Medindo o efeito da incerteza sobre o PIB Mensal

Mesmo após a redução dos níveis de incerteza vistos no ano passado, há ainda muito por percorrer para um patamar considerado aceitável. Uma elevação da incerteza, sabemos da teoria econômica, acaba por adiar investimentos e mesmo decisões de consumo de bens duráveis, o que tem efeitos não desprezíveis sobre o PIB. Nesse Comentário de Conjuntura, verificamos através de funções impulso-resposta como a incerteza afeta a variação acumulada em 12 meses do PIB mensal.

Para ilustrar o efeito da incerteza sobre o PIB, usamos as séries da Fundação Getúlio Vargas: o índice de incerteza econômica e o Monitor do PIB mensal.

Uma vez disponíveis as séries, nós verificamos se existe cointegração entre elas por meio da metodologia de Johansen. Rejeitada a hipótese nula de inexistência de cointegração, seguimos o protocolo de Johansen e não conseguimos rejeitar que existe ao menos um vetor de cointegração entre as séries.

Uma vez, então, construído o modelo VEC, nós transformamos o mesmo em um modelo VAR em nível e observamos o efeito de um impulso sobre a incerteza na variação acumulada em 12 meses do PIB mensal. O resultado é posto abaixo.

De fato, existe um efeito negativo do aumento da incerteza sobre a variação do PIB mensal, como esperado pela teoria econômica.

(*) Todos os detalhes do exercício estão disponíveis no Curso de Macroeconometria II da Análise Macro.

____________________

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Análise exploratória para modelagem preditiva no Python

Antes de desenvolver bons modelos preditivos é necessário organizar e conhecer muito bem os dados. Neste artigo, damos algumas dicas de recursos, como gráficos, análises e estatísticas, que podem ser usados para melhorar o entendimento sobre os dados usando Python.

Como usar modelos do Sklearn para previsão? Uma introdução ao Skforecast

Prever séries temporais é uma tarefa frequente em diversas áreas, porém exige conhecimento e ferramentas específicas. Os modelos de machine learning do Sklearn são populadores, porém são difíceis de aplicar em estruturas temporais de dados. Neste sentido, introduzimos a biblioteca Skforecast, que integra os modelos do Sklearn e a previsão de séries temporais de forma simples.

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.