Category

Clube AM

Medindo o efeito da incerteza sobre o nível de atividade

By | Clube AM

No mês de dezembro, iremos lançar uma nova versão do Clube do Código. O projeto de compartilhamento de códigos da Análise Macro vai avançar para uma versão 2.0, que incluirá a existência de uma comunidade no Telegram/Whatsapp, de modo a reunir os membros do Novo Clube, compartilhando com eles todos os códigos dos nossos posts feitos aqui no Blog, exercícios de análise de dados de maior fôlego, bem como tirar dúvidas sobre todos os nossos projetos e Cursos Aplicados de R.

Para ilustrar o que vamos compartilhar lá nesse novo ambiente, estou publicando nesse espaço alguns dos nossos exercícios de análise de dados. Esses exercícios fazem parte do repositório atual do Clube, que irá migrar para o novo projeto. Além de todos os exercícios existentes, vamos adicionar novos exercícios e códigos toda semana, mantendo os membros atualizados sobre o que há de mais avançado em análise de dados, econometria, machine learning, forecasting e R.

Hoje, vou mostrar um exercício que fizemos no Clube que buscava capturar o efeito da incerteza sobre o nível de atividade. A motivação para o exercício é, claro, o aumento da incerteza econômica como fruto da pandemia que estamos vivendo. Os gráficos a seguir ilustram o comportamento do hiato do produto (diferença entre o produto potencial e o produto efetivo) e da incerteza econômica. A primeira é uma série produzida pelo IPEA e a segunda é um índice fornecido pela FGV.

O aumento da incerteza tem efeitos diversos sobre o organismo econômico, como a redução do consumo pelas famílias e do investimento pelas empresas. Podemos, por suposto, capturar o seu efeito sobre o nível de atividade, de forma geral, estimando uma Curva IS que adiciona esse componente de incerteza, como na equação abaixo:

(1)   \begin{align*} h_t = \beta_0 + \beta_{1} h_{t-1} + \beta_{2} (r_{t-1} - r_{t-1}^{n}) + \beta_{3} \Delta sup_t + \beta_{4} incerteza_t + 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**, da **variação do superávit primário** e de um **índice de incerteza econômica**. A tabela abaixo resume a estimação dessa Curva considerando o método de mínimos quadrados como benchmark e os métodos TSLS e GMM como referências mais robustas para o exercício.

Efeito da Incerteza sobre o Hiato do Produto
Variável Dependente: Hiato do Produto
OLS TSLS GMM
(1) (2) (3)
Intercepto 6.17*** (1.37) 12.01*** (3.74) 17.35*** (2.81)
Hiato (-1) 0.70*** (0.06) 0.56*** (0.09) 0.47*** (0.08)
Juro Real -0.07* (0.04) -0.17*** (0.06) -0.25*** (0.04)
Variação do SPrimário -0.71* (0.36) -0.10 (0.97) 1.03 (0.85)
Incerteza -0.06*** (0.01) -0.11*** (0.03) -0.16*** (0.03)
J-Test 5.95
J-Test (p-valor) 0.43
Observations 70 67 67
R2 0.86 0.89
Adjusted R2 0.85 0.89
Residual Std. Error 0.84 (df = 65) 0.74 (df = 62)
F Statistic 99.99*** (df = 4; 65) 121.38*** (df = 4; 62)
Nota: *p<0.1; **p<0.05; ***p<0.01

 

Os resultados preliminares encontrados sugerem que existe um efeito negativo da incerteza sobre o hiato do produto. Isto é, mais incerteza afeta as decisões de consumo e investimento, que fazem com que o PIB da economia seja menor, reduzindo assim o hiato do produto.

Com base nesses resultados, é possível verificar que a "estabilização" da incerteza em patamares elevados tem efeitos negativos sobre a recuperação do nível de atividade.

______________________

(*) Cadastre-se aqui na nossa Lista VIP para receber um super desconto na abertura das Turmas 2021.

Usando o Google Trends com o R

By | Clube AM

No mês de dezembro, iremos lançar uma nova versão do Clube do Código. O projeto de compartilhamento de códigos da Análise Macro vai avançar para uma versão 2.0, que incluirá a existência de uma comunidade no Telegram/Whatsapp, de modo a reunir os membros do Novo Clube, compartilhando com eles todos os códigos dos nossos posts feitos aqui no Blog, exercícios de análise de dados de maior fôlego, bem como tirar dúvidas sobre todos os nossos projetos e Cursos Aplicados de R.

Para ilustrar o que vamos compartilhar lá nesse novo ambiente, vou publicar aqui nos próximos dias alguns dos nossos exercícios completos de análise de dados. Esses exercícios fazem parte do repositório atual do Clube, que irá migrar para o novo projeto. Além de todos os exercícios existentes, vamos adicionar novos exercícios e códigos toda semana, mantendo os membros atualizados sobre o que há de mais avançado em análise de dados, econometria, machine learning, forecasting e R.

Hoje, vou mostrar como é possível utilizar a já famosa ferramenta Google Trends dentro do R. O Google Trends é uma ferramenta do Google que mostra os mais populares termos buscados em um passado recente. A ferramenta apresenta gráficos com a frequência em que um termo particular é procurado em várias regiões do mundo, e em vários idiomas.

Para ilustrar o seu uso com o R, vamos ver como está o comportamento das buscas pelas palavras "seguro desemprego" e "emprego". Como sempre, o script começa carregando alguns pacotes.


library(gtrendsR)
library(tidyverse)
library(lubridate)
library(scales)

Na sequência, usamos a função gtrends do pacote gtrendsR para buscar as palavras que queremos.


data_gtrends = gtrends(keyword = c("seguro desemprego", 'emprego'),
geo = "BR", time='all', onlyInterest=TRUE)

Fazemos algum tratamento dos dados que pegamos com o código abaixo.


seguro_desemprego = data_gtrends$interest_over_time %>%
filter(keyword == 'seguro desemprego') %>%
mutate(mes = floor_date(date, "month")) %>%
group_by(mes) %>%
summarize(interesse = mean(hits)) %>%
mutate(date = as.Date(mes)) %>%
select(date, interesse)

A seguir, um gráfico com os dados resultantes.

O Google Trends é uma excelente ferramenta para capturar tendências. No exemplo acima, podemos ver que os pedidos de seguro-desemprego explodiram com a eclosão da pandemia e vem se reduzindo desde então.

______________________

(*) Cadastre-se aqui na nossa Lista VIP para receber um super desconto na abertura das Turmas 2021.

Índice VIX e Volatilidade da taxa de câmbio

By | Clube AM

Nessa sexta-feira, publicaremos a 74º edição do Clube do Código com um exercício envolvendo o índice VIX e a volatilidade da taxa de câmbio R$/US$. No exercício, é analisado se existe alguma precedência temporal entre as séries, bem como são estudadas as funções impulso-resposta a partir de um modelo multivariado.

O Clube do Código é o projeto de compartilhamento de códigos da Análise Macro. Seus códigos são compatilhados com os membros do Clube e com os alunos premium dos nossos Cursos Aplicados de R. Para ser assinante, visite a página do Clube.

_____________________

(*) Conheça nossa área de Finanças.

A utopia do emprego com carteira assinada

By | Clube AM

O emprego com carteira assinada nunca foi algo universal no Brasil. Mesmo no melhor momento do mercado de trabalho, quando a taxa de desemprego chegou à sua mínima histórica, a formalização flertou próxima a 40% da população ocupada. O gráfico abaixo ilustra a distribuição das diferentes categorias de emprego na população ocupada.

O emprego com e sem carteira no gráfico refere-se ao emprego privado. O emprego com carteira representa algo como 35% da população ocupada, enquanto a categoria conta própria chega a 26% e os sem carteira com 12%,5%, para o último dado disponível.

De modo a ilustrar o comportamento da formalização dentro da população ocupada, eu fiz um exercício simples de ampliar a PNAD a partir dos dados da PME. Isso é necessário porque os dados da PNAD estão disponíveis a partir de março de 2012 apenas. Com efeito, ampliei a razão entre emprego privado com carteira assinada e população ocupada total da PNAD com base na mesma razão contida na PME, gerando uma série com dados desde 2002. O gráfico a seguir ilustra.

Como é possível observar, o pico da série ocorre no auge do mercado de trabalho, quando o desemprego está na mínima histórica. Mesmo nesse momento, o emprego privado com carteira assinada representava apenas 40% da população ocupada.

_______________

(*) Os códigos do exercício estarão disponíveis amanhã na Edição 72 do Clube do Código.

(**) Aprenda a fazer análises como essa com nossos Cursos Aplicados de R.

Medindo o efeito do Teto de Gastos sobre o juro neutro

By | Clube AM

O juro neutro é aquele que equilibra poupança e investimento em uma economia com hiato do produto nulo e inflação igual à meta (Blinder, 1999). Em uma pequena economia aberta sem restrições a mobilidade de capital e com ativos substitutos, a taxa de juros doméstica é igual a taxa internacional (Barbosa et al., 2015). Quando não é o caso, deve-se adicionar à taxa de juros internacional (r_t^{*}), o risco país (\gamma_t) e o risco cambial (\tau_t), de modo que:

(1)   \begin{align*} \bar{r_t} = r_t^{*} + \gamma_t + \tau_t  \end{align*}

Com base em 1, procuramos nesse exercício verificar o impacto da emenda constitucional 95 sobre o juro de equilíbrio da economia brasileira. Para isso, vamos estimar o seguinte modelo:

(2)   \begin{align*} \bar{r_t} = \beta_0 + \beta_1 r_t^{*} + \beta_2 \gamma_t + \beta_3 \tau_t + \beta_4 D_{Teto} + \varepsilon_t,  \end{align*}

onde D_{Teto} é uma dummy que assume 1 a partir de dezembro de 2016 e 0 nos meses anteriores da amostra. \varepsilon_t é supostamente um ruído branco. Para estimar 2, vamos utilizar uma amostra entre janeiro de 2004 e outubro de 2019, totalizando 190 observações. Vamos considerar como proxy para o juro neutro, o juro estrutural implícito nas expectativas do boletim Focus, com base em BCB (2019). O juro internacional será representado pela taxa de juros efetiva praticada nos Estados Unidos (fed funds), para o risco país vamos considerar o CDS de 5 anos e para o risco cambial vamos considerar o cupom cambial, que leva em consideração a expectativa de desvalorização/valorização cambial dos agentes. Ademais, para estimar 2, vamos considerar o método de mínimos quadrados ordinários (OLS), mínimos quadrados em dois estágios (TSLS) e o método dos momentos generalizado (GMM). Os instrumentos utilizados são as quatro defasagens de cada uma das variáveis utilizadas. As variáveis utilizadas são mostradas abaixo.

Uma matriz de correlação entre as variáveis é colocada abaixo.

A tabela a seguir, por fim, resume a estimação de 2 pelos três métodos especificados.

Efeito do Teto de Gastos sobre o Juro Neutro brasileiro
Variável Dependente: Juro Neutro
OLS TSLS GMM
(1) (2) (3)
Intercepto 3.64*** (0.18) 3.56*** (0.24) 4.02*** (0.28)
Juro Internacional 0.39*** (0.04) 0.39*** (0.04) 0.15* (0.08)
Risco País 0.01*** (0.0005) 0.01*** (0.001) 0.004*** (0.001)
Risco Cambial 0.02 (0.02) 0.02 (0.02) 0.01 (0.01)
DTeto -1.54*** (0.15) -1.54*** (0.16) -1.08*** (0.22)
J-Test 12.5
J-Test (p-valor) 0.19
Observations 190 186 186
R2 0.65 0.65
Adjusted R2 0.65 0.64
Residual Std. Error 0.80 (df = 185) 0.80 (df = 181)
F Statistic 87.31*** (df = 4; 185) 82.33*** (df = 4; 181)
Nota: *p<0.1; **p<0.05; ***p<0.01

Os resultados encontrados sugerem que houve uma queda de até 1,54 ponto percentual em relação ao juro de equilíbrio médio da economia a partir da aprovação do teto de gastos, considerando os diferentes métodos utilizados para estimar a equação 2.

Todos os códigos utilizados para gerar o exercício estarão disponíveis amanhã na Edição 71 do Clube do Código. Ainda não é assinante? Tenha acesso a todas as 71 edições do Clube do Código, mais comentários de conjuntura, códigos para apresentações RMarkdown, Beamer/Latex e muito mais. 

_________________________

Barbosa, F. H., F. D. Camêlo, and I. C. João. 2015. “A Taxa de Juros Natural E a Regra de Taylor No Brasil: 2003-2015.” Revista Brasileira de Economia 70 (4): 399–417.
BCB. 2019. “Proxy Da Taxa de Juros Estrutural Implícita Nas Expectativas Da Pesquisa Focus.” Relatório de Inflação Trimestral, no. Dezembro.
Blinder, A. S. 1999. Bancos Centrais: Teoria E Prática. São Paulo: Editora 34.

Seja avisado da nossa próxima aula ao vivo de R para Análise de Dados, toda terça-feira, às 21h!

Quero ser avisado
{"cart_token":"","hash":"","cart_data":""}