O Banco Central sob os mandatos de Meirelles, Tombini e Goldfajn

A Edição 62 do Clube do Código atualiza um exercício feito nesse espaço pelo Ricardo Lima nos idos de 2015, quando comparava as administrações de Henrique Meirelles e Alexandre Tombini à frente do Banco Central. A ideia básica do exercício era verificar a reação do Banco Central a choques na inflação e no desemprego. Nessa atualização, nós adicionamos o período de Ilan Goldfajn à frente da autoridade monetária, mudamos o desemprego pelo hiato do produto e apresentamos os resultados.

Os dados utilizados no exercício foram a taxa básica de juros, a inflação mensal medida pelo IPCA e o Índice de Nível de Atividade do Banco Central, o IBC-Br. Com base nesses dados, nós construímos um BVAR com Minnesota prior. Dividimos a amostra em três subamostras que faziam referência aos períodos de gestão de Meirelles, Tombini e Goldfajn à frente da autoridade monetária. Nessas subamostras, calculamos as funções de impulso-resposta com base em choques no hiato do produto e na inflação. Para ilustrar, abaixo a resposta para um choque na inflação.

A resposta de Meirelles e Goldfajn a choques na inflação são similares, enquanto a resposta da gestão Tombini não parece ser significativa. Abaixo a resposta acumulada.

Os códigos do exercício estarão disponíveis no repositório do Clube na próxima sexta-feira. 

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Como avaliar modelos de IA na previsão macroeconômica?

Descubra como economistas e cientistas de dados estão combinando econometria e inteligência artificial para aprimorar previsões macroeconômicas. Neste post, você vai entender as principais etapas de avaliação de modelos — da preparação dos dados à validação cruzada — e conhecer as métricas e técnicas que revelam quais métodos realmente entregam as melhores previsões. Uma leitura essencial para quem quer compreender o futuro da análise econômica orientada por dados.

Análise exploratória e seleção de séries temporais econômicas para modelagem

Quer entender como transformar dados econômicos brutos em previsões macroeconômicas precisas? Neste post, mostramos passo a passo como realizar a análise exploratória e seleção de séries temporais com Python — desde o tratamento de dados e remoção de multicolinearidade até a escolha das variáveis mais relevantes usando técnicas de machine learning e econometria. Um guia essencial para quem quer unir teoria econômica e inteligência artificial na prática da previsão macroeconômica.

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.