O IBC-Br é um bom preditor do PIB?

Toda vez que a autoridade monetária divulga o seu Índice de Nível de Atividade do Banco Central (IBC-Br), a imprensa costuma dizer que o mesmo antecipa os resultados do PIB. Mas será que isso é verdade? Vamos usar o Python como ferramenta de coleta, tratamento, análise e modelagem dos dados para verificar esse argumento.

IBC-br

O IBC-Br é um indicador mensal calculado pelo Banco Central do Brasil que tem como objetivo fornecer uma estimativa da atividade econômica do país. O índice é calculado com base em uma série de variáveis econômicas, como a produção industrial, o comércio varejista, o consumo de energia elétrica e outros indicadores econômicos relevantes. O IBC-Br é considerado um indicador antecedente do PIB, pois fornece uma indicação preliminar da tendência da atividade econômica do país.

PIB

O PIB trimestral é um indicador que mede o valor total de todos os bens e serviços finais produzidos em um país durante um período de três meses. O PIB trimestral é calculado pelo Instituto Brasileiro de Geografia e Estatística (IBGE) e é utilizado para acompanhar o desempenho da economia brasileira ao longo do tempo

Qual a relação entre o IBC-br e o PIB?

Como pode-se entender, devido a periodicidade, o IBC-br possui uma frequência maior que o PIB, tornando-se um bom medidor deste indicador para verificar a atividade do país.

Portanto, vamos verificar a relação entre as duas variáveis usando o Python, buscando criar uma análise exploratória e a construção do modelo de previsão.

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.

Abaixo, temos uma gráfico exibindo a relação entre dos índices do IBC-br e PIB trimestral. Vejam que de fato os dois indicadores andam de conjunto, entretanto, vamos elaborar mais sobre como comparar os dois indicadores.

Como comparar as duas medidas?

De modo a tornar os dados do PIB e do IBC-Br comparáveis, precisaremos fazer alguns ajustes. Nesse exercício, vamos comparar a variação marginal dos dois índices. Isto é, estamos interessados em

(1)   \begin{equation*} vm = \frac{I_t}{I_{t-1}} \end{equation*}

Para calcular essa métrica para a série do IBC-Br, entretanto, será necessário seguir alguns passos.

1. Calcular a média do trimestre
2. Calcular a variação marginal do trimestre

Uma vez realizados os passos acima utilizando o Python, vejamos a relação entre os dois indicadores no gráfico abaixo:

Vejam que de fato o IBC-br e o PIB se movem conjuntamente.

Ainda, vejamos o resultado a regressão do IBC-br sobre o PIB:

Código
                            OLS Regression Results                            
==============================================================================
Dep. Variable:               pib_marg   R-squared:                       0.919
Model:                            OLS   Adj. R-squared:                  0.918
Method:                 Least Squares   F-statistic:                     900.8
Date:                Fri, 24 Nov 2023   Prob (F-statistic):           5.98e-45
Time:                        13:49:39   Log-Likelihood:                -58.702
No. Observations:                  81   AIC:                             121.4
Df Residuals:                      79   BIC:                             126.2
Df Model:                           1                                         
Covariance Type:            nonrobust                                         
==============================================================================
                 coef    std err          t      P>|t|      [0.025      0.975]
------------------------------------------------------------------------------
Intercept      0.1847      0.058      3.203      0.002       0.070       0.299
ibc_marg       0.7952      0.026     30.013      0.000       0.742       0.848
==============================================================================
Omnibus:                        1.021   Durbin-Watson:                   2.642
Prob(Omnibus):                  0.600   Jarque-Bera (JB):                1.039
Skew:                           0.147   Prob(JB):                        0.595
Kurtosis:                       2.529   Cond. No.                         2.26
==============================================================================

Notes:
[1] Standard Errors assume that the covariance matrix of the errors is correctly specified.

Isso possibilita utilizar o IBC-br como preditor do PIB.

O IBC-Br é um bom preditor do PIB?

O resultado do gráfico abaixo é construído por meio dos seguintes passos.

  1. Separação do dados de treino e teste
  2. Utilização da regressão linear via MQO para prever os valores futuros
  3. Construção do gráfico abaixo, comparando os valores previstos com os valores de teste.

_____________________________________

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 treinar e selecionar os melhores modelos de previsão no Python?

Em previsão, há uma infinidade de modelos que podem ser usados. O processo de escolha do(s) modelo(s) deve ser empírico-científico, usando métodos que visem avaliar a generalização dos algoritmos para dados novos. Neste artigo, mostramos como implementar a metodologia de validação cruzada com algoritmos de machine learning no Python, exemplificando para a previsão do IPCA.

Como selecionar variáveis para modelos de previsão no Python?

Em oposição à crença popular, grande parte dos modelos de machine learning não produzem previsões magicamente. É papel do cientista de dados executar uma boa engenharia de variáveis para não cair no clássico problema de “garbage in, garbage out” (GIGO) em aprendizado de máquina. Neste sentido, aprender a fazer uma boa seleção de variáveis é fundamental e neste artigo exploramos algumas possibilidades práticas usando o Python.

Resultado IPCA-15 - Novembro/2024

A Análise Macro apresenta os resultados do IPCA-15 de Novembro de 2024, com gráficos elaborados em Python para coleta, tratamento e visualização de dados. Todo o conteúdo, disponível exclusivamente no Clube AM, foi desenvolvido com base nos métodos ensinados nos cursos da Análise Macro, permitindo aos assinantes acesso aos códigos e replicação das análises.

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.