Medindo o "efeito Ilan" na comunicação do Banco Central

[et_pb_section admin_label="section"][et_pb_row admin_label="row"][et_pb_column type="1_2"][et_pb_text admin_label="Texto" background_layout="light" text_orientation="justified" text_font="Abel||||" text_font_size="21" use_border_color="off" border_color="#ffffff" border_style="solid"]

Essa semana, voltei a pegar no tema da minha dissertação de mestrado: comunicação do Banco Central. A ideia é fazer um exercício para o Clube do Código sobre o assunto. Para isso, atualizei a série de legibilidade das atas do COPOM, por meio do cômputo do índice Flesch-Kincaid. O índice FK é um índice de facilidade de entendimento de um texto medido em anos de estudo formal necessários para compreender o mesmo. Para atualizar a série, utilizei os pacotes pdftools e readability. O primeiro transforma as atas do COPOM de pdf para texto e a segundo calcula o índice. O resultado desse processo está exposto no gráfico abaixo.

[/et_pb_text][/et_pb_column][et_pb_column type="1_2"][et_pb_image admin_label="Imagem" src="https://analisemacro.com.br/wp-content/uploads/2017/09/cliqueaqui.png" show_in_lightbox="off" url="https://analisemacro.com.br/cursos-de-r/" url_new_window="off" use_overlay="off" animation="off" sticky="off" align="center" force_fullwidth="off" always_center_on_mobile="on" use_border_color="off" border_color="#ffffff" border_style="solid"]

[/et_pb_image][/et_pb_column][/et_pb_row][et_pb_row admin_label="row"][et_pb_column type="4_4"][et_pb_text admin_label="Texto" background_layout="light" text_orientation="justified" text_font="Abel||||" text_font_size="21" use_border_color="off" border_color="#ffffff" border_style="solid"]

O gráfico ilustra o comportamento do índice FK aplicado às atas do COPOM desde meados de 2011 até ao último documento, divulgado essa semana. Antes de Ilan, a média de anos de estudo necessários para comprender a ata era de quase 19 anos. Com Ilan no Banco Central, essa média caiu para 16,45. Uma possível explicação para isso é que com Ilan na presidência, o Banco Central adotou o regime de inflation forecast targeting, isto é, passou a guiar suas decisões com base nas projeções e expectativas para a inflação. Nesse regime, a comunicação ganha uma importância muito grande, já que é através dela que o banco consegue gerenciar as expectativas, para utilizar a expressão consagrada por Woodford.

Ao longo das próximas semanas, pretendo publicar alguns exercícios no Clube relacionando essa série com outras variáveis macroeconômicas.

[/et_pb_text][et_pb_image admin_label="Imagem" src="https://analisemacro.com.br/wp-content/uploads/2017/11/cursosaplicados.png" show_in_lightbox="off" url="https://analisemacro.com.br/cursos-de-r/" url_new_window="off" use_overlay="off" animation="off" sticky="off" align="center" force_fullwidth="off" always_center_on_mobile="on" use_border_color="off" border_color="#ffffff" border_style="solid"]

[/et_pb_image][/et_pb_column][/et_pb_row][/et_pb_section]

Compartilhe esse artigo

Comente o que achou desse artigo

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais
e conteúdos exclusivos sobre Análise de Dados!

Assinar

Encontre o seu conteúdo

Categorias

Artigos mais acessados

Coletando dados do Google Trends no R e no Python

Contribuição para a Volatilidade [Python]

Inflação de Serviços vs. Desemprego

Modelo de previsão para grupos do IPCA

Text mining dos comunicados do FOMC: prevendo mudanças na política

Analisando a inflação por faixa de renda no Python

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.

Inflação de Serviços vs. Desemprego

A teoria econômica convencional sugere a presença de um trade-off entre inflação e desemprego no curto prazo, comumente conhecido como a Curva de Phillips. Em termos simples, reduções na taxa de desemprego podem resultar em um aumento temporário na inflação. Nesse contexto, a inflação de serviços emerge como uma categoria particularmente relevante devido às suas características distintivas. Para explorar e visualizar a relação entre inflação de serviços e desemprego, conduzimos uma análise utilizando a linguagem de programação Python. Além disso, empregamos o procedimento de Toda-Yamamoto para avaliar a existência de uma relação de causalidade no sentido Granger entre essas variáveis.