Incerteza vs. Capacidade Instalada

É razoável supor que variáveis como incerteza e utilização da capacidade instalada da indústria de transformação andem juntas. Isto porque, uma vez que haja incerteza sobre o organismo econômico, tudo nos leva a acreditar que a utilização da capacidade instalada será menor. De modo a ilustrar esse movimento, podemos fazer uso das séries da Fundação Getúlio Vargas (FGV) para esses dois indicadores. Como de praxe, vamos carregar alguns pacotes.


library(readr)
library(ggplot2)
library(scales)
library(gridExtra)
library(BMR)

Os dados estão disponíveis no arquivo data.csv e são importados com o pacote readr.


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

Podemos, então, construir um gráfico com as nossas variáveis como abaixo, de modo a visualizar tanto as séries quanto a relação entre elas.

Como se pode ver, existe, de fato, uma relação negativa entre as variáveis. Mais incerteza está relacionada a menos uso da capacidade instalada. Isso visto, estimei um BVAR para ver o efeito de um choque da incerteza sobre a NUCI. As funções de impulso-resposta são colocadas abaixo.

Um choque na incerteza faz a utilização da capacidade instalada ser menor, como pode ser visto pela função impulso-resposta. Em outros termos, para que a economia volte a crescer é peremptório que tenhamos uma redução da incerteza. Contribui para isso um Congresso e um Executivo comprometidos com a agenda de reformas.

____________________

Os códigos desse Comentário estarão disponíveis, como de hábito, no Clube do Código.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Coletando dados do Google Trends no R e no Python

Como acompanhar e antecipar tendências de mercado? Independentemente da resposta final, os dados são o meio. Neste artigo, mostramos como obter dados do Google Trends em tempo quase real, utilizando as linguagens de programação R e Python.

Contribuição para a Volatilidade [Python]

A contribuição para a volatilidade fornece uma decomposição ponderada da contribuição de cada elemento do portfólio para o desvio padrão de todo o portfólio. Em termos formais, é definida pelo nome de contribuição marginal, que é basicamente a derivada parcial do desvio padrão do portfólio em relação aos pesos dos ativos. A interpretação da fórmula da contribuição marginal, entretanto, não é tão intuitiva, portanto, é necessário obter medidas que possibilitem analisar os componentes. Veremos portanto como calcular os componentes da contribuição e a porcentagem da contribuição. Vamos criar as respectivas medidas usando a linguagem de programação Python.

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.