Os gastos com previdência são estacionários?

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

No post anterior, fizemos um apanhado sobre como coletar e tratar dados agregados do INSS com uso do R. Nesse, vamos discutir uma característica que salta aos olhos em relação à série de gasto previdenciário: o fato da mesma não ser estacionário. É, por suposto, o tipo de discussão inicial que fazemos em nosso curso de Séries Temporais usando o R. Para começar, coloco abaixo o gráfico com o gasto mensal com INSS, em valores correntes.

 

[/et_pb_text][/et_pb_column][et_pb_column type="1_2"][et_pb_image admin_label="Imagem" src="https://analisemacro.com.br/wp-content/uploads/2019/02/loteextra2.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="left" 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="4_4"][et_pb_text admin_label="Texto" background_layout="light" text_orientation="justified" use_border_color="off" border_color="#ffffff" border_style="solid" text_font="Verdana||||" text_font_size="18"]

Ao olhar a série acima, chama atenção a tendência da mesma. Significa dizer que se estivéssemos interessados em modelar a série, teríamos de levar essa tendência crescente em consideração. Isso é, de fato, um problema. Para entendermos melhor essa questão, vamos definir o que seja uma série estacionária.

Com base em Enders (2009), podemos assumir que um processo estocástico, tendo uma média e variância finitas, será covariância-estacionário se para todos t e t-k,

(1)   \begin{eqnarray*} E(y_{t}) = E(t-k) = \mu \\ E\left [(y_{t} - \mu)^2 \right ] = E\left [(y_{t-k} - \mu)^2 \right ] = \sigma_{y}^2 \\ E\left [(y_{t} - \mu)(y_{t-k} - \mu) \right ] = E\left [(y_{t-j} - \mu)(y_{t-j-k} - \mu) \right ] = \gamma_{k} \end{eqnarray*}

onde \mu, \sigma_{y}^2 e \gamma_{k} são todas constantes. Em termos simples, desse modo, uma série temporal é covariância-estacionária se sua média e todas as auto-covariâncias não são afetadas por mudanças na origem do tempo.

Em outras palavras, como explica Wooldridge (2013), a estacionariedade da covariância enfatiza somente os primeiros dois momentos de um processo estocástico: a média e a variância do processo são constantes no decorrer do tempo e a covariância entre y_{t} e y_{t+h} depende somente da distância entre os dois termos, h, e não da localização do período de tempo inicial.

Com base nessa definição e olhando para a nossa série de gasto previdenciário, não parece em nada com um processo estacionário, não é mesmo? Pois é, para tirar a prova dos nove, aplicamos o teste ADF Sequencial, proposto, por exemplo, por Pfaff (2008). Uma vez feito isso, descobre-se que se trata de um processo tendência-estacionário. Para ilustrar melhor o argumento, podemos, por suposto, caracterizar uma série tendência-estacionária como segue:

(2)   \begin{equation*} y_{t} = \beta_{1} + \beta_{2}t + z_{t} \end{equation*}

Onde \beta_{1} + \beta_{2}t forma uma tendência determinística e z_{t} representa um componente estocástico. Isso significa que para tornarmos y_{t} estacionária, precisamos retirar o componente determnístico, deixando apenas z_{t}. Ademais, observamos que a série apresenta sazonalidade, como pode ser visto melhor no gráfico abaixo.

grafico03

A sazonalidade vem, basicamente, do décimo-terceiro salário. Uma vez compreendido que se trata de uma série tendência-estacionária e que contém sazonalidade, nós tratamos os dois problemas e apresentamos abaixo a série original comparada à série sem tendência e dessazonalizada.

grafico04

Bem diferente, não é mesmo? A tendência positiva contida no gasto com previdência nos indica, portanto, que o mesmo é uma série não estacionária, que irá crescer de forma indefinida, se nada não for feito. Por isso, é tão importante realizar uma reforma no sistema.

Para saber mais sobre o tipo de análise que fizemos nesse post, confira nosso curso de Séries Temporais usando o R!

[/et_pb_text][/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

Analisando o sentimento da política monetária com IA usando Python

Análise de sentimentos é uma técnica de Processamento de Linguagem Natural (PLN) que serve para revelar o sentimento contido em um texto. Neste exercício, aplicamos esta técnica para analisar as atas das reuniões do COPOM, revelando o que os diretores de política monetária discutem nas entrelinhas. Utilizando um modelo de Inteligência Artificial através do Python, produzimos ao final um índice de 0 a 100 para sintetizar a análise histórica.

Como a IA pode auxiliar na otimização de Portfólio de Investimentos?

A construção de portfólio ótimo refere-se ao processo de alocar eficientemente capital entre um conjunto predefinido de ativos ou títulos. O campo da construção de portfólio tem sido extensivamente estudado por acadêmicos e profissionais desde a década de 1950, quando Markowitz introduziu sua inovadora abordagem de média-variância para a construção de portfólio. Diante disso, podemos melhorar o processo de alocação de peso de um investimento em um portfólio através do Aprendizado não supervisionado com a aplicação do Hierarchical Risk Parity (HRP). Neste exercício, realizamos uma introdução ao método e mostramos os resultados de um exemplo criado através do Python.

Prevendo múltiplas séries usando IA no Python

Como podemos realizar previsões para várias séries temporais simultaneamente? Para abordar essa questão, empregamos a biblioteca MLForecastdo Python. Esta biblioteca disponibiliza uma variedade de modelos e funcionalidades para realizar previsões em séries temporais utilizando técnicas de aprendizado de máquina. Demonstramos sua aplicação ao prever as curvas de energia horária em quatro regiões distintas do Brasil.

Esse exercício é uma continuação do exercício “Usando IA para prever o consumo de energia no Brasil com 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.