A estagflação heterodoxa

estagflacaoNão foi por acaso, leitor, que chegamos ao 7x0, mostrado no boletim Focus divulgado hoje: 7,15% de inflação e 0% de crescimento. Nos últimos anos, uma vez mais, fizemos experimentação. Usando teoria velha e com um monte de evidências empíricas contrárias, insistimos em política econômica expansionista. Usamos a política fiscal, os bancos públicos e a política monetária para incentivar os componentes da demanda agregada. Como, entretanto, a economia brasileira está sujeita a inúmeros constrangimentos no lado da oferta agregada, a manutenção de oferta e demanda crescendo a taxas diferentes gerou mais inflação e mais déficit em conta corrente. E, claro, quando os componentes da demanda, consumo principalmente, cansaram, dado a redução da taxa de crescimento dos salários e, principalmente, o maior endividamento das famílias, o crescimento insustentável da economia deixou de ser vistoso. Esse quadro, aliás, perpassou os últimos cinco anos. Logo, não é novidade alguma. E também não é por outro motivo que o atual ministro da fazenda é Joaquim Levy, um economista que é contrário a tudo o que foi feito nos últimos anos. Ao invés, portanto, de críticas ao atual ajuste fiscal, alguns economistas deveriam explicar por que, uma vez mais, o que eles dizem estava errado: um pouquinho mais de inflação não gerou mais crescimento... 🙁

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Como incorporar choques em cenários de previsão?

Neste exercício mostramos como incorar choques no cenário de variáveis exógenas para fins de previsão. Usando como exemplo a previsão do IPCA, através de um modelo de machine learning, mostramos os cuidados a serem tomados e uma forma simples de definir o cenário com os choques. Ao final, apresentamos uma previsão com um suposto choque e uma previsão sem o choque para comparação.

Como preparar os dados para um modelo preditivo?

Modelos de previsão macroeconômica podem facilmente alcançar um número elevado de variáveis. Mesmo modelos simplificados, como o Modelo de Pequeno Porte (MPP) do Banco Central, usam cerca de 30 variáveis. Isso impõe um grande desafio ao nosso dia a dia: como fazer a gestão destes dados para uso em modelos, desde a coleta até o tratamento?

Transfer Learning para Previsão de Séries Temporais com o Python

A aprendizagem por transferência (ou transfer learning) é a técnica de reutilizar um modelo previamente treinado em um novo problema. Esse conceito representa um grande avanço para a previsão de variáveis, especialmente aquelas organizadas ao longo do tempo, como séries temporais. Neste post, exploramos como usar transfer learning com Python para trabalhar com esse tipo de dado.

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.