Skip to content

Files

Latest commit

e5ba607 · Feb 7, 2022

History

History

Analisando Impacto Causal em Séries Temporais

Sobre o projeto

O objetivo desse projeto é analisar o impacto gerado pelo pandemia do coronavírus no mercado de ações do Brasil. Para isso usaremos uma biblioteca do Python chamada casualimpact. A ideia é que a pandemia serve com um tipo de intervenção no mercado e toda intervenção pode gerar ou não impactos significativos após sua aplicação. Para analisarmos o impacto de uma intervenção devemos, também, gerar um cenário contrafactual, que seria aquilo que teria acontecido caso a intervenção não tivesse ocorrido e, após isso compararmos os resultados antes e depois no tempo. Nesse projeto iremos usar uma modelagem ARIMA para estimarmos um cenário contrafactual. Esse cenário contrafactual serão as previsões geradas por esse modelo ARIMA até a data final dos dados. O modelo será treinado com dados de 2019 e serão geradas previsões para o anos de 2020. Como a metodologia Box-Jenkins (usada na modelagem ARIMA) é um pouco extensa usaremos uma biblioteca de séries temporais no python que gera o modelo automaticamente (autoARIMA) apenas com a adição de parâmetros. Obs : Para esse projeto, especificamente, vamos supor que a intervenção foi gerada apenas pela pandemia do coronavírus.

Etapas

  1. Importação das bibliotecas;

  2. Importação dos dados;

  3. Breve análise exploratória dos dados;

  4. Estimando um cenário contrafactual:

    4.1) Treinamento do modelo ARIMA;

    4.2) Aplicação da Causal Impact;

  5. Relatório dos resultados.

Resultados

A pandemia causada pelo vírus Covid-19 (ou coronavírus) gerou um impacto em nossa variável, apresentando uma queda de -35,92%. A probabilidade de obter esse efeito por acaso é muito pequena (Probabilidade bayesiana unilateral da área da cauda p = 0,0), ou seja, o efeito causal da pandemia pode ser considerado estatisticamente significativo.