Efeitos da pandemia sobre o PIB ainda são incertos

A média das previsões para o crescimento do PIB em 2020, disponível no boletim Focus do Banco Central, se aproximou de -6%. Mesmo há quase três meses imersos na maior pandemia da nossa geração, esse pode não ser ainda o fundo do poço. O desvio-padrão das previsões continua bastante elevado, refletindo a incerteza que domina o ambiente econômico. Os dados do Focus são coletados a partir do pacote rbcb como abaixo.


library(rbcb)

pibe = get_annual_market_expectations('PIB Total',
start_date = '2015-01-01')

O gráfico que reflete o intervalo das previsões é colocado abaixo.

Como se pode ver, a média de -5,92% situa-se entre uma mínima de -11% e uma máxima de 1,89%, com um desvio-padrão de 1,73 pontos. Abriu-se uma boca de jacaré nas previsões do boletim Focus. A seguir, o comportamento do desvio-padrão.

desvio-padrão, que ficava em torno de 0,5, deu um salto em março, refletindo a incerteza que tomou conta do ambiente econômico global. Esse aumento de incerteza, diga-se, foi captado pelo índice da FGV, como pode ser visto abaixo.

Ao que parece, ainda estamos longe de saber os efeitos da pandemia sobre a economia brasileira.

____________________

(*) Você aprende a coletar, tratar e visualizar dados macroeconômicos no nosso Curso de Análise de Conjuntura usando o R.


_____________________

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Como preparar os dados para um modelo preditivo?

Modelos de previsão macroeconômica podem facilmente alcançar um número elevado de variáveis. Mesmo modelos simplificados, como o Modelo de Pequeno Porte (MPP) do Banco Central, usam cerca de 30 variáveis. Isso impõe um grande desafio ao nosso dia a dia: como fazer a gestão destes dados para uso em modelos, desde a coleta até o tratamento?

Transfer Learning para Previsão de Séries Temporais com o Python

A aprendizagem por transferência (ou transfer learning) é a técnica de reutilizar um modelo previamente treinado em um novo problema. Esse conceito representa um grande avanço para a previsão de variáveis, especialmente aquelas organizadas ao longo do tempo, como séries temporais. Neste post, exploramos como usar transfer learning com Python para trabalhar com esse tipo de dado.

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.