Hiato do produto deve diminuir no 2º semestre

Os dados de nível de atividade divulgados até aqui dão conta de um 3º tri positivo na margem, o que nos leva a projetar uma redução do hiato do produto, a diferença entre o PIB efetivo e o potencial da economia. De fato, isso pode ser verificado empiricamente ao estimarmos uma Curva IS como

(1)   \begin{align*} h_t = \beta_0 + \sum_{i>0} \beta_{1i} h_{t-1} + \sum_{j>0} \beta_{2j} r_{t-j} +\sum_{k > 0} \beta_{3k} \Delta sup_{t-k} + u_t, \end{align*}

onde o hiato do produto h_t é função das suas próprias defasagens, do juro real ex-ante r_{t-j} e da variação do resultado primário \Delta sup_{t-k}. As variáveis utilizadas para o exercício foram a série trimestral do hiato do produto divulgada pelo IPEA, o swap pré-DI 360 deflacionado pela expectativa de inflação 12 meses à frente o resultado primário estrutural da SPE. O gráfico abaixo ilustra as séries.

Ao estimarmos a Curva IS sugerida com os dados acima, vemos que a redução do juro real tem impacto positivo sobre o hiato. O impulso fiscal, por seu turno, medido como a diferença entre o resultado primário em t contra o mesmo em t-k, vai ter impacto negativo, considerando sup_{t-k} > sup_{t}. Já a desaceleração mundial, na falta de uma proxy para o mesma, é considera na Curva IS sugerida como um choque negativo de demanda. 

Dada a expectativa de queda na Selic, o juro ex-ante tem caído bastante nos últimos meses, sugerindo algum impacto expansionista sobre o hiato do produto nos próximos trimestres. Algum efeito, por suposto, deve ser sentido ainda nesse segundo semestre.

_________________________

(*) Conheça nosso Curso de Macroeconometria usando o R e aprenda a entender o organismo econômico por meio de equações!

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.