Category

Economia

Choques adversos ou represamento de preços?

By | Comentário de Conjuntura

Nelson Barbosa escreveu artigo na Folha semana passada chamando atenção para a administração de Ilan Goldfajn à frente do Banco Central. Para Barbosa, Ilan teria apenas colhido os frutos plantados por Alexandre Tombini, a quem coube a ingrata tarefa de elevar os juros para conter a inflação em aceleração. No decorrer do artigo, Barbosa classifica o aumento de preços de energia e a desvalorização cambial de "choques adversos" sobre a economia brasileira. Será mesmo?

Para examinar a questão, considere o seguinte modelo básico:

(1)   \begin{align*} y = b_0 + b_1 x + \varepsilon, \end{align*}

onde y é nossa variável de interesse, x é um vetor de variáveis explicativas e \varepsilon é um termo de erro que captura tudo o que não está sendo explicado pelo nosso modelo. Isto é, nele estaria o tal "choque" sobre a variável y.

Isso dito, o que chamamos de choque é algo não previsto, certo? O problema na definição de Barbosa sobre "choques adversos" que afetaram a economia brasileira no final de 2014 para o ano de 2015 é que tudo ali estava previsto. Para examinar a questão usando dados, vamos nos concentrar nos preços da energia elétrica residencial e na gasolina. Enquanto o preço da gasolina foi mantido represado durante boa parte do governo Dilma, o preço da energia elétrica residencial sofreu um duro ataque com a MP 579, que alteraria o marco regulatório do setor. Esses preços são considerados administrados, porque seus reajustes são feitos de acordo com algum contrato, sofrendo forte interferência do governo de plantão. O gráfico abaixo ilustra.

 


 

Observe que o preço do subitem energia elétrica residencial tem uma queda brusca no final de 2012, início de 2013, por conta da tal MP 579. Já o preço da gasolina mantém-se quase sempre em uma banda limite até o final de 2014. Ambos os preços sobem drasticamente após as eleições de 2014, refletindo o represamento feito durante o governo Dilma. O que há nesses dois casos, portanto, é apenas consequência do que foi feito anteriormente pelo governo Dilma. Fato, infelizmente, esquecido por Barbosa.

Para além disso, é importante notar que o represamento de preços administrados atendia a uma estratégia alternativa mais geral de controle da inflação, deixando os juros de fora do processo. Isto é, o governo Dilma tinha como objetivo controlar a inflação ao tentar controlar preços administrados, evitando assim usar os juros para tal tarefa. Isso inclusive está documentado na heterodoxia econômica que sustentou teoricamente aquele governo. Novamente, um fato esquecido por Barbosa.

Tudo isso dito, soa leve demais chamar de "choques adversos" o que na verdade foi uma correção dos erros de cometidos pelo governo na condução da política econômica, em particular da política monetária. Ocorre choque quando não é possível antecipá-lo, o que claramente aqui não era o caso.

_______________________________

Saiba como coletar, tratar, analisar e apresentar dados com nossos Cursos Aplicados de R.

O código que gera o gráfico está disponível no repositório do Clube do Código.

Construindo previsões combinadas para a taxa de desemprego brasileira

By | Macroeconometria

Na seção 14 do nosso curso de Construção de Cenários e Previsões usando o R, ensinamos os alunos a construir previsões combinadas de diversos modelos. É bastante consensual na literatura de que previsões combinadas tendem a ser melhores do que previsões individuais, uma vez que elas podem incorporar as características de diversos modelos. Com base nesse pressuposto, na edição 53 do Clube do Código construímos uma previsão combinada para a taxa de desemprego brasileira, medida pela PNAD Contínua, com base no EQM de três modelos: SARIMA, Filtro de Kalman e BVAR. Os resultados encontrados corroboram com a literatura, como resumo nesse post.

Para o exercício, pegamos uma amostra que vai de março de 2013 a janeiro de 2019. De forma a construir o EQM, dividimos a amostra em duas, uma para gerar os modelos e outra para o gerar as previsões. Abaixo uma tabela que compara algumas métricas de avaliação dos três modelos estimados.

 

Acurácia dos Modelos
  ME RMSE MAE MPE MAPE ACF1 Theil's U
SARIMA 0.28 0.38 0.28 2.41 2.41 0.51 1.70
Kalman -0.11 0.17 0.15 -0.95 1.26 0.42 0.70
BVAR 0.22 0.42 0.24 1.86 1.98 0.25 1.89
Combinada -0.07 0.17 0.16 -0.56 1.33 0.40 0.71

 

De fato, as previsões combinadas são as que possuem os menores erros, por praticamente todas as métricas de avaliação. Abaixo, para ilustrar, colocamos as previsões para seis meses dos três modelos e a combinação entre eles feita pelo inverso do EQM.

 

Previsões para a Taxa de Desemprego
  SARIMA Kalman BVAR Combinada
2019 Feb 12.6 12.4 11.9 12.3
2019 Mar 13.1 13.0 11.8 12.8
2019 Apr 12.9 12.8 11.8 12.6
2019 May 12.6 12.6 11.7 12.5
2019 Jun 12.3 12.4 11.5 12.3
2019 Jul 12.1 12.4 11.4 12.3

 

O exercício está disponível no repositório privado do Clube do Código no github.

_____________________________________

Conheça nossos Cursos Aplicados de R e aprenda a coletar, tratar, analisar e apresentar dados com o R!

"Aquele 1%": economia se acomoda em 2018

By | Comentário de Conjuntura

No nosso Curso de Análise de Conjuntura usando o R estão disponíveis apresentações feitas em Beamer/LaTeX de diversos indicadores da economia brasileira. Essas apresentações tem por princípio a automatização do processo de coleta e tratamento dos dados, de maneira que a atualização dos resultados pode ser feita em poucos minutos, com mudanças mínimas no script. Isso garante um aumento considerável na produtividade de quem mexe todos os dias com dados macroeconômicos.

Nas últimas semanas, por suposto, tenho trabalhado na transição dessas apresentações para RMarkdown, uma sintaxe mais simples que o LaTeX, que permite uma introdução ainda mais tranquila para quem nunca programou. Como exemplo, coloco nesse post a atualização da apresentação das Contas Nacionais, divulgadas hoje pelo IBGE para o resultado do quarto trimestre do ano passado.

Os alunos do Curso de Análise de Conjuntura usando o R têm acesso a todos os códigos que geram a apresentação, desde a coleta dos dados, o tratamento dos mesmos e a visualização via ggplot2. Como degustação, não alunos podem ver a nova apresentação RMarkdown aqui.

Medindo o efeito da incerteza sobre variáveis macroeconômicas

By | Macroeconometria

Na edição 52 do Clube do Código, ampliamos nosso entendimento sobre o efeito da incerteza sobre variáveis macroeconômicas. Utilizando um modelo BVAR com uma prévia de Minnesota, nós construímos funções impulso-resposta, dando ênfase a um impulso sobre a incerteza e a resposta no crescimento do PIB, nos juros e na inflação - saiba como construir esse tipo de análise em nosso Curso de Séries Temporais usando o R. Novamente, como proxy para a incerteza, utilizamos o Índice de Incerteza Econômica da Fundação Getúlio Vargas.

Acima, estão destacadas as funções impulso-resposta selecionadas. Como se observa, o efeito de um choque na incerteza sobre o crescimento da economia permanece sendo negativo, com o seu pico ocorrendo próximo a quatro trimestres do início. O efeito sobre a inflação - nesse caso a versão acumulada em 12 meses - não parece ser significativo. Já o efeito sobre a taxa básica de juros é, curiosamente, negativo; isto é, a evidência encontrada sugere que o Banco Central reduz juros na eminência de um choque de incerteza.

Todo o processo de coleta, tratamento, modelagem e apresentação dos dados (feita em RMarkdown) está detalhado na edição 52 do Clube do Código.

 

_____________________________________

Conheça nossos Cursos Aplicados de R e aprenda a coletar, tratar, analisar e apresentar dados com o R!

Medindo o efeito da incerteza sobre o crescimento do PIB

By | Macroeconometria

Na edição 21 do Clube do Código, fiz um exercício onde procurei identificar o efeito da incerteza sobre o crescimento do PIB por meio de funções impulso-resposta de um modelo BVAR. Como proxy para "incerteza" foi utilizado o índice da FGV e para o PIB o índice mensal também da FGV. A evidência encontrada à época sugeria que um aumento da incerteza - um choque na mesma para ser mais preciso - implicava em uma redução do crescimento do PIB - saiba como construir esse tipo de análise em nosso Curso de Séries Temporais usando o R.

Na edição 52 do Clube do Código, que estará disponível para os membros nos próximos dias, eu atualizo o exercício para os últimos dois anos, bem como verifico o impacto da incerteza em outras variáveis macroeconômicas, como inflação e taxa básica de juros. Nesse post, a propósito, faço uma breve exposição dos resultados encontrados no primeiro exercício.

As séries de incerteza e crescimento do PIB apresentam uma correlação negativa, como mostra o gráfico acima. De posse dessa avaliação preliminar, resolvemos estimar um BVAR, extraindo do modelo as funções de impulso-resposta, como abaixo.

Como pode ser observado pelas funções de impulso-resposta, a evidência encontrada sugere que um choque sobre a incerteza tem efeito negativo sobre o crescimento do PIB em um horizonte de ao menos 24 meses. Isso pode ser um bom candidato a explicar por que a recuperação da economia brasileira tem sido tão lenta nos últimos anos, em meio aos diversos conflitos políticos que tivemos, bem como o grave problema fiscal ainda não equacionado. Será que os dados mais atualizados confirmam essa posição? É o que veremos na próxima edição do Clube do Código!

_____________________________________

Conheça nossos Cursos Aplicados de R e aprenda a coletar, tratar, analisar e apresentar dados com o R!

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