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

Criando operações SQL com IA Generativa no R com querychat

No universo da análise de dados, a velocidade para obter respostas é um diferencial competitivo. Frequentemente, uma simples pergunta de negócio — “Qual foi nosso produto mais vendido no último trimestre na região Nordeste?” — inicia um processo que envolve abrir o RStudio, escrever código dplyr ou SQL, executar e, finalmente, obter a resposta. E se pudéssemos simplesmente perguntar isso aos nossos dados em português, diretamente no nosso dashboard Shiny?

Dashboard Financeiro com IA e Shiny Python: Análise de Dados Abertos da CVM

Este artigo apresenta um tutorial completo sobre como construir uma ferramenta de análise financeira de ponta. Utilizando Shiny for Python, demonstramos a automação da coleta de dados das Demonstrações Financeiras Padronizadas (DFP) da CVM e o tratamento dessas informações com Pandas. O ponto alto do projeto é a integração da IA Generativa do Google Gemini, que atua como um assistente de análise, interpretando os dados filtrados pelo usuário e fornecendo insights contábeis e financeiros em tempo real. O resultado é um dashboard dinâmico que democratiza a análise de dados complexos e acelera a tomada de decisão.

Econometria, ML ou IA para previsão da PMS?

Prever a Pesquisa Mensal de Serviços (PMS/IBGE) é um desafio por natureza: trata-se de uma série mensal, sujeita a volatilidade e choques que vão de fatores sazonais a mudanças estruturais no setor. Para enfrentar esse problema, realizamos um exercício de comparação entre três abordagens de modelagem: econometria tradicional (ARIMA), machine learning (XGBoost) e inteligência artificial (TimeGPT).

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.