Professional Documents
Culture Documents
Resumo
O processo inflacionário representa redução do poder de compra e aumento contínuo e
generalizado do nível de preços, além de dificultar o horizonte de previsão dos agentes
econômicos. O estudo propõe analisar a capacidade de projeção do indicador de inflação
medido pela componente livre do IPCA (Índice de Preços ao Consumidor Amplo),
utilizando-se de ferramentas econométricas e aplicando-se a metodologia de vetores
autorregressivos. O modelo é realizado por meio do software de programação estatístico
R. Analisando os resultados obtidos, deve-se concluir que as amostras não apresentam
estatística adequada para serem utilizadas como modelos de projeção.
Palavras-Chave: Econometria, Projeção da Inflação, Modelo VAR, Software R
Abstract
The inflationary process represents a reduction of the purchasing power and a continuous
and generalized increase of the price level, besides hindering the forecast horizon of the
economic agents. The study proposes to analyze the projection capacity of the inflation
indicator measured by the free component of the IPCA (Extended Consumer Price Index),
using econometric tools and applying the autoregressive vector methodology. The model
is performed using statistical programming software R. Analyzing the results obtained, it
should be concluded that the samples do not present adequate statistics to be used as
projection models.
Key Words: Econometrics, Inflation Forecast, VAR Model, Ssoftware R
JEL classification: C01, C50, C30, C87
1
1 Introdução
2
hipóteses sobre a natureza deste conceito explica a tendência em termos da inércia
inflacionária, um fator importante levantado pelos economistas brasileiros da década de
1980. (Lopes, 1985)
A ideia é de que a inflação corrente está relacionada não apenas com as expectativas,
mas também com o fato da economia ser rigidamente indexada. No Brasil, o mecanismo
de indexação acontece tanto formal quanto informalmente. Regras específicas de
contratos como salários, mensalidades escolares, aluguéis, são reajustados
periodicamente pela inflação anterior e alimentam formalmente a memória inflacionária.
De maneira informal a indexação ocorre quando os agentes são seguidores de preços, ou
seja, aumentam o preço porque os outros também o fizeram. Esta hipótese é resultado da
experiência histórica de inflação crônica no Brasil, nos anos 1970 e 1980, em que os
contratos de diversos tipos tinham cláusulas de correção monetária. Isso gerou na
população um comportamento inflacionário, transferindo para o mês seguinte a taxa de
inflação do mês passado mesmo que não houvesse pressões de demanda ou de custo. Esta
característica de rigidez nominal acaba por implicar na dificuldade para a política
monetária em usar instrumentos de controle a inflação. (Lopes, 1985)
Dado que as mudanças na política monetária têm efeitos defasados sobre a economia,
um dos principais objetivos ao se prever a inflação é auxiliar a autoridade monetária na
definição de seus instrumentos de política no presente e no futuro próximo.
Até a década de 1980, muitos dos estudos macroeconômicos baseavam-se na
estimação de modelos econométricos de larga escala. Com a ocorrência de alteração nas
políticas econômicas, esses modelos começaram a apresentar falhas estruturais,
influenciando diretamente os resultados da análise.
Considerado o pioneiro no estudo de vetores auto regressivos, Sims (1980) iniciou
sua crítica aos modelos estruturados argumentando que na tentativa de torná-los
identificáveis, fortes restrições eram necessárias no momento da determinação das
variáveis exógenas, o que diminuía a qualidade e eficácia dos resultados de previsão.
Sims (1980), em seu artigo “Macroeconomics and Reality”, no qual analisa o modelo
Vetorial Auto Regressivo (VAR), demonstrou que seria possível expressar modelos
econômicos completos e estimar seus parâmetros. Nesse modelo as variáveis são
consideradas endógenas e determinadas simultaneamente, ou seja, são explicadas tanto
pelas próprias defasagens como pelas defasagens das outras variáveis do sistema. Uma
das vantagens desse modelo é que se torna possível analisar o efeito da variação ao longo
do tempo de determinada variável sobre as demais. Outro aspecto positivo da
metodologia proposta é de encontrar a solução à crítica que Sims (1980) faz aos modelos
estruturais. Não são necessárias restrições iniciais de causalidade entre as variáveis,
somente a escolha do conjunto relevante de variáveis e do número máximo de defasagens
envolvidas nas relações entre elas.
O objetivo deste trabalho nesse contexto é apresentar uma proposta de modelo
econométrico para a componente livre do índice nacional de preços ao consumidor amplo
(IPCA Livre) utilizando o modelo VAR. Foram analisados comparativamente três
modelos com diferentes combinações de variáveis usadas pelo Banco Central, como
descrito no boxe do Relatório Trimestral de Inflação de 2012, e outro proposto pelo
estudo, de modo a obter um modelo que melhor se adapte ao índice e sirva para a
realização de projeções.
3
O artigo está estruturado em cinco seções, incluindo esta introdução. A segunda
seção consiste nos conceitos estatísticos utilizados na análise. Na seção da metodologia,
são descritas as séries utilizadas no estudo, bem como os passos a serem seguidos na
programação do software R, este usado como ferramenta na projeção do modelo. Na
quarta seção são descritos os resultados como quadro comparativos, onde o modelo é
testado quanto à sua capacidade preditiva. Finalmente, na quinta seção são apresentadas
as conclusões referentes as análises realizadas.
2 Revisão Bibliográfica
A metodologia VAR permite analisar qual a participação de cada uma das variáveis
em relação ao impacto ocorrido nas outras (análise de decomposição da variância), ou
mesmo a resposta de uma variável quando ocorre um choque (ou inovação) em outro
componente do sistema (função resposta ao impulso). (Sims, 1980)
A equação matemática do modelo VAR de ordem p, é dada por:
𝑌𝑡 = 𝛼 + 𝛽1 𝑌𝑡−1 + ⋯ + 𝛽𝑝 𝑌𝑡−𝑝 + 𝜀𝑡 ,
Equação 1 – Forma estrutural do modelo VAR de ordem p.
4
2.1.1 Estacionariedade
5
2.1.1.1 Raiz Unitária
6
2.1.2.1 Decomposição de Cholesky
3 Metodologia
Para este trabalho foram utilizadas variáveis econômicas que apresentam influência
direta ou indiretamente sobre o índice de preços. Os indicadores selecionados estão
baseados em teorias macroeconômicas, e apresentados em porcentagem de variação
mensal. A fonte dos dados é do sistema de séries temporais disponíveis no site do Banco
Central do Brasil.
7
Quadro 1 – Relação econômica entre variáveis utilizadas no Modelo
3.3 O Software R
9
Quadro 3 – Código de programação para o teste de estacionariedade
IPCA.Livres.df<-ur.df(IPCA.Livres,type="trend",selectlags= “AIC”)
summary(IPCA.Livres.df)
IPCA.Adm.df<-ur.df(IPCA.Adm,type="trend",selectlags= “AIC”)
summary(IPCA.Adm.df)
Câmbio.df<-ur.df(Câmbio,type="trend",selectlags= “AIC”)
summary(Câmbio.df)
JRIGPM.df<-ur.df(JRIGPM,type="trend",seleclags= “AIC”)
summary(JRIGPM.df)
JRIPCA.df<-ur.df(JRIPCA,type="trend",selectlags= “AIC”)
summary(JRIPCA.df)
Produção.df<-ur.df(Produção,type="trend",selectlags= “AIC”)
summary(Produção.df)
Crédito.df<-ur.df(Crédito,type="trend",seleclags= “AIC”)
summary(Crédito.df)
Na leitura do código acima o software assume que as linhas iniciadas com o símbolo
“#” não são comandos de programação, sendo assim usado para organizar o código a
partir de comentários feitos pelo programador.
No Script acima os dados são importados do Excel utilizando-se o pacote de extensão
openxlxs, onde são encontradas as variáveis: IPCA Livre, IPCA Administrado, Taxa de
Câmbio, Juros Real deflacionado pelo IGP-M (Índice Geral de Preços do Mercado), Juros
Real deflacionado pelo IPCA (Índice de Preços ao Consumidor Amplo), Índice de
Produção Industrial, e Saldo de Crédito. Inicialmente os dados são interpretados como
números em painel, e aplicando-se a função ts as variáveis são transformadas em séries
10
temporais, com a data de início e a periodicidade determinadas. No caso do presente
trabalho a amostra começa em março de 2002 e possui frequência mensal. Com as
variáveis interpretadas como séries históricas, realiza-se o teste de estacionaridade,
utilizando-se o pacote “Urca”, este que disponibiliza a ferramenta de teste ADF
(Augmented Dickey-Fuller). Ao final de cada teste os resultados estatísticos são obtidos
pela função “summary”.
Para a segunda fase da programação o código está descrito em outro Script, neste
realiza-se a modelagem, os resultados estatísticos e a projeção das variáveis analisadas.
#Modelo VAR
library(vars)
VARselect(VAR.0.ts,lag.max=10,type="both")
ModeloVar.0<-VAR(VAR.0.ts,p=1,type="both",lag=4)
summary(ModeloVar.0,equation="IPCALivres")
VARselect(VAR.1.ts,lag.max=10,type="both")
ModeloVar.1<-VAR(VAR.1.ts,p=1,type="both",lag=1)
summary(ModeloVar.1,equation="IPCALivres")
VARselect(VAR.2.ts,lag.max=10,type="both")
ModeloVar.2<-VAR(VAR.2.ts,p=1,type="both",lag=5)
summary(ModeloVar.2,equation="IPCALivres")
VARselect(VAR.3.ts,lag.max=10,type="both")
ModeloVar.3<-VAR(VAR.3.ts,p=1,type="both",lag=3)
summary(ModeloVar.3,equation="IPCALivres")
#Teste de Resíduos
plot(ModeloVar.0,"IPCALivres")
plot(ModeloVar.1,"IPCALivres")
plot(ModeloVar.2,"IPCALivres")
plot(ModeloVar.3,"IPCALivres")
#Projeção
library(forecast)
ProjVar.0<-forecast(ModeloVar.0)
ProjVar.1<-forecast(ModeloVar.1)
ProjVar.2<-forecast(ModeloVar.2)
11
Quadro 4 – Código de programação para aplicação do modelo VAR
ProjVar.3<-forecast(ModeloVar.3)
A função VAR, disponível na biblioteca vars, é utilizada para estimar o modelo. Nesta
função os argumentos inseridos são: a matriz de dados que deve ser fornecido como y, a
ordem de integração p, o tipo de regressão determinista a incluir na análise, e o número
de defasagens ótimo obtido pela função VARselect. De acordo com Pfaff (2008), a
determinação da quantidade de defasagens do VAR se faz pelos critérios de informação
ou pelo erro de previsão. No R a função VARselect informa os valores de três critérios
AIC (Akaike), SC (Schwarz) e HQ (Hannan-Quinn) e o erro final de previsão (FPE).
A função summary retorna o resumo dos resultados como equação estimada, os testes
estatísticos e a matriz de correlação dos resíduos. Além disso, é possível reportar os
resultados apenas para a equação de interesse da análise, como indicado no segundo
argumento da função descrita no quadro 4, que para este artigo é o IPCA (Índice de Preço
ao Consumidor Amplo) Livre. Para testar se os resíduos são correlacionados aplica-se a
função plot, que analisa por meio de diagrama a aderência dos quatro modelos à equação
especificada. Para a projeção aplica-se a função forecast, em que retorna os valores
esperados, e os limites máximo e o mínimo em um horizonte de dez períodos.
4 Resultados
Intervalo de Aceitação H0
Confiança
tau3 phi2 phi3
1% -3,99 6,22 8,43
5% -3,43 4,75 6,49
10% -3,13 4,07 5,47
12
Quadro 5 – Teste de Hipótese da Presença de Raiz Unitária
Como descrito no item 2.1.1.1, pode-se afirmar que uma série é estacionária quando
se rejeita a hipótese nula de que esta possui raiz unitária. Os valores críticos com
intervalos de confiança de 1%, 5% e 10% são tabelados acima como tau3, phi2 e phi3.
Na segunda parte do quadro encontram-se as variáveis e seus respectivos resultados para
cada um dos critérios.
No primeiro caso, tau3 indica que se o resultado obtido for maior que o tabelado,
aceita-se a hipótese nula. Para rejeitar a hipótese nula analisando os outros parâmetros do
quadro é necessário que o teste das variáveis apresente resultados maiores que os valores
críticos de phi2 e phi3. Em todos esses casos observados, os resultados não se enquadram
nas zonas críticas de aceitação da hipótese nula, ou seja, podemos rejeitar a alternativa de
que há raiz unitária e assim concluir que são séries estacionárias.
13
Interpretar os resultados obtidos no quadro acima deve-se inicialmente entender o
que cada indicador representa. Grau de liberdade é a dimensão da amostra menos o
número de parâmetros estatísticos a serem avaliados, e ao considerar que os quatro
modelos possuem quantidade de variáveis e defasagens diferentes é plausível que os
valores não sejam comparáveis entre si.
Na segunda linha o erro padrão residual representa o grau de dispersão dos erros de
previsão, sendo assim, nos casos analisados de 23% a 25% da amostra não se encontram
corretamente ajustadas ao modelo. Para os parâmetros estatísticos esse intervalo de valor
apresentado é considerado alto, de modo que a confiabilidade no resultado final obtido é
afetada negativamente.
Os coeficientes de determinação conhecidos como R² e R² ajustado são medidas de
ajustamento do modelo estatístico em relação aos valores reais observados. Ambos são
indicados em porcentagem, e deve-se interpretar que quanto maior o valor, mais
explicativo é o modelo e melhor se ajusta à amostra. No quadro de resultados o modelo
proposto VAR 0 é o que apresenta melhor coeficiente determinístico, com 67,15% de
capacidade preditiva. Para ser considerado um bom modelo de projeção é necessário que
o R² seja, no mínimo, maior que 80%.
Os valores de variações mensais encontrados para os quatro modelos com um
horizonte de dez períodos de projeção, os resultados obtidos foram como indicados na
tabela:
Projeção
Data
Var.0 Var.1 Var.2 Var.3
Set-17 -0,22% -0,05% -0,20% -0,05%
Out-17 0,02% 0,08% 0,03% 0,08%
Nov-17 0,14% 0,16% 0,12% 0,16%
Dez-17 0,20% 0,21% 0,19% 0,21%
Jan-18 0,34% 0,25% 0,34% 0,25%
Fev-18 0,43% 0,29% 0,42% 0,29%
Mar-18 0,48% 0,31% 0,46% 0,31%
Abr-18 0,51% 0,33% 0,48% 0,33%
Mai-18 0,52% 0,34% 0,49% 0,34%
Jun-18 0,51% 0,35% 0,47% 0,35%
14
Consumidor Amplo) Livre utilizada no modelo foi testada e aceita como série
estacionária, pode-se concluir que a projeção não está aderente à realidade.
5 Conclusão
6 Referências
15
Cavalcanti, M (2010), “Identificação de modelos VAR e Causalidade de Granger:
Uma Nota de Advertência”, Revista Economia Aplicada.
Cerqueira C.A. (2003), “Dívida Externa Brasileira”, Banco Central do Brasil.
Enders, C.K. (2010), “Applied Missing Data Analysis”, The Guilford Press.
Instituto Brasileiro de Geografia e Estatística (IBGE).
Lanne, M. e Lutkepohl, H. (2008), “Identifying Monetary Policy Shocks via Changes
in Volatility”, Journal os Money, Credit and Banking.
Lopes, F.L. (1985), “Inflação Inercial, Hiperinflação e Desinflação: Notas e
Conjecturas”, Revista de Economia Política.
Lutkepohl, H. (2005), “New Introduction to Multiple Time Series Analysis”,
Springer Berlin Heidelberg, New York.
Moreira, A.R.B (1998), “Os Impactos das Políticas Monetária e Cambial no Brasil
Pós-Plano Real”, Instituto de Pesquisa Econômica Aplicada (IPEA).
Pesaran, M.H. Shin, Y. Smith, R.J. (1999), “Bounds Testing Approaches to the
Analysis of Long Run Relationships”, The University of Edinburgh.
Sims, C.A. (1980), Macroeconomics and Reality, Econometrica: Journal of The
Econometric Society
Schmidt P. e Shin Y. (1992), “The KPSS Stationarity Test as a Unit Root Test”,
Economics Letters.
Wooldridge, J.M. (2010), “Introdução à Econometria – Uma Abordagem Moderna”,
Cengage Learning.
16