Estimando a inércia inflacionária através de modelos de espaço-estado usando Python

Introdução

Inércia ou persistência não são exclusivas do processo inflacionário. Em termos econométricos, a maioria das variáveis macroeconômicas exibe algum grau de persistência, evidenciado por uma autorregressividade positiva. Em outras palavras, se uma variável macroeconômica puder ser descrita por um processo autorregressivo de primeira ordem, como em:

    \[y_t = \beta y_{t-1} + \epsilon_t\]

onde \beta > 0, diz-se que a variável apresenta persistência. O grau de persistência é crucial. No estudo de séries temporais, sabemos que, se \beta estiver no intervalo aberto entre 0 e 1, o processo autorregressivo é considerado estacionário.

Nesse caso, mesmo que a persistência seja alta (isto é, \beta esteja próximo de 1), choques de oferta terão efeito temporário, dissipando-se com o tempo. Entretanto, se \beta for maior ou igual a 1, a série deixa de ser estacionária, o que implica um desvio permanente em resposta a choques na variável.

Assim, faz sentido interpretar o coeficiente \beta como uma medida de persistência para qualquer variável macroeconômica, ou de inércia, no caso específico da inflação.

Para obter o código e o tutorial deste exercício faça parte do Clube AM e receba toda semana os códigos em R/Python, vídeos, tutoriais e suporte completo para dúvidas.

Modelo

Para construir um modelo que capture a inércia inflacionária em uma estrutura de espaço de estados, onde:
- y_t representa o Índice de Preços ao Consumidor Amplo (IPCA) do período atual, e
- x_t representa o IPCA defasado (IPCA do período anterior),

configuramos o modelo de modo que o coeficiente de inércia inflacionária seja representado por um termo variável no tempo, \beta_t, que responde a variações ao longo do tempo.

Quer saber como construir modelos macroeconômicos? Veja nosso curso de Macroeconometria usando Python.

Estrutura do Modelo de Espaço de Estados

1. Equação de Observação

A equação de observação modela a relação entre o IPCA atual (y_t) e o IPCA defasado (x_t) através do coeficiente \beta_t, que representa a inércia inflacionária:

    \[y_t = \beta_t x_t + \varepsilon_t\]

onde:
- \varepsilon_t é o termo de erro do modelo, assumido como ruído branco (distribuído normalmente com média zero e variância \sigma^2_{\varepsilon}).

2. Equação de Estado
A equação de estado descreve a evolução de \beta_t ao longo do tempo, assumindo que ele segue uma caminhada aleatória, permitindo capturar mudanças na inércia inflacionária:

    \[\beta_{t+1} = \beta_t + \eta_t\]

onde:
- \eta_t é o ruído de estado, também assumido como ruído branco com média zero e variância \sigma^2_{\eta}, permitindo que \beta_t varie de forma gradual, sem uma tendência fixa.

Implementação em Python com statsmodels

Com base no exemplo fornecido pelo módulo statespace do statsmodels, podemos acessar módulos e funções pré-definidas para a construção de modelos, como SARIMAX, VAR, Componentes Não Observados e Modelos de Fatores Dinâmicos. Além disso, podemos criar modelos customizados usando programação orientada a objetos no Python, o que permite construir o modelo para o coeficiente de inércia inflacionária. Abaixo está uma implementação simplificada em Python utilizando o statsmodels.

Código

  1. Coleta de dados: Primeiramente, capturamos a série temporal para a variação mensal do IPCA através do Banco Central. Ajustamos sazonalmente a série utilizando uma decomposição clássica aditiva e criamos o preditor, IPCA defasado.
  2. Classe TVRegressionInflacao: Esta classe define um modelo customizado usando statsmodels, que herda de MLEModel. Este modelo:
    • Define a equação de observação com um design que varia ao longo do tempo.
    • Configura a equação de estado como uma caminhada aleatória para \beta_t.
    • Permite que as variâncias sejam estimadas como parâmetros e aplica uma transformação para garantir que sejam positivas.
  3. Ajuste e Resultados: Após ajustar o modelo aos dados, visualizamos a estimativa suavizada de \beta_t ao longo do tempo, comparando-a com o valor constante de \beta estimado via MQO tradicional.

Interpretação

O gráfico final mostra a inércia inflacionária estimada ao longo do tempo, permitindo observar como \beta_t (a inércia inflacionária) se ajusta às mudanças dinâmicas na relação entre o IPCA atual e o IPCA defasado.

Este modelo é útil em economia para capturar efeitos de inércia não constantes, refletindo mudanças estruturais no comportamento inflacionário ao longo do tempo.

Resultados

Código
                           Statespace Model Results
==============================================================================
Dep. Variable:                ipca_sa   No. Observations:                  249
Model:                   TVRegression   Log Likelihood                 -13.006
Date:                Wed, 13 Nov 2024   AIC                             34.012
Time:                        11:18:04   BIC                             48.082
Sample:                    02-01-2004   HQIC                            39.676
                         - 10-01-2024
Covariance Type:                  opg
===============================================================================
                  coef    std err          z      P>|z|      [0.025      0.975]
-------------------------------------------------------------------------------
intercept       0.2344      0.031      7.598      0.000       0.174       0.295
var.e           0.0599      0.004     16.762      0.000       0.053       0.067
var.x.coeff     0.0011      0.001      1.527      0.127      -0.000       0.003
===================================================================================
Ljung-Box (L1) (Q):                   0.01   Jarque-Bera (JB):                72.24
Prob(Q):                              0.90   Prob(JB):                         0.00
Heteroskedasticity (H):               3.62   Skew:                            -0.14
Prob(H) (two-sided):                  0.00   Kurtosis:                         5.63
===================================================================================

Warnings:
[1] Covariance matrix calculated using the outer product of gradients (complex-step).

Diagnóstico

Visualização

Referências

FULTON, Chad. Estimating time series models by state space methods in Python: Statsmodels. 2017. Disponível em: https://www.chadfulton.com/files/fulton_statsmodels_2017_v1.pdf. Acesso em: 13/11/2024.

STATS MODELS. Custom statespace models. Disponível em: https://www.statsmodels.org/dev/examples/notebooks/generated/statespace_custom_models.html#Model-1:-time-varying-coefficients. Acesso em: 13/11/2024.

LERIPIO, J. Renato. R for Economic Research: Essential tools for modern economic analysis. 2023. Capítulo 12. Disponível em: https://book.rleripio.com/. Acesso em: 13/11/2024.

Tenha acesso ao código e suporte desse e de mais 500 exercícios no Clube AM!

Quer o código desse e de mais de 500 exercícios de análise de dados com ideias validadas por nossos especialistas em problemas reais de análise de dados do seu dia a dia? Além de acesso a vídeos, materiais extras e todo o suporte necessário para você reproduzir esses exercícios? Então, conheça o Clube AM clicando aqui.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

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.

Resultado IPCA-15 - Novembro/2024

A Análise Macro apresenta os resultados do IPCA-15 de Novembro de 2024, com gráficos 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.

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.