Fatores externos explicam a dinâmica do PIB?

A edição 59 do Clube do Código, de autoria de Renato Lerípio, aborda um tema comumente discutido entre economistas: fatores externos explicariam o a dinâmica do PIB brasileiro? Para responder a essa pergunta, foi estimado o seguinte modelo:

(1)   \begin{align*}PIB^{Brasil}_t = \alpha + \beta_1 PIB^{Externo}_t + \beta_2 \Delta TT_t + \beta_3TB^{10yr}_t + \beta_4 log(EMBI_t) + \beta_5 (TB^{10yr}_t \times log(EMBI_t)) + \epsilon_t\end{align*}

Os resultados da estimação apontam que o crescimento do PIB Externo e dos termos de troca são positivamente relacionados com o desempenho da economia brasileira, ao passo que o aumento dos juros dos títulos americanos e do risco se relacionam negativamente com a atividade nacional.

O ajuste do modelo também é bastante razoável, se levarmos em consideração o baixo nível de complexidade. Mais especificamente, as variáveis incluídas explicam cerca de 40% da variação observada no PIB brasileiro (R^2-ajustado) -- os 60% restantes seriam explicados por fatores domésticos, externos não capturados nas variáveis e erros de natureza estocástica.

Os códigos para replicar o modelo estão disponíveis no repositório privado do Clube do Código no github.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Existe correlação entre vagas de emprego e o S&P 500?

O que explica a divergência entre S&P 500 e vagas de emprego? Seria o impacto da IA ou a política monetária? Utilizando um análise dados e modelo VAR e testes de causalidade de Granger usando a linguagem de programação R, investigamos a relação e o motivo por trás da "boca de jacaré".

Como medir a comunicação do Banco Central?

Descubra como o índice ALT transforma a linguagem do Banco Central em dados analisáveis, permitindo investigar como o tom das atas do COPOM varia conforme o cenário macroeconômico e as decisões de política monetária.

Análise de Séries Temporais com a Linguagem R: dados ISP-RJ

Neste tutorial, vamos conduzir uma análise diagnóstica completa. Começaremos visualizando a série e sua tendência, depois a decomporemos em seus componentes fundamentais. Em seguida, investigaremos a distribuição estatística dos dados e, por fim, aplicaremos técnicas mais avançadas, como a análise de autocorrelação e testes de estacionariedade, que são pré-requisitos cruciais para a construção de modelos de previsão robustos como o ARIMA.

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.