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

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Criando operações SQL com IA Generativa no R com querychat

No universo da análise de dados, a velocidade para obter respostas é um diferencial competitivo. Frequentemente, uma simples pergunta de negócio — “Qual foi nosso produto mais vendido no último trimestre na região Nordeste?” — inicia um processo que envolve abrir o RStudio, escrever código dplyr ou SQL, executar e, finalmente, obter a resposta. E se pudéssemos simplesmente perguntar isso aos nossos dados em português, diretamente no nosso dashboard Shiny?

Dashboard Financeiro com IA e Shiny Python: Análise de Dados Abertos da CVM

Este artigo apresenta um tutorial completo sobre como construir uma ferramenta de análise financeira de ponta. Utilizando Shiny for Python, demonstramos a automação da coleta de dados das Demonstrações Financeiras Padronizadas (DFP) da CVM e o tratamento dessas informações com Pandas. O ponto alto do projeto é a integração da IA Generativa do Google Gemini, que atua como um assistente de análise, interpretando os dados filtrados pelo usuário e fornecendo insights contábeis e financeiros em tempo real. O resultado é um dashboard dinâmico que democratiza a análise de dados complexos e acelera a tomada de decisão.

Econometria, ML ou IA para previsão da PMS?

Prever a Pesquisa Mensal de Serviços (PMS/IBGE) é um desafio por natureza: trata-se de uma série mensal, sujeita a volatilidade e choques que vão de fatores sazonais a mudanças estruturais no setor. Para enfrentar esse problema, realizamos um exercício de comparação entre três abordagens de modelagem: econometria tradicional (ARIMA), machine learning (XGBoost) e inteligência artificial (TimeGPT).

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.