Nível de atividade, inflação e a Curva de Phillips

[et_pb_section admin_label="section"][et_pb_row admin_label="row"][et_pb_column type="4_4"][et_pb_text admin_label="Texto" background_layout="light" text_orientation="justified" text_font="Verdana||||" text_font_size="18" use_border_color="off" border_color="#ffffff" border_style="solid"]

O objetivo principal da Análise Macro é melhorar o ensino de economia no país, provendo alunos, professores e profissionais de mercado de ferramentas estatísticas e econométricas que facilitam o trabalho com a melhor evidência empírica disponível, fazendo com que teorias econômicas sem sentido sejam rejeitadas. Um objetivo secundário é contribuir com o debate econômico, melhorando a compreensão desses agentes sobre fatos e conceitos econômicos, através de exercícios empíricos. O primeiro é cumprido através do Clube do Código e de cursos aplicados de R ofertados mensalmente, já o segundo é alcançado por meio desse Blog. Isso dito, vamos aqui esclarecer um ponto já levantado diversas vezes no Clube do Código e no nosso Curso de Macroeconometria usando o R: a relação entre nível de atividade e inflação.

Há uma literatura empírica bastante consolidada que mostra o quanto a relação entre o nível de atividade e a inflação se mostra fraca, com primazia das expectativas e da inércia para explicar a inflação efetiva. Seguindo o arcabouço da Curva de Phillips, para o Brasil, pode-se ver uma resenha da literatura, bem como alguns resultados que evidenciam essa fraqueza em Sachsida et al. (2012). Para os Estados Unidos, um paper bastante citado sobre o assunto é Galí e Gertler (2000). Esses resultados, ademais, estão em linha com a teoria econômica, sintetizada, por exemplo, em Woodford (2003). Em outras palavras, para quem é do ramo, não há a menor novidade em se dizer que se o Banco Central quiser controlar a inflação, ele precisará ancorar as expectativas de inflação dos agentes econômicos e que não há uma relação robusta entre nível de atividade e inflação.

Isso dito, me surpreende toda vez que vejo algum comentário por aqui que ignora essas evidências. Para tentar elucidar a questão de um ponto de vista prático, podemos verificar a relação entre o nível de atividade e a inflação. O código abaixo baixa os dados da inflação mensal, do PIB mensal do IBRE/FGV e das expectativas de inflação mensal do boletim Focus.


library(XLConnect)
library(ggplot2)
library(png)
library(grid)
library(BETS)
library(mFilter)
library(dynlm)
library(astsa)
library(stargazer)

### Baixar dados do PIB, da Inflação e das expectativas
url = 'http://bit.ly/2l3KKFY'
temp = tempfile()
download.file(url, destfile=temp, mode='wb')
data = loadWorkbook(temp)
pib_sa = ts(readWorksheet(data, sheet = 6, header = TRUE, 
 startRow = 3)[,17], start=c(2000,01), freq=12)

inflacao = window(BETS.get(433), start=c(2000,01))

expectativa = ts(read.csv2('expectativa.csv', 
 header=T, 
 sep=';', dec=',')[,2], 
 start=c(2001,11), freq=12)

No gráfico abaixo, plotamos o nível de atividade representado pelo hiato do produto contra a inflação mensal.

Como se vê, a relação entre o hiato do produto e a inflação é baixa. Alguém, a propósito, poderia alegar que existiria alguma defasagem nessa relação. Para verificar isso, podemos plotar a inflação contra as defasagens do hiato do produto. Isso é feito abaixo.

De forma a confirmar a fraqueza dessa relação, bem como de ratificar a importância das expectativas e da inércia para explicar a inflação efetiva, podemos estimar uma Curva de Phillips como

(1)   \begin{align*} \pi_t = \alpha_0 + \alpha_1 \pi_{t-1} + \alpha_2 E_t \pi_{t+1} + \alpha_3 h_{t-1} + \varepsilon_t \end{align*}

onde \pi_t é a inflação mensal efetiva, E_t \pi_{t+1} é a expectativa em t para a inflação em t+1, h_{t-1} é o hiato do produto e \varepsilon_t é um ruído branco.

 

[/et_pb_text][/et_pb_column][/et_pb_row][et_pb_row admin_label="row"][et_pb_column type="1_2"][et_pb_text admin_label="Texto" background_layout="light" text_orientation="justified" text_font="Verdana||||" text_font_size="18" use_border_color="off" border_color="#ffffff" border_style="solid"]

A tabela ao lado mostra as estimativas de (1) via Mínimos Quadrados em Dois Estágios (TSLS). Observe que o componente regressivo e as expectativas de inflação se mostram estatisticamente significativas para explicar a inflação efetiva. Já o hiato do produto não apresenta significância. Esse resultado, disponível para qualquer um que se dê o trabalho de acessar os dados e estimar (1), está consolidado na literatura empírica sobre o assunto, como dito acima.

Sob esse aspecto, não deixa de ser surpreendente que alguns ainda argumentem que a recessão atual é a grande causadora da queda da inflação que assistimos. Ou vejam alguma relação robusta entre nível de atividade e inflação, quando a literatura empírica e a teoria econômica associam o controle da inflação à ancoragem das expectativas.

Será que esses conhecem a literatura sobre o assunto ou mesmo a teoria econômica? É o caso de se perguntar, não é mesmo, leitor amigo? 🙂

[/et_pb_text][et_pb_image admin_label="Imagem" src="https://analisemacro.com.br/wp-content/uploads/2016/06/liberte-se.png" show_in_lightbox="off" url="https://analisemacro.com.br/cursos-de-r/" url_new_window="off" use_overlay="off" animation="left" sticky="off" align="center" force_fullwidth="off" always_center_on_mobile="on" use_border_color="off" border_color="#ffffff" border_style="solid"] [/et_pb_image][et_pb_text admin_label="Texto" background_layout="light" text_orientation="center" use_border_color="off" border_color="#ffffff" border_style="solid"]

Clique na figura para conhecer os nossos Cursos

[/et_pb_text][/et_pb_column][et_pb_column type="1_2"][et_pb_code admin_label="Código"]<table style="text-align:center"><tr><td colspan="2" style="border-bottom: 1px solid black"></td></tr><tr><td style="text-align:left"></td><td>Inflação mensal</td></tr> <tr><td></td><td colspan="1" style="border-bottom: 1px solid black"></td></tr> <tr><td style="text-align:left"></td><td>inflacao</td></tr> <tr><td colspan="2" style="border-bottom: 1px solid black"></td></tr><tr><td style="text-align:left">Inflação(-1)</td><td>0.555<sup>***</sup></td></tr> <tr><td style="text-align:left"></td><td>(0.055)</td></tr> <tr><td style="text-align:left"></td><td></td></tr> <tr><td style="text-align:left">Expectativa</td><td>0.675<sup>***</sup></td></tr> <tr><td style="text-align:left"></td><td>(0.120)</td></tr> <tr><td style="text-align:left"></td><td></td></tr> <tr><td style="text-align:left">Hiato(-1)</td><td>0.013</td></tr> <tr><td style="text-align:left"></td><td>(0.008)</td></tr> <tr><td style="text-align:left"></td><td></td></tr> <tr><td style="text-align:left">Intercepto</td><td>-0.074</td></tr> <tr><td style="text-align:left"></td><td>(0.051)</td></tr> <tr><td style="text-align:left"></td><td></td></tr> <tr><td colspan="2" style="border-bottom: 1px solid black"></td></tr><tr><td style="text-align:left">Observations</td><td>189</td></tr> <tr><td style="text-align:left">R<sup>2</sup></td><td>0.593</td></tr> <tr><td style="text-align:left">Adjusted R<sup>2</sup></td><td>0.586</td></tr> <tr><td style="text-align:left">Residual Std. Error</td><td>0.248 (df = 185)</td></tr> <tr><td style="text-align:left">F Statistic</td><td>89.743<sup>***</sup> (df = 3; 185)</td></tr> <tr><td colspan="2" style="border-bottom: 1px solid black"></td></tr><tr><td style="text-align:left"><em>Note:</em></td><td style="text-align:right"><sup>*</sup>p<0.1; <sup>**</sup>p<0.05; <sup>***</sup>p<0.01</td></tr> </table>[/et_pb_code][/et_pb_column][/et_pb_row][et_pb_row admin_label="row"][et_pb_column type="4_4"][et_pb_text admin_label="Texto" background_layout="light" text_orientation="justified" text_font="Verdana||||" text_font_size="18" use_border_color="off" border_color="#ffffff" border_style="solid"]

_________________________________________________________________________________________

Referências:

Galí, J.; Gertler, M. (2000). Inflation Dynamics: a structural econometric analysis. NBER Working Paper nº 7551

Sachsida, A.; Mendonça, M. J. C.; Medrano, L. A. T (2012). Inflação versus Desemprego: novas evidências para o Brasil. Economia Aplicada, 16(3): 475-500

Woodford, M. (2003). Interest and Prices. New Jersey: Princeton Press

[/et_pb_text][/et_pb_column][/et_pb_row][et_pb_row admin_label="Linha"][et_pb_column type="4_4"][et_pb_image admin_label="Imagem" src="https://analisemacro.com.br/wp-content/uploads/2016/06/woold.png" show_in_lightbox="off" url="https://analisemacro.com.br/clube-do-codigo/" url_new_window="off" use_overlay="off" animation="left" sticky="off" align="center" force_fullwidth="off" always_center_on_mobile="on" use_border_color="off" border_color="#ffffff" border_style="solid"] [/et_pb_image][/et_pb_column][/et_pb_row][et_pb_row admin_label="row"][et_pb_column type="1_3"][et_pb_gallery admin_label="Galeria" gallery_ids="17132,17133,17134" fullwidth="on" show_title_and_caption="off" show_pagination="off" background_layout="light" auto="on" auto_speed="6000" hover_overlay_color="rgba(255,255,255,0.9)" caption_all_caps="off" use_border_color="off" border_color="#ffffff" border_style="solid" saved_tabs="all"] [/et_pb_gallery][et_pb_gallery admin_label="Galeria" gallery_ids="17136,17137,17138" fullwidth="on" show_title_and_caption="off" show_pagination="off" background_layout="light" auto="on" auto_speed="6000" hover_overlay_color="rgba(255,255,255,0.9)" caption_all_caps="off" use_border_color="off" border_color="#ffffff" border_style="solid" saved_tabs="all"] [/et_pb_gallery][/et_pb_column][et_pb_column type="2_3"][et_pb_team_member admin_label="Pessoa" saved_tabs="all" name="Vítor Wilher " position="Data Scientist" animation="left" background_layout="light" facebook_url="https://www.facebook.com/vitor.wilher.9" twitter_url="https://twitter.com/vitorwilherbr" linkedin_url="https://www.linkedin.com/in/v%C3%ADtor-wilher-78164024" use_border_color="off" border_color="#ffffff" border_style="solid"]

Vítor Wilher é Bacharel e Mestre em Economia, pela Universidade Federal Fluminense, tendo se especializado na construção de modelos macroeconométricos, política monetária e análise da conjuntura macroeconômica doméstica e internacional. Tem, ademais, especialização em Data Science pela Johns Hopkins University. Sua dissertação de mestrado foi na área de política monetária, titulada "Clareza da Comunicação do Banco Central e Expectativas de Inflação: evidências para o Brasil", defendida perante banca composta pelos professores Gustavo H. B. Franco (PUC-RJ), Gabriel Montes Caldas (UFF), Carlos Enrique Guanziroli (UFF) e Luciano Vereda Oliveira (UFF). Já trabalhou em grandes empresas, nas áreas de telecomunicações, energia elétrica, consultoria financeira e consultoria macroeconômica. É o criador da Análise Macro, startup especializada em treinamento e consultoria em linguagens de programação voltadas para data analysis, sócio da MacroLab Consultoria, empresa especializada em cenários e previsões e fundador do hoje extinto Grupo de Estudos sobre Conjuntura Econômica (GECE-UFF). É também Visiting Professor da Universidade Veiga de Almeida, onde dá aulas nos cursos de MBA da instituição, Conselheiro do Instituto Millenium e um dos grandes entusiastas do uso do no ensino. Leia os posts de Vítor Wilher aquiCaso queira, mande um e-mail para ele: vitorwilher@analisemacro.com.br

[/et_pb_team_member][/et_pb_column][/et_pb_row][/et_pb_section]

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Uma introdução à Inteligência Artificial e a Engenharia de Prompt

“Um especialista sabe todas as respostas, se você fizer as perguntas certas”. Este é o mesmo princípio usado nas técnicas de Prompt Engineering, com objetivo de otimizar as respostas de aplicações de IA generativa. Neste artigo apresentamos algumas destas técnicas com exemplos práticos em Python.

Como identificar mensagens de erro na coleta de dados de sites públicos

Quem trabalha com dados reais e precisa coletar informações de forma online usando APIs e links, sabe que erros de requisição são comuns, principalmente com dados públicos. Neste artigo, damos algumas dicas de como entender estes erros e mostramos um jeito simples de evitar que o código de Python “quebre” nestas situacões.

O que é e como calcular o Beta de Mercado usando o Python?

Neste tutorial, explicamos o conceito de Beta de Mercado e como calculá-lo por meio de regressão linear utilizando a linguagem de programação Python. Demonstramos como interpretar graficamente e analisar os parâmetros estimados do método estatístico, contextualizando-o na teoria financeira com um exemplo real. Em seguida, aprofundamos a análise, desenvolvendo um Beta com Janelas Deslizantes e aplicando o modelo CAPM. Por fim, utilizamos a regressão linear múltipla para reproduzir o modelo de três fatores de Fama-French, uma extensão do CAPM.

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.