You are on page 1of 16

PROPOSTA DE MODELO DE VETORES AUTORREGRESSIVOS PARA

PROJEÇÃO DO IPCA LIVRE

Fernanda Garanhani de Brito - UFPR


f.garanhani@hotmail.com
Orientadora: Ruth Hofmann
ruthofmann@gmail.com - UFPR

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

Inflação é o aumento contínuo e generalizado no nível de preços. Ou seja, os


movimentos inflacionários representam elevações em todos os bens produzidos pela
economia. É um fenômeno que sempre esteve presente na história monetária do Brasil,
sendo de fato controlada com a implantação do Plano Real, em 1994. Antes dessa data,
por mais de uma década a variação do índice não foi menor que 79% ao ano, chegando a
hiperinflação de 2.477% ao ano em 1993. (IBGE)
Nos anos seguintes à implantação do real, formou-se o consenso de que a política
monetária deve objetivar a estabilidade de preços. Com esse intuito, o Banco Central
estabelece uma estratégia capaz de antecipar pressões inflacionárias futuras, e o aspecto
chave para essa estratégia é compreender como as outras variáveis da economia se
comportam e influenciam a inflação, isto é, o entendimento dos canais de transmissão da
política monetária. (Banco Central, 1999)
Além da política monetária, a inflação é também influenciada pela estrutura da
política fiscal. Ao administrar as contas do governo, o Ministério da Fazenda é também
responsável pela dívida pública, que é o acúmulo das diferenças entre receitas e despesas
ao longo dos anos. Quando a dívida cresce mais rápido que o PIB (Produto Interno Bruto),
como foi o caso a partir de 2013, a expectativa dos investidores quanto à capacidade do
país em honrar seus pagamentos é comprometida. Quanto maior a percepção de risco por
parte dos credores que emprestam dinheiro para o Brasil, maior será o prêmio (juros mais
altos) demandado para investir em títulos públicos. Um risco-país maior está associado a
pressões pela desvalorização do real frente ao dólar, e dessa forma a dívida pode afetar a
inflação: o aumento da taxa de câmbio tem reflexo direto no índice de preços. (Cerqueira,
2003)
O processo inflacionário acontece tanto por choques momentâneos, que
normalmente são efeitos percebidos no curto prazo, como pela tendência inflacionária,
conceito este que aparece quando observamos a série histórica do preço no longo prazo.
(Lopes, 1985)
O ritmo de elevação de preços, quando determinado por choques inflacionários,
acontece por meio de impulsos momentâneos que resultam das ações dos agentes
econômicos buscando a alteração dos preços relativos. Um choque de demanda ou de
oferta, por exemplo, é o fenômeno que economistas tentam captar por meio da da Curva
de Phillips. Neste modelo é estabelecido uma relação inversa entre a taxa de inflação e o
nível de desemprego. Este processo pode ser notado quando a economia entra em
recessão, e o mercado de trabalho passa a operar com excesso de oferta, ou seja, mais
pessoas a procura de trabalho enquanto empresas reduzem custos com funcionários. Com
o aumento do desemprego, o nível de salário real da economia sofre pressão de queda,
fazendo com que as famílias reduzam o consumo e consequentemente o nível geral de
preços se reduz. Desta maneira a recessão produz um impulso deflacionário. Quando o
choque é de oferta por parte da produção ocorre o efeito contrário, ou seja, a quantidade
de um bem ou serviço será menor que a demanda pelo consumidor, gerando um impulso
inflacionário. (Lopes, 1985)
Se conseguir medir a contribuição de todos os choques inflacionários presentes na
série histórica da inflação, o resíduo não explicado é um componente de inflação pura,
denominado tendência inflacionária. Se não houvesse nenhuma pressão no sentido de
mudanças em preços relativos, a taxa de inflação seria igual a esta tendência. Uma das

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

Os conceitos e ferramentas estatísticas necessárias para a aplicação da proposta de


modelo econométrico de vetores autorregressivos são apresentadas nesta seção com o
objetivo de dar embasamento teórico a análise realizada nos próximos capítulos.

2.1 Vetores Autorregressivos (VAR)

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.

em que 𝑌𝑡 = (𝑌1𝑡 , … , 𝑌𝑘𝑡 )′ é o vetor de k variáveis endógenas; α é o vetor de termos


independentes; 𝛽1 , … , 𝛽𝑝 são matrizes de coeficientes e 𝜀𝑡 = (𝜀1𝑡 , … , 𝜀𝑘𝑡 ) é o vetor de
resíduos aleatórios não autocorrelacionados. A equação expressa as relações entre as
variáveis endógenas, e é denominada de forma estrutural. Pode ser estimada pelo método
MQO (Mínimos Quadrados Ordinários), levando em conta a interação entre as variáveis
do sistema. (Lutkepohl, 2005)
No modelo VAR os dados são determinados pela estrutura dinâmica do modelo, e
não pelo pesquisador. A partir da Função de Resposta ao Impulso (FRI) é possível
determinar como o choque em qualquer uma das variáveis é absorvida pela estrutura do
modelo, afetando todas as demais variáveis endógenas, e o reflexo nela própria. (Pindyck
e Rubinfeld, 2004). Com o mesmo raciocínio podemos extrair desse método a
decomposição da variância do erro de previsão, que segundo Zivot e Wang (2005),
fornece a proporção de movimentos de uma variável que é devida a choques nela mesma
contra choques causados pelas outras séries. Para Diebold (2004), a função resposta a
impulso e decomposição da variância do erro de previsão apresentam a mesma
informação, embora graficamente tenham maneiras diferentes de serem apresentadas.

4
2.1.1 Estacionariedade

Uma série temporal é dita estacionária quando as distribuições de probabilidades são


mantidas ao longo do tempo, ou seja, ao analisar qualquer intervalo da amostra de uma
variável aleatória, deslocando ao longo do tempo, suas propriedades estatísticas de média,
variância e estrutura de autocorrelação devem permanecer as mesmas. Esse conceito tem
um papel importante pois os resultados estatísticos obtidos pelo modelo só são válidos
quando as séries são consideradas estacionárias. (Wooldridge, 2010)
A causa mais comum de violação da estacionariedade são as tendências que alteram
a média ao longo do tempo, e podem ser identificadas com a presença de raiz unitária ou
a partir de tendências determinísticas. No primeiro caso os choques momentâneos
possuem efeitos permanentes, alterando diretamente a média. Na tendência
determinística, a série passa por choques, porém possuem impactos transitórios, ou seja,
a média de longo prazo que mudam deterministicamente ao longo do tempo de acordo
com a tendência. (Enders, 2010). As imagens a seguir ilustram a diferença no
comportamento de uma séria dita estacionária e outra não estacionária.

Fonte: Portal Action

Uma vez que a estacionariedade está presente em muitos procedimentos estatísticos


utilizados na análise de séries temporais, dados não-estacionários são transformados de
modo a se tornarem estacionários. O processo de tendência determinística não é
estritamente estacionário, mas pode ser facilmente transformado removendo a tendência,
que é apenas uma função do tempo. Da mesma forma, os processos com uma ou mais
raízes unitárias podem ser estacionados a partir de diferenciação. (Enders, 2010)
No contexto do VAR, para estabelecer a relação entre as variáveis, é necessário
assumir algum tipo de estabilidade ao longo do tempo. Se a relação estatística entre elas
mudar a cada período não é possível descobrir como a mudança de uma variável afeta a
outra. A estabilidade de modelos autorregressivos se faz necessária ao estudarmos a
influência dos choques de uma variável sobre a outra, com a intenção que esses efeitos
tendam a se anular à medida que o tempo passa, e não afetem o histórico da série.
(Andrade, 2000)

5
2.1.1.1 Raiz Unitária

A maioria das séries econômicas possuem a característica de choques aleatórios que


causam impactos permanentes. Para identificar a presença de raiz unitária deve-se
analisar a equação característica do modelo. Assumindo um sistema de ordem 2 teremos:
𝑌𝑡 = 𝛼 + 𝛽1 𝑌𝑡−1 + 𝛽2 𝑌𝑡−2 + 𝜀𝑡 (𝐸𝑞𝑢𝑎çã𝑜 𝑑𝑒 𝑜𝑟𝑑𝑒𝑚 2)
𝑌𝑡 − 𝛽1 𝑌𝑡−1 − 𝛽2 𝑌𝑡−2 = 0 (𝐸𝑞𝑢𝑎çã𝑜 ℎ𝑜𝑚𝑜𝑔ê𝑛𝑒𝑎)
𝑋 2 − 𝛽1 𝑋 − 𝛽2 = 0 (𝐸𝑞𝑢𝑎çã𝑜 𝑐𝑎𝑟𝑎𝑐𝑡𝑒𝑟í𝑠𝑡𝑖𝑐𝑎)
Equação 2: Equação característica para identificação da presença de Raiz Unitária

A série é dita não-estacionária se a equação característica tiver no mínimo uma raiz


igual a 1. Se as outras raízes da equação estão dentro do círculo unitário, isto é, valor
absoluto menor que 1, então a primeira diferença do processo tornará a série estacionária.
O sistema que possuir mais de uma raiz unitária, o processo precisará ser diferenciado
várias vezes para se tornar estacionário. (Enders, 2010)
Na prática serão realizados testes para identificar a presença de raiz unitária, sendo o
teste ADF (Augmented Dickey-Fuller) usado para testar a hipótese nula de que existe raiz
unitária na série. O teste KPSS (Kwiatkowski-Plillips-Schmidt-Shin) é usado para testar
uma hipótese nula de que uma série de tempo é estacionária em torno de uma tendência
determinística. Ao contrário do teste ADF, a presença de raiz unitária no teste KPSS não
é a hipótese nula, mas sim a alternativa. Os testes do tipo KPSS pretendem complementar
o ADF. (Schmidt e Shin, 1992)

2.1.2 Identificação e Estimação

Para analisar as interrelações expressas pelo modelo VAR, é necessário considerar


que as múltiplas variáveis endógenas ao sistema, quando analisadas individualmente
possuem um componente “exógeno” que impacta as outras. Os métodos de identificação
possibilitam encontrar ente componente presente em cada variável, podendo estimar o
efeito do “choque” nessa variável sobre as demais.
Na literatura existem diferentes abordagens que buscam resolver o problema da
identificação. De acordo com Sims (1980) e Bernanke (1986), o método baseia-se na
imposição de restrições teóricas sobre as relações contemporâneas entre as variáveis,
sobre os impactos de longo prazo de certos choques. Os autores Pesaran, Shin e Smith
(1999), procuram explorar as características dos próprios dados, como as distribuições de
probabilidade dos resíduos, e suas possíveis correlações adicionais, quebras estruturais e
heterodasticidade. (Lanne e Lutkepohl 2008).

6
2.1.2.1 Decomposição de Cholesky

O método utilizado neste trabalho é também um dos mais populares entre os


macroeconomistas, conhecido por “decomposição de Cholesky” é o procedimento de
ortogonalização dos resíduos do VAR. A matriz dos resíduos terá uma estrutura recursiva
de relações contemporâneas entre as variáveis do modelo, ou seja, a primeira variável não
deve ser afetada por nenhuma das demais, enquanto a segunda seja afetada somente pela
primeira, a terceira pelas duas primeiras, e assim por diante. O analista deve estabelecer
a “ordenação causal” com conhecimentos teóricos das variáveis no sistema. Com a
estrutura correta estabelecida e o modelo identificado, é possível proceder com o estudo
por meio da função de resposta ao impulso (FRI) e decomposição de variância dos erros
de previsão. (Cavalcanti, 2010)

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.

3.1 Variáveis do Modelo

Para refletir o impacto da economia internacional no Brasil utiliza-se a variação


mensal da taxa de câmbio entre dólar e real. Além disso, são consideradas duas formas
de taxa de juros real, sendo uma deflacionada por IGP-M (Índice Geral de Preços do
Mercado) e outra por IPCA (Índice de Preços ao Consumidor Amplo). Como indicador
do saldo de crédito é feita a aproximação a partir da razão do agregado monetário M4
sobre o total da base monetária. A Produção Industrial, por ser um dado mensal, foi
utilizada como uma aproximação do PIB que é divulgado trimestralmente.

Quadro 1 – Relação econômica entre variáveis utilizadas no Modelo

Taxa de Câmbio A cotação do dólar tem impacto direto no preço de muitos


produtos, como exemplo o barril de petróleo. No cenário de
desvalorização do real, o preço da commodity cotada na
moeda americana passa a custar muito mais caro para o país,
causando aumento no preço da gasolina. Como o transporte
no país é feito principalmente por meio de rodovias, o custo
logístico com matéria-prima, bens intermediários e até o
bem final é encarecido. Esse aumento no custo de transporte

7
Quadro 1 – Relação econômica entre variáveis utilizadas no Modelo

é repassado aos preços pagos pelos consumidores, gerando


inflação.
Taxa Selic (Sistema A taxa de juros Selic é o instrumento de controle de inflação
Especial de Liquidação estabelecida pelo Comitê de Política Monetária (Copom),
e Custódia) utilizada para controlar o nível de consumo do país. A Selic
é utilizada pelas instituições financeiras como parâmetro na
definição de quanto será cobrado por empréstimos às
pessoas e empresas. Com juros altos, o consumidor tende a
comprar menos, porque a prestação a ser paga pelo
financiamento será mais alta. A economia com maior oferta
de produtos em relação à demanda tende a baixar os preços
para atrair consumidores. Refletindo assim a relação inversa
entre taxa Selic e inflação.
Produção Industrial O índice de produção industrial é um dado divulgado com
frequência mensal e utilizado neste artigo como proxy do
PIB (Produto Interno Bruto). Quando a demanda por bens e
serviços excede os níveis de produção, isso tende a levar o
PIB real exceder o PIB potencial, resultando em uma lacuna
inflacionária. O aumento relativo do PIB real faz com que a
economia aumente seu consumo gerando pressão
inflacionário no longo prazo.
Saldo de Crédito e A relação entre oferta de moeda e nível de preços possui
Agregados Monetários característica de longo prazo e está baseada na Teoria
Quantitativa da Moeda. É representada pela equação de
trocas M(Quantidade de Moeda) * V(Velocidade de
Circulação) = P(Nível de Preços) * Y(Produto Real da
Economia), em que o produto nominal de uma economia
tende a ser igual à quantidade total de moeda, multiplicada
por sua velocidade de circulação. Analisando essa relação, e
supondo que a velocidade de circulação da moeda e o nível
de produto se mantenham constantes no curto prazo, pode-
se dizer que a quantidade de moeda determina o nível de
preços e que, por sua vez, a variação desta quantidade
determina a taxa de inflação. (Vasconcellos, 2001)

Fonte: Elaboração Própria

3.2 Modelos Analisados

O Banco Central realiza estudos e projeções sobre a inflação periodicamente, e para


isso analisa diferentes combinações de variáveis e modelos estatísticos. As informações
proporcionadas pelo modelo VAR, combinadas com outras ferramentas econométricas,
são utilizadas no processo decisório do Comitê de Política Monetária (Copom).
O Departamento de Estudos e Pesquisas (Depep) do Banco Central desenvolveu três
modelos VAR que, a cada mês, geram previsões para a inflação dos preços livres. Essas
8
previsões são combinadas com as previsões para a inflação dos preços administrados
feitas pelo Departamento Econômico (Depec) e geram, assim, previsões para o IPCA
(Índice de Preços ao Consumidor Amplo). No quadro a seguir encontram-se as
combinações de variáveis utilizadas em cada modelo.

Quadro 2 – Modelos Analisados

VAR Proposto Índice de Preços Livres


Juros Real
Produção Industrial
Saldo de Crédito
Taxa de Câmbio
VAR 1 Índice de Preços Livres
Índice de Preços Administrados
Taxa de Câmbio
Juros Reais
VAR 2 Índice de Preços Livres
Saldo de Crédito
Taxa de Câmbio
Juros Reais
VAR 3 Índice de Preços Livres
Produção Industrial
Juros Reais

Fonte: Elaboração Própria e Banco Central

3.3 O Software R

O software utilizado para o desenvolvimento deste trabalho foi o R versão 3.3.2.


Trata-se de um software estatístico gratuito que disponibiliza diferentes pacotes de
programação, ou bibliotecas, e fornece as ferramentas necessárias para cada tipo de
análise. Para atender aos passos descritos no item 2 foram utilizadas as bibliotecas:
Openxlsx, com a função de importar os dados da planilha em Excel para a plataforma do
R; o pacote Urca é utilizado para analisar se as séries históricas atendem aos requisitos
de estacionariedade; Vars é a biblioteca que possui todas as ferramentas para desenvolver
o modelo VAR; e forecast é o pacote de projeções do software R.
A análise será feita em duas etapas. Por meio do teste ADF (Augmented Dickey-
Fuller), primeiro será testado se de forma individual as variáveis atendem ao requisito da
estacionariedade, ou seja, não possuem raiz unitária. No segundo momento as variáveis
já estacionárias serão combinadas entre si de modo que VAR seja realizado nas quatro
combinações de modelos citadas no item 3.2. Dentro do programa o espaço para escrever
o código que será utilizado se chama Script, enquanto os resultados e estatísticas
aparecem no campo “Área de Trabalho”. A realização dos inputs e o código programação
utilizado para a primeira etapa de teste estão como descritos no quadro a seguir:

9
Quadro 3 – Código de programação para o teste de estacionariedade

#Importando do Excel para o R


library(openxlsx)
Dados<-read.xlsx("Planilha VAR.xlsx",sheet=2)
names(Dados)

#Transformando dados em séries temporais


IPCA.Livres<-ts(Dados$IPCA.Livres,start=c(2002,3),freq=12)
IPCA.Adm<-ts(Dados$IPCA.Adm,start=c(2002,3),freq=12)
Câmbio<-ts(Dados$Câmbio,start=c(2002,3),freq=12)
JRIGPM<-ts(Dados$JRIGPM,start=c(2002,3),freq=12)
JRIPCA<-ts(Dados$JRIPCA,start=c(2002,3),freq=12)
Produção<-ts(Dados$Produção,start=c(2002,3),freq=12)
Crédito<-ts(Dados$Crédito,start=c(2002,3),freq=12)

#Teste ADF de estacionariedade


library(urca)

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)

Fonte: Elaborado no software R

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.

Quadro 4 – Código de programação para aplicação do modelo VAR

#Importando do Excel para o R


library(openxlsx)
VAR.0<-read.xlsx("Planilha VAR.xlsx",sheet=3)
VAR.0.ts<-ts(VAR.0,start=c(2002,3),freq=12)
VAR.1<-read.xlsx("Planilha VAR.xlsx",sheet=4)
VAR.1.ts<-ts(VAR.1,start=c(2002,3),freq=12)
VAR.2<-read.xlsx("Planilha VAR.xlsx",sheet=5)
VAR.2.ts<-ts(VAR.2,start=c(2002,3),freq=12)
VAR.3<-read.xlsx("Planilha VAR.xlsx",sheet=6)
VAR.3.ts<-ts(VAR.3,start=c(2002,3),freq=12)

#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)

Fonte: Elaborado no software R

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

Nesta seção são apresentados os resultados quantitativos obtidos aplicando-se as


ferramentas utilizadas no capítulo 3 e realiza-se a análise qualitativa com base nos
conceitos descritos no capítulo 2.

4.1 Teste de Raiz Unitária

Os resultados aqui apresentados foram extraídos da função summary no software R


para cada variável utilizada nos modelos analisados. O quadro a seguir expressa os
intervalos de confiança e seus respectivos valores críticos nas estatísticas tau3, phi2 e
phi3, estas que são interpretadas junto aos resultados abaixo.

Quadro 5 – Teste de Hipótese da Presença de Raiz Unitária

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

IPCA Livre -5,31 9,49 14,22


IPCA Administrados -6,40 13,79 20,68
Taxa de Câmbio -7,76 20,05 30,08
Juros Real (deflator IGP-M) -9,21 28,31 42,46
Juros Real (deflator IPCA) -5,87 11,52 17,28
Produção Industrial -8,84 26,03 39,04
Saldo de Crédito -12,78 54,42 81,63

Fonte: Elaboração própria a partir dos resultados obtidos no R.

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.

4.2 Modelo VAR

Para validar um modelo estatístico como aceitável é necessária a análise dos


indicadores apontados no quadro 6 a seguir.

Quadro 6 – Resultados Estatísticos Comparativos

VAR 0 VAR 1 VAR 2 VAR 3


Graus de Liberdade 160 174 164 180
Erro Padrão Residual 23,37% 25,06% 23,48% 25,21%
R² 67,15% 58,2% 66,01% 57,44%
R² ajustado 62,83% 57,03% 62,48% 56,49%
Estatística F 15,57 < 21 49,84 > 5 18,73 > 17 60,73 > 4

Fonte: Elaboração própria a partir dos resultados obtidos no R.

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:

Quadro 7 – Resultados Obtidos na Aplicação do Modelo VAR

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%

Fonte: Elaboração Própria

Os resultados obtidos nos quatro modelos se aproximam, porém, ao analisar o quadro


é possível perceber que os valores são crescentes ao longo do tempo, caracterizando uma
tendência de alta. Aplicando-se o conceito de estacionariedade apresentado no item 2.1.1
os valores apresentam um comportamento não estacionário no intervalo observado. Dado
que a própria base histórica da variação mensal do IPCA (Indicador de Preços ao

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

A partir dos resultados obtidos no capítulo 4, pode-se considerar que o objetivo do


trabalho de apresentar uma modelagem econométrica para o IPCA Livre utilizando a
metodologia VAR, foi atingido. Analisando a aderência do modelo à realidade e as
estatísticas apresentadas, deve-se concluir que não foram bons resultados com capacidade
de previsão assertiva.
Percebe-se a grande dificuldade de se fazer um bom modelo de previsão da inflação.
Existem fatores que não são facilmente expressos com números e podem influenciar o
objeto de estudo. Eventos como por exemplo o El Niño que são alterações climáticas
esporádicas e que impactam safras agrícolas, influenciando a inflação de alimentos, e
consequentemente o índice como um todo.
No que se refere à qualidade de previsão dos quatro modelos analisados foi possível
concluir que para atingir o nível de confiança necessário na condução da política
monetária devem ser realizados diversos modelos com metodologias diferentes e juntos
serem capazes de gerar um resultado satisfatório. No caso do Banco Central, o
Departamento de Estudos e Pesquisas (Depep) analisa modelos estatísticos e econômicos,
em diferentes janelas de tempo, e em diversos cenários para assim encontrar uma média
do que seriam as projeções para os próximos períodos. Deve-se lembrar também que
modelos de previsão devem ser periodicamente atualizados, de modo que mesmo as
projeções encontradas pelo Banco Central podem não ser adequadas daqui 6 meses ou 1
ano.

6 Referências

Andrade, J.S. (2001, 2004), “Apontamentos de Econometria Aplicada”,


Universidade Nova de Lisboa.
Bernanke, B.S. (1986), “Alternative Explanations of the Money-Income
Correlation”, Carnegie-Rochester Conference Series on Public Policy, Elsevier.
Banco Central do Brasil (1999), “O Mecanismo de Transmissão da Política
Monetária”, Relatório Trimestral de Inflação.
Banco Central do Brasil (2004), “Vetores Autorregressivos”, Relatório Trimestral de
Inflação.
Banco Central do Brasil (2012), “Revisão dos Modelos de Vetores Autorregressivos
com Fundamentação Econômica”, Relatório Trimestral de Inflação.

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