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

Resultado PNADc Trimestral - 3° Trimestre/2024

A Análise Macro apresenta os resultados da PNADc Trimestral do 3º trimestre de 2024, com gráficos elaborados em Python para coleta, tratamento e visualização de dados. Todo o conteúdo, disponível exclusivamente no Clube AM, foi desenvolvido com base nos métodos ensinados nos cursos da Análise Macro, permitindo aos assinantes acesso aos códigos e replicação das análises.

Análise exploratória para modelagem preditiva no Python

Antes de desenvolver bons modelos preditivos é necessário organizar e conhecer muito bem os dados. Neste artigo, damos algumas dicas de recursos, como gráficos, análises e estatísticas, que podem ser usados para melhorar o entendimento sobre os dados usando Python.

Como usar modelos do Sklearn para previsão? Uma introdução ao Skforecast

Prever séries temporais é uma tarefa frequente em diversas áreas, porém exige conhecimento e ferramentas específicas. Os modelos de machine learning do Sklearn são populadores, porém são difíceis de aplicar em estruturas temporais de dados. Neste sentido, introduzimos a biblioteca Skforecast, que integra os modelos do Sklearn e a previsão de séries temporais de forma simples.

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.