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

Resultado PIMPF - Novembro/2024

Resumo A Análise Macro apresenta os resultados da PIMPF de Novembro de 2024, com gráficos elaborados em Python para coleta, tratamento e visualização de dados.

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.

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.