Cointegração e inflação de serviços

cointegracaoNa análise de séries temporais um conceito importante é o de cointegração. Em termos econômicos, diz-se que se duas variáveis possuem alguma relação de longo prazo, então mesmo que as séries contenham tendência, elas irão se comportar de modo semelhante, sendo a diferença entre elas estacionária. É razoável supor, nesse aspecto, que desemprego e inflação sejam variáveis relacionadas no longo termo. A primeira pergunta para verificar cointegração entre elas, é verificar se possuem raiz unitária. Um exemplo nessa direção é tomar o período de 2007M06 a 2014M04, para o desemprego dessazonalizado e a inflação de serviços, acumulada em 12 meses, na economia brasileira. Ambas não rejeitam a hipótese de presença de raiz unitária e pelo teste de Johansen rejeita-se a hipótese de que não são cointegradas. Uma outra forma de ver cointegração é rodar uma regressão via MQO entre as variáveis em nível e fazer um teste de raiz unitária sobre os resíduos da regressão: serão cointegradas se a série de resíduos for estacionária. Além disso, desemprego e inflação de serviços, altamente correlacionadas, passam também em testes de precedência temporal, i.e., o primeiro parece preceder o segundo pelo teste de causalidade de Granger. Em palavras de gente: menos desemprego causa mais inflação de serviços, estes intensivos em mão de obra. Como a expectativa é que o desemprego permaneça baixo no país, a inflação de serviços continuará elevada, pressionando o índice cheio nos próximos anos. Mais uma evidência para que o Banco Central continue tentando reancorar as expectativas. Tenho desagregado a inflação de serviços e trabalhado com previsão do desemprego nas últimas semanas e em breve publico algo mais detalhada a respeito... 🙂

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Como usar IA + Python para o Mercado Financeiro?

Neste post, mostramos como a Inteligência Artificial, aliada à linguagem Python, está revolucionando o mercado financeiro. Exploramos as principais áreas onde essa tecnologia pode ser aplicada — como gestão de carteiras, análise de demonstrações contábeis, estratégias quantitativas, trading e análise macroeconômica — com foco em aplicações práticas e exemplos voltados para o contexto brasileiro.

Como otimizar um portfólio de investimentos no Python?

Este post apresenta, de forma prática e didática, como aplicar o modelo de otimização de carteiras de Markowitz utilizando Python. A partir de dados reais de ações brasileiras, mostramos como calcular retornos, medir riscos e encontrar a combinação ótima de ativos com base nas preferências de risco do investidor. Utilizamos a biblioteca Riskfolio-Lib para estruturar a análise e gerar gráficos como o conjunto de oportunidades e a fronteira eficiente.

O que são SLMs?

Assim como os LLMs, os Small Language Models (SLMs) são Modelos de Linguagem baseados em IA em versões mais compactas, projetados para funcionar com menos recursos computacionais, menor latência e maior privacidade. Neste exercício mostramos como usar estes modelos usando API's ou localmente através do Python.

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.