Comentário de Conjuntura

Investigando cointegração entre consumo de energia e crescimento do PIB

By 14 de abril de 2020 No Comments

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)   \begin{align*} \Delta Carga_t = \gamma_0 + \gamma_1 \hat{u_{t-1}} + \gamma_2 \Delta PIB_t + \varepsilon_t \end{align*}

A tabela a seguir resume o modelo estimado.

Dependent variable:
d(anual_carga)
stats::lag(resid, -1) -0.189***
(0.055)
d(anual_pib) 1.032***
(0.183)
Constant 0.147
(0.184)
Observations 72
R2 0.403
Adjusted R2 0.386
Residual Std. Error 1.558 (df = 69)
F Statistic 23.273*** (df = 2; 69)
Note: *p<0.1; **p<0.05; ***p<0.01

 

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

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


Comments

Cadastre-se na newsletter
e receba nossas novidades em primeira mão!