Hiato do Produto do Brasil no Python

Hiato do Produto é uma métrica fundamental para a análise macroeconômica de um país. Neste artigo, exploramos diferentes métodos para estimar essa variável não observável utilizando Python como ferramenta principal de análise de dados.
Para obter o código e o tutorial deste exercício faça parte do Clube AM e receba toda semana os códigos em R/Python, vídeos, tutoriais e suporte completo para dúvidas.

O que é o Hiato do Produto?

A macroeconomia resulta da soma de milhões de decisões individuais descentralizadas. Todos os dias, agentes econômicos escolhem o que produzir, como produzir e como distribuir os recursos produtivos. O principal indicador desse esforço agregado é o Produto Interno Bruto (PIB), que representa a soma de todos os bens e serviços finais produzidos por um país dentro de um determinado período.

O PIB pode ser expresso em valores correntes ou como um número índice e reflete o uso de recursos escassos, como trabalho e capital, na geração de produção e renda. Dessa forma, a taxa de crescimento do PIB é um indicativo da velocidade com que um país está se desenvolvendo economicamente.

Decomposição do PIB: Produto Potencial e Hiato do Produto

Para entender melhor o conceito de hiato do produto, podemos decompor o PIB efetivo da seguinte forma:

    \[Y_{t} = Y^P_{t} + h_{t}\]

Onde:

  • Y_{t} representa o PIB efetivo em um dado período t;
  • Y^P_{t} é o produto potencial, ou seja, a tendência de longo prazo do PIB;
  • h_{t} é o hiato do produto, que mede o grau de ociosidade da economia.

O Produto Potencial  Y^P_{t}  reflete as condições estruturais da economia, como:

  • População em idade ativa;
  • Estoque de capital;
  • Qualidade da educação;
  • Instituições econômicas e políticas.

Já o Hiato do Produto h_t reflete questões conjunturais, como:

  • Política econômica (monetária e fiscal);
  • Condições climáticas;
  • Choques externos;
  • Incertezas políticas.

No curto prazo, o PIB efetivo pode crescer acima ou abaixo do produto potencial, devido a flutuações cíclicas. No longo prazo, no entanto, o crescimento da economia é limitado pela disponibilidade de fatores de produção e pela forma como esses fatores são combinados.

O PIB e a Função de Produção Cobb-Douglas

Uma forma comum de modelar a estrutura produtiva de uma economia é através da Função de Produção Cobb-Douglas, com retornos constantes de escala:

    \[Y_{t} = A_{t} K_{t}^{\alpha_{t}} L_{t}^{1-\alpha_{t}}\]

Onde:

  • K_{t} é o estoque de capital;
  • L_{t} é a força de trabalho;
  • A_{t} representa a produtividade total dos fatores (PTF);
  • \alpha_{t} mede a participação do capital na renda nacional.

O produto potencial Y^P_{t} representa o nível máximo de PIB que pode ser sustentado sem pressões inflacionárias significativas. No curto prazo, a diferença entre o PIB efetivo Y_{t} e o produto potencial Y^P_{t} é o hiato do produto h_t.

Como Estimar o Hiato do Produto?

Calcular o hiato do produto não é trivial, pois o produto potencial não é uma variável diretamente observável. Para estimá-lo, utilizamos diferentes métodos:

  1. Filtros Univariados (suavização do PIB ao longo do tempo);
  2. Filtros Multivariados (incorporando mais variáveis econômicas);
  3. Função de Produção (baseada na Cobb-Douglas).

Nenhum método é perfeito, mas cada um traz informações valiosas sobre o comportamento da economia. Por isso, recomenda-se a comparação de diferentes métodos para entender melhor as incertezas associadas a essa variável não observável.

Métodos de Estimação do Hiato do Produto no Python

No nosso estudo, implementamos os seguintes métodos de estimação do hiato do produto em Python:

  • Tendência Linear (MQO)
  • Tendência Quadrática (MQO)
  • Filtro Hodrick-Prescott (HP)
  • Filtro de Hamilton
  • Hiato estimado pela Instituição Fiscal Independente (IFI) (importação)
  • Hiato estimado pelo Banco Central do Brasil (BCB) (importação)

Para os hiatos estimados por filtro foi utilizado a biblioteca statsmodels. Já os Hiato estimados pela IFI e pelo BCB foram importados de seus respectivos sites, enquanto os demais foram estimados via Python.

Resultados e Análises do Hiato do Produto no Python

O gráfico abaixo apresenta a trajetória das diferentes medidas do hiato do produto até 2024Q1. Os principais destaques são:

  • Apenas o Hiato do BCB e o Tendência Linear apresentam valores negativos na margem;
  • As demais medidas estão acima de 0%, sugerindo que a economia não está ociosa;
  • Comparações entre os métodos ajudam a entender cenários econômicos distintos e possíveis impactos na política econômica.
Hiato do Produto do Brasil no PythonUm ponto relevante que deve ser levado em considerações é o problema de fim de amostra do Hiato estimado via Filtros Estatísticas. Falamos sobre essa questão na seguinte postagem: Investigando o problema de fim de amostra na estimativa do Hiato do Produto usando a linguagem R.

Estatística Descritivas dos Hiatos

Um ponto a se observar é do que as medidas de Hiato estimadas via Função de Produção (IFI e BCB) são menos voláteis, e possuem médias negativas, comparando-se às medidas de Tendências.

Código
Tendência Linear Tendência Quadrática Filtro HP Filtro de Hamilton IFI BCB
count 113.000000 113.000000 113.000000 102.000000 112.000000 82.000000
mean 0.205512 0.096821 0.016547 0.094519 -0.967768 -0.536463
std 6.528785 4.431386 1.808351 4.352085 1.905623 1.711461
min -15.410280 -12.843644 -9.825693 -11.501185 -10.060000 -5.150000
25% -4.623414 -3.105382 -0.850595 -2.121579 -1.942500 -1.907500
50% -2.297429 -1.284489 0.399859 0.183379 -0.795000 -0.455000
75% 4.772593 4.218755 1.127790 2.543618 0.365000 0.812500
max 13.202287 8.545595 3.727109 11.594277 2.380000 2.430000

_____________________________________

Quer aprender mais?

Conheça nossa Formação do Zero à Análise de Dados Econômicos e Financeiros usando Python e Inteligência Artificial. Aprenda do ZERO a coletar, tratar, construir modelos e apresentar dados econômicos e financeiros com o uso de Python e IA.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Previsão com Vetores Autoregressivos no Python

Modelos Vetoriais AutoRegressivos (VAR) são amplamente utilizados na análise de séries temporais macroeconômicas. Eles permitem modelar a dinâmica conjunta de várias variáveis, capturando como choques em uma afetam as demais ao longo do tempo. Neste exercício, mostramos como aplicar um modelo VAR a um conjunto de dados macroeconômicos brasileiros para gerar previsões.

Previsão do Desemprego: Redes Neurais vs. Previsões do Focus

Não é de hoje que técnicas de machine learning vêm sendo usadas para explorar características não lineares de séries temporais (econômicas), especialmente para finalidade de previsão. Como exemplo, apresentamos uma abordagem híbrida do modelo NNAR e comparamos suas previsões com as de mercado, encontrando resultados em linha com a literatura recente.

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.