A fada da confiança e a incerteza

Um dos aspectos mais trágicos da atual conjuntura é a lenta recuperação da economia. O hiato do produto, a diferença entre o PIB efetivo e o PIB potencial, segue em terreno bastante negativo e a taxa de desemprego segue elevada. A pergunta que fica é, portanto, quando voltaremos a crescer? Para respondê-la, precisamos seguir alguns passos. Antes de tudo, é preciso que a incerteza, causada sobretudo pelo ambiente político, ceda. Uma vez que a incerteza diminua, os agentes aumentarão a confiança no futuro e voltarão a consumir e investir.

Para ilustrar, mostramos aqui a correlação negativa entre incerteza e confiança do consumidor. Para isso, pegamos os dados da FGV, que podem ser lidos com o pacote readr.


library(readr)

data = read_csv2('confianca.csv',
col_types =
list(col_date(format='%d/%m/%Y'),
col_double(),
col_double(),
col_double(),
col_double(),
col_double(),
col_double()))

data = data[complete.cases(data),]

Uma vez lidos os dados, podemos gerar um gráfico com o pacote ggplot2 como abaixo.


library(ggplot2)
library(gridExtra)
library(scales)

g1 = ggplot(data, aes(Data, icc_exp_sa))+
geom_line()+
scale_x_date(breaks = date_breaks("2 year"),
labels = date_format("%Y"))+
theme(axis.text.x=element_text(angle=45, hjust=1))+
labs(x='', y='Índice',
title='Índice de Confiança do Consumidor')

g2 = ggplot(data, aes(Data, iie))+
geom_line()+
scale_x_date(breaks = date_breaks("2 year"),
labels = date_format("%Y"))+
theme(axis.text.x=element_text(angle=45, hjust=1))+
labs(x='', y='Índice',
title='Incerteza')

g3 = ggplot(data, aes(iie, icc_exp_sa))+
geom_point(colour='black', size=2)+
geom_smooth(method='lm', se=FALSE, colour='red',
linetype='dashed')+
labs(x='Incerteza', y='Confiança Consumidor',
title='Incerteza vs. Confiança do Consumidor',
caption='Fonte: analisemacro.com.br')

grid.arrange(g1, g2, g3, ncol=2, nrow=2,
layout_matrix= rbind(c(1,2), c(3,3)))

E o gráfico...

A correlação entre o ICC (Índice de Confiança do Consumidor) e o IIE (Índice de Incerteza Econômica) é de -0,57 para a amostra de dados disponível. Para entender melhor aqueles passos, precisamos agora construir um modelo colocando incerteza, confiança e consumo, para que possamos entender essa cadeia de causalidade.

Não me parece correto, entretanto, criticar o nó confiança => consumo, sem se atentar para o efeito da incerteza sobre a confiança do consumidor e dos empresários...

___________________

O arquivo confianca.csv está disponível no repositório do Blog.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Tratamento e transformação de séries temporais macroeconômicas para modelagem

"Garbage in, garbage out" é a regra de ouro na previsão macroeconômica. Antes de aplicar qualquer modelo de IA ou econometria para prever indicadores como o IPCA ou o PIB, existe um trabalho crucial de tratamento de dados. Neste post, abrimos os bastidores do nosso dashboard de previsões e mostramos o passo a passo para transformar dados brutos de múltiplas fontes (como BCB, IBGE e FRED) em séries prontas para modelagem. Veja como lidamos com diferentes frequências, aplicamos transformações e usamos metadados para criar um pipeline de dados robusto e automatizado.

Como planejar um pipeline de previsão macroeconômica: da coleta ao dashboard

Montar um pipeline de previsão macroeconômica não é apenas uma tarefa técnica — é um exercício de integração entre dados, modelos e automação. Neste post, apresento uma visão geral de como estruturar esse processo de ponta a ponta, da coleta de dados até a construção de um dashboard interativo, que exibe previsões automatizadas de inflação, câmbio, PIB e taxa Selic.

Coletando e integrando dados do BCB, IBGE e IPEA de forma automatizada

Quem trabalha com modelagem e previsão macroeconômica sabe o quanto é demorado reunir dados de diferentes fontes — Banco Central, IBGE, IPEA, FRED, IFI... Cada um com sua API, formato, frequência e estrutura. Esse gargalo de coleta e padronização consome tempo que poderia estar sendo usado na análise, nos modelos ou na comunicação dos resultados.

Foi exatamente por isso que criamos uma rotina de coleta automatizada, que busca, trata e organiza séries temporais econômicas diretamente das APIs oficiais, pronta para ser integrada a pipelines de previsão, dashboards ou agentes de IA econometristas.

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.