Trabalho - Introdução à Econometria - Estatística Econômica e Introdução Á Econometria 2023 1

Roteiro para a Elaboração de Trabalho de Introdução à Econometria O objetivo do trabalho é desenvolver a capacidade de aplicação do instrumental aprendido na disciplina. O grupo deverá escolher um tema socioeconômico de seu interesse e propor a especificação um modelo que considere apropriado. Em linhas gerais, a estrutura do trabalho deverá contemplar: 1) Pequena introdução, contendo os objetivos e hipóteses do trabalho, os resultados esperados e a motivação para a escolha do tema; 2) Apresentação dos dados: lista de variáveis, unidades de medida, periodicidade e fonte; 3) Apresentação do modelo a ser estimado; 4) Apresentação dos resultados da estimação, interpretação dos coeficientes, testes de hipóteses; 5) Testes após a estimação (por ex., testes para restrições, heterocedasticidade, quando aplicáveis); 6) Conclusões. Não é necessário ser longo, apenas bem fundamentado. Pode ser elaborado utilizando qualquer software estatístico (preferencialmente Gretl ou R). O trabalho poderá ser feito em grupo de até 4 alunos. Data de entrega: 09/08/2022. Sugestões de fontes de dados: Ipeadata: (www.ipeadata.gov.br) (base de dados consolidada de várias fontes) Banco Central do Brasil (SGS – Sistema Gerenciador de Séries Temporais): (https://www3.bcb.gov.br/sgspub/localizarseries/localizarseries.do?method=prepararTelaLocalizarSeries) Ipea: (www.ipea.gov.br) (publicações (TDs) sobre vários temas) IBGE: (www.ibge.gov.br) IBGE – Sidra (banco de dados): (www.sidra.ibge.gov.br) RAIS/CAGED: https://www.gov.br/pt-br/servicos/solicitar-consulta-as-estatisticas-da-rais-e-do-caged Economia Internacional: World Bank: https://databank.worldbank.org/source/world-development-indicators IMF: http://data.imf.org/?sk=4c514d48-b6ba-49ed-8ab9-52b0c1a0179b&sId=1 PennWorld Table: https://www.rug.nl/ggdc/productivity/pwt/?lang=en Trabalho de Econometria 1. Introdução A inflação é um dos principais problemas socioeconômicos que assolam o Brasil. Nosso país já sofreu muito com os altos índices nos níveis de preço, especialmente na década de 80, quando experimentamos uma hiperinflação. A inflação é extremamente nociva para a população, especialmente para os mais pobres, pois corrói o seu poder de compra, fazendo que seus rendimentos, já mais baixos, caiam ainda mais de forma real. Dessa forma, o objetivo desse trabalho será explorar possíveis determinantes para a inflação. Através da relação descrita pela Curva de Phillips, a primeira variável escolhida foi a taxa de desemprego, uma vez que, no curto prazo, existiria um trade-off, e consequentemente um correlação negativa entre as duas variáveis. Representando o componente de demanda da inflação, também será utilizada no modelo uma variável de renda. Por fim, usaremos o próprio índice de inflação escolhido (IPCA) defasado em 1 unidade de tempo (mês) para representar o componente inercial da inflação. 2. Apresentação dos dados De forma mais detalhada, as variáveis escolhidas foram: 1) ipca: representa as variações mensais do IPCA agregado, desde março de 2012 até novembro de 2022 (fonte: Sidra/IBGE) 2) ipcaant: representa a variável ipca defasada 1 mês. 3) renda: representa o rendimento médio nominal mensal dos trabalhos no trabalho principal em reais, desde março de 2012 até novembro de 2022 (fonte: Sidra/IBGE) 4) desemprego: representa a taxa de desocupação mensal no Brasil, desde março de 2012 até novembro de 2022 (fonte: Sidra/IBGE) 3. Modelagem Tendo em mãos as variáveis e suas respectivas observações, apresentadas na secção anterior, é necessário determinar qual será o modelo teórico que iremos estimar. Dessa forma, como nosso objetivo é tentar explicar a variação do índice de preços escolhido (ipca), essa será nossa variável dependente. Consequentemente, as demais variáveis (ipcaant, renda e desemprego) serão nossas variáveis independentes. Com isso, nosso modelo terá a seguinte forma: Onde os betas representam os coeficientes de cada variável, o alpha representa o coeficiente linear do modelo, e o e representa o resíduo do modelo. 4. Resultados Uma vez escolhido o modelo teórico, podemos estimá-lo agora através de uma regressão linear entre as suas variáveis, e posteriormente fazer as devidas análises. Realizando tal tarefa atráves do software R, obtemos a tabela mais abaixo. Analisando o coeficiente de ipcaant, a princípio, podemos concluir que, uma variação em 1 p.p na taxa mensal de inflação do mês anterior, mantidas constantes demais variáveis, gera, na média, um aumento de 0.57 p.p na taxa de inflação corrente. Já em relação ao coeficiente da variável renda, podemos concluir que, a princípio, mantendo as demais variáveis fixas, um incremento de 1 real no rendimento nominal dos trabalhadore gera, na média, uma redução muito pequena na taxa corrente de inflação (algo da ordem de 10^-7). Por fim, em relação ao coeficiente da variável desemprego, podemos concluir que, a princípio, mantendo as demais variáveis fixas, um aumento de 1 p.p na taxa de desemprego gera, na média, uma redução de 0.008 p.p na taxa de inflação corrente. No entanto, tais resultados sõ serão de fato válidos, se tais variáveis tiverem se mostrado significativas. Assim, ainda a partir da tabela gerada, podemos avaliar a significância dos coeficientes a partir tanto da estatísitca t quanto do p-valor associado ao teste. Se a estatísitca t for maior que o t crítico e se o p valor for menor que o nível de significância, então o coeficiente é considerado significativo, caso contrário ele é não significativo, o que significa que ele não é estatisticamente diferente de 0. Tendo isso em vista, podemos observar que, somente a variável ipcaant é de fato significativa, já que possui um p-valor muito baixo e uma estatística t alta. Assim, com exceção dessa variável, as demais escolhidas para compor o modelo não ajudam a explicar a inflação corrente. Já para uma análise da significância da regressão como um todo, devemos fazer um teste de significância conjunta das variáveis. Na prática, para obtermos os resultados desse teste, podemos olhar para a estatistica F da regressão e para seu p- valor. Também da mesma forma como nas análises anteriores, como a estatistica é muito alta e o p-valor é muito baixo (muito menor que o nível de significancia), o modelo é considerado significativo. O que siginifica dizer que, analisando de foma conjunta todos os os coeficientes, eles não são todos simultanemante iguais entre si e estatisticamente iguais a 0. Por fim, numa última análise, o valor de R-quadrado da regressão ser igual a 0.3342 siginifica que as variações nas variáveis independentes explicam aproximadamente 33% das variações da variavel dependente, o que é um valor bem razoável dado o número de variáveis utilizadas. 5. Testes pós-estimação Nessa secção, após termos estimado os coeficientes do modelo e termos feitos análises acerca dos seus respectivos níveis de significância, vamos realizar alguns testes para saber se o modelo é ou não bem-comportado, ou seja, se o mesmo apresenta algumas características não desejáveis, e que podem comprometer a sua eficiência preditiva, como a homoscedasticidade e a autocorrelação. Para inferir acerca da heterocedasticidade, utilizaremos o teste Breusch-Pagan. Para esse teste, a hipótese nula é de que o modelo apresenta o problema da homoscedasticidade e a hipótese alternativa, consequentemente, é de que o modelo não apresenta tal problema, ou seja, ele é heterocedástico. Pelo output abaixo do R, como o p-valor foi de 0,0002411 e, portanto, menor que os níveis de significância geralmente utilizados para essas análises, pode-se concluir que há evidências para se rejeitar a hipótese nula, o que significa que há evidências suficientes para afirmar que há de fato heterocedasticidade. Já para observar se há ou não a presença de autocorrelação no nosso modelo, o teste utilizado é o de Ljung-Box. Pelo output acima também fornecido pelo R, como o p-valor não é tão baixo assim (maior que os níveis de significancia geralmente utilizados para esse tipo de análise), não é possível rejeitar a hipótese nula da não presença de autocorrelação, indicando que esse modelo não apresenta tal problema. 6. Conclusões Através dos resutados mostrados, concluimos que apenas a variável ipcaant mostrou-se significativa para explicarmos a taxa de inflação de inflação corrente. Dessa forma, não verificou-se a relação apresentada pela Curva de Phillips, de que aumentos na taxa de desemprego implicariam em reduções na inflação. Isso pode ter acontecido pois tal relação se verificaria apenas num curto prazo, e como tomamos um período de tempo relativamente grande, já era de se esperar que tal efeito de fato não fosse observado. Já em relação a variável renda ocorreu um movimento semelhante. O coeficiente também se mostrou não significativo, o que implica dizer que, para o modelo utilizado, o componente de demanda da inflação também não tem importância na hora de explicar a inflação corrente brasileira. Com isso, concluímos que a nossa inflação é predominantemente inercial, ou seja, que a maior parcela das taxas mensais de variação do IPCA vêm do carregamento das taxas anteriores. Isso na prática dificulta um pouco o trabalho do Banco Central, uma vez que movimentos na taxa de juros, principal instrumento de política monetária, não tem impactos diretos sobre esse tipo de componente.