Estimando o repasse externo sobre a inflação brasileira

A avaliação do repasse externo é uma ferramenta fundamental para os profissionais que lidam com questões relacionadas à inflação e à política monetária no contexto brasileiro. Neste cenário, mostramos como a linguagem de programação Python facilita todo o processo de coleta, tratamento de dados e estimação do efeito do repasse externo sobre a inflação doméstica.

Existem diversas abordagens metodológicas disponíveis para estimar o repasse externo, que variam desde modelos complexos, como os Modelos de Equilíbrio Geral Dinâmico Estocástico (DSGE), até abordagens mais simples que se baseiam em versões simplificadas das Curvas de Phillips, derivadas de modelos estruturais de menor porte.

O propósito deste exercício é fornecer uma medida do impacto das variáveis externas na inflação doméstica, utilizando um modelo inspirado na forma simplificada da Curva de Phillips do Modelo Semiestrutural de Pequeno Porte do Banco Central do Brasil (BCB).

O modelo fundamental utilizado é o seguinte:

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

Em essência, esse modelo descreve a inflação dos preços, excluindo alimentos e produtos administrados, como uma função linear de fatores como a inflação passada, as expectativas de inflação, a diferença entre a produção atual e a produção potencial, e a influência da inflação importada.

A estimação do modelo é realizada por meio do método Generalized Method of Moments (GMM).  As variáveis utilizadas no modelo são:

  • Hiato do Produto - BCB
  • IC-Br USD (Var. %. Trim.) - BCB
  • Expectativa de 12 meses do IPCA Total (a.a%) - BCB
  • IPCA EX01 (a.a%) - BCB

 

Os alunos do curso de Macroeconometria usando o Python, têm a oportunidade de adquirir um conhecimento abrangente em todas as fases do processo, desde a coleta e a preparação dos dados até a análise, o desenvolvimento de modelos econométricos e a comunicação dos resultados, tudo isso utilizando Python como ferramenta principal.

Variáveis

A seguir, apresentamos um gráfico que exibe as variáveis empregadas no modelo.

Sumário do Modelo

O modelo foi desenvolvido com base no Generalized Method of Moments (GMM) com o objetivo de mitigar o problema de endogeneidade. Importante ressaltar que nenhum instrumento foi empregado.

Analisando os resultados a seguir, observamos que todos os parâmetros estimados mostraram significância estatística. Quando se trata do IC-BR em USD, que representa o impacto externo na inflação, o coeficiente encontrado foi de 0,0474, o valor mais baixo entre as variáveis, indicando um impacto relativamente menor.

Código
                          IV-GMM Estimation Summary                           
==============================================================================
Dep. Variable:            ipca_nucleo   R-squared:                      0.9887
Estimator:                     IV-GMM   Adj. R-squared:                 0.9881
No. Observations:                  79   F-statistic:                    9434.6
Date:                Thu, Oct 19 2023   P-value (F-stat)                0.0000
Time:                        20:41:44   Distribution:                  chi2(4)
Cov. Estimator:                robust                                         
                                                                              
                                Parameter Estimates                                 
====================================================================================
                  Parameter  Std. Err.     T-stat    P-value    Lower CI    Upper CI
------------------------------------------------------------------------------------
ipca_nucleo_lag1     0.7681     0.0626     12.270     0.0000      0.6454      0.8908
ipca_exp_12m         0.2650     0.0676     3.9208     0.0001      0.1325      0.3975
hiato_lag1           0.1037     0.0331     3.1330     0.0017      0.0388      0.1685
ic_br_lag1           0.0474     0.0129     3.6650     0.0002      0.0220      0.0727
====================================================================================

Ajuste do Modelo

Podemos criar um gráfico para avaliar o ajuste do modelo, comparando-o com os resultados reais do núcleo da inflação. É evidente que alcançamos um ajuste satisfatório.

Análise de Resíduos

Para avaliar a qualidade do modelo, procedemos com a análise dos resíduos. Recorremos a gráficos de linha, à função de autocorrelação (ACF) e ao histograma, a fim de avaliar a normalidade, a estacionariedade e a presença de autocorrelação nos resíduos. Infelizmente, os resultados não atingiram o nível desejado, no entanto, optamos por continuar com o exercício.

Contribuição para o Núcleo de Inflação

Para avaliar o impacto de cada variável sobre o Núcleo de Inflação, aplicamos os parâmetros estimados, multiplicando-os pelos valores reais do IPCA EX0. No gráfico a seguir, podemos observar que a inércia desempenha um papel significativo na inflação, enquanto o repasse externo, destacado em verde, tem uma contribuição relativamente baixa na maior parte da amostra.

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

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.