Estimando o Hiato do Produto do Brasil usando a linguagem R

Resumo

Este exercício estima o Hiato do Produto do Brasil utilizando quatro métodos univariados distintos. Para lidar com o problema de fim de amostra causado por filtros univariados, incorporamos previsões do PIB provenientes de agentes econômicos e projeções simples, estendendo a série temporal além da amostra original. Todo o processo de coleta, tratamento, estimação e visualização dos hiatos foi realizado na linguagem de programação R.

Introdução

O “problema de fim de amostra” (ou end-of-sample problem, em inglês) surge na extremidade final de uma série temporal, onde a ausência de dados futuros compromete a estimação da tendência e, consequentemente, do hiato do produto — definido como a diferença entre o PIB observado e o PIB potencial. Esse problema afeta métodos que dependem da série completa para estimar componentes como tendência e ciclo, tornando as estimativas menos precisas no final da amostra.

Na última postagem no Clube AM, Investigando o problema de fim de amostra na estimativa do Hiato do Produto usando a linguagem R, comparamos estimativas do hiato do produto em duas situações: (i) utilizando apenas dados disponíveis até o presente (hiato quase em tempo real) e (ii) considerando a amostra completa. Observamos diferenças significativas nos valores estimados ao longo do tempo, evidenciando a necessidade de soluções para mitigar esse problema.

Uma abordagem para contornar essa limitação é a incorporação de previsões do PIB, seja por meio de projeções de agentes de mercado ou de modelos próprios, permitindo a extensão da série além do último ponto disponível. No entanto, essa estratégia adiciona incerteza, pois a qualidade das estimativas do hiato dependerá da precisão dessas previsões.

Neste exercício, utilizamos dados do PIB índice número (base 1995 = 100) ajustado sazonalmente, extraídos da tabela 1621 do SIDRA/IBGE, como base da amostra original. Para expandir a série, incorporamos previsões do Boletim Focus para o PIB até 2026Q3 e, adicionalmente, aplicamos um modelo Damped Holt-Winters para projetar a série do PIB até 2028Q4.

Métodos

Serão utilizados quatro métodos para a estimação do Hiato do Produto:

  • Tendência Quadrática
  • Tendência Não Paramétrica
  • Filtro Hodrick-Prescott (HP)
  • Filtro de Hamilton

Para uma explicação detalhada dessas metodologias, consulte: Investigando o problema de fim de amostra na estimativa do Hiato do Produto usando a linguagem R.

Os resultados demonstram que o comportamento do hiato no fim da amostra varia significativamente entre os dois cenários analisados. No caso da amostra original, observamos oscilações de alta magnitude nos valores estimados. Já com a amostra estendida, os valores tornam-se mais estáveis e próximos de 0%, indicando menor volatilidade na estimativa do Hiato do Produto.

Vale destacar que o Filtro de Hamilton apresentou diferenças menos expressivas entre os dois cenários, como era esperado. Esse método, por construção, busca mitigar o problema de fim de amostra, embora seus resultados ainda possam ser levemente impactados por essa limitação.

Considerações Finais

Com base neste e no exercício anterior, confirmamos a existência do problema de fim de amostra na estimação do Hiato do Produto por meio de filtros univariados e bidirecionais, o que resulta em estimativas menos confiáveis no final da amostra. Além disso, demonstramos como a linguagem R pode ser utilizada para coleta, tratamento, modelagem e análise de dados econômicos, permitindo abordagens mais robustas para lidar com essa limitação.

Referências

BANCO CENTRAL DO BRASIL. Relatório de Inflação, junho de 2024. Brasília: Banco Central do Brasil, 2024. Boxe “Medidas de hiato do produto no Brasil”, p. 10. Disponível em: https://www.bcb.gov.br/content/ri/relatorioinflacao/202406/ri202406b10p.pdf. Acesso em: 24 fev. 2025.

HAMILTON, J.D. Why you should never use the Hodrick-Prescott filter. Review of Economics and Statistics, v. 81, n. 1, p. 1-17, 1999.

HODRICK, R.J.; PRESCOTT, E.C. Postwar U.S. business cycles: An empirical investigation. Journal of Money, Credit, and Banking, v. 29, n. 1, p. 1-16, 1997.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Como usar automação com Python e IA na análise de ações

No cenário atual, profissionais de finanças buscam formas mais rápidas, eficientes e precisas para analisar dados e tomar decisões. Uma das grandes revoluções para isso é o uso combinado de Python, automação e modelos de linguagem grande (LLMs), como o Google Gemini. O dashboard que criamos é um ótimo exemplo prático dessa integração, reunindo dados, cálculos, visualizações e análise textual em um único ambiente.

Análise de ações com IA - um guia inicial

Neste artigo, você vai aprender a integrar IA na análise de ações de forma automatizada utilizando Python. Ao final, você terá um pipeline completo capaz de coletar dados de mercado, gerar gráficos, elaborar relatórios com linguagem natural.

Quais são as ferramentas de IA?

Um aspecto crucial dos Agentes de IA é a sua capacidade de tomar ações, que acontecem por meio do uso de Ferramentas (Tools). Neste artigo, vamos aprender o que são Tools, como defini-las de forma eficaz e como integrá-las ao seu Agente por meio da System Prompt. Ao fornecer as Tools certas para o seu Agente — e ao descrever claramente como essas Tools funcionam — você pode aumentar drasticamente o que sua IA é capaz de realizar.

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.