A confiança granger causa a produção industrial?

Diversos analistas e economistas têm notado o aumento na margem dos indicadores de confiança de consumidores e empresários. De forma intuitiva, é possível dizer que uma melhora da confiança tende a antecipar o aumento do consumo e da produção. Nesse post, por suposto, queremos verificar através do procedimento de Toda e Yamamoto (1995) se é possível dizer que o indicador de confiança industrial tem precedência temporal sobre o índice de produção industrial. Como sempre, membros do Clube do Código têm acesso ao script e aos dados utilizados nesse exercício no repositório privado do GitHub - é preciso estar logado no GitHub para ter acesso ao repositório.

grafico01

As séries utilizadas nesse exercício foram o Índice de Confiança Industrial com ajuste sazonal da Fundação Getúlio Vargas  (FGV) e o índice da produção industrial geral, também com ajuste sazonal, fornecido pelo Instituto Brasileiro de Geografia e Estatítisca (IBGE). A amostra vai de janeiro de 2002 a junho de 2016, totalizando 176 observações.

grafico02

De modo a investigar a relação entre as séries ao longo do tempo, primeiro nós verificamos a correlação. Como se depreende do gráfico acima, é possível verificar uma correlação positiva entre as séries, como era de se suspeitar. Adiante, quisemos verificar se existiria causalidade nessa relação.

Os testes de raiz unitária, que podem ser vistos aqui, mostraram que teríamos problemas caso aplicássemos o teste de Granger clássico. A produção industrial parece ser um passeio aleatório sem drift, enquanto a confiança parece ser uma série tendência-estacionária. Com efeito, recorremos ao procedimento de Toda e Yamamoto (1995) para verificar a existência de causalidade.

Um exemplo completo da aplicação do procedimento pode ser visto aqui. Abaixo, colocamos o resultado final do teste de Wald.

### Teste de Wald

var5 <- VAR(data, p=5, type='both')

### Wald Test 01: Confiança não granger causa Produção Industrial

wald.test(b=coef(var5$varresult[[1]]), 
 Sigma=vcov(var5$varresult[[1]]), 
 Terms=c(2,4,6,8))

### Wald Test 02: Produção Industrial não granger causa Confiança

wald.test(b=coef(var5$varresult[[2]]), 
 Sigma=vcov(var5$varresult[[2]]), 
 Terms= c(1,3,5,7))

grafico03

O teste empírico nos permite afirmar que, de fato, existe causalidade na relação entre confiança e produção industrial. Isto é, a confiança granger causa a produção industrial, enquanto não é possível afirmar o mesmo no caso contrário. Desse modo, a recente melhora nos índices de confiança pode ser um sinal de que, de fato, há alguma perspectiva positiva para a produção industrial em 2016... Após um longo inverno, como mostrado no gráfico acima... 🙂

_____________________________________________________

Toda, H. Y., Yamamoto, T. (1995). Statistical Inference in vector autoregressions with possibly integrated process, Journal of Econometrics, 66:225-250.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

FED Speeches: Quantificando a Incerteza da Política Monetária com IA e Python

Os discursos dos membros do FED podem dar indicativos relevantes sobre a condução da política monetária, como a percepção de incerteza na fala e na escolha das palavras. Sendo assim, monitorar e interpretar não é suficiente, é necessário quantificar a incerteza nos discursos. Neste exercício mostramos o caminho para construir um indicador de incerteza da política monetária, usando métodos inovadores de IA com o Python.

Medindo o Hiato do Produto do Brasil usando Python

Uma medida extremamente importante para a avaliação econômica de um país é o Hiato do Produto. Neste post, realizamos uma comparação das diferentes formas de estimação dessa variável não observável utilizando o Python como ferramenta de análise de dados.

Como analisar a contribuição para a Volatilidade de uma carteira de ações usando Python

A contribuição para a volatilidade fornece uma decomposição ponderada da contribuição de cada elemento do portfólio para o desvio padrão de todo o portfólio. Em termos formais, é definida pelo nome de contribuição marginal, que é basicamente a derivada parcial do desvio padrão do portfólio em relação aos pesos dos ativos. A interpretação da fórmula da contribuição marginal, entretanto, não é tão intuitiva, portanto, é necessário obter medidas que possibilitem analisar os componentes. Veremos portanto como calcular os componentes da contribuição e a porcentagem da contribuição. Vamos criar as respectivas medidas usando a linguagem de programação Python.

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.