Investigando cointegração entre consumo de energia e crescimento do PIB

Como tenho comentado nas últimas semanas, estamos tendo acesso aos primeiros dados de março que trazem os efeitos da pandemia do coronavírus sobre a economia brasileira. Um dos indicadores que tenho acompanhado mais de perto é o consumo diário de energia elétrica. Como comentei também por aqui, publicamos na semana passada a Edição 73 do Clube do Código, que traz uma intensa investigação da relação dessa série com o PIB, tanto em nível quanto em termos de taxa de crescimento.

Nesse Comentário de Conjuntura trago mais alguns detalhes do exercício. O mesmo está disponível no repositório privado do Clube no github, acessível para alunos do plano premium dos nossos Cursos Aplicados de R e para os assinantes do Clube. Para assinar, clique aqui. A seguir, carregamos os pacotes utilizados na investigação.

library(tidyverse)
library(scales)
library(readxl)
library(xts)
library(forecast)
library(sidrar)
library(lubridate)
library(zoo)
library(gridExtra)
library(tstools)
library(vars)
library(aod)
library(dynlm)
library(stargazer)
### Pacote Seasonal
library(seasonal)
Sys.setenv(X13_PATH = "C:/Séries Temporais/R/Pacotes/seas/x13ashtml")

A seguir, nós importamos as séries de energia e do PIB.

## Coleta de dados de energia
energia = read_csv2('energia.csv',
col_types = list(col_date(format='%d/%m/%Y'),
col_double()))

## Coletar dados do PIB
# PIB com ajuste sazonal
pib_sa = get_sidra(api='/t/1621/n1/all/v/all/p/all/c11255/90707/d/v584%202') %>%
mutate(date = as.yearqtr(`Trimestre (Código)`, format='%Y%q')) %>%
dplyr::select(date, Valor) %>%
as_tibble()
# PIB sem ajuste
names = c('date', 'pib_sa', 'pib', 'anual_pib')
pib = get_sidra(api='/t/1620/n1/all/v/all/p/all/c11255/90707/d/v583%202') %>%
mutate(date = as.yearqtr(`Trimestre (Código)`, format='%Y%q')) %>%
mutate(pib_sa = pib_sa$Valor) %>%
mutate(anual_pib = acum_i(Valor, 4)) %>%
dplyr::select(date, pib_sa, Valor, anual_pib) %>%
as_tibble() %>%
`colnames<-`(names)

Os dados de energia e do PIB estão com frequências diferentes, de modo que é preciso torná-las comparáveis. O código a seguir trata disso.

## Trimestralizar dados de Energia
consumo_energia = xts(energia$carga, order.by = energia$date)
consumo_energia_trimestral = apply.quarterly(consumo_energia, FUN=mean)
consumo_energia_trimestral_ts = ts(consumo_energia_trimestral,
start=c(2000,01), freq=4)
consumo_energia_trimestral_sa = final(seas(consumo_energia_trimestral_ts))
energia_trimestral = tibble(date = as.yearqtr(index(consumo_energia_trimestral_sa), format='%Y%q'),
carga=consumo_energia_trimestral_sa) %>%
mutate(anual_carga = acum_i(carga,4))

## Reunir dados
data = inner_join(pib, energia_trimestral, by='date') %>%
dplyr::select(date, pib_sa, carga, anual_pib, anual_carga) %>%
drop_na()

Com os dados comparáveis, nós plotamos o gráfico abaixo.

Uma das várias coisas que fazemos na Edição 73 do Clube do Código é estimar um modelo de correção de erros (ECM) entre as séries, uma vez que as mesmas guardam uma relação de longo prazo entre si. O modelo estimado é o seguinte:

(1)  

A tabela a seguir resume o modelo estimado.

(*) Aprenda a produzir exercícios como esse em nossos Cursos Aplicados de R.

(**) Os códigos estão disponíveis no Clube do Código.

Assine nossa Newsletter e receba nosso conteúdo exclusivo