Estimando a Inércia Inflacionária usando o Python

Como que a inflação passada pode afetar a inflação presente? É possível mensurar esse efeito, isto é, o grau de persistência da inflação, por meio de um processo autorregressivo de ordem 1. Mostramos como construí-la utilizando o Python como ferramenta de coleta de dados, análise e ajuste do modelo.

Inércia ou simplesmente persistência não é exclusividade do processo inflacionário. Em uma leitura econométrica, pode-se dizer que a maior parte das variáveis macroeconômicas possui algum grau de persistência, ilustrado por uma autorregressividade positiva. Em outras palavras, se uma variável macroeconômica qualquer puder ser descrita por um processo autorregressivo de ordem um, como em

$\begin{align*} y_t = \alpha y_{t-1} + \varepsilon_t \end{align*}$

onde $\alpha > 0$ , então diz-se que a variável em questão apresenta algum grau de persistência. E o grau aqui é de suma importância. Isso porque, como sabemos do estudo de séries temporais, se $\alpha$ estiver no intervalo aberto entre 0 e 1, o processo autorregressivo é dito estacionário.

Nesse caso, mesmo que haja um grau elevado de persistência (isto é, $\alpha$ está mais próximo de 1), choques de oferta gerarão efeito, mas se dissiparão ao longo do tempo. Contudo, se $\alpha$ for maior ou igual a 1, a série passa a não ser mais estacionária, o que implica em desvio permanente na ocorrência de um determinado choque sobre a variável em questão.

Isso dito, parece razoável supor que o coeficiente $\alpha$ em 1 nos dará o grau de persistência, para qualquer variável macroeconômica ou de inércia, no caso específico da inflação.

No Python, é possível identificar a inércia inflacionário construindo um código que permita estimar o AR1 em uma janela de tempo, isto é, criar um rolling ARIMA(1,0,0) utilizando a biblioteca statsmodels.

Abaixo, ilustramos o resultado encontrado, tomando como base a variação mensal do IPCA, identificada pelo código 433 no Sistema Gerenciador de Séries Temporais, no período de janeiro de 2000 até abril de 2024. O modelo estimado utiliza uma amostra de 120 meses.

_____________________________________

Quer aprender mais?

Clique aqui para fazer seu cadastro no Boletim AM e baixar o código que produziu este exercício, além de receber novos exercícios com exemplos reais de análise de dados envolvendo as áreas de Data Science, Econometria, Machine Learning, Macroeconomia Aplicada, Finanças Quantitativas e Políticas Públicas diretamente em seu e-mail.

Compartilhe esse artigo

Comente o que achou desse artigo

Boletim AM

Encontre o seu conteúdo

Categorias

Artigos mais acessados

Previsões do Boletim Focus em Anos Eleitorais

Como Medir o Ciclo das Concessões de Crédito usando Python

Choque de juros e renda em bens duráveis e não duráveis usando Python

Atualização de resultados dos modelos de inflação da AM

Decomposição do Impulso de Crédito no Brasil usando Python

Aplicando o Time Series Transformer para prever inflação (IPCA)

Outros artigos relacionados

Previsões do Boletim Focus em Anos Eleitorais

Eleições são momentos de incerteza, mas os dados do Boletim Focus mostram que nem toda incerteza é igual. Ao analisar as previsões de inflação, juros e câmbio nos anos que antecederam as eleições de 2014, 2018 e 2022, este post investiga como o mercado revisa cenários macroeconômicos ao longo do tempo.

Como Medir o Ciclo das Concessões de Crédito usando Python

Este exercício apresenta uma análise quantitativa da relação entre o ciclo de concessões de crédito, a atividade econômica e a política monetária no Brasil. Utilizando a linguagem Python, o estudo aplica técnicas de decomposição de séries temporais (X13-ARIMA e Filtro HP) para isolar os componentes cíclicos dos dados. Os resultados da modelagem econométrica confirmam a pró ciclicidade do crédito em relação ao hiato do produto e sua sensibilidade às variações no hiato da taxa de juros real.

Choque de juros e renda em bens duráveis e não duráveis usando Python

Este artigo analisa a dinâmica do consumo no Brasil utilizando Python e modelos de Vetores Autorregressivos (VAR). Ao segregar bens duráveis e não duráveis, o estudo quantifica a sensibilidade a choques de juros e renda. Criamos todo o processo através do ciclo de dados: coleta, tratamento, análise de dados, modelagem e apresentação dos resultados, tudo automatizado usando a linguagem 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!