Cointegração e inflação de serviços

cointegracaoNa análise de séries temporais um conceito importante é o de cointegração. Em termos econômicos, diz-se que se duas variáveis possuem alguma relação de longo prazo, então mesmo que as séries contenham tendência, elas irão se comportar de modo semelhante, sendo a diferença entre elas estacionária. É razoável supor, nesse aspecto, que desemprego e inflação sejam variáveis relacionadas no longo termo. A primeira pergunta para verificar cointegração entre elas, é verificar se possuem raiz unitária. Um exemplo nessa direção é tomar o período de 2007M06 a 2014M04, para o desemprego dessazonalizado e a inflação de serviços, acumulada em 12 meses, na economia brasileira. Ambas não rejeitam a hipótese de presença de raiz unitária e pelo teste de Johansen rejeita-se a hipótese de que não são cointegradas. Uma outra forma de ver cointegração é rodar uma regressão via MQO entre as variáveis em nível e fazer um teste de raiz unitária sobre os resíduos da regressão: serão cointegradas se a série de resíduos for estacionária. Além disso, desemprego e inflação de serviços, altamente correlacionadas, passam também em testes de precedência temporal, i.e., o primeiro parece preceder o segundo pelo teste de causalidade de Granger. Em palavras de gente: menos desemprego causa mais inflação de serviços, estes intensivos em mão de obra. Como a expectativa é que o desemprego permaneça baixo no país, a inflação de serviços continuará elevada, pressionando o índice cheio nos próximos anos. Mais uma evidência para que o Banco Central continue tentando reancorar as expectativas. Tenho desagregado a inflação de serviços e trabalhado com previsão do desemprego nas últimas semanas e em breve publico algo mais detalhada a respeito... 🙂

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.