Category

Macroeconometria

Uma comparação econométrica entre o CAGED e a PNAD Contínua

By | Macroeconometria

Ontem, eu publiquei um post chamando atenção para a divergência na margem entre o CAGED e a PNAD Contínua. Enquanto o primeiro vinha apontando resultados positivos há cinco meses, a segunda tem apresentado queda na contratação com carteira desde junho. De modo a melhor diagnosticar a relação entre as séries, optei por realizar um exercício um pouco mais aprofundado. Aplicamos três metodologias distintas às séries: (1) a aplicação do procedimento de Toda e Yamamoto (1995); (2) um modelo BVAR; (3) um modelo de correção de erros. Você pode saber mais sobre eles, a propósito, no nosso Curso de Séries Temporais usando o R. Nesse post, resumo os resultados encontrados.

Antes de mais nada, precisamos carregar alguns pacotes. O script de R começa então com os seguintes pacotes:


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

Os dados são baixados do IPEADATA e do SIDRA/IBGE com o código abaixo:


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

po = get_sidra(api='/t/6320/n1/all/v/4090/p/all/c11913/allxt')
carteira = po$Valor[po$`Posição na ocupação e categoria do emprego no trabalho principal (Código)`=='31722']
pnad = ts(carteira, start=c(2012,03), freq=12)

A seguir, tratamos os dados com o código abaixo:


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

## Comparar 3 meses
pnad3 = pnad - lag(pnad,-3)
pnad3 = final(seas(pnad3))

cagedsa3 = cagedsa+lag(cagedsa,-1)+lag(cagedsa,-2)

## Juntar dados
data = ts.intersect(cagedsa3/1000, pnad3)
colnames(data) = c('caged', 'pnad')

Observe que no código acima estou comparando a variação de três meses da PNAD Contínua com o acumulado de três meses do CAGED. Isso é necessário porque a primeira é uma pesquisa de estoque enquanto a segunda é uma pesquisa de fluxo. Ademais, a PNAD faz referência a trimestres móveis enquanto o CAGED é mensal. Uma vez devidamente tratados, podemos apresentá-los no gráfico a seguir.

A correlação entre as séries é de 0,75. Na margem, contudo, observe que enquanto a PNAD está caindo, o CAGED acumulado em três meses segue aumentando. De modo a compreender a relação entre as séries, prosseguimos com a modelagem econométrica. Primeiro, aplicamos o procedimento proposto por Toda e Yamamoto (1995). Nesse procedimento, os resultados encontrados sugerem que o CAGED ajuda a explicar a PNAD Contínua, enquanto o inverso não é verdadeiro.

Ao se construir um BVAR com Minnesota Prior e extrair as funções de impulso-resposta, observamos que um choque no CAGED afeta a PNAD positivamente. A figura acima ilustra. A seguir, construímos um modelo de correção de erros entre as séries, já que as mesmas não são estacionárias. Também extraímos as funções de impulso-resposta. Abaixo, ilustramos com um choque no CAGED e o efeito sobre a PNAD.

Por fim, mas não menos importante, fazemos a decomposição de variância entre as séries. Descobrimos que, passados 12 meses, o CAGED explica cerca de 49% da variância da PNAD, enquanto a PNAD explica apenas 1% da variância do CAGED no mesmo horizonte de tempo.

Em outras palavras, os resultados encontrados sugerem que o saldo do CAGED tem precedência temporal sobre a população ocupada com carteira da PNAD Contínua, servindo de base para antecipar os resultados da mesma. O que significa que, na margem, o CAGED pode estar antecipando uma dinâmica futura da PNAD, isto é, a melhora no mercado de trabalho formal.

Esse ponto é importante haja visto que o diagnóstico consensual extraído da PNAD de que o mercado de trabalho aumentou a informalidade nos últimos meses. Isso dá margem para diversas discussões sobre precarização do trabalho e questões similares. À luz dos resultados encontrados nesse exercício, o movimento atual pode ser apenas parte da dinâmica natural do mercado de trabalho, isto é, primeiro há uma melhora do mercado informal, só depois isso se espalha para a formalização.

Um último ponto que queria chamar atenção - e aí, os economistas especializados em mercado de trabalho me corrijam se eu estiver falando bobagem - é que o CAGED capta um rito formal, isto é, o registro de admitidos e demitidos nas empresas, enquanto a PNAD capta questões um pouco mais abstratas, já que está baseada na resposta das pessoas a um questionário. Em outros termos, o CAGED está em melhor posição para capturar, portanto, a tendência do mercado de trabalho. Os resultados encontrados nesse exercício parecem fortalecer esse argumento.

___________________

(*) Os códigos completos desse exercício, a propósito, estarão disponíveis na Edição 67 do Clube do Código.

(**) Quer sugerir exercícios? Manda um e-mail para mim: vitorwilher@analisemacro.com.br.

O Banco Central sob os mandatos de Meirelles, Tombini e Goldfajn

By | Macroeconometria

A Edição 62 do Clube do Código atualiza um exercício feito nesse espaço pelo Ricardo Lima nos idos de 2015, quando comparava as administrações de Henrique Meirelles e Alexandre Tombini à frente do Banco Central. A ideia básica do exercício era verificar a reação do Banco Central a choques na inflação e no desemprego. Nessa atualização, nós adicionamos o período de Ilan Goldfajn à frente da autoridade monetária, mudamos o desemprego pelo hiato do produto e apresentamos os resultados.

Os dados utilizados no exercício foram a taxa básica de juros, a inflação mensal medida pelo IPCA e o Índice de Nível de Atividade do Banco Central, o IBC-Br. Com base nesses dados, nós construímos um BVAR com Minnesota prior. Dividimos a amostra em três subamostras que faziam referência aos períodos de gestão de Meirelles, Tombini e Goldfajn à frente da autoridade monetária. Nessas subamostras, calculamos as funções de impulso-resposta com base em choques no hiato do produto e na inflação. Para ilustrar, abaixo a resposta para um choque na inflação.

A resposta de Meirelles e Goldfajn a choques na inflação são similares, enquanto a resposta da gestão Tombini não parece ser significativa. Abaixo a resposta acumulada.

Os códigos do exercício estarão disponíveis no repositório do Clube na próxima sexta-feira. 

Modelando o IFIX através de Mínimos Quadrados Parciais (PLS)

By | Macroeconometria

A Edição 61 do Clube do Código, que estará disponível para os membros essa semana no repositório privado, busca estimar um modelo via mínimos quadrados parciais para o IFIX, o Índice de Fundos de Investimentos Imobiliários. Segundo a B3, "O IFIX é o resultado de uma carteira teórica de ativos, elaborada de acordo com os critérios estabelecidos nesta metodologia. O objetivo do IFIX é ser o indicador do desempenho médio das cotações dos fundos imobiliários negociados nos mercados de bolsa e de balcão organizado da B3".

A opção por mínimos quadrados parciais para modelar a variável se dá devido a grande quantidade de preditores utilizados, entre variáveis reais de desempenho da economia brasileira e variáveis eminentemente financeiras, com relação entre si. A modelagem via mínimos quadrados ordinários implicaria, assim, em problemas de multicolinearidade.

Uma vez escolhidos os preditores e estimado o modelo dentro da amostra de treino, o ajuste do modelo nos pareceu satisfatório, como mostra o gráfico acima. Isso foi confirmado por medidas de acurácia avaliadas na amostra de teste.

____________________________

O Clube do Código é o projeto de compartilhamento de códigos da Análise Macro. Conheça e apoie o projeto! 

Por que temos juros tão altos: uma resposta econométrica

By | Macroeconometria

Na Edição 60 do Clube do Código, construímos um modelo simples que explica a trajetória do spread bancário no Brasil. O spread é a diferença entre as taxas de captação e de empréstimo bancário, que é sistematicamente mais elevado no país do que a evidência internacional. De modo a entender essa anomalia, utilizamos como variáveis explicativas para o spread as provisões dos bancos, compulsórios bancários, taxa de inadimplência, taxa Selic e taxa de desemprego. Abaixo o ajuste do modelo.

O modelo que construímos tem um R^2 de 0,96, o que significa que o mesmo consegue explicar 96% da variação na nossa variável de interesse. Abaixo, colocamos uma tabela que resume os resultados encontrados.

Dependent variable:
spread
provisoes 1.232**
(0.512)
compulsorio 0.007**
(0.003)
inadimplencia 1.338***
(0.386)
selic 0.559***
(0.030)
desemprego 0.559***
(0.115)
Constant -7.509***
(1.426)
Observations 84
R2 0.962
Adjusted R2 0.960
Note: *p<0.1; **p<0.05; ***p<0.01

Como se depreende da tabela, todas as variáveis foram estatisticamente significativas para explicar o spread bancário. Em particular, os resultados encontrados sugerem que um aumento de 1 p.p. na taxa de inadimplência faz o spread bancário aumentar em 1,33 p.p.

Como de praxe, os códigos do exercício estão disponíveis no repositório do Clube do Código.

____________________

ps: estamos aqui na Análise Macro com inscrições abertas para os cursos de Macro Aplicada e para a Formação em Produção de Trabalhos Empíricos usando o R, onde você aprende a lidar com dados da forma que eu mostrei no post com o uso do R. O primeiro lote está com 30% de desconto, mas deve acabar logo, então corre e se inscreve logo!  

Qual a relação entre o saldo do CAGED e o crescimento do PIB?

By | Macroeconometria

Na Edição 58 do Clube do Código, verificamos a relação entre o saldo do CAGED e o crescimento do PIB por meio de duas metodologias. Na primeira, verificamos as funções impulso-resposta extraídas de um modelo BVAR com *prior* de Minnesota. Na segunda, estimamos um Vetor de Correção de Erros (VEC), de forma a obter também funções de impulso-resposta, além da decomposição de variância. Por fim, estimamos um teste de Wald de forma a verificar precedência temporal entre as séries.

Os resultados encontrados sugerem, de forma bastante forte, que existe causalidade no sentido do saldo do CAGED para o crescimento do PIB. Para a decomposição de variância, passados 12 períodos, o saldo do CAGED explica mais de 95% da variância no crescimento do PIB.

_______________________

(*) Todos os códigos estarão disponíveis daqui a pouco no repositório privado do Clube do Código.

(**) Essa e outras análises, você aprende em nosso Curso de Séries Temporais usando o R.

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