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

Análise exploratória para modelagem preditiva no Python

Antes de desenvolver bons modelos preditivos é necessário organizar e conhecer muito bem os dados. Neste artigo, damos algumas dicas de recursos, como gráficos, análises e estatísticas, que podem ser usados para melhorar o entendimento sobre os dados usando Python.

Como usar modelos do Sklearn para previsão? Uma introdução ao Skforecast

Prever séries temporais é uma tarefa frequente em diversas áreas, porém exige conhecimento e ferramentas específicas. Os modelos de machine learning do Sklearn são populadores, porém são difíceis de aplicar em estruturas temporais de dados. Neste sentido, introduzimos a biblioteca Skforecast, que integra os modelos do Sklearn e a previsão de séries temporais de forma simples.

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.