Nível de Atividade: 4º Trimestre começa com boas notícias

By | PIB

Nos últimos dias, tivemos a divulgação de três importantes pesquisas de nível de atividade referentes a outubro: produção industrial, comércio e serviços. Os resultados vieram positivos, indicando um bom início de quarto trimestre. A seguir, detalhamos os principais resultados das três pesquisas.

Métricas da Indústria Geral (%)
Mensal Interanual Trimestral Anual
2019 Aug 1,3 -2,0 0,2 -1,6
2019 Sep 0,3 1,0 0,5 -1,3
2019 Oct 0,8 1,0 0,8 -1,3

A produção industrial teve crescimento de 0,8% na margem e de 1% na comparação interanual, em outubro. A tabela acima resume os últimos três meses de crescimento positivo na margem. A seguir os gráficos das principais métricas de crescimento.

A média móvel trimestral mostra um crescimento há três meses consecutivos. A recuperação da produção industrial, contudo, ainda é incipiente. É preciso maiores dados para verificar uma maior consistência na recuperação. A seguir, analisamos as vendas no comércio, tanto na ótica restrita quanto na ótica ampliada, que incluí construção e veículos.

Métricas da PMC-IBGE (%)
Mensal Trimestral Interanual 12 meses
Volume Restrito 0,1 0,4 4,2 1,8
Receita Restrito 0,5 0,4 5,2 5,0
Volume Ampliado 0,8 0,7 5,6 3,8
Receita Ampliado 1,1 0,8 6,6 6,4

O Varejo Ampliado avançou 0,8% na margem, enquanto o restrito teve avanço de 0,5%. A seguir, colocamos os gráficos do índice de média móvel trimestral.

O varejo restrito mostrou uma leve redução no trimestre encerrado em outubro, contra o trimestre encerrado em setembro. O varejo ampliado, por outro lado, se manteve praticamente estável, em termos de volume. A variação acumulada em 12 meses do volume de comércio parou de piorar nos últimos meses, de modo que estamos prestes a ver uma reversão nessa métrica. Os gráficos a seguir ilustram.

A seguir, ilustramos as métricas referentes aos Serviços.

Métricas da PMS-IBGE (%)
Mensal Trimestral Interanual 12 meses
Receita 1,4 0,9 6,0 4,3
Volume 0,8 0,7 2,7 0,8

Os serviços também voltaram a apresentar crescimento positivo em outubro, com avanço de 0,8% na margem. A média móvel trimestral teve leve recuo em outubro, mas ainda permanece em campo positivo. Há uma leve recuperação em curso, mas ainda incipiente.

Em suma, os dados referentes ao primeiro mês do 4º trimestre são positivos, mas é preciso cautela. É preciso acompanhar os drivers que alimentam a recuperação em curso, como renda e crédito.

_______________

(*) Aprenda a fazer análises como essa em nosso Curso de Análise de Conjuntura usando o R.

Análise do COPOM: há espaço para Selic a 4,25%?

By | Copom Watch

O Comitê de Política Monetária (COPOM) resolveu na noite dessa quarta-feira reduzir a taxa básica de juros em 50 pontos-base. A decisão, amplamente esperada pelo mercado, levou a taxa básica de juros para 4,5% a.a. No comunicado da decisão, o Comitê não revelou de forma explícita seus próximos passos, mas deixa claro que o processo de relaxamento monetário está próximo do fim.

O comunicado da 227º reunião termina com a frase O Copom entende que o atual estágio do ciclo econômico recomenda cautela na condução da política monetária. O Comitê enfatiza que seus próximos passos continuarão dependendo da evolução da atividade econômica, do balanço de riscos e das projeções e expectativas de inflação.

O comportamento da autoridade monetária, como ensinamos a estimar em nosso Curso de Macroeconometria usando o R e nosso Curso de Modelos do Banco Central, pode ser descrita como segue:

(1)   \begin{align*} i_t = \alpha_0 + \alpha_1 i_{t-1} + \alpha_2 i_{t-2} + \alpha_3 (\pi_{t}^{e} - \pi^{M}) + \alpha_4 h_{t-1} + v_t  \end{align*}

Basicamente, a regra de Taylor a ser estimada relaciona a taxa básica de juros às suas próprias desagens - de modo a incorporar a suavização da taxa de juros ao longo do tempo e, econometricamente, previnir autocorrelação nos resídios -, a diferença entre a inflação projetada e a meta de inflação e uma medida de hiato do produto.

Nesse contexto, a atualização dos modelos de previsão do Banco Central, tanto usando como cenário as projeções do Focus quanto um cenário híbrido ainda colocam a inflação de 2020 abaixo da meta (que no ano que vem será de 4%). Em outros termos e a considerar uma recuperação da economia e, consequentemente, do hiato do produto em linha com as projeções, é possível dizer que ainda há espaço para mais um corte de 25 pontos-base na próxima reunião que ocorre nos dias 4 e 5 de fevereiro. O efeito do juro real sobre o hiato do produto ocorre via uma Curva IS, como a descrita abaixo:

(2)   \begin{align*} h_t = \gamma_0 + \sum_{i>0} \gamma_{1i} h_{t-1} + \sum_{j>0} \gamma_{2j} r_{t-j} +\sum_{k > 0} \gamma_{3k} \Delta sup_{t-k} + u_t  \end{align*}

Basicamente, a Curva IS estimada irá descrever a dinâmica do hiato do produto com base em **suas próprias defasagens**, da **taxa de juros real ex-ante** e da **variação do superávit primário**. Por fim, o hiato do produto irá afetar a inflação por meio de uma Curva de Phillips como abaixo:

(3)   \begin{align*} \pi_t^{livres} = \sum_{i>0} \beta_{1i} E_t \pi^{total}_{t+i} +\sum_{j>0} \beta_{2j} \pi^{total}_{t-j} +\sum_{k \geq 0} \beta_{3k} \pi^{importada}_{t-k} + \sum_{l>0} \beta_{4l} hiato_{t-l} + \sum_{m = 1}^4 D_m + \epsilon_t  \end{align*}

Basicamente, a inflação dos preços livres é uma função linear da **inflação passada**, das **expectativas de inflação**, do **hiato do produto** e da **inflação importada**. Tudo isso dito, um PIB mais forte no 4º trimestre, bem como uma inflação mais apertada nos próximos meses, refletindo choques de oferta no grupo de alimentos e uma continuação da depreciação cambial podem, por outro lado, dar como encerrado o ciclo de corte na taxa básica de juros.

Isso dito, qual o cenário mais próvavel? O gráfico acima ilustra o comportamento da inflação e dos núcleos de inflação no acumulado em 12 meses encerrado em novembro. Como se vê, ainda há bastante espaço para acomodar eventuais choques sobre a inflação. Tanto o choque de oferta dos alimentos quanto repasses da desvalorização cambial.

Hiato do Produto produzido pelo IBRE/FGV. Ver mais em https://blogdoibre.fgv.br/posts/o-hiato-do-produto-se-reduz-no-terceiro-trimestre

Já em relação ao hiato do produto, como é possível ver na figura acima, a despeito de uma melhora no índice, ele ainda está em terreno bastante negativo. Em outras palavras, ainda há espaço para algum incentivo adicional do lado monetário.

Encerrando o ciclo de corte em 4,5% ou dando um incentivo adicional de mais 25 pontos-base de corte, o certo é que a política monetária ainda deve permanecer em terreno expansionista por algum tempo. Como mostra o gráfico acima, o juro real encontra-se abaixo de 1%, enquanto estimativas para o juro neutro estão postas entre 3% e 3,5%. A política monetária, nesse contexto, cumpriu seu papel de estimular a economia em uma situação de hiato do produto negativo, inflação controlada e expectativas de inflação ancoradas. 

____________________________

(*) Os gráficos dessa edição do COPOM Watch foram gerados  a partir de scripts automáticos que estão disponíveis no Clube do Código e/ou são ensinados no nosso Curso de Análise de Conjuntura usando o R. A apresentação está disponível no repositório do github e um vídeo também está disponível na AM TV.

(**) Você pode aprender a analisar dados em nossos Cursos Aplicados de R. Inscrições abertas para as Turmas 2020.

Violência no Rio: a economia importa?

By | Clube do Código

A violência no Rio tem sido tema de alguns posts por aqui, graças à excelente base de dados do Instituto de Segurança Pública (ISP). Uma pergunta imediata é quais seriam os fatores relevantes para explicar os diversos aspectos da criminalidade no Rio de Janeiro. Pensando nisso, resolvi escrever a Edição 69 do Clube do Código sobre isso.

Becker (1968) define a decisão de cometer um crime como um processo racional, onde o potencial criminoso calcularia custos e benefícios para então decidir se vai em frente ou não. A partir desse trabalho seminal, uma extensa literatura teórica e empírica tem sido desenvolvida, relacionando diversos fatores econômicos que impactam nos custos e benefícios da decisão de cometer um crime.

Os gráficos acima relacionam o total de roubos e os homicídios dolosos no Rio de Janeiro à taxa de desemprego medida pela PNAD Contínua. O desemprego funciona como uma proxy para a situação econômica do país. Como é possível ver, há uma diferença importante na correlação entre os dois tipos de crimes. Enquanto os homicídios são apenas levemente correlacionados com o desemprego, há uma correlação mais forte entre esta e o total de roubos.

Dependent variable:
total_roubos hom_doloso
(1) (2)
desemprego 1,483.346*** 5.870**
(85.198) (2.339)
dummy -10,303.840***
(2,027.971)
Constant 437.673 333.273***
(853.107) (23.519)
Observations 92 92
R2 0.777 0.065
Adjusted R2 0.772 0.055
Residual Std. Error 1,995.093 (df = 89) 55.383 (df = 90)
F Statistic 154.826*** (df = 2; 89) 6.295** (df = 1; 90)
Note: *p<0.1; **p<0.05; ***p<0.01

A tabela acima traz, por seu turno, os resultados das regressões do total de roubos e dos homicídios dolosos contra a taxa de desemprego. De modo a prevenir regressões espúrias, nós testamos as especificações usando o teste CADF, de onde conseguimos rejeitar a hipótese nula de ausência de cointegração. Os modelos, contudo, são bastante distintos em termos de ajuste. Enquanto o desemprego (e mais uma dummy) explicam parte importante da variação do total de roubos, ele explica muito pouco da variação dos homicídios dolosos. Esses resultados, a propósito, estão em linha com Levitt (1997), que mostrou que a taxa de desemprego afeta os crimes contra a propriedade, mas não os crimes violentos.

O exercício completo estará disponível na sexta-feira, na Edição 69 do Clube do Código.

_________________

Balassiano, L.; Costa, C. M.; Gomes, F. A. R. (2012) Os Fatores econômicos importam? Uma análise da criminalidade no estado do Rio Grande do Sul. FUCAPE Working Papers nº 35.

BECKER, G. Crime and Punishment: An Economic Approach, Journal of Political Economy, 76, 169-217, 1968.

Bruce E. Hansen, 1995. "Rethinking the Univariate Approach to Unit Root Testing: Using Covariates to Increase Power," Boston College Working Papers in Economics 300., Boston College Department of Economics.

LEVITT, S. Using Electoral Cycles in Police Hiring to Estimate the Effect of Police on Crime, American Economic Review, V. 87, No.3, pp. 270-290, 1997.

Testes de Hipóteses sobre um único parâmetro: o teste t

By | Dicas de R

Um importante tipo de hipótese que estamos interessados é o da forma em que:

(1)   \begin{align*} H_0 : \beta_j = a_j, \end{align*}

onde a_j é um número dado [em geral, a_j = 0]. Para a maioria dos testes bicaudais, a hipótese alternativa implica em:

(2)   \begin{align*} H_1 : \beta_j \neq a_j, \end{align*}

e para testes unicaudais, ou temos:

(3)   \begin{align*} H_1 : \beta_j < a_j \quad ou \quad \beta_j > a_j. \end{align*}

Essas hipóteses podem ser testadas usando um teste t que é baseado na seguinte estatística:

(4)   \begin{align*} t = \frac{\hat{\beta_j} - a_j}{ep(\hat{\beta_j})}. \end{align*}

Se H_0 é verdadeira, essa estatística possui uma distribuição t com n-k-1 graus de liberdade. Para ilustrar, estimamos uma função para o log do salário-hora. Assim, temos os parâmetros dos retornos percentuais de cada entrada no modelo. Podemos avaliar se, por exemplo, depois de controlar por educação e titularidade, experiência ainda tem um efeito estatisticamente significante no salário-hora.


library(wooldridge)

data("wage1") # puxamos os dados

summary(lm(log(wage) ~ educ + exper + tenure, data=wage1))

E abaixo, a saída da regressão.

E de fato, a 5\% de significância existe um efeito para experiência. Mais especificamente, um ano a mais de experiência na média se traduz em 0,41\% de aumento salarial. Observe ainda que a estatística t pode ser calculada como sendo o parâmetro \beta_j estimado sobre o erro-padrão. Para o caso da experiência, temos 0.004121/0.001723, que é igual a 2,39. Em outras palavras, podemos rejeitar a hipótese nula que \beta_j = 0.

__________________________

(*) Isso e muito mais você aprende em nosso Curso de Introdução à Econometria usando o R.

Dados do CAGED indicam crescimento mais forte em 2020

By | Comentário de Conjuntura

Os dados do Cadastro Geral de Empregados e Desempregados (CAGED) divulgados pelo Ministério da Economia mostram que o fluxo de emprego líquido formal se acelerou ao longo de 2019. O saldo dessazonalizado saiu de uma média de 32 mil empregos líquidos no 1º trimestre para 48 mil no terceiro. Dada a relação existente entre o saldo do CAGED e o crescimento do PIB, como mostro na Edição 58 do Clube do Código, espera-se que essa aceleração vista no CAGED tenha efeito sobre o crescimento econômico. Para ilustrar, abaixo nós coletamos os dados do PIB e do saldo do CAGED.


#####################################
####### CAGED vs. PIB ###############

## Pacotes
library(ecoseries)
library(sidrar)
library(xts)
library(ggplot2)
library(scales)
library(BMR)
### Pacote Seasonal
library(seasonal)
Sys.setenv(X13_PATH = "C:/Séries Temporais/R/Pacotes/seas/x13ashtml")
#checkX13()

## Baixar dados
caged = ts(series_ipeadata('272844966',
periodicity = 'M')$serie_272844966$valor,
start=c(1999,05), freq=12)

tabela = get_sidra(api='/t/1620/n1/all/v/all/p/all/c11255/90707/d/v583%202')
pib = ts(tabela$Valor, start=c(1996,01), freq=4)

O saldo do CAGED é mensal enquanto o PIB é uma série trimestral. Assim, precisaremos fazer alguns ajustes nas séries. O código abaixo implementa.


## Dessazonalizar Caged
cagedsa <- final(seas(caged))

## Criar variação anual
anual <- (((pib+lag(pib,-1)+lag(pib,-2)+lag(pib,-3))/4)/
((lag(pib,-4)+lag(pib,-5)+lag(pib,-6)+lag(pib,-7))/4)-1)*100

## Trimestralizar Caged
dates = seq(as.Date('1999-07-01'), as.Date('2019-09-01'),
by='1 month')
caged = window(cagedsa, start=c(1999,07), end=c(2019,09))
caged = data.frame(dates=dates, caged=caged)
caged = xts(caged$caged, order.by = caged$dates)
caged = apply.quarterly(caged, FUN=mean)
caged = caged[-1]
## Juntar os dados
pib = window(anual, start=c(1999,4))
pib = data.frame(dates=as.Date(time(caged)), pib=pib)
pib = xts(pib$pib, order.by = index(caged))
data = cbind(caged/1000, pib)
colnames(data) = c('Saldo CAGED', 'Crescimento PIB')

Uma vez que os dados estejam tratados, podemos criar um gráfico como abaixo.

A elevada correlação entre as séries também implica em uma causalidade, no sentido do saldo do CAGED para o  crescimento do PIB. Em outras palavras, o maior emprego líquido formal vai gerar maior crescimento econômico nos próximos trimestres. Na margem, isso já foi sentido, inclusive, com o número acima do esperado no 3º tri. Isso deve ser visto nas métricas mais suavizadas daqui para frente.

________________________

(*) Aprenda a usar o R para fazer análise de dados com nossos Cursos Aplicados de R.

Cadastre-se na newsletter
e receba nossas novidades em primeira mão!