PEC 241: os gastos com previdência são estacionários?

Ao longo das últimas semanas, um intenso debate tem ocorrido no país por conta da hoje famosa PEC 241, aquela que busca limitar o crescimento dos gastos públicos. Esse blog tem contribuições ao debate aqui, aqui e aqui. Na edição 17 do Clube do Código, a propósito, ampliei a análise olhando mais detidamente para o processo subjacente dos grandes grupos da despesa primária (não financeira) do governo central. A título de exercício, foquei nos gastos com previdência social, por eles representarem quase 40% da despesa primária. Nesse post, resumo a análise feita lá.

grafico01b

O gráfico acima traz os gastos mensais com previdência social feitos pelo governo central. O único tratamento dado foi deflacionar a série original, disponível no site do Tesouro Nacional. Observa-se, a propósito, uma clara tendência positiva e alguma sazonalidade nessa série. Abaixo, colocamos as funções de autocorrelação feitas sobre a série.

grafico02

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:

(1)   \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? Com base no script do exercício, é possível fazer essa análise para os outros componentes da despesa ou mesmo da receita. Para terminar, criamos um modelo univariado para os gastos com previdência e geramos uma previsão simples. O gráfico abaixo ilustra esse último passo. Com base nesse modelo, estima-se que de setembro de 2016 a agosto de 2017, serão gastos quase R$ 550 bilhões (a preços de agosto de 2016) com a previdência social. A título de comparação, nos últimos 12 meses terminados em agosto último, foram gastos um pouco mais de R$ 500 bilhões com essa rubrica.

grafico05

A análise desagregada dos gastos primários do governo central mostra que os mesmos apresentam uma clara tendência de crescimento ao longo da amostra - que é de quase 20 anos. São séries tendência-estacionárias, i.e., que são estacionárias ao redor de uma tendência, que supomos aqui ser determinística. Concentramos nossos esforços nos gastos com previdência social, por representarem quase 40% da despesa primária total. Entretanto, a análise parece se estender para as outras rubricas. Naturalmente, o leitor pode testar essa hipótese, com base no script dessa edição do Clube do Código. Esperamos com esse exercício contribuir com um melhor entendimento sobre os gastos públicos no Brasil. Futuras edições do Clube do Código farão outras experiências com essas séries. Até lá!

__________________________________

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Criando estratégias de investimento com IA no Python

Imagine ter a capacidade de pedir à inteligência artificial para criar uma estratégia de investimento baseada em indicadores técnicos ou regras específicas. Com o tempo sendo um recurso valioso, nem sempre é possível desenvolver um código por conta própria. Vamos mostrar como a IA, junto com Python, pode facilitar a criação de estratégias de investimento.

Análise de Tendência de Mercado com IA usando Python

Você está analisando o mercado acionário e se concentrando nos preços de uma ação específica. Ao longo dos dias, percebe uma mudança na trajetória dos preços e deseja entender o que está acontecendo por meio de notícias. Como automatizar esse processo de forma eficiente usando IA? Neste exercício, mostramos como utilizar o Python para essa tarefa.

Análise de Sentimento de Mercado com IA usando Python

Ler notícias diárias sobre empresas e ações listadas na bolsa pode ser maçante e cansativo. Mas, e se houvesse uma maneira de simplificar todo esse processo? Mostraremos como a IA generativa pode ajudar a captar o sentimento de notícias sobre companhias, automatizando todo o processo com Python e Gemini.

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.