Investigando a relação entre juros e inflação no R

Como podemos avaliar a relação entre a inflação e a taxa de juros no país por meio dos dados? No post de hoje, vamos realizar uma análise exploratória das duas medidas e compreender como os dados se ajustam à teoria econômica.

A relação entre as taxas de juros e a inflação é geralmente inversa: quando a inflação está alta, o Banco Central tende a aumentar as taxas de juros para desacelerar a economia e conter a inflação. Por outro lado, quando a inflação está baixa, o Banco Central pode reduzir as taxas de juros para estimular o consumo e o investimento, e assim estimular o crescimento econômico.

A lógica por trás dessa relação é que quando as taxas de juros estão altas, os empréstimos e o crédito se tornam mais caros, o que desestimula o consumo e o investimento. Com menos dinheiro circulando na economia, a inflação tende a desacelerar. Já quando as taxas de juros estão baixas, o crédito fica mais acessível e barato, o que estimula o consumo e o investimento, fazendo a economia crescer.

Para entender como foi criado o gráfico, faça parte do Clube AM, o repositório de códigos da Análise Macro, contendo exercícios semanais de R e Python.

Importando as Séries da Inflação e Taxa de Juros

O IPCA é a medida mais utilizada no país para verificar a inflação. Esse indicador pode ser avaliado em sua variação acumulada em 12 meses, permitindo verificar a trajetória da medida no país ao longo do período, tomando como base um período suficiente (12 meses) para se realizar análise não somente de curtíssimo prazo, mas também em um horizonte relevante.

A Selic pode ser verificada em valores mensais anualizados, portanto, comparáveis com o IPCA no sentido temporal.

Realizamos a importação das duas séries no R usando o pacote {GetBCBData}, que permite importados dados do SGS do BCB. Para o IPCA acumulado em 12 meses, usamos o código 13522 e para a Taxa Selic usamos o código 4189.

Analisando a Inflação e a Taxa de Juros

Verificamos abaixo o gráfico das duas medidas no período de agosto de 1998 até janeiro de 2023, e vemos as duas andam de forma conjunta ao longo do tempo, isto é, no período que a Selic eleva-se o IPCA também, e vice-versa.

 

O entendimento é de que, a Selic é um importante mecanismo de política monetária do Banco Central para controlar a inflação do país, de acordo com a meta de inflação no horizonte analisado, ou seja, o BC de forma geral, avalia o IPCA  de forma prospectiva para tomar as decisões de aumento ou diminuição da Meta Selic, pois o efeito prático da transmissão da Taxa de juros tem uma certa demora para afetar o IPCA,  portanto, é necessário identificar o efeito das defasagens da Selic em relação ao IPCA.

No gráfico abaixo, verificamos não somente a correlação entre as duas variáveis em nível (as duas medidas no mesmo período de tempo), mas também em relação aos valores defasados da Selic. Como estamos avaliando a relação entre o IPCA em nível e as defasagens da Selic, estaremos interessados somente na primeira coluna e primeira linha do gráfico, enquanto ignoramos o restante (relação da Selic e suas defasagens).

No gráfico, vemos que até a defasagem em 12 meses da Selic do momento atual, a correlação diminui, e se tomarmos defasagens maiores que 12 meses, a correlação fica até mesmo negativa.

_____________________________________

Quer aprender mais?

Seja um aluno da nossa trilha de Macroeconomia Aplicada e aprenda a criar projetos voltados para a Macroeconomia

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Resultado PIB - 3° Trimestre/2024

A Análise Macro apresenta os resultados da PIB 3º trimestre de 2024, com gráficos e tabelas elaborados em Python para coleta, tratamento e visualização de dados.

Todo o conteúdo, disponível exclusivamente no Clube AM, foi desenvolvido com base nos métodos ensinados nos cursos da Análise Macro, permitindo aos assinantes acesso aos códigos e replicação das análises.

Como treinar e selecionar os melhores modelos de previsão no Python?

Em previsão, há uma infinidade de modelos que podem ser usados. O processo de escolha do(s) modelo(s) deve ser empírico-científico, usando métodos que visem avaliar a generalização dos algoritmos para dados novos. Neste artigo, mostramos como implementar a metodologia de validação cruzada com algoritmos de machine learning no Python, exemplificando para a previsão do IPCA.

Como selecionar variáveis para modelos de previsão no Python?

Em oposição à crença popular, grande parte dos modelos de machine learning não produzem previsões magicamente. É papel do cientista de dados executar uma boa engenharia de variáveis para não cair no clássico problema de “garbage in, garbage out” (GIGO) em aprendizado de máquina. Neste sentido, aprender a fazer uma boa seleção de variáveis é fundamental e neste artigo exploramos algumas possibilidades práticas usando o 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.