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

Regimes da Política Monetária Brasileira com Markov Switching no Python

Este exercício analisa a política monetária brasileira utilizando modelos de Markov Switching Regression. O objetivo é identificar diferentes regimes de política monetária e como eles influenciam a taxa Selic, a meta de inflação e o hiato do produto. Usamos a linguagem de programação Python para o processo de coleta, tratamento, análise e modelagem dos dados.

Como criar janelas móveis de séries temporais usando o Python

Janelas Móveis/Deslizantes, ou Rolling Windows, são termos frequentes na análise de séries temporais. Mas o que são e como aplicá-las no Python? Neste tutorial, mostramos como essa ferramenta é essencial para a análise de dados utilizando como exemplo a correlação móvel de ações brasileiras.

Como incorporar choques em cenários de previsão?

Neste exercício mostramos como incorar choques no cenário de variáveis exógenas para fins de previsão. Usando como exemplo a previsão do IPCA, através de um modelo de machine learning, mostramos os cuidados a serem tomados e uma forma simples de definir o cenário com os choques. Ao final, apresentamos uma previsão com um suposto choque e uma previsão sem o choque para comparação.

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.