Uncategorized

Liberdade econômica, heterofobia e homofobia

Eis aí um mapa interessante. Ele mostra que o ódio é inimigo do PIB per capita (ou vice-versa). Você pode dizer que não se deve odiar ou discriminar pessoas que namoram outras do mesmo gênero ou de gêneros diferentes. Dá na mesma para mim. Até onde sei, a liberdade individual é um valor muito caro para nós, liberais.

Agora, infelizmente o autor não disponibilizou os dados e não posso replicar seu mapa ou sua correlação. Mas posso dizer que, como sempre, uma correlação não faz verão. O fato de observarmos maior tolerância com atitudes gays em correlação positiva com o PIB per capita não nos diz muita coisa. Afinal, alguém arriscaria a dizer que pobre é mais preconceituoso do que rico? Creio que não.

Mas o que o autor não disse é o que eu acho mais interessante. Ele se esqueceu – ou não pensou no assunto – de falar que a correlação entre PIB per capita e liberdade econômica também é muito elevada, talvez mais forte do que com a tolerância com a galera LGBT. Há outros valores, inclusive, que são compatíveis com a liberdade econômica, valores caros ao povo LGBT e ao restante da humanidade (sim, não sejam heterofóbicos, leitores atleticanos!).

Em outras palavras, a discussão sobre tolerância LGBT não pode ser dissociada da liberdade econômica. Muita gente jovem já entende isto no Brasil, embora haja quem consiga, ao mesmo tempo, apoiar ditaduras horrorosas e, ao mesmo tempo, dizer-se tolerante com posturas distintas no estilo LGBT. Não faz o menor sentido teórico, eu sei. Mas, neste pequeno post, você vê que, muito menos, não faz qualquer sentido empírico.

Assim, se há alguém que precisa mudar sua cabeça, este alguém é o militante destes movimentos que é sempre refratário à liberdade econômica. O que ele defende com uma mão, ele esmaga com a outra. Sem saber, serve a dois senhores mas quem lhe agradecerá, no fim, é o diabo.

Uncategorized

E a inflação, heim?

Pois é. O IBGE nos deu a má notícia. O IPCA contém vários sub-índices (preços), mas o que faz com que os preços subam não é…o próprio preço. Então, fuja de análises erradas que dizem que o IPCA subiu porque o preço do alimento subiu. Digo, o erro está no “porque”. Claro que se 2 + 2 = 4 e se eu digo que agora é 3 + 2, não podemos ter 4. Mas o ‘3’ só apareceu porque eu o coloquei lá.

Então, vamos separar as coisas: não vou falar do que causou o aumento no IPCA, mas sim, tão somente, do próprio. Vejamos como vem evoluindo a variação do IPCA nos anos recentes (Jan/99 – Jan-14).

O monstro está solto?

As variações no IPCA estão no gráfico abaixo (note que, embora o nome do eixo vertical seja “ipca”, o que temos são as variações mensais do IPCA). Os dados está em percentual e, portanto, a má notícia que estamos com 0.55% no último resultado.

ipca4

 

O monstro está solto? Parece que já tivemos melhores dias ali nos idos de 2006, 2007. Mas o problema da inflação não foi resolvido. Lembre-se que o governo deixou o monstro bater nas grades (teto da meta) e, no acumulado, ficamos em quase 6% (ou algo assim) no ano passado.

 

Entendendo o monstro com mais detalhes

Bem, uma forma diferente de observar este mesmo dado é olhar sua propriedade temporal básica: a sua correlação com ele mesmo em diferentes períodos de tempo, portanto, sua autocorrelação. O gráfico abaixo ilustra a autocorrelação acumulada entre variações do IPCA conforme estas variações estão distantes no tempo. Antes de dar os números, veja, se tenho 15 no eixo horizontal, então estou dizendo que existe uma distância de 15 meses. Aí olho para a barra vertical, que ilustra o valor da autocorrelação da variação do IPCA com ele mesmo 15 meses distante. Sacou? Vamos lá.

Por exemplo, no gráfico, com um mês de diferença, há uma fortíssima influência do passado sobre o presente (cerca de 60%). Quando olhamos a influência conjunta de dois meses, a influência cai para algo um pouco abaixo de 40%. E assim por diante. Natural, não? Você esperaria, digamos, que a inflação deste mês fosse fortemente influenciada pela do mês passado, não? Claro. Mas também é verdade que a inflação de dois meses atrás deve influenciar a deste mês, mas menos. Na soma, por assim dizer, a influência dos dois meses passados só é forte porque a do mês imediatamente anterior é muito forte. 

Pensando assim, você percebe que, no gráfico abaixo, a inflação tem aí um movimento quadrimensal forte (as linhas azuis são os intervalos de confiança…logo, barras que estejam entre as linhas nos dizem que os efeitos são estatisticamente iguais a zero) e, note lá na frente, o 12o mês também é importante. Isto significa que existe algum efeito de doze em doze meses, cíclico (sazonal) na inflação. 

Razoável, não? Geralmente, espera-se que, em qualquer ano, a inflação de um mês seja fortemente influenciada pela do mês anterior e, claro, muito menos pela de 333 meses atrás. Isto nos ajuda a entender porque este gráfico aí é razoável, mesmo que eu não entre em detalhes técnicos.

ipca2

 

Agora, no próximo gráfico, em contraste ao primeiro, temos o efeito isolado da distância entre meses, a chamada autocorrelação parcial.

Então, a forte influência do mês passado está aí, firme e forte. Mas a influência isolada da inflação de dois meses anteriores sobre o mês seguinte é praticamente zero (as linhas pontilhadas azuis são os intervalos de confiança, lembra?). Isto é exatamente o que tínhamos no gráfico anterior. Por que? Porque lá, acumulávamos o efeito das duas primeiras distâncias. Então, mesmo com o segundo efeito sendo praticamente zero, a força, por assim dizer, descomunal, da primeira, na soma, prevalecia.

Repare que este gráfico nos mostra um possível segundo ciclo, lá na distância (defasagem) de número oito. Vale dizer, pode ser que exista um ciclo na inflação de oito meses. Ou talvez seja uma questão trimestral, já que, em doze (na verdade, treze) existe outro indício de influência defasada forte. Algo para se pensar, eu sei.

ipca3

Para identificar isto melhor, é necessário explicitar os processos de autocorrelação teóricos que podem gerar gráficos simulados de comportamento similar ao do IPCA. Ou você pode tentar estimar um modelo autoregressivo (na verdade, vários).  Mas vamos em frente.

O monstro do eterno retorno ou “porque minha mulher odeia os finais de ano na feira”

No gráfico seguinte, percebemos a existência de sazonalidade. Repare que cada ponto no eixo horizontal é um mês. Sobre o mesmo, as observações deste mesmo mês ao longo da amostra e a barra horizontal é a média. 

Bem, se não houvesse efeito sazonal, eu esperaria que a média de Janeiro fosse igual à de Fevereiro que fosse igual….etc. Mas as médias são diferentes. Ok, eu não fiz um teste de médias, mas é fácil fazer isto e eu garanto para você (tenho bons motivos, acredite) que exite efeito sazonal. Ah sim, donas-de-casa geralmente odeiam o final e o começo do ano. Ou deveriam. Veja só as médias (e repare em Julho).

 

ipca1

Pensando bem, dá quase para ver um sorriso diabólico juntando estas barrinhas…

O monstro antecipado

Muito bem. Um modelo estimado me diz que a previsão para Fev/2014 é de que a inflação fique em 0.51%, mas o intervalo de confiança ainda não é o que eu gostaria de obter. O ajuste do modelo (um modelo ARIMA, destes que ensino em Econometria) pode ser ilustrado facilmente. Eis o gráfico.

ajuste_ipca

 

Nada mau, eu sei. Mas ocorre que este tipo de modelo é bem a-teórico, no sentido de que você pode se sair bem apenas com a Estatística para fazer a previsão. Mesmo que não continuemos nesta linha de argumentação, existem os modelos da família GARCH, os ARFIMA, os modelos de alisamento exponencial, etc. Ou seja, mesmo que ignoremos o problema da pouca teoria econômica na estimação de modelos como este, ainda assim existe uma variedade imensa de modelos que podem ser usados para prever o IPCA.

Quanto à teoria, claro, eu imagino que, como eu, você também ache que a inflação é um fenômeno monetário (ok, eu também gosto de ciclos reais e também entendo o problema da política fiscal corroendo a saúde da moeda). Então, em um outro contexto, eu gostaria de ver uma previsão do IPCA que levasse em conta esta relação sistêmica entre as variáveis. Bom, esta fica para depois mas eu te garanto que você que quem conhece Economia tem bons motivos para ficar pensando nisto pelo resto do Sábado.

Previsão do IPCA

Os alunos do Nepom, mais recentemente, têm se dedicado a tentar prever o comportamento do IPCA. Infelizmente, dada nossa rotatividade de membros encarregados da Econometria, este é um conhecimento que se desenvolve pouco. Um ou outro busca avançar mais o modelo ou testar especificações alternativas. Falta um pouco mais de análise, creio, paciência, enfim, investimento, no bom e velho tempo de reflexão sobre os dados. Eu recomendo chá verde com doce de feijão ao lado de uma janela aberta com uma bela paisagem (serve a bandeira do time na janela do vizinho fanático, em casos menos felizes…). Os familiares reclamam, eu sei, querem que você participe do almoço e tal. Mas estes momentos de paz e reflexão nos ajudam a pensar e modelar não apenas o IPCA, mas outras séries econômicas.

Ou talvez seja só um chá verde o suficiente para despertar seu lado econometrista. Vai saber.

 

Uncategorized

Alemães felizes com seus amigos?

A tal economia da felicidade ainda não me convenceu com seus resultados, mas vamos lá, pesquisa publicada é pesquisa para ser lida e comentada. Nesta pequena nota, o autor fala desta história de felicidade relacionada aos amigos. Segundo autor, com sua amostra germânica:

Life satisfaction estimates for Germany indicate that money as well as social relationships matter. The high consumption values of permanent partnerships and close friends of several ten thousands Euros per year in terms of household income are in line with previous findings for the US on partnerships (Blanchflower and Oswald 2004), for the UK on meeting with friends and relatives and on talking to neighbors (Powdthavee 2008), and for the UK on deaths of partners and friends (Oswald and Powdthavee 2008). The relevance of social relationships in determining well-being is often ignored in standard welfare analysis, although the shadow prices can be estimated, are very large and should therefore not be ignored. For example, a cost-benefit analysis of mobility should also take into account these negative effects as already pointed out by Layard (2006, p. C32) (…).

My econometric analysis has moreover shown that the computed consumption values are significantly lower when non-linearity (decreasing marginal utility) of household income is accounted for, which indicates a significant upward bias in the computation of consumption values (willingness to pay or shadow prices) when using linear income specifications such as in Blanchflower and Oswald (2004), Powdthavee (2008), Oswald and Powdthavee (2008), and many other studies.

Mesmo sendo um pouco cético quanto a estes resultados, acho legal o ponto do autor sobre o problema de especificação. Vale dizer, estimar uma relação linear sem testar para não-linearidades pode, sim, ser um problema. Obviamente, qualquer um que tenha estudado um pouco de Economia sabe que utilidade marginal decrescente não é algo que você despreze ad hoc em um modelo econométrico, notadamente, um modelo que fala de “felicidade”, “utilidade” ou “satisfação”.

Fonte: BBC

Neste sentido, o autor tem um ponto muito válido, mas poderíamos questionar também suas conclusões. Afinal, por que não usar algum método do tipo Box-Cox para checar esta questão de linearidade? Por que parar no efeito de segunda ordem (ok, eu sei que seria difícil explicar um efeito de quinta ordem mas, ei, não foi ele quem falou da importância das não-linearidades, de forma geral?)?

Outra coisa a se pensar: o autor fala de alemães e tenta, a partir desta amostra, falar da importância da não-linearidade em outras amostras. Ok, pode ser que ele tenha levantado uma pista importante. Mas também é possível que não exista efeitos não-lineares entre os nativos da França ou de Madagascar. A observação dele, portanto, deve ser encarada como uma agenda de pesquisa acerca da utilidade marginal decrescente em geral.

A microeconomia, realmente, é um campo fértil para qualquer interessado em estudar assuntos humanos. Bom, alemães felizes já é uma boa imagem para começar o sábado.

Uncategorized

Mais Momento R do Dia – o calor de Belo Horizonte

Como extensão do post anterior, eis as temperaturas em Belo Horizonte (BH), em 2014. Dados mensais. O leitor mais esperto já sabe como replicar a série, eu sei. Mas eu queria mesmo era ver como ficaria a temperatura na cidade em um período um pouco menos curto…

 

bh_tempO que é curioso, na minha opinião, é que a média, lá na estação do Aeroporto, é bem menor do que eu esperaria, no período. Mas, esta é a base de dados. Há muitas falhas na série (dados NA ou -9999) e tive que converter médias nulas ou negativas em NA mesmo, por isso as falhas no gráfico.

Bom, o dia amanheceu um pouco mais fresco, mas a previsão, para quem não viu, não é lá muito generosa…

 

Uncategorized

A temperatura está tão quente assim ou é a falta de chuva? (Momento R do Dia)

temperatura_galeao

Ok, com esta dica (e já explico algumas modificações), obtive a temperatura em uma estação de coleta (no aeroporto do Galeão). Que modificações? Bem, tínhamos uns valores faltantes – muitas vezes denotados por “-999” – e, então, eu optei por deixar em branco estas aberrações da coleta de dados incompleta.

Fazendo isto, obtive o gráfico acima. Meu código tem duas modificações com respeito ao código original. Primeiro, eu fiz com que o R coletasse dados para um período específico (2013 – até anteontem). Em segundo lugar, as tais aberrações. Bem, aqui está o código que eu usei.

Ah, uma dica. O autor fala que é “simples” obter o código da estação coletora dos dados. Bem, não é tão simples assim. Então, use este comando antes: getStationCode(“Brazil”). Quanto ao código:

w2013ab <-getWeatherForDate(“SBGL”, “2013-01-01”, “2014-02-05”)
w2013ab$shortdate <- strftime(w2013ab$Time, format=”%m-%d”)

meanTemp <- ddply(w2013ab, .(shortdate), summarize, mean_T=mean(TemperatureC))
meanTemp$shortdate <- as.Date(meanTemp$shortdate,format=”%m-%d”)

meanTemp[meanTemp<0] <- NA

ggplot(meanTemp, aes(shortdate, mean_T)) + geom_line() +
scale_x_date(labels=date_format(“%m/%d”)) + xlab(“”) + ylab(“Mean Temp deg C”) +
ggtitle(“2013 Average Daily Temperature at SBGL”)

Repare que, conforme meu gráfico, não há nada anormal quanto à temperatura. Em relação ao ano passado, o que parece faltar mesmo é a chuva. Eu sei que a sensação é de calor, que estamos com calor, etc. Mas repare no gráfico: não há muita diferença com relação ao mesmo período do ano passado, há?

O leitor mais esperto pode me fazer um favor e tabular os dados para dois ou três anos. Deve ficar um gráfico mais interessante.

p.s. Tirei o gráfico de BH porque havia algo errado com os dados (10 horas depois do post original, creio).