Hiato do Produto do Brasil no Python

Hiato do Produto é uma métrica fundamental para a análise macroeconômica de um país. Neste artigo, exploramos diferentes métodos para estimar essa variável não observável utilizando Python como ferramenta principal de análise de dados.
Para obter o código e o tutorial deste exercício faça parte do Clube AM e receba toda semana os códigos em R/Python, vídeos, tutoriais e suporte completo para dúvidas.

O que é o Hiato do Produto?

A macroeconomia resulta da soma de milhões de decisões individuais descentralizadas. Todos os dias, agentes econômicos escolhem o que produzir, como produzir e como distribuir os recursos produtivos. O principal indicador desse esforço agregado é o Produto Interno Bruto (PIB), que representa a soma de todos os bens e serviços finais produzidos por um país dentro de um determinado período.

O PIB pode ser expresso em valores correntes ou como um número índice e reflete o uso de recursos escassos, como trabalho e capital, na geração de produção e renda. Dessa forma, a taxa de crescimento do PIB é um indicativo da velocidade com que um país está se desenvolvendo economicamente.

Decomposição do PIB: Produto Potencial e Hiato do Produto

Para entender melhor o conceito de hiato do produto, podemos decompor o PIB efetivo da seguinte forma:

    \[Y_{t} = Y^P_{t} + h_{t}\]

Onde:

  • Y_{t} representa o PIB efetivo em um dado período t;
  • Y^P_{t} é o produto potencial, ou seja, a tendência de longo prazo do PIB;
  • h_{t} é o hiato do produto, que mede o grau de ociosidade da economia.

O Produto Potencial  Y^P_{t}  reflete as condições estruturais da economia, como:

  • População em idade ativa;
  • Estoque de capital;
  • Qualidade da educação;
  • Instituições econômicas e políticas.

Já o Hiato do Produto h_t reflete questões conjunturais, como:

  • Política econômica (monetária e fiscal);
  • Condições climáticas;
  • Choques externos;
  • Incertezas políticas.

No curto prazo, o PIB efetivo pode crescer acima ou abaixo do produto potencial, devido a flutuações cíclicas. No longo prazo, no entanto, o crescimento da economia é limitado pela disponibilidade de fatores de produção e pela forma como esses fatores são combinados.

O PIB e a Função de Produção Cobb-Douglas

Uma forma comum de modelar a estrutura produtiva de uma economia é através da Função de Produção Cobb-Douglas, com retornos constantes de escala:

    \[Y_{t} = A_{t} K_{t}^{\alpha_{t}} L_{t}^{1-\alpha_{t}}\]

Onde:

  • K_{t} é o estoque de capital;
  • L_{t} é a força de trabalho;
  • A_{t} representa a produtividade total dos fatores (PTF);
  • \alpha_{t} mede a participação do capital na renda nacional.

O produto potencial Y^P_{t} representa o nível máximo de PIB que pode ser sustentado sem pressões inflacionárias significativas. No curto prazo, a diferença entre o PIB efetivo Y_{t} e o produto potencial Y^P_{t} é o hiato do produto h_t.

Como Estimar o Hiato do Produto?

Calcular o hiato do produto não é trivial, pois o produto potencial não é uma variável diretamente observável. Para estimá-lo, utilizamos diferentes métodos:

  1. Filtros Univariados (suavização do PIB ao longo do tempo);
  2. Filtros Multivariados (incorporando mais variáveis econômicas);
  3. Função de Produção (baseada na Cobb-Douglas).

Nenhum método é perfeito, mas cada um traz informações valiosas sobre o comportamento da economia. Por isso, recomenda-se a comparação de diferentes métodos para entender melhor as incertezas associadas a essa variável não observável.

Métodos de Estimação do Hiato do Produto no Python

No nosso estudo, implementamos os seguintes métodos de estimação do hiato do produto em Python:

  • Tendência Linear (MQO)
  • Tendência Quadrática (MQO)
  • Filtro Hodrick-Prescott (HP)
  • Filtro de Hamilton
  • Hiato estimado pela Instituição Fiscal Independente (IFI) (importação)
  • Hiato estimado pelo Banco Central do Brasil (BCB) (importação)

Para os hiatos estimados por filtro foi utilizado a biblioteca statsmodels. Já os Hiato estimados pela IFI e pelo BCB foram importados de seus respectivos sites, enquanto os demais foram estimados via Python.

Resultados e Análises do Hiato do Produto no Python

O gráfico abaixo apresenta a trajetória das diferentes medidas do hiato do produto até 2024Q1. Os principais destaques são:

  • Apenas o Hiato do BCB e o Tendência Linear apresentam valores negativos na margem;
  • As demais medidas estão acima de 0%, sugerindo que a economia não está ociosa;
  • Comparações entre os métodos ajudam a entender cenários econômicos distintos e possíveis impactos na política econômica.
Hiato do Produto do Brasil no PythonUm ponto relevante que deve ser levado em considerações é o problema de fim de amostra do Hiato estimado via Filtros Estatísticas. Falamos sobre essa questão na seguinte postagem: Investigando o problema de fim de amostra na estimativa do Hiato do Produto usando a linguagem R.

Estatística Descritivas dos Hiatos

Um ponto a se observar é do que as medidas de Hiato estimadas via Função de Produção (IFI e BCB) são menos voláteis, e possuem médias negativas, comparando-se às medidas de Tendências.

Código
Tendência Linear Tendência Quadrática Filtro HP Filtro de Hamilton IFI BCB
count 113.000000 113.000000 113.000000 102.000000 112.000000 82.000000
mean 0.205512 0.096821 0.016547 0.094519 -0.967768 -0.536463
std 6.528785 4.431386 1.808351 4.352085 1.905623 1.711461
min -15.410280 -12.843644 -9.825693 -11.501185 -10.060000 -5.150000
25% -4.623414 -3.105382 -0.850595 -2.121579 -1.942500 -1.907500
50% -2.297429 -1.284489 0.399859 0.183379 -0.795000 -0.455000
75% 4.772593 4.218755 1.127790 2.543618 0.365000 0.812500
max 13.202287 8.545595 3.727109 11.594277 2.380000 2.430000

_____________________________________

Quer aprender mais?

Conheça nossa Formação do Zero à Análise de Dados Econômicos e Financeiros usando Python e Inteligência Artificial. Aprenda do ZERO a coletar, tratar, construir modelos e apresentar dados econômicos e financeiros com o uso de Python e IA.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Como choques inflacionários afetam a previsão da Selic?

Como mensurar a importância de choques na inflação sobre o erro de previsão da taxa de juros? Neste exercício quantificamos esta pergunta sob a ótica de um modelo VAR, usando dados recentes da macroeconomia brasileira. Especificamente, estimamos a decomposição da variância dos erros de previsão do modelo, analisando choques na inflação da gasolina e sua importância sobre a variância dos erros de previsão da taxa Selic.

Modelo de previsão para o preço da gasolina

Neste exercício exploramos os dados públicos sobre o preço da gasolina no Brasil, sua composição, evolução temporal, políticas associadas e, por fim, construímos um modelo simples de previsão. Com um modelo em mãos, o analista pode cenarizar o comportamento futuro da série da forma como preferir. Todos os procedimentos foram feitos usando a linguagem de programação Python.

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.