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

Comente o que achou desse artigo

Boletim AM

Encontre o seu conteúdo

Categorias

Artigos mais acessados

Regimes inflacionários com Modelo Oculto de Markov usando Python

Regimes da Política Monetária Brasileira com Markov Switching no Python

Como criar janelas móveis de séries temporais usando o Python

Como incorporar choques em cenários de previsão?

Como preparar os dados para um modelo preditivo?

Transfer Learning para Previsão de Séries Temporais com o Python

Outros artigos relacionados

Regimes inflacionários com Modelo Oculto de Markov usando Python

Neste exercício, utilizamos Python para aplicar um Modelo Oculto de Markov (HMM) na identificação e análise de regimes inflacionários no Brasil, com base na série temporal do IPCA mensal.

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.

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!