Meirelles e Tombini visitam o R

O Banco Central brasileiro (BCB) tem sido muito criticado ultimamente, especialmente em se tratando de como ele tem respondido às flutuações do PIB e do nível de preços. Até mesmo questionamentos em relação a sua independência têm surgido. Críticos ao posicionamento do BCB têm insinuado que ele está menos rigoroso com o tratamento da inflação e, desta forma, tem tentado alimentar um crescimento artificial da economia.

Neste exercício simples eu tento estimar justamente isto, a resposta do BCB (através da taxa de juros) a choques na inflação e na taxa de desemprego (ou seja, uma proxy do nível de atividade da economia) durante dois períodos de 4 anos cada um. Durante o primeiro período, de 2007 até dezembro de 2010, o BCB foi presidido por Henrique Meirelles enquanto que no segundo período, de 2011 até dezembro de 2014, foi presidido pelo atual presidente do BCB, Alexandre Tombini.

O principal problema que surge aqui é o fato de que as amostras são extremamente pequenas (48 observações cada) para estimarmos um VAR. Note que se escolhermos, por exemplo, 4 defasagens para cada equação teremos que estimar (4*3+1)*3 parâmetros. Isto é, teremos que estimar 39 parâmetros usando 48 observações. Logo, a minha escolha de usar o pacote BMR novamente, onde posso estimar um BVAR usando informações a priori sobre os parâmetros, se faz óbvia.

Abaixo o gráfico com os dados utilizados.

dates <- seq(as.Date('2002-03-01'), as.Date('2014-12-01'), by='1 month')
gtsplot(data, dates=dates)
Séries utilizadas.
Séries utilizadas.

O primeiro passo agora é então tentar inferir sobre os coeficientes AR(1) para usarmos como informação a priori*. Eu decidi não assumir raiz unitária e usei os valores 0.94, 0.73 e 0.97 para as séries de taxa de juros, IPCA e taxa de desemprego, respectivamente. Estes valores foram baseados nas funções parciais de autocorrelação dadas abaixo**.

gpacf(data, save=F)
ACF para taxa de juros, IPCA e taxa de desemprego, respectivamente.
ACF para taxa de juros, IPCA e taxa de desemprego, respectivamente.

Em seguida podemos estimar o mesmo modelo para os dois períodos distintos.

prior <- c( 0.94,   0.73,    0.97)

bvar.m <- BVARM(meir,coefprior=prior,p=12,constant=TRUE,
                irf.periods=20,keep=10000,burnin=1000,
                VType=1,decay="H",HP1=0.05,HP2=0.5,HP3=1,HP4=2)

bvar.t <- BVARM(tomb,coefprior=prior,p=12,constant=TRUE,
                irf.periods=20,keep=10000,burnin=1000,
                VType=1,decay="H",HP1=0.05,HP2=0.5,HP3=1,HP4=2)

Feito isto, extraímos as séries de impulso resposta e criamos também uma série que acumula estas respostas (assim podemos ver o efeito total do choque). A seguir estão os gráficos que mostram como que a taxa de juros responde a choques nas séries de inflação e na taxa desemprego. Devido ao tamanho do código referente ao gráfico das respostas eu só vou incluir o código referente ao primeiro gráfico.

#### Extraindo IRFs ####

irf.m <- IRF(bvar.m, save=F)
irf.t <- IRF(bvar.t, save=F)

irfs.ipca <- ts(cbind(irf.m$IRFs[1:20,2,1,2],
                      irf.t$IRFs[1:20,2,1,2]))

irfs.desem <- ts(cbind(irf.m$IRFs[1:20,2,1,3],
                       irf.t$IRFs[1:20,2,1,3]))

#### Acumulando os IRFs ####

irfsc.ipca <-  ts(apply(irfs.ipca, 2, cumsum))
irfsc.desem <- ts(apply(irfs.desem, 2, cumsum))

#### Gráficos ####

plot(irfs.ipca[,1],
     xlab='',
     main='Choque no IPCA',
     ylab='SELIC',
     bty='l',
     ylim=c(-0.5,0.8),
     col='darkblue',
     lwd=2)

abline(h=0, col='darkgrey')

lines(irfs.ipca[,2],
      col='darkred',
      lwd=2)

legend('topright',
       lty=1, col=c('darkblue', 'darkred'),
       legend=c('Meirelles', 'Tombini'),
       bty='n', lwd=2)
IRFs simples e acumulado.
IRFs simples e acumulado.

Pelos gráficos acima podemos ver que, a resposta por parte do BCB a choques, seja no IPCA ou na taxa de desemprego, foi bem mais lenta e em níveis menores no período em que foi presidido pelo Alexandre Tombini quando comparado ao período de Henrique Meirelles.

Logo, este simples exercício mostra indícios de que o BCB nos últimos 4 anos não tem sido tão “agressivo” quanto costumava ser nos tempos de Meirelles.

* Utilizando a função stationarity podemos notar que as séries podem apresentar problemas de raiz unitária. Esta informação pode ser usada na estimação, isto é, podemos assumir que as séries seguem um passeio aleatório (colocando o input coefprior da função BVARM igual a NULL. Os resultados, porém, não foram sensíveis a esta mudança.

** Além disso, eu assumo que os coeficientes AR(q>1) são todos iguais a zero.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Como usar Modelos de Linguagem no R com o pacote {elmer}

Na análise de dados contemporânea, o uso de Modelos de Linguagem (LLMs) vem se consolidando como uma ferramenta poderosa para automatizar e aprimorar tarefas analíticas. Ao integrarmos LLMs a pacotes como o ellmer, podemos ampliar nossas capacidades de extração, interpretação e automação de dados no ambiente R. Neste post, exploramos o papel desses modelos e detalhamos como o ellmer opera dentro do universo da linguagem de programação R.

Introdução ao AutoGen: Agentes Inteligentes na Análise Financeira

O AutoGen é um framework da Microsoft que permite criar agentes de IA colaborativos. Na área financeira, pode automatizar a coleta de dados, cálculos de indicadores e geração de relatórios. Este artigo apresenta os conceitos básicos e um exemplo aplicado a ações de empresas.

Como usar LangGraph e LLMs para prever a inflação no Brasil

Este post apresenta um estudo de caso sobre como utilizar o LangGraph e modelos de linguagem para estruturar um sistema multiagente voltado à previsão do IPCA. O exercício cria um sistema que utiliza-se de personas analíticas que trabalham em paralelo, permitindo validar previsões, calcular métricas de erro e consolidar relatórios automatizados. A abordagem demonstra como fluxos multiagentes podem apoiar a análise econômica, oferecendo múltiplas perspectivas e maior consistência nos resultados.

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.