Estimando o repasse cambial no Python

Medidas de repasse externo fazem parte da caixa de ferramentas de todos aqueles que trabalham com inflação e política monetária. Podemos utilizar o Python para realizar todo o processo ferramental de coleta, tratamento e estimação do efeito do repasse externo para a inflação doméstica.

Existem diversas metodologias para estimar o repasse, desde modelos mais complexos do tipo DSGE a abordagens mais simples que utilizam formas reduzidas das Curvas de Phillips derivadas de modelos estruturais menores.

O objetivo do exercício é oferecer uma medida de repasse externo a partir da estimação de um modelo inspirado na forma reduzida da Curva de Phillips do Modelo Semiestrutural de Pequeno Porte do BCB.

Tomamos como base o seguinte modelo abaixo:

    \[\pi_t^{livres} = \sum_{i>0} \beta_{1i} E_t \pi^{total}_{t+i} +\sum_{j>0} \beta_{2j} \pi^{total}_{t-j} +\sum_{k \geq 0} \beta_{3k} \pi^{importada}_{t-k} + \sum_{l>0} \beta_{4l} hiato_{t-l} + \epsilon_t\]

Basicamente, a inflação dos preços livres é uma função linear da inflação passada, das expectativas de inflação, do hiato do produto e da inflação importada.

Construção do Modelo no Python

Vamos aplicar todo o processo de coleta, tratamento, modelagem e visualização dos dados utilizando somente o Python.

Para obter todo o código do processo de criação do modelo, faça parte do Clube AM, o repositório de códigos da Análise Macro, contendo exercícios semanais de R e Python.

No gráfico abaixo, temos a comparação entre os valores reais do IPCA livres e o valores ajustados pelo modelo proposto acima, estimado por uma regressão linear via MQO.

No gráfico abaixo, temos a contribuição de cada variável independente do modelo para o IPCA. Veja que a contribuição do repasse externo para a inflação medido pelo IC-br constituiu em um valor significativo em alguns anos pós-covid, entretanto configurou uma queda a partir do último trimestre de 2022.

_____________________________________
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

Modelo de Previsão da Dívida Bruta do Governo Geral (DBGG) para 2025

Neste exercício, contruímos um algoritmo simples de cenarização para a Dívida Bruta do Governo Geral (DBGG) em % do PIB, usando apenas dados públicos, simulações estatísticas, a literatura recente e a linguagem R. Em uma abordagem semi-automatizada, as simulações do modelo se aproximam das previsões do mercado para o ano de 2025.

Modelo de Previsão do Resultado Primário para 2025

Neste exercício, contruímos um modelo simples de previsão para o Resultado Primário do Setor Público Consolidado (acumulado em 12 meses, % PIB), usando apenas dados públicos, modelos econométricos, a literatura recente e a linguagem R. Em uma abordagem automatizada, as previsões do modelo se aproximam das previsões do mercado para o ano de 2025.

Estimando o Hiato do Produto do Brasil usando a linguagem R

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.

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.