Medindo o efeito da incerteza sobre o nível de atividade

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.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Regimes da Política Monetária Brasileira com Markov Switching no Python

Este exercício analisa a política monetária brasileira utilizando modelos de Markov Switching Regression. O objetivo é identificar diferentes regimes de política monetária e como eles influenciam a taxa Selic, a meta de inflação e o hiato do produto. Usamos a linguagem de programação Python para o processo de coleta, tratamento, análise e modelagem dos dados.

Como criar janelas móveis de séries temporais usando o Python

Janelas Móveis/Deslizantes, ou Rolling Windows, são termos frequentes na análise de séries temporais. Mas o que são e como aplicá-las no Python? Neste tutorial, mostramos como essa ferramenta é essencial para a análise de dados utilizando como exemplo a correlação móvel de ações brasileiras.

Como incorporar choques em cenários de previsão?

Neste exercício mostramos como incorar choques no cenário de variáveis exógenas para fins de previsão. Usando como exemplo a previsão do IPCA, através de um modelo de machine learning, mostramos os cuidados a serem tomados e uma forma simples de definir o cenário com os choques. Ao final, apresentamos uma previsão com um suposto choque e uma previsão sem o choque para comparação.

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.