A teoria econômica convencional sugere a presença de um trade-off entre inflação e desemprego no curto prazo, comumente conhecido como a Curva de Phillips. Em termos simples, reduções na taxa de desemprego podem resultar em um aumento temporário na inflação. Nesse contexto, a inflação de serviços emerge como uma categoria particularmente relevante devido às suas características distintivas. Para explorar e visualizar a relação entre inflação de serviços e desemprego, conduzimos uma análise utilizando a linguagem de programação Python. Além disso, empregamos o procedimento de Toda-Yamamoto para avaliar a existência de uma relação de causalidade no sentido Granger entre essas variáveis.
Taxa de Desocupação x Inflação de Serviços
No curto prazo, observa-se uma relação inversa entre as taxas de inflação e desemprego, conhecida como a curva de Phillips em homenagem ao economista que a introduziu. Essa conexão se fundamenta na lógica de que um aumento na taxa de desemprego resulta em menor geração de renda na economia, seja pela criação reduzida de empregos ou pelos salários mais baixos oferecidos. Tal cenário leva a uma diminuição na demanda por bens e serviços. Com uma demanda mais fraca, as empresas enfrentam uma pressão menor para elevar os preços, intensificando a competição pelo restante dos consumidores. Esse contexto incentiva as empresas a reduzirem os preços para estimular a demanda por seus produtos.
Com a globalização, ocorreu um deslocamento de uma parte significativa da produção de bens dos países desenvolvidos para emergentes, bem como ocorreu a intensificação do comércio internacional. O efeito foi que a determinação dos preços de produtos industriais e agropecuários passou a ser determinado no mercado internacional destes produtos, não mais apenas no mercado interno de cada país. Isto significa que, hoje, a taxa de inflação desses bens em cada país é, em grande parte, determinada pela taxa de inflação internacional destes bens multiplicada pela variação da taxa de câmbio de cada país.
Entretanto, os preços de serviços ainda são majoritariamente produzidos e consumidos no mesmo local, e com isso, seus valores são determinados por oferta e procura no lugar onde são produzidos e consumidos. Dessa forma, a relação inversa entre taxa de inflação de serviços e taxa de desemprego dentro de cada país se manteve praticamente inalterada, mesmo com a globalização.
Devido ao impacto limitado de um aumento nas taxas de juros em um país sobre a demanda global por bens comercializáveis, as decisões de política monetária tomadas em uma única nação têm escasso efeito na taxa de inflação desses bens, a menos que influenciem a taxa de câmbio. Nesse cenário, a relação entre a inflação de serviços e a taxa de desemprego adquire uma relevância ainda maior, sendo muitas vezes o principal e, por vezes, o único meio pelo qual a política monetária pode efetivamente controlar a taxa de inflação. Este contexto destaca a necessidade de considerar cuidadosamente as dinâmicas entre serviços, desemprego e políticas monetárias ao abordar questões inflacionárias.
Além de verificar a relação linear entre as duas variáveis, podemos confirmar se há de Cointegração e causalidade no sentido Granger entre essas variáveis.
Taxa de Desocupação
O Desemprego no Brasil é medido pela Taxa de Desocupação da PNADc, com a série iniciando em março de 2012. A frequência da série é mensal, entretanto, é apresentada em trimestres móveis, além disso a série apresenta um claro padrão sazonal, principalmente no fim e início do ano, em que há aumento de empregos temporários devido as datas festivas. Portanto, podemos empregar um método para ajustar sazonalmente a série.
Inflação de Serviços
A inflação de serviços é medida pelo IPCA de Serviços. A série em sua variação mensal possuí claro padrão sazonal, portanto, devemos também ajusta-la sazonalmente. Entretanto, devemos usar uma medida que se assemelhe ao formato da Taxa de Desocupação em trimestres móveis, portanto, usamos o IPCA de Serviços acumulado em 12 meses e a média móvel de 3 meses anualizada. A primeira não necessita ser ajustada sazonalmente, enquanto a segunda sim.
Os alunos do curso de Macroeconometria usando o Python, têm a oportunidade de adquirir um conhecimento abrangente em todas as fases do processo, desde a coleta e a preparação dos dados até a análise, o desenvolvimento de modelos econométricos e a comunicação dos resultados, tudo isso utilizando Python como ferramenta principal.
Vemos abaixo a comparação entre as série da Taxa de Desocupação em Trimestre Móveis e a Variação Mensal do IPCA de Serviços.
Dessazonalização
Realizamos o ajuste sazonal de ambas as séries com meio do algoritmo x-13-arima-seats. A comparação das séries originais com a sazonalmente ajustada pode ser analisadas nos gráficos abaixo. Vemos uma mudança clara no aspecto das séries, tornando-as mais "suaves".
IPCA de Serviços de 12 meses e Média Móvel de 3 meses Anualizadas
Com o objetivo de tornar as medidas comparáveis, transformamos o IPCA de Serviços em duas novas medidas. Vemos a comparação entre ambas no gráfico abaixo.
Por fim, comparamos as variáveis no gráfico abaixo.
Relação Inversa entre Taxa de Desocupação x Inflação de Serviços
Como mencionado, a Curva de Phillips clássica pressupõe uma relação inversa entre Taxa de Desocupação e Inflação no curto prazo. Vemos que para ambas as medidas do IPCA de serviços construídas essa relação é válida. O gráfico de dispersão com reta de regressão expõe essa afirmação.
Há Causalidade no Sentido Granger? (Procedimento Toda-Yamamoto)
O teste de causalidade no sentido Granger é uma ferramenta estatística usada para investigar se uma série temporal pode ser considerada causal para outra. Especificamente, ele busca determinar se a informação contida em uma série temporal passada ajuda a prever a outra série temporal no futuro. O termo "Granger causality" foi nomeado em homenagem ao economista Clive Granger, que desenvolveu essa abordagem.
No contexto do procedimento Toda-Yamamoto, o teste de causalidade de Granger é aplicado de uma maneira mais robusta para lidar com problemas como não estacionariedade e possíveis relações não lineares entre as séries temporais. O procedimento Toda-Yamamoto envolve a aplicação de testes estatísticos para verificar a causalidade entre as variáveis em questão.
Em termos mais simples, ao realizar o teste de causalidade no sentido Granger, você está tentando determinar se as variações em uma série temporal X são úteis para prever as variações em outra série temporal Y. Se houver evidências estatísticas significativas para a existência de causalidade no sentido Granger, isso sugere que a série temporal X tem uma influência causal sobre a série temporal Y.
A aplicação do teste de causalidade no sentido Granger entre a taxa de inflação de serviços e a taxa de desemprego poderia ajudar a avaliar se variações na taxa de desemprego em períodos anteriores fornecem informações úteis para prever a variação subsequente na taxa de inflação de serviços, e vice-versa.
Em um cenário hipotético, se o teste indicar causalidade no sentido Granger da taxa de desemprego para a taxa de inflação de serviços, isso poderia sugerir que mudanças na taxa de desemprego em um determinado período passado têm poder preditivo sobre as futuras variações na taxa de inflação de serviços. Da mesma forma, se o teste revelar causalidade no sentido Granger da taxa de inflação de serviços para a taxa de desemprego, isso indicaria que as variações na taxa de inflação de serviços em períodos anteriores são informativas para prever alterações subsequentes na taxa de desemprego.
No presente exercício, estamos buscando evidenciar se há a relação que a Taxa de Desocupação granger-causa o IPCA de Serviços.
Estacionariedade das Séries
Antes de iniciar o procedimento Toda-Yamamoto, devemos confirmar que as variáveis não sejam estacionárias. Claramente, pelos gráficos acima, podemos confirmar essa tese, entretanto, usamos o Teste ADF e KPSS para confirmar.
Código
Teste de Dickey-Fuller Aumentado em "desocupacao_sa"
-----------------------------------------------
Hipótese Nula: Os dados possuem raiz unitária. Não estacionários.
Nível de Significância = 0.05
Estatística do Teste = -1.6589
Número de Lags Escolhidos = 1
Valor Crítico 1% = -3.479
Valor Crítico 5% = -2.883
Valor Crítico 10% = -2.578
=> Valor-P = 0.4524. Evidência fraca para rejeitar a Hipótese Nula.
=> A série não é Estacionária.
Teste KPSS em "desocupacao_sa"
--------------------------------
Hipótese Nula: A série é estacionária ao redor de uma tendência determinística.
Nível de Significância = 0.05
Estatística do Teste = 0.8706
Número de Lags Escolhidos = 6
Valor Crítico 10% = 0.347
Valor Crítico 5% = 0.463
Valor Crítico 2.5% = 0.574
Valor Crítico 1% = 0.739
=> Valor-P = 0.01. Rejeitando a Hipótese Nula.
=> A série não é Estacionária.
Teste de Dickey-Fuller Aumentado em "ipca_servicos_12m"
-----------------------------------------------
Hipótese Nula: Os dados possuem raiz unitária. Não estacionários.
Nível de Significância = 0.05
Estatística do Teste = -1.2207
Número de Lags Escolhidos = 14
Valor Crítico 1% = -3.484
Valor Crítico 5% = -2.885
Valor Crítico 10% = -2.579
=> Valor-P = 0.6646. Evidência fraca para rejeitar a Hipótese Nula.
=> A série não é Estacionária.
Teste KPSS em "ipca_servicos_12m"
--------------------------------
Hipótese Nula: A série é estacionária ao redor de uma tendência determinística.
Nível de Significância = 0.05
Estatística do Teste = 0.9686
Número de Lags Escolhidos = 6
Valor Crítico 10% = 0.347
Valor Crítico 5% = 0.463
Valor Crítico 2.5% = 0.574
Valor Crítico 1% = 0.739
=> Valor-P = 0.01. Rejeitando a Hipótese Nula.
=> A série não é Estacionária.
Teste de Dickey-Fuller Aumentado em "ipca_servicos_mm3m"
-----------------------------------------------
Hipótese Nula: Os dados possuem raiz unitária. Não estacionários.
Nível de Significância = 0.05
Estatística do Teste = -2.2373
Número de Lags Escolhidos = 11
Valor Crítico 1% = -3.483
Valor Crítico 5% = -2.884
Valor Crítico 10% = -2.579
=> Valor-P = 0.193. Evidência fraca para rejeitar a Hipótese Nula.
=> A série não é Estacionária.
Teste KPSS em "ipca_servicos_mm3m"
--------------------------------
Hipótese Nula: A série é estacionária ao redor de uma tendência determinística.
Nível de Significância = 0.05
Estatística do Teste = 0.8397
Número de Lags Escolhidos = 6
Valor Crítico 10% = 0.347
Valor Crítico 5% = 0.463
Valor Crítico 2.5% = 0.574
Valor Crítico 1% = 0.739
=> Valor-P = 0.01. Rejeitando a Hipótese Nula.
=> A série não é Estacionária.Teste de Cointegração de Johansen
Confirmamos que há Cointegração entre as séries aplicando o Teste de Cointegração de Johansen.
Cointegração entre Desocupação e IPCA de Serviços 12 meses
Código
Estatística do Traço: [17.7860928 3.45076324]
Valores Críticos para o Traço: [13.4294 2.7055]
Estatística do Máximo Autovalor: [14.33532956 3.45076324]
Valores Críticos para o Máximo Autovalor: [12.2971 2.7055]
Teste de Cointegração (Traço): True
Teste de Cointegração (Máximo Autovalor): TrueCointegração entre Desocupação e IPCA de Serviços MM3M
Código
Estatística do Traço: [30.17387784 3.31523854]
Valores Críticos para o Traço: [13.4294 2.7055]
Estatística do Máximo Autovalor: [26.8586393 3.31523854]
Valores Críticos para o Máximo Autovalor: [12.2971 2.7055]
Teste de Cointegração (Traço): True
Teste de Cointegração (Máximo Autovalor): TrueCausalidade de Granger (Teste Wald)
Por fim, aplicamos diretamente o Teste Wald para confirmar a eficiência de previsão dos modelos com e sem as informações da segunda variável. Se a inclusão das informações da segunda variável melhora significativamente a precisão das previsões, isso sugere a presença de causalidade de Granger.
| Test statistic | Critical value | p-value | df |
| 1.598 | 1.835 | 0.101 | (11, 208) |
| Test statistic | Critical value | p-value | df |
| 0.9558 | 1.835 | 0.488 | (11, 208) |
| Test statistic | Critical value | p-value | df |
| 4.321 | 2.640 | 0.005 | (3, 256) |
| Test statistic | Critical value | p-value | df |
| 0.2171 | 2.640 | 0.885 | (3, 256) |
A partir dos resultados acima, confirmamos que Desocupação granger-causa IPCA de Serviços MM3M.
Quer aprender mais?
Clique aqui para fazer seu cadastro no Boletim AM e baixar o código que produziu este exercício, além de receber novos exercícios com exemplos reais de análise de dados envolvendo as áreas de Data Science, Econometria, Machine Learning, Macroeconomia Aplicada, Finanças Quantitativas e Políticas Públicas diretamente em seu e-mail.
