O relatório busca entender a dinâmica do Resultado Primário entre os anos de 2003 e 2023 ano em que o relatorio é feito. A pesquisa será feita usando os dados disponibilizados pelo Banco Central, a partir destes dados serão feitos testes estatístico que tem por objetivo transformar esses dados em informação útil. Durante esse recorte de tempo tivemos quatro presidentes, impeachment e uma pandemia, esses eventos em conjunto tiveram grandes impactos sobre a contabilidade nacional, afetando as arrecadações e as despesas nacionais.
o RESULTADO PRIMÁRIO é uma medida financeira que tem por objetivo avaliar a capacidade do setor público de gerar receita suficientes para cobrir suas próprias despesas. Quando as receitas são maiores que as despesas dizemos que o resultado primário apresentou um superávit primário e quando as despesas são maiores que as receitas dizemos que hove um déficit primário. Os dois conceitos acima ajudam a entender a sustentabilidade das finanças públicas.
A abodagem metodológica que será utilizada é fundamentalmente estatística, com coleta, testes e avaliação dos testes pelo grau de significãncia.
Histograma : Uma ferramenta gráfica usada em estatística para avaliar a distribuição de frequência de um conjunto de dados.
Forma da Distribuição: A forma do histograma pode indicar se os dados são simétricos, se há assimetria ou se seguem algum padrão específico, como uma distribuição normal, distribuição assimétrica, entre outros.
Centralização e Dispersão: Através do histograma, é possível ter uma ideia da localização central dos dados (média, mediana) e da dispersão ou variabilidade dos valores.
O método de Sturges é uma técnica utilizada para determinar o número ideal de classes (ou bins) ao criar um histograma.
Formula pra calcular o número de classes:
\(K = 1 + log_2(n)\)
Mínimo valor da amostra
Máximo valor da amostra
Média aritimética \[ \bar{x} = \frac{1}{n} \sum_{i=1}^{n} x_i\]
Mediana
Desvio Padrão
\[ s = \sqrt{\frac{1}{n-1} \sum_{i=1}^{n} (x_i - \bar{x})^2} \]
Coeficiênte de variação
\[ CV = \frac{s}{\bar{x}} \times 100\%\]
Taxa de crescimento linear
\[Txl = (\frac{ultima.obs}{primeira.obs}-1)*100\]
Taxa de crescimento composta
\[Txc=[(\frac{ultima.obs}{primeira.obs})^{1/n}-1]*100\]
Deflacionando a série
O processo de deflação é usado para ajustar os valores monetarios de uma série, de forma que estes representem seu poder de compra real levando em consideração um dado nível de preços escolhido.
\(Real=(\frac{Nominal}{ídice})*100\)
Indicadores de Normalidade da distribuição
Decomposição da série
A partir de uma determinada série temporal é possivel retirar outras diversas informações, essas informações são extraidas através de um processo de decomposição da série. * A decomposição da série nos dará as seguintes informações:
A decomposição de uma série pode ser feita de diversas formas :
library(readxl)
Resultado_primario_ <- read_excel("C:/Users/henri/OneDrive/Área de Trabalho/Resultado_final/Resultado_primario..xlsx")
Resultado <- ts(Resultado_primario_$`Resultado Primário - R$ mi`, frequency = 12, start = c(2003,01))
plot(Resultado, xlab = " Data", ylab = "milhões", main = " Resultado Primário fluxo mensal")
abline( h = 0, col = "blue3")
Resultado_1 <- as.data.frame(Resultado); Resultado_1 x
1 6718.25
2 4607.22
3 3452.79
4 10309.92
5 3361.47
6 903.45
7 3326.17
8 2600.72
9 4081.48
10 4710.33
11 2182.78
12 -7510.70
13 7178.50
14 4838.35
15 5962.18
16 7561.17
17 4691.97
18 5354.14
19 4047.11
20 3766.21
21 4103.04
22 5515.12
23 2476.90
24 -3109.51
25 8506.97
26 2127.28
27 7204.99
28 14307.88
29 2203.75
30 6060.05
31 5614.79
32 4508.49
33 2929.80
34 6321.85
35 346.07
36 -4390.55
37 3310.52
38 3271.33
39 5614.45
40 16311.85
41 3145.73
42 6877.15
43 3600.96
44 7227.57
45 64.63
46 7766.57
47 -75.98
48 -5763.22
49 11805.29
50 2659.94
51 3913.18
52 14919.06
53 5344.96
54 5473.79
55 4951.89
56 3445.68
57 811.79
58 10017.66
59 4783.62
60 -8688.15
61 16705.32
62 4088.21
63 11039.30
64 16860.58
65 4916.41
66 7067.13
67 7774.08
68 7253.00
69 5173.45
70 14465.58
71 -3282.72
72 -20752.40
73 4795.83
74 903.39
75 5815.70
76 10861.57
77 -290.76
78 -1136.67
79 1690.76
80 3898.51
81 -8019.91
82 11377.06
83 10712.45
84 1835.29
85 13537.87
86 -700.99
87 -3912.28
88 16528.16
89 -1431.40
90 745.68
91 612.79
92 3457.86
93 25593.51
94 7232.97
95 1654.91
96 15404.18
97 13806.98
98 2530.30
99 9675.69
100 15220.07
101 4452.10
102 9703.98
103 10918.21
104 2031.00
105 5982.20
106 11403.92
107 4808.12
108 2502.92
109 20233.16
110 5316.54
111 7456.06
112 11479.07
113 1557.95
114 2018.97
115 3834.69
116 1172.59
117 930.56
118 10060.73
119 -5875.28
120 27900.93
121 26088.37
122 -7143.80
123 1059.38
124 7064.55
125 5235.57
126 1424.33
127 3767.59
128 -54.57
129 -10760.03
130 5256.93
131 28608.00
132 14744.37
133 12549.08
134 -3389.48
135 3161.53
136 16854.34
137 -11073.37
138 -2732.22
139 -1894.96
140 -11950.77
141 -20994.74
142 4903.11
143 -6658.88
144 754.65
145 10075.09
146 -6671.41
147 1482.66
148 10637.65
149 -8868.70
150 -8566.16
151 -6039.90
152 -6933.74
153 -6840.14
154 -12316.38
155 -21670.57
156 -60943.99
157 20898.52
158 -26432.76
159 -8944.40
160 8714.32
161 -17766.35
162 -10450.53
163 -11852.89
164 -22142.63
165 -26499.09
166 39127.34
167 -39876.40
168 -64248.47
169 26292.56
170 -28769.48
171 -11685.93
172 11451.28
173 -32105.54
174 -19937.32
175 -13977.34
176 -9916.20
177 -22226.95
178 4967.31
179 -366.45
180 -22168.17
181 36530.04
182 -19004.78
183 -25531.20
184 5360.05
185 -11120.27
186 -14951.46
187 -2676.94
188 -20850.51
189 -24291.86
190 10197.07
191 -17072.70
192 -32754.81
193 35606.95
194 -20612.48
195 -20399.61
196 6132.96
197 -13189.83
198 -12212.15
199 -1401.60
200 -16459.37
201 -20631.08
202 8544.81
203 -18177.16
204 -16100.33
205 45469.23
206 -26892.93
207 -21380.17
208 -92164.88
209 -127092.22
210 -195180.00
211 -88141.23
212 -96471.06
213 -75147.67
214 -3209.93
215 -20393.51
216 -44661.49
217 43156.41
218 -22508.14
219 3938.27
220 16265.05
221 -20923.69
222 -75082.66
223 -16842.32
224 -11092.32
225 708.29
226 29042.40
227 3528.70
228 13937.83
229 77429.54
230 -19181.07
231 -7811.43
232 29638.37
233 -40017.73
234 13710.33
235 19960.52
236 -49773.21
237 11113.02
238 30244.34
239 -16524.39
240 6158.37
241 79404.82
242 -39237.77
243 -9711.73
244 16885.50
245 -43187.91
246 -46479.57
247 -32477.84
248 -26181.51
249 -16505.56
250 19455.64library(xts)
Resultado_anual1 <- apply.yearly(as.xts(Resultado), sum)
plot(Resultado_anual1, main = "Resultado Primário em estoque", xlab= " Data", ylab = " R$(milhões)")
hist(Resultado, breaks = "Sturges", col = "blue", xlab = "Resultado", ylab = " Frequencia",
main = "Histograma de distribuição do Resultado. Sturges")
options(scipen=999999)
options(max.print = 100000)
minimo<-c(min(Resultado))
media<-c(mean(Resultado))
mediana<-c(median(Resultado))
maximo<-c(max(Resultado))
desvio<-c(sd(Resultado))
coeficient<-c(sd(Resultado)/mean(Resultado)*100)
nResultado<-length(Resultado)
txlinear<-((Resultado[nResultado]/Resultado[1])-1)*100# em valor percentual.== crescimento entre o primero e o ultimo.
txcompost<-((Resultado[nResultado]/Resultado[1])^(1/nResultado)-1)*100
Valores<- c( minimo, media, mediana, maximo, desvio, coeficient, txlinear, txcompost)
names(Valores)<-c("Mínimo", "Média", "Mediana", "Máximo", "Desvio","CV","taxa linear","taxa composta")
Valores Mínimo Média Mediana Máximo Desvio
-195180.0000000 -2959.1566800 2630.3300000 79404.8200000 25932.5169790
CV taxa linear taxa composta
-876.3482229 189.5938675 0.4262295 library(deflateBR)
times1 = seq(as.Date("2003/1/1"), by = "month", length.out = 250)
Resultado_R = deflate(Resultado, nominal_dates = times1, real_date = '10/2023', index = 'ipca')
plot( Resultado_R, main = " Resultado Primario em fluxo mensal deflacionado")
abline( h = 0, col = "blue3")
resultado_deflat<-as.data.frame(Resultado_R);resultado_deflat x
1 22122.35560
2 14837.12691
3 10947.49069
4 32291.61808
5 10427.29612
6 2785.51240
7 10270.64682
8 8014.55329
9 12535.14647
10 14354.51189
11 6632.69111
12 -22744.96344
13 21626.52360
14 14466.48192
15 17718.63251
16 22365.47968
17 13827.41047
18 15698.81145
19 11782.84878
20 10866.16668
21 11756.87387
22 15751.04690
23 7042.97036
24 -8781.17874
25 23818.67910
26 5921.83729
27 19939.28668
28 39356.03038
29 6009.48223
30 16444.77583
31 15239.58030
32 12206.34500
33 7918.70912
34 17027.18463
35 925.16277
36 -11673.22411
37 8770.17516
38 8615.51823
39 14726.06466
40 42600.97105
41 8198.35658
42 17905.20561
43 9395.12353
44 18821.41858
45 168.21978
46 20172.55727
47 -196.69839
48 -14873.83588
49 30321.81547
50 6802.10062
51 9963.08456
52 37844.40649
53 13524.47038
54 13811.79229
55 12460.03103
56 8649.30981
57 2028.21128
58 24983.57634
59 11894.43999
60 -21521.28658
61 41076.46417
62 9998.45019
63 26866.91132
64 40838.39345
65 11843.01991
66 16890.38940
67 18443.49104
68 17116.57645
69 12174.88991
70 33954.16463
71 -7670.79968
72 -48318.58068
73 11135.11998
74 2087.50550
75 13365.08840
76 24911.25077
77 -663.67818
78 -2582.38463
79 3827.43936
80 8804.08243
81 -18084.40326
82 25593.13624
83 24030.78676
84 4100.21246
85 30133.43527
86 -1548.69305
87 -8576.49084
88 36045.58434
89 -3103.98384
90 1610.07949
91 1323.14212
92 7465.50090
93 55234.23343
94 15539.81842
95 3529.05325
96 32578.64654
97 29017.86196
98 5274.10059
99 20007.72553
100 31225.90855
101 9064.25088
102 19664.36490
103 22091.78287
104 4102.93935
105 12040.44218
106 22831.77061
107 9585.10184
108 4963.81920
109 39927.04330
110 10432.95583
111 14565.92464
112 22378.15779
113 3017.87045
114 3896.87654
115 7395.54593
116 2251.76034
117 1779.68633
118 19131.98180
119 -11107.18798
120 52431.94111
121 48641.42789
122 -13205.95557
123 1946.67929
124 12920.83846
125 9523.30931
126 2581.25514
127 6810.13651
128 -98.60897
129 -19397.01926
130 9443.57487
131 51100.31059
132 26195.27001
133 22091.81960
134 -5934.32226
135 5497.29603
136 29039.29829
137 -18951.95495
138 -4654.75679
139 -3215.49385
140 -20276.81041
141 -35532.80736
142 8251.29911
143 -11159.17307
144 1258.25080
145 16668.49596
146 -10902.17663
147 2393.70862
148 16950.39672
149 -14032.05794
150 -13453.83471
151 -9411.77896
152 -10738.05571
153 -10569.85079
154 -18929.89717
155 -33036.14075
156 -91978.32475
157 31240.73321
158 -39018.24224
159 -13085.35262
160 12694.17420
161 -25723.36011
162 -15013.91223
163 -16969.25357
164 -31536.59966
165 -37575.94839
166 55438.56271
167 -56353.31378
168 -90632.68277
169 36978.93282
170 -40309.37912
171 -16319.48834
172 15951.93188
173 -44661.33259
174 -27648.65967
175 -19428.16909
176 -13750.27348
177 -30762.51613
178 6863.87505
179 -504.24571
180 -30418.84937
181 49906.39217
182 -25888.74769
183 -34668.23659
184 7271.74830
185 -15053.27909
186 -20158.83554
187 -3564.36764
188 -27671.29237
189 -32267.41258
190 13480.29120
191 -22468.62309
192 -43197.88699
193 46889.02413
194 -27056.97927
195 -26662.91942
196 7956.29868
197 -17014.21145
198 -15732.59868
199 -1805.46515
200 -21161.84910
201 -26496.26291
202 10978.39014
203 -23330.71365
204 -20560.20247
205 57404.25655
206 -33880.80824
207 -26868.43034
208 -115742.48734
209 -160101.23910
210 -246810.93694
211 -111168.18551
212 -121237.77091
213 -94213.92992
214 -3998.75091
215 -25188.46667
216 -54675.75373
217 52129.42967
218 -27120.20728
219 4704.78701
220 19251.71849
221 -24689.27124
222 -87865.74332
223 -19605.87115
224 -12789.61327
225 809.62548
226 32816.85031
227 3938.07777
228 15408.41950
229 84978.87081
230 -20938.14004
231 -8441.72459
232 31519.22604
233 -42110.87907
234 14359.96337
235 20767.15275
236 -52139.16368
237 11683.32834
238 31888.93658
239 -17320.73092
240 6428.79769
241 82380.92623
242 -40493.80789
243 -9939.12382
244 17159.02810
245 -43621.41336
246 -46838.42044
247 -32754.78150
248 -26373.12206
249 -16588.19548
250 19502.32894library(xts)
Resultado_anual2 <- apply.yearly(as.xts(Resultado_R), sum)
plot(Resultado_anual2, main = "Resultado Primário real em estoque", xlab= " Data", ylab = " R$(milhões)")
write.table(Resultado_anual2,file = "result.txt")
library(readr)hist(Resultado_R, breaks = "Sturges", col = "blue", xlab = "Resultado Primário deflacionado", ylab = " Frequencia",
main = "Histograma de distribuição do Resultado. Sturges")
Resultados
options(scipen=999999)
options(max.print = 100000)
minimo<-c(min(Resultado_R))
media<-c(mean(Resultado_R))
mediana<-c(median(Resultado_R))
maximo<-c(max(Resultado_R))
desvio<-c(sd(Resultado_R))
coeficient<-c(sd(Resultado_R)/mean(Resultado_R)*100)
nResultado_R<-length(Resultado_R)
txlinear<-((Resultado_R[nResultado_R]/Resultado_R[1])-1)*100# em valor percentual.== crescimento entre o primero e o ultimo.
txcompost<-((Resultado_R[nResultado_R]/Resultado_R[1])^(1/nResultado_R)-1)*100
Valores<- c( minimo, media, mediana, maximo, desvio, coeficient, txlinear, txcompost)
names(Valores)<-c("Mínimo", "Média", "Mediana", "Máximo", "Desvio","CV","taxa linear","taxa composta")
Valores Mínimo Média Mediana Máximo Desvio
-246810.9369405 -954.5463951 6219.1399612 84978.8708080 34813.3421333
CV taxa linear taxa composta
-3647.1084393 -11.8433439 -0.0504092 options(scipen=999999)
options(max.print = 100000)
library(fBasics)
jarqueberaTest(Resultado_R) # se cair na hipotese nula então normalidade.
Title:
Jarque - Bera Normalality Test
Test Results:
STATISTIC:
X-squared: 1669.8563
P VALUE:
Asymptotic p Value: < 0.00000000000000022 qqnorm(Resultado_R, col="blue")
qqline(Resultado_R, col="red")
shapiro.test(Resultado_R)
Shapiro-Wilk normality test
data: Resultado_R
W = 0.83537, p-value = 0.00000000000000137boxPlot(Resultado_R)
Resultado_anual3 <- aggregate(Resultado_R, nfrequency = 1, FUN = sum)
janela_lula <-window(Resultado_anual3,frequency=12,start =c(2003.1),end=c(2011.12));plot(janela_lula)
library(fBasics)
jarqueberaTest(janela_lula) # se cair na hipotese nula então normalidade.
Title:
Jarque - Bera Normalality Test
Test Results:
STATISTIC:
X-squared: 0.8651
P VALUE:
Asymptotic p Value: 0.6488 qqnorm(janela_lula, col="blue")
qqline(janela_lula, col="red")
shapiro.test(janela_lula)
Shapiro-Wilk normality test
data: janela_lula
W = 0.93058, p-value = 0.5214boxPlot(janela_lula)
Resultado_anual3 <- aggregate(Resultado_R, nfrequency = 1, FUN = sum)
janela_dilma <-window(Resultado_anual3,frequency=12,start =c(2011.1),end=c(2016.9));plot(janela_dilma)
library(fBasics)
jarqueberaTest(janela_dilma) # se cair na hipotese nula então normalidade.
Title:
Jarque - Bera Normalality Test
Test Results:
STATISTIC:
X-squared: 0.5925
P VALUE:
Asymptotic p Value: 0.7436 qqnorm(janela_dilma, col="blue")
qqline(janela_dilma, col="red")
shapiro.test(janela_dilma)
Shapiro-Wilk normality test
data: janela_dilma
W = 0.89667, p-value = 0.3918boxPlot(janela_dilma)
Resultado_anual3 <- aggregate(Resultado_R, nfrequency = 1, FUN = sum)
janela_temer <-window(Resultado_anual3,frequency=12,start =c(2016.8),end=c(2019.1));plot(janela_temer)
library(fBasics)
jarqueberaTest(janela_temer) # se cair na hipotese nula então normalidade.
Title:
Jarque - Bera Normalality Test
Test Results:
STATISTIC:
X-squared: 0.4622
P VALUE:
Asymptotic p Value: 0.7937 qqnorm(janela_temer, col="blue")
qqline(janela_temer, col="red")
shapiro.test(janela_temer)
Shapiro-Wilk normality test
data: janela_temer
W = 0.88934, p-value = 0.3523boxPlot(janela_temer)
Resultado_anual3 <- aggregate(Resultado_R, nfrequency = 1, FUN = sum)
janela_jair <-window(Resultado_anual3,frequency=12,start =c(2019.1),end=c(2022.12));plot(janela_jair)
library(fBasics)
jarqueberaTest(janela_jair) # se cair na hipotese nula então normalidade.
Title:
Jarque - Bera Normalality Test
Test Results:
STATISTIC:
X-squared: 0.5116
P VALUE:
Asymptotic p Value: 0.7743 qqnorm(janela_jair, col="blue")
qqline(janela_jair, col="red")
shapiro.test(janela_jair)
Shapiro-Wilk normality test
data: janela_jair
W = 0.82706, p-value = 0.1809boxPlot(janela_jair)
Hodrick Prescott
## por conta da inadequação dos dados de Resultado_anual2 eu precisei criar outra série acumulada chamada Resultado_anual3.
Resultado_anual3 <- aggregate(Resultado_R, nfrequency = 1, FUN = sum)
##
library(mFilter)
Resultado_hp<-hpfilter(na.omit(Resultado_anual3, type='lambda', freq=14400))
ciclo<-Resultado_hp$cycle
plot(ciclo, col = "#bb0115", main = " Ciclo do Resultado Primário", xlab= "Tempo", ylab= "R$ (milhões)",lwd = 2)
abline(h=0,col="blue4")
abline( v = 2003.1, col = "grey1", lty = 2);abline(v = 2022.12, col = "grey1", lty =2)
abline( v = 2011.12, col= "grey1", lty = 2); abline( v = 2016.9, col = "grey1", lty =2);abline(v = 2019.12, col ="grey1", lty =2)
text(2007.1, 70000, " Lula", cex = 0.7);text(2013.1, 70000, "Dilma",cex = 0.7)
text(2018.1, 70000, " Temer",cex = 0.7);text(2021.1, 70000, "Bolsonaro",cex = 0.7)
Multiplicativa
Decomposicao_M <- decompose(Resultado_R, type = "multiplicativ");plot(Decomposicao_M)
Cíclo
plot(Decomposicao_M$trend,main = "Ciclo Resultado Primário, decomposição multiplicativa",col = "blue");abline(h = 0, col = "blue3")
Aditiva
Decomposicao_A <- decompose(Resultado_R, type = "additiv");plot(Decomposicao_A)
Cíclo
plot(Decomposicao_A$trend, main = "Cíclo Resultado Primário, decomposição aditiva",col ="red")
abline(h = 0, col ="blue3")
Comparação dos cíclos aditivo e multiplicativo
plot(Decomposicao_A$trend, col= "red", xlab = "",ylab = "",lwd = 5,type = "l")
lines(Decomposicao_M$trend,xlab="",ylab="", col = "blue",lwd = 2, main = "Comparação entre os cíclos multiplicativo e aditivo")
legend("bottomleft", legend = c("Aditivo","Multiplicativo"), col = c("red","blue"),
lty = c(1,1), cex =0.8, inset = c(0.02, - 0.02) )
Projetando o Resultado Primário para os próximos 3 anos
valor_final<-length(Resultado_anual3)
nResultado_anual3<-length(Resultado_anual3)
taxa_g<-((Resultado_anual3[nResultado_anual3]/Resultado_anual3[1])^(1/nResultado_anual3)-1)*100
v_futuro<- valor_final*(1+taxa_g)
v_futuro2 <-v_futuro*(1+taxa_g)
v_futuro3<- v_futuro2*(1+taxa_g)
Valores<- c(taxa_g,v_futuro, v_futuro2, v_futuro3)
names(Valores)<-c("taxa g anual", " valor futuro 1", "valor futuro 2", "valor futuro 3")
Valores taxa g anual valor futuro 1 valor futuro 2 valor futuro 3
-3.450834 -49.016689 120.131788 -294.423123 Fazendo testes para o recorte total dos dados, chegou-se a conclusão de que não há distribuição normal, esse fato prejudica a criação de modelos econométricos que poderiam ser usados na comprensão e na projeção de valores futuros. Apesar disso ainda é possével fazer algumas inferências simples.
Quando avaliamos os dados de forma fracionada,dividindo a amostra para cada mandato, temos melhores significativas nos parãmetros estatísticos, onde observa-se que os testes de normalidade, com alfa de significância de 5%, passam a ser aceitos. Isso mostra que cada governo gerenciou a economia de forma específica e em contextos diferêntes. Com o resultado de normalidade será possível criar modelos econométricos e a partir disso desenvolver hipóteses mais complexas.
Uma avaliação mais simples: é nítido que o Resultado Primário apresenta um ponto de ruptura entre um longo período de superávit primário para um segundo período onde a tingir a meta de sperávit tornou-se cada vez mais difícil. É possével que isso tenha acontecido pela mudança de estratégia de política econômica durante os anos de Guido Mantega, até então ministro da fazendo do governo Dilma, onde o tripé macroeconõmico (metas de inflação, cãmbio flutuante, superavit primário) deixou de ser tão importante quanto já havia sido em outro momento da história brasileira.
quarto.org
chat.openai.com
bcb.gov.br
https://sgeconsult.shinyapps.io/ContasNacionaisMensais/
https://www.youtube.com/@sgeconsult831