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

Como treinar e selecionar os melhores modelos de previsão no Python?

Em previsão, há uma infinidade de modelos que podem ser usados. O processo de escolha do(s) modelo(s) deve ser empírico-científico, usando métodos que visem avaliar a generalização dos algoritmos para dados novos. Neste artigo, mostramos como implementar a metodologia de validação cruzada com algoritmos de machine learning no Python, exemplificando para a previsão do IPCA.

Como selecionar variáveis para modelos de previsão no Python?

Em oposição à crença popular, grande parte dos modelos de machine learning não produzem previsões magicamente. É papel do cientista de dados executar uma boa engenharia de variáveis para não cair no clássico problema de “garbage in, garbage out” (GIGO) em aprendizado de máquina. Neste sentido, aprender a fazer uma boa seleção de variáveis é fundamental e neste artigo exploramos algumas possibilidades práticas usando o Python.

Resultado IPCA-15 - Novembro/2024

A Análise Macro apresenta os resultados do IPCA-15 de Novembro de 2024, com gráficos elaborados em Python para coleta, tratamento e visualização de dados. Todo o conteúdo, disponível exclusivamente no Clube AM, foi desenvolvido com base nos métodos ensinados nos cursos da Análise Macro, permitindo aos assinantes acesso aos códigos e replicação das análises.

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.