mostramos aqui a correlação negativa entre incerteza e confiança do consumidor. Para isso, pegamos os dados da FGV, que podem ser lidos com o pacote readr.


library(readr)

data = read_csv2('confianca.csv',
col_types =
list(col_date(format='%d/%m/%Y'),
col_double(),
col_double(),
col_double(),
col_double(),
col_double(),
col_double()))

data = data[complete.cases(data),]

Uma vez lidos os dados, podemos gerar um gráfico com o pacote ggplot2 como abaixo.


library(ggplot2)
library(gridExtra)
library(scales)

g1 = ggplot(data, aes(Data, icc_exp_sa))+
geom_line()+
scale_x_date(breaks = date_breaks("2 year"),
labels = date_format("%Y"))+
theme(axis.text.x=element_text(angle=45, hjust=1))+
labs(x='', y='Índice',
title='Índice de Confiança do Consumidor')

g2 = ggplot(data, aes(Data, iie))+
geom_line()+
scale_x_date(breaks = date_breaks("2 year"),
labels = date_format("%Y"))+
theme(axis.text.x=element_text(angle=45, hjust=1))+
labs(x='', y='Índice',
title='Incerteza')

g3 = ggplot(data, aes(iie, icc_exp_sa))+
geom_point(colour='black', size=2)+
geom_smooth(method='lm', se=FALSE, colour='red',
linetype='dashed')+
labs(x='Incerteza', y='Confiança Consumidor',
title='Incerteza vs. Confiança do Consumidor',
caption='Fonte: analisemacro.com.br')

grid.arrange(g1, g2, g3, ncol=2, nrow=2,
layout_matrix= rbind(c(1,2), c(3,3)))

E o gráfico...

A correlação entre o ICC (Índice de Confiança do Consumidor) e o IIE (Índice de Incerteza Econômica) é de -0,57 para a amostra de dados disponível. Para entender melhor aqueles passos, precisamos agora construir um modelo colocando incerteza, confiança e consumo, para que possamos entender essa cadeia de causalidade.

Não me parece correto, entretanto, criticar o nó confiança => consumo, sem se atentar para o efeito da incerteza sobre a confiança do consumidor e dos empresários...

___________________

O arquivo confianca.csv está disponível no repositório do Blog.

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.