Qual é a sensibilidade da taxa de desemprego em relação ao crescimento econômico?

A Lei de Okun é uma relação empírica que busca quantificar a relação entre a taxa de desemprego e a taxa de crescimento econômico. Ela foi proposta pelo economista Arthur Okun na década de 1960 e está presente em diversos livros textos de graduação. Buscamos através deste artigo investigar essa relação, descrevendo-a utilizando dados do Brasil. Usamos o Python para realizar todo o processo de análise de dados.

Para obter o código deste exercício faça parte do Clube AM e receba toda semana os códigos em R/Python, vídeos, tutoriais e suporte completo para dúvidas.

Relações empíricas relacionadas ao desemprego têm fascinado os economistas por muito tempo. Por exemplo, a curva de Phillips começou como uma simples observação de trade-off entre desemprego e inflação. No entanto, à medida que a teoria se alinhou com as evidências, a curva de Phillips emergiu como a relação mais importante na maneira como os economistas enxergam o lado da oferta da economia e está incorporada em todos os principais modelos macroeconômicos que orientam as políticas atualmente.

Outra relação de interesse para os economistas é aquela entre produção e desemprego. Em 1962, Arthur Okun observou duas relações empíricas:

  • as mudanças trimestrais na taxa de desemprego estavam relacionadas ao crescimento trimestral do produto interno bruto (PIB) real
  • desvios na taxa de desemprego estavam relacionados aos desvios do PIB em relação ao seu potencial (isto é, o Hiato do Produto)

Essas relações ficaram conhecidas como as versões differences e gaps da Lei de Okun, respectivamente.

A Lei de Okun é considerada uma relação estatística em vez de uma característica estrutural da economia, uma vez que tornou-se instável a sua aplicação. Isso corrobora como qualquer tipo de relação estatística, que pode estar sujeita a rupturas estruturais ou mudanças de regime. Por exemplo, mudanças estruturais no mercado de trabalho que levam a alterações na taxa de desemprego não aceleradora de inflação (NAIRU) são consideradas capazes de modificar o nível de equilíbrio do desemprego e alterar o trade-off entre inflação e produção. Embora esses choques do lado da oferta estejam cada vez mais integrados à teoria econômica, as rupturas estruturais na relação entre produção e desemprego limitaram o uso da Lei de Okun como uma regra de previsão.

Embora esses problemas tenham diminuido a confiança no uso da Lei de Okun, ainda podemos utiliza-la como uma regra de bolso simples e prática.

No presente exercício vamos empregar a Lei de Okun em sua versão output gap para dados do Brasil. O objetivo será não somente obter o coeficiente para toda a amostra, mas também criar de defasagem distribuidas e o coeficiente em janelas deslizantes.

Para dados do desemprego utilizaremos a Taxa de Desocupação medida pela PNADc ampliada e dessazonalizada, criada pelo exercício “Ampliando a série da PNADc” da Análise Macro. A importância de uma série ampliada permite que tenhamos uma amostra de tamanho suficiente, visto que utilizaremos dados trimestrais e a série da PNADc tem início em 2012.

Para dados de crescimento usamos o Hiato do Produto, capturamos os dados produzidos pelo Banco Central do Brasil, obtido através do Relatório de Inflação.

Esse artigo é uma continuação da postagem “Lei de Okun: qual a relação entre crescimento econômico e desemprego?”

Lei de Okun: output gap

Esta versão da lei relaciona as mudanças na taxa de desemprego ao hiato entre a produção real e a produção potencial ou tendencial. Portanto, se a produção cair abaixo do potencial, abrindo um hiato negativo, espera-se que o desemprego aumente. Vice-versa, quando a produção real está acima da tendência ou potencial e surge um hiato positivo, espera-se que o desemprego diminua. Semelhante à versão differences, isso enfatiza a importância do ciclo econômico na determinação das mudanças no desemprego.

Aprenda a coletar, processar, analisar e modelar dados macroeconômicos no curso de Macroeconometria usando o Python.

No entanto, não há uma definição universal do que constitui a produção ‘tendencial’ ou ‘potencial’, mas geralmente se pensa como sendo o nível de produção uma vez que medidas cíclicas e idiossincráticas foram removidas. Nesse sentido, é um nível de equilíbrio de produção no qual a economia pode crescer sem experimentar pressões inflacionárias ou deflacionárias. Outra maneira de expressar isso é definir a produção tendencial como o nível de produção consistente com o desemprego estando em sua NAIRU. Quando a produção ultrapassa a tendência, o desemprego cai abaixo de sua NAIRU e vice-versa.

    \[U_t - U_{t}^{*} = \alpha + \beta \cdot (Y_t - Y_{t}^{*})\]

Onde:
- U_t é a taxa de desemprego no período t,
- U_{t}^{*} é a taxa de desemprego no estado estacionário (ou NAIRU) no período t,
- Y_t é o PIB real no período t,
- Y_{t}^{*} é o PIB potencial no período t,
- \beta é um coeficiente que representa a sensibilidade da taxa de desemprego aos desvios do PIB em relação ao seu potencial.

O problema nesta versão se concentra na impossibilidade de observar diretamente o produto potencial e a NAIRU, sendo necessário estimativas dessas medidas, o que pode tornar os valores da relação diferentes para cada diferentes método empregado para realizar a estimação.

Para o caso do Hiato, utilizaremos os dados disponibilizados pelo BCB, que estima o produto potencial através de uma função de produção. Para a NAIRU, utilizaremos o filtro hp, que permite remover oscilações, suavizando inovações de curto prazo (cíclicas e idiossincráticas).

Relação output gap x hiato do desemprego

Através do gráfico de dispersão abaixo, podemos confirmar que há a relação inversa contemporânea, proposta pela Lei de Okun. Esta evidência é corroborada ao analisarmos o hiato do desemprego e do produto ao longo do tempo.

Modelo Econométrico

Modelo Estático

Código
OLS Regression Results
Dep. Variable: u_gap R-squared: 0.337
Model: OLS Adj. R-squared: 0.328
Method: Least Squares F-statistic: 39.62
Date: Wed, 10 Jan 2024 Prob (F-statistic): 1.67e-08
Time: 20:39:02 Log-Likelihood: -93.763
No. Observations: 80 AIC: 191.5
Df Residuals: 78 BIC: 196.3
Df Model: 1
Covariance Type: nonrobust
coef std err t P>|t| [0.025 0.975]
Intercept -0.1707 0.093 -1.845 0.069 -0.355 0.013
hiato -0.3218 0.051 -6.295 0.000 -0.424 -0.220
Omnibus: 0.596 Durbin-Watson: 0.277
Prob(Omnibus): 0.742 Jarque-Bera (JB): 0.731
Skew: -0.170 Prob(JB): 0.694
Kurtosis: 2.678 Cond. No. 1.96

Modelo em Janelas Deslizantes

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

Resultado PIB - 3° Trimestre/2024

A Análise Macro apresenta os resultados da PIB 3º trimestre de 2024, com gráficos e tabelas 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.

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.

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.