UMA CONTRAPOSIÇÃO DE METODOLOGIAS PARA A PREVISÃO DA TRAJETÓRIA DA ECONOMIA: ESTADO DA ARTE E MONITORAMENTO DA PRODUÇÃO INDUSTRIAL MINEIRA.

Raquel Guimarães
Faculdade de Ciências Econômicas – UFMG Bolsista do Programa de Educação Tutorial – SESu/MEC

Sueli Moro
Centro de Desenvolvimento e Planejamento Regional – UFMG Professora Adjunta do Departamento de Ciências Econômicas - FACE/UFMG

RESUMO
As previsões dos ciclos econômicos são primordiais para nortear a política econômica, bem como delinear as decisões dos agentes a respeito do investimento e poupança. Este artigo avaliou diversas metodologias de previsão para o acompanhamento da Produção Industrial Mineira. O exercício empírico consistiu da estimação e previsão da trajetória da economia mineira, a partir de um conjunto de indicadores antecedentes, através de três metodologias: i. NBER; ii. combinação de previsões de séries temporais a partir do modelo de Box e Jenkins e Holt-Winters aditivo; iii. análise econométrica mediante aplicação dos vetores auto-regressivos (VAR). A despeito de ser de fácil aplicação, os indicadores antecedentes do NBER apresentaram o melhor poder preditivo da série de referência, medido em termos da raiz do erro quadrático médio, seguidos pelo vetor auto-regressivo e combinação de previsões.

PALAVRAS-CHAVE: Previsões macroeconômicas; Indicadores Antecedentes; Combinação de
Previsões; VAR; Produção Industrial de Minas Gerais.

INTRODUÇÃO
Antever as flutuações da economia tem sido uma preocupação recorrente não apenas dos profissionais dessa área do conhecimento, como também de matemáticos, estatísticos e até mesmo profissionais de outras disciplinas. Essa busca deve-se ao fato de que a decisão de investimento das empresas, além do consumo e poupança das famílias, é influenciada pelas expectativas desses acerca do futuro dos negócios. Dessa forma, especialistas e pesquisadores, a partir de um horizonte de previsão, objetivam encontrar padrões e regularidades que possam ser projetados no futuro baseados no comportamento passado das variáveis macroeconômicas. Esses estudos são vantajosos do ponto de vista dos agentes econômicos, pois este poderá auferir lucros caso antecipe corretamente uma melhora na economia como um todo, ou a minimização de prejuízos quando já se prevê um desaquecimento do nível de atividade econômica. Embora a temática apresente uma relevância considerável, a pesquisa em previsão econômica é marcada por um intenso debate, tanto do ponto de vista teórico quanto metodológico. Sobre essa pluralidade, afirmam Clements e Hendry (2002):
"A forecast is a statement about the future. Such statements may be well founded, or lack any sound basis; they may be accurate or inaccurate on a given occasion, or on average; precise or imprecise; and model-based or informal. (…) Thus, forecasting is potentially a vast subject". (p. 2)

No que tange especificamente à teoria dos ciclos de negócios, a pluralidade nas abordagens também norteia o debate entre os cientistas. Jevons, Malthus, Schumpeter, Keynes e outros economistas,

1

de várias correntes de pensamento, dedicaram-se ao estudo dos ciclos e sua caracterização1. Para Massimiliano (2005), o debate concentrava-se em dois pontos:
"This belongs to the old debate on the characterization of business cycles as extrinsic phenomena, i.e, generated by the arrival of external shocks propagated through a linear model, versus intrinsic phenomena, i.e., generated by the non linear development of the endogenous variable". (p. 3)

Do ponto de vista empírico, além de uma grande disponibilidade de instrumentais para o estudo dos ciclos econômicos, observou-se ainda o desenvolvimento dos pacotes estatísticos, que facilitaram a computação de algoritmos e a análise de bancos de dados que monitoram as observações em tempo real. Para adequar metodologia aos objetivos do pesquisador, são necessários alguns cuidados na análise empírica dos ciclos: precisão das estimativas (o valor estimado empiricamente é consistente com o valor observado na realidade?), confiança na estimativa (qual é o seu nível de erro do valor previsto pelo exercício empírico?) ou ambos. Deve-se ressaltar que a literatura sugere que as previsões nunca são “ótimas”, podendo sempre ser avaliadas e aprimoradas, uma vez que, especialmente no estudo dos ciclos, o comportamento das variáveis econômicas é bastante sensível às políticas e, por conseguinte, as séries apresentam muitas quebras estruturais e desvios (Granger e Newbold, 1977, p.268). Este artigo pretende avaliar e contrapor diversas metodologias de previsão para o acompanhamento da Produção Industrial Mineira. Com esse intuito, o trabalho consiste de quatro partes. Na primeira seção, verificar-se-á o estado da arte no tema, sendo identificadas e discutidas ali as primeiras pesquisas empíricas que investigaram o estado dos negócios. Na segunda parte será revisada a literatura brasileira de estudos empíricos dos ciclos. Na terceira seção, far-se-á uma caracterização da economia mineira, o que servirá de subsídio para a escolha das variáveis relevantes para a mensuração de seu nível de atividade econômica. Na quarta seção, realiza-se a contraposição das metodologias NBER, combinação de previsões de métodos estatísticos e VAR. Por fim, sintetizam-se as contribuições deste trabalho e sugere-se uma agenda de pesquisas.

1. O ESTUDO EMPÍRICO DOS CICLOS: ESTADO DA ARTE
Os primeiros estudos para a investigação dos ciclos econômicos podem ser observados a partir do século XIX. O trabalho pioneiro do marginalista Jevons2 argumentava que os ciclos das manchas solares (sunspots cycles) seriam determinantes das flutuações econômicas por influírem diretamente nas condições metereológicas. Daí ocorria que estas exerciam impactos significativos a posteriori sobre a agricultura, demanda e níveis de preços. De acordo com Morgan (1990), essas primeiras contribuições iniciais baseavam-se predominantemente na investigação das regularidades estatísticas de fenômenos isolados, buscando-se antever e justificar causalidades para os ciclos de negócios. Cardim e Hermanny (2003) apontam que, desde o início das discussões acerca das previsões dos ciclos econômicos, até aproximadamente 1950, havia duas correntes distintas no que se refere ao tratamento modelístico conferido às variações do nível de atividade econômica. A primeira vertente na taxonomia dos autores assentava-se no entendimento do ciclo como um fenômeno econômico, porém com uma visão bastante "mecanicista". Isto é, a explicação para os pontos de reversão3 é baseada, essencialmente, nas causalidades básicas macroeconômicas. Entretanto, de acordo com os autores, essas investigações desconsiderariam aspectos importantes como as expectativas dos agentes e a incerteza. Um exemplo do tratamento "mecanicista": um choque adverso na agricultura causaria uma queda na oferta e, conseqüentemente, acarretaria em aumento de preços e queda do nível de atividade. Por sua vez, a segunda corrente analisava as flutuações econômicas como um processo eminentemente empírico, "tentando-se identificar os processos econômicos que fossem sensíveis ao

Para mais detalhes sobre o debate teórico a respeito dos ciclos econômicos nos economistas clássicos e de outras correntes econômicas, ver Lima (2005). Para uma discussão mais atual teórica, ver Zarnowitz (1999). 2 O economista William Jevons viveu entre 1835 e 1882. Seu livro, publicado em 1871, The theory of Political Economy, foi o precursor da teoria neoclássica. 3 São aqueles pontos nos quais há uma mudança de comportamento, i.e, de uma recessão para uma expansão ou o contrário.

1

2

padrão de flutuação agregado, sua duração, profundidade, inter-relação com outros processos (...)" (p.2). Para Koopmans (1947), esses trabalhos prezavam pela mensuração desvinculada da teoria. Com o avanço das metodologias, é possível identificar três tipos de abordagens para previsão cíclica (Clements e Hendry, 2002): i. O Sistema de Indicadores Antecedentes (SIA); ii. Modelos de séries temporais; iii. Sistemas de equações econométricos. Nos itens a seguir serão caracterizadas os três principais tipos de instrumental para o estudo dos ciclos de negócios.

1.1. O SISTEMA DE INDICADORES ANTECEDENTES (SIA)
A técnica de investigação das flutuações econômicas pelo Sistema de Indicadores Antecedentes consiste na previsão econômica de uma variável-chave, que acompanha e caracteriza o ciclo de negócios, através do comportamento de outras variáveis que antecedem a sua trajetória, gerando efeitos sobre a variável-chave a posteriori (MOORE E LAHIRI, 1991). Burns e Mitchell (1946) foram os pioneiros no estudo dos ciclos econômicos valendo-se desse instrumental. Os pesquisadores criaram uma classificação para os indicadores de acordo com a defasagem de sua influência sobre a variável-chave: i. Indicadores coincidentes: são aqueles que acompanham as variações na variável-chave ou, em uma visão mais moderna, aquelas que possuem o mesmo padrão de comportamento (cointegradas); ii. Indicadores antecedentes: são aqueles cuja análise de seu comportamento podem propiciar inferências razoavelmente seguras sobre os movimentos futuros da variável de referência; iii. Indicadores defasados: suas variações se dão a posteriori aos movimentos da variável de referência sendo que, nas palavras de Lima (2005), "a ocorrência de movimentos nestes indicadores serve para confirmar ou retificar o que está apontado na série de referência". Os indicadores antecedentes foram computados durante muitos anos pelo NBER (National Bureau of Economic Ressearch)4. Atualmente, o sistema NBER é adotado pelo The Conference Board (TCB)5, e também a Organização para Cooperação Econômica e Desenvolvimento (OECD)6 calcula diversos índices para a previsão de ciclos econômicos e pontos de reversão, valendo-se de instrumental semelhante7. Um pressuposto forte da metodologia NBER assume que, uma vez que as variáveis se comportaram de maneira eficaz como antecedentes do ciclo no passado, elas permanecem com esse atributo ao longo do tempo. Dessa forma, bastam-se que essas variáveis defasadas sejam combinadas de forma a representarem o próprio comportamento da variável de referência – no caso utilizado pelo instituto, o PIB (LIMA, 2005, 72). Leeuw (1991) considera que o sistema de indicadores antecedentes é o menos teórico das ferramentas de previsão. Além disso, ele argumenta que os pioneiros no uso desses indicadores – os pesquisadores do NBER – conheciam as teorias de ciclos de negócios, mas não as utilizavam para classificar as variáveis em Antecedentes, coincidentes ou defasadas. Por outro lado, Nefcti (1991) argumenta que a abordagem dos indicadores, a despeito de contribuir pouco no entendimento dos fenômenos econômicos, apresenta menos controvérsia, menos restrições quanto à implementação e mais robustez em suas predições (p. 57). Ainda assim, o uso dos indicadores antecedentes intensificou-se na atualidade, com o intuito de se obterem melhores previsões das flutuações econômicas. Uma nova metodologia consiste na da construção de índices compostos a partir dessas variáveis. Essa abordagem é denominada de Indicadores
4 5

http://www.nber.org http://www.conference-board.org/economics/bci/ 6 http://www.oecd.org 7 Uma discussão sobre as diferenças nas metodologias do NBER e OECD pode ser encontrada em Lima (2005).

3

Antecedentes Compostos (Composite Leading Indicators – ou CLI). Conforme Hendry (1997), os CLI’s implementados com uma boa base causal e que possuam uma relação de longo prazo com a variávelchave, são uma ferramenta bastante útil para previsão. No entanto, uma dificuldade inerente à construção de índices diz respeito à ponderação que deve ser atribuída a cada uma das variáveis que o compõem (LIMA, 2005, 12). Auerbach (1981), analisando os pesos atribuídos às séries de estudo pelo NBER, verificou que eles não apresentavam diferenças estatisticamente significantes, tornando-se desnecessários. Uma grande preocupação conferida aos indicadores antecedentes e aos indicadores antecedentes compostos refere-se à sua incapacidade de anteceder os fatos por um longo período de tempo – to lead for long (HENDRY E CLEMENTS, 1995, 1003). Isso ocorre porque cada ciclo econômico apresenta uma causa determinante de sua trajetória dependendo-se do país, situação econômica e política. Nesse sentido, a identificação das variáveis corretas é crucial (GRANGER E NEWBOLD, 1977, 268; HENDRY E CLEMENTS, 1995, 1001) Outra nova linha de pesquisa refere-se aos Indicadores Antecedentes baseados na teoria econômica (theory-based leading indicators), que buscam fundamentar a modelagem pelos indicadores. Conforme Leeuw (1991):
"Thus, a more general reason for looking for a theoretical foundation for leading indicators is that may lead to inferences or suggestions about a variety of related topics – perhaps including suggestions about forecasting (p. 16)

Basicamente, essa nova classe de indicadores fundamenta-se nas seguintes premissas econômicas (LEEUW, 1991, 16): i. Tempo de produção: existe um gap entre a decisão de produzir do empresário e sua efetivação em mercadorias ou serviços. Variáveis que se enquadram nessa perspectiva seriam as novas compras por bens de consumo e materiais, além de contratos para novas plantas e equipamentos; ii. Facilidade de adaptação: refere-se à diferenciação entre os custos dos fatores na produção8. Nesse sentido, temos as horas semanais médias e a performance nas vendas como variáveis mais “automáticas” após uma variação na demanda; iii. Expectativas do mercado: recorda que há algumas variáveis que são especialmente sensíveis às especulações sobre a atividade econômica, tais como os preços das ações e das commodities; iv. Prime Movers: as decisões do governo de política econômica (monetária e fiscal) possuem um impacto majoritário sobre as flutuações dos negócios. Por exemplo, temos a oferta de moeda e os depósitos à vista; v. Change-versus-level: significa que as séries temporais econômicas sempre sofrem mudanças recorrentes em seu nível. Um exemplo disso é o número de créditos ao consumidor. O autor mostra que os resultados do modelo teórico, composto por firmas que minimizam seus custos, são piores em relação aos indicadores antecedentes em seu formato usual na previsão dos ciclos. Por sua vez, os indicadores antecedentes baseados na teoria mostraram-se como uma excelente ferramenta de previsão nas simulações. Assim, há um indício de que as cinco justificativas acima são boas norteadoras para a construção dos indicadores antecedentes.

1.2. OUTROS MODELOS PARA O ESTUDO DOS CICLOS
Uma classe de instrumentais para a previsão da trajetória dos ciclos consiste no uso dos modelos de séries temporais. O estudo desses métodos encontra-se bastante difundido dentro da estatística, e, dentro dessa classe, encontram-se os métodos automáticos de previsão e os modelos de Box e Jenkins (1976). A maioria dos estudos empíricos baseados em séries temporais econômicas baseia-se na identificação de uma série como composta de quatro fatores: i. componente cíclico, ou aquele relacionado
8

O autor cita a diferença entre horas semanais e emprego (p.16)

4

aos movimentos de longo prazo da economia; ii. componente sazonal, cujos movimentos se caracterizam por padrões de curto prazo; iii. componente de tendência determinística; iv. componente irregular, ou aleatório. O procedimento padrão para estudo dos ciclos consiste na extração dos componentes de tendência, irregular e sazonal, permitindo que seja isolado o componente cíclico. Essa separação consiste na pressuposição de que a tendência da série é determinística, i.e., após um choque exógeno, a variável recupera seu caminho. Um problema apontado por Enders (1995) é que a tendência pode não ser determinística, mas sim estocástica. Isso quer dizer que a série possui uma variância crescente ao longo do tempo e, por conseguinte, os intervalos de confiança para as previsões são maiores. Além disso, a decomposição da série econômica conforme esses critérios estatísticos pode não ser bem sucedida uma vez que as flutuações cíclicas podem estar fortemente relacionadas com as perturbações sazonais, e estimativas não-robustas seriam decorrentes de ajustes para suavizar essa sazonalidade (WELLS, 1999). Achuthan e Banerji (2004) argumentam, por exemplo, que o método de extrapolação, recorrentemente utilizado pelos economistas para prever a trajetória do ciclo econômico, seria pouco eficiente na previsão dos pontos de reversão. Assim, isso repercutiria na má reputação das previsões econômicas (p.27). Os modelos econométricos para o estudo da trajetória cíclica possuem uma mesma vantagem que os modelos estatísticos em relação aos indicadores antecedentes: eles fornecem a estimativa e uma medida de dispersão dessa previsão, o que confere a elas tanto a característica de precisos quanto de confiáveis. Do ponto de vista metodológico, Hendry (1997) afirma que as técnicas econométricas podem ser bastante competitivas em relação aos demais métodos. Isso porque a maioria das abordagens apresenta problemas ao lidar com os problemas de processos inconstantes e, portanto, geram-se estimativas pouco consistentes. Uma vez que as séries econômicas estão sujeitas a quebras estruturais, de acordo com choques permanentes de política, tecnológicos e outros, a econometria sobressaí-se como um aparato útil, por incorporar grande parte das peculiaridades inerentes aos processos econômicos.

2. APLICAÇÕES NA LITERATURA DOS INDICADORES PARA O ESTUDO DOS CICLOS
ECONÔMICOS BRASILEIROS

A literatura em relação aos indicadores antecedentes e coincidentes é relativamente pequena no Brasil, provavelmente, em decorrência do recente fim do período inflacionário, o que dificultava a mensuração do nível de atividade econômica (DUARTE, ISSLER E SPACOV, 2004, 2). Chauvet e Silva (2004) dedicaram-se ao estudo dos indicadores antecedentes como preditores dos pontos de reversão da economia (mais especificamente, do estado de recessão). Seus indicadores foram construídos a partir de uma variável latente, ou não observada, que determinaria o estado da economia, não observada. Para identificar os pontos de mudança de estado, os autores utilizaram um modelo de fator dinâmico, no qual o estado da economia é estabelecido através de um processo de markov. As probabilidades de mudanças de regime, a partir dos indicadores antecedentes, foram computadas através de um modelo probit. Os resultados mostraram que o modelo probit, que determinou as probabilidades de recessão, foi bem ajustado dentro e fora da amostra. Ribeiro e Dias (2004) buscaram construir um índice coincidente para o monitoramento da atividade local de um município (Maringá), sendo que suas variáveis de interesse refletem as modificações na demanda agregada, com seus efeitos subseqüentes sobre o nível de produção. Os autores utilizaram a técnica de componentes principais para a determinação dos pesos. O índice de atividade econômica de Maringá apresentou um alto índice de correlação com os movimentos do PIB. Foram também comparadas metodologias de previsão através do instrumental de Box e Jenkins e o Filtro de Kalman, sendo que a primeira mostrou-se mais eficiente devido a uma maior correlação com o PIB e menor erro de previsão, de acordo com um teste de hipóteses apresentado por Diebold e Mariano (1995, apud Ribeiro e Dias, 2004). Duarte, Issler e Spacov (2004) realizaram uma contraposição entre indicadores coincidentes produzidos a partir de três métodos: i. técnica heurística do TCB; ii. construção a partir de pesos advindos 5

de correlações canônicas; e, iii. correlação do ciclo comum do indicador com o da variável latente que expressa a trajetória da economia. A partir desses métodos, os autores procederam com a datação dos períodos de recessão. Os resultados das estimações apresentaram uma divergência quanto aos períodos identificados de contração da economia, o que, segundo os autores, seria uma conseqüência da sensibilidade do índice às séries coincidentes utilizadas (p. 27). A metodologia do TCB, a despeito da fácil aplicação, demonstrou apresentar um maior grau de coincidência com o PIB. Lima (2005) utilizou o Produto Interno Bruto (PIB) como variável de referência para descrever a trajetória econômica brasileira. Seu trabalho consistiu na identificação de um sistema completo de indicadores para o caso brasileiro, i.e., os indicadores antecedentes, coincidentes e defasados. A autora dispôs de um número significativo de séries e de três metodologias: NBER, Modelo Auto-regressivo de Defasagens Distribuídas (ARDD) e a modelagem econométrica VAR. Todas as metodologias apresentaram um bom desempenho, dentro e fora da amostra, com os indicadores apresentando uma relação estável de longo prazo com o PIB e também com um bom ajuste medido pela raiz do erro quadrático médio (REQM). Entretanto, a metodologia ARDD apresentou um menor REQM e um melhor desempenho fora da amostra. Houllauer e Issler (2006) objetivaram construir indicadores antecedentes para a Produção Industrial, prever seus pontos de reversão, e também comparam metodologias. Para tanto, os autores utilizaram modelos lineares para a construção dos CLI’s, e os modelos binários para a datação da variável coincidente – uma vez que o Brasil não dispõe de uma medida oficial para a classificação do estado da economia em recessão ou expansão. Além disso, foi utilizado também para a datação o algoritmo de BryBoshan (1971), o qual identifica se o ponto de reversão é um pico ou um vale. Em seguida, os autores calcularam as séries antecedentes em um, três e seis passos a frente, no qual a antecedência foi determinada a partir dos testes de causalidade de Granger e correlogramas cruzados. Os autores concluem que os indicadores de curto prazo mostraram-se pouco adequados para prever a trajetória do PIB, enquanto que os seis meses à frente também foram pouco eficientes.

3. UMA BREVE CARACTERIZAÇÃO DA ECONOMIA MINEIRA
O objetivo dessa seção é identificar as principais características dos sistemas produtivos mineiros ao longo do período analisado nesse trabalho (1992-2006). A partir dessa descrição, serão identificadas as peculiaridades do estado, permitindo que as variáveis mais determinantes do seu ciclo econômico e as relações de comércio que podem contribuir para a trajetória de sua economia sejam, posteriormente, testados no exercício metodológico. Chiari e Duarte Filho (2002), através da matriz de insumo-produto inter-regional, analisam a composição da economia de Minas Gerais e suas interações com outras regiões, no ano de 1996. Conforme o estudo dos autores, os setores-chave9 da produção mineira, i.e., aqueles que propiciaram um maior efeito sobre o crescimento econômico do estado, foram os de Siderurgia e Fabricação de Outros Produtos Metalúrgicos. Setores como Indústria Têxtil e a de Produtos Alimentares, embora apresentassem e apresentem até os dias atuais uma grande dimensão na indústria mineira, não apresentaram um maior efeito interno devido à dependência de insumos de outros estados (CHIARI E DUARTE FILHO, 2002, p.14). Além disso, os autores identificaram os principais setores que geraram “efeitos multiplicadores” em Minas Gerais. Esse efeito é entendido como “a variação direta e indireta da produção total da economia, de todas as regiões e setores, devida à uma variação exógena de uma unidade monetária da demanda regional de um setor”(p.21). Nessa classificação destacam-se os setores de Prestação de Serviços e Comércio e Beneficiamento de produtos de origem vegetal. Dados recentemente divulgados pela Federação das Indústrias de Minas Gerais (FIEMG, 2006) revelam que, ao longo da década de 90 e até 2005, o Produto Interno Bruto Mineiro correspondeu, em

Na definição dos autores, setores-chave são “aqueles que possuem fortes efeitos de encadeamento em termos do fluxo de bens e serviços”(p.19). Para a mensuração do efeito de encadeamento, eles utilizaram os índices de interligação para trás e para frente os quais, em resumo, indicam quanto cada setor é afetado quando ocorre uma variação unitária na demanda final daquele setor.

9

6

média, a 9,6% do Produto Interno Bruto Brasileiro. Isso mostra a importância do estado na dimensão econômica nacional. Analisando-se os setores produtivos, em 2006, o setor de serviços representa o maior percentual do PIB mineiro (46,31%), acompanhado pelo setor industrial (45,38%) e o setor agropecuário (8,31%) (FIEMG, 2006). Quanto ao comércio com outros estados, a balança comercial mineira mostrou-se superavitária desde 2000, com um saldo em 2006 de US$ 10,78 bilhões (FUNDAÇÃO JOÃO PINHEIRO, 2006). Quanto ao perfil da indústria mineira, destacam-se, em 2006: o setor metalúrgico, responsável por 35% da produção brasileira como um todo; o setor têxtil, que é o segundo pólo em importância no país, bem como o automotivo; e a indústria extrativa mineral, que é responsável por 22% do valor adicionado da produção brasileira no setor (FIEMG, FUNDAÇÃO JOÃO PINHEIRO, 2006). Pelo exposto, é possível evidenciar que a economia mineira é bastante diversificada e apresenta setores de dimensões econômicas significativas no país. Entretanto, há algum grau de dependência entre o estado e outras regiões no que se refere à produção em alguns setores. Além disso, a economia de Minas Gerais segue fortemente, como era de se esperar, a trajetória da economia nacional.

4. ACOMPANHAMENTO DO CICLO ECONÔMICO DE MINAS GERAIS
Esse exercício empírico consistiu da estimação e previsão da trajetória da economia mineira, a partir de um conjunto de indicadores antecedentes, através de três metodologias: i. NBER; ii. combinação de previsões de séries temporais a partir dos modelos de Box e Jenkins e métodos automáticos; iii. análise econométrica mediante aplicação dos vetores auto-regressivos. Em seguida, serão avaliados e comparados os resultados de acordo com o critério de qualidade de ajuste, medido em termos da raiz do erro quadrático médio.

4.1. ESCOLHA E TRATAMENTO DAS SÉRIES
A variável-chave adotada para a análise do comportamento do ciclo econômico brasileiro nesse trabalho foi a Produção Industrial de Minas Gerais10, cuja série é disponibilizada mensalmente através do Instituto Brasileiro de Geografia e Estatística (IBGE). A escolha da produção industrial como proxy para as oscilações do nível de atividade econômica é criticada por alguns autores na literatura. Massimiliano (2005) argumenta que esse indicador é inconsistente com as mudanças na composição do produto verificada nos dias atuais, principalmente após a expansão do setor de serviços (p.5). Por outro lado, Hollauer e Issler (2006) argumentam a favor da utilização da Produção Industrial como proxy para o comportamento do ciclo econômico, pois um crescimento positivo na economia repercute, em geral, em uma expansão da atividade industrial (p. 5). Neste trabalho foram selecionadas diversas séries econômicas para o estado de Minas Gerais, sendo algumas já utilizadas pela literatura para a previsão da produção industrial. Atentou-se para a recomendação de Hendry e Clements (1995), os quais dizem ser necessário "que os estados da natureza relacionados com as propriedades da variável a ser predita capturem adequadamente os aspectos do mundo real a ser previsto" (p. 1012). Assim, foram consideradas também as peculiaridades da economia mineira, bem como as suas relações comerciais com os outros estados na triagem das séries. Outra limitação inerente à escolha das séries deveu-se à indisponibilidade de dados para uma série histórica longa em várias delas, ou mesmo em decorrência da mudança de metodologia no cálculo e do encerramento da coleta dos dados. As séries temporais mensais coletadas foram, a princípio, estacionarizadas11 e suavizadas sazonalmente pelo método X-12 ARIMA12, de forma a permitir que fossem estudadas apenas as variações
10 11

Produção industrial (2002=100) - Minas Gerais - BACEN O nome da série iniciado com “A” indica que a série em uso foi a estacionária. Para a definição da ordem de integração da série, utilizou-se a análise dos correlogramas da Função de Autocorrelação e Função e Autocorrelação parcial, além do teste de Dickey-Fuller Aumentado para a detecção de raiz unitária. Todas as séries antecedentes nesse trabalho são integradas de primeira ordem. 12 A terminação SA refere-se à variável com ajuste sazonal X12.

7

puras. As séries medidas em dólares foram transformadas a partir da cotação mensal média13 e as que se apresentavam em reais foram deflacionadas utilizando-se o Índice Nacional de Preços ao Consumidor (INPC), disponibilizado pelo IBGE. O período de análise foi de 1992:01 a 2006:11, sendo que as diferenciações nas séries e os ajustes sazonais acarretaram em perdas de algumas observações. Para a escolha final das variáveis que compuseram os indicadores antecedentes em cada metodologia, foi utilizado o Teste de Causalidade de Granger, no qual foi detectado o período do indicador que representava estatisticamente a maior significância para a previsão da Produção Industrial. Vale dizer que a literatura em geral utiliza esse procedimento para a identificação do estado de antecedência (LIMA, 2005; HOLLAUER E ISSLER, 2006)

4.2. O PROCEDIMENTO DO NBER
A metodologia NBER, atualmente adotada pelo TCB para a computação dos indicadores antecedentes dos ciclos de negócios, é considerada heurística por ser de fácil computação e não pressupor, a priori, nenhum modelo teórico (DUARTE, ISSLER, SPACOV, 2004; LIMA, 2005). A princípio, escolhidas e detectadas as séries que são consideradas antecedentes, coincidentes, ou defasadas em relação à variável de referência para o ciclo, procede-se com o ajustamento sazonal de cada uma, possibilitando a separação entre o componente cíclico e sazonal. O procedimento mais comum adotado na literatura consiste na suavização mediante aplicação do X12 ARIMA multiplicativo, o qual permite que não se percam observações nas extremidades da série (RIBEIRO E DIAS, 2004). Seguido a metodologia adotada por Ribeiro e Dias (2004), considere X t uma das séries que irá integrar o indicador. Se X t é medida como taxa, a nova variável xt é dada por xt = X t − X t −1 . Caso contrário, é aplicado o seguinte cálculo: X − X t −1 (4.2.1) xt = 200 × t X t + X t −1 O próximo passo refere-se aos pesos que serão atribuídos a cada série na composição do índice. Em geral, nos procedimentos estatísticos, pretende-se que aquelas variáveis que apresentam grande variabilidade contribuam com peso menor para o índice. O desvio padrão vx observado numa série xt , portanto, será inversamente proporcional ao peso que lhe será atribuído, conforme está explicitado na m formula abaixo, que mostra a nova série ajustada t : x 1 k =∑ e mt = t (4.2.2) vx k × vx Por fim, chega-se ao cálculo do indicador I t , o qual é obtido pela soma das séries mt :
it = ∑ mt
x

e It =

200 + it (4.2.3) 200 − it

Lima (2005) constrói o indicador antecedente do NBER com ponderações proporcionais à correlação da série com a série de referência.

4.3. COMBINAÇÃO DE PREVISÕES: APRIMORAMENTO DO PODER PREDITIVO
A tarefa de buscar mecanismos para prever com sucesso a trajetórias das variáveis macroeconômicas têm sido aprimorada com o desenvolvimento de modernas técnicas e instrumentais econométricos e estatísticos. Mesmo com esse avanço metodológico, são comuns os erros de previsão. Os autores que discutem sobre as falhas na previsão da literatura (GRANGER E NEWBOLD, 1977; HENDRY E CLEMENTS, 2002; WELLS, 1999) apresentam duas possíveis causas para essa divergência entre os valores computados pelas metodologias e os valores reais: i. as falhas e/ou

13

Taxa de câmbio – R$/US$ – Compra – Média – R$ - BCB Boletim/BP

8

insuficiência pontuais de determinadas metodologias; ii. a desvinculação do exercício de previsão da fundamentação teórica. A segunda linha de críticas ressalta a importância de que haja um maior estreitamento nos exercícios empíricos da realidade econômica, isto é, os modelos deveriam captar a influência de todos os determinantes econômicos e a direção da causalidade entre eles sobre a variável de referência. Essa linha, no entanto, não desconsidera a importância do conhecimento das particularidades e a avaliação de cada metodologia utilizada. Como aprimoramento das previsões, Granger e Newbold (1977) sugerem que se adote um procedimento denominado combinação de previsões. Esse método consiste na estimação de valores preditos por várias metodologias e a criação de um mecanismo de combinação dessas previsões. Sua importância é dada pelo aumento do poder preditivo da estimação, o qual nunca será pior que uma previsão isolada, medida em termos da soma de quadrados dos resíduos (p. 270). Bates e Granger (1969) formalizaram o procedimento e o testaram para dados sobre o número de passageiros em companhias aéreas. Formalmente, eles demonstraram o mecanismo de combinação de previsões, o qual será descrito a seguir. Considere f n(1) e f n( 2 ) previsões produzidas por dois métodos distintos, para uma série X n . O erro de previsão é dado por:
( en j ) = X n − f n( j ) , j = 1,2 (4.3.1)

( ( Para o termo de erro, temos as suposições básicas, nas quais: E en j ) = 0, ∀j = 1,2 , E en j ) = σ 2 . j
( ( Além disso, os autores demonstram que E en1) en2 ) = ρσ 1σ 2 .

[

]

[ ]

[ ]
2

Denominemos Cn como a previsão combinada. Ela é definida como:
Cn = kf n(1) + (1 − k ) f n( 2 ) (4.3.2)

Onde k é o peso atribuído a cada previsão. Por conseguinte, o erro da previsão combinada pode ser expresso por:
( ( ( enC ) = X n − Cn = ken1) + (1 − k )en2 ) (4.3.3)

No que tange à variância da previsão combinada, a qual permite o cálculo de intervalos de confiança, temos que:
2 2 σ C = k 2σ 12 + (1 − k )σ 2 + 2k (1 − k )ρσ 1σ 2 (4.3.4)

A variância da previsão é minimizada quando: k0 =
2 σ 2 − ρσ 1σ 2 (4.3.5) 2 σ 12 + σ 2 − 2 ρσ 1σ 2

No entanto, os valores teóricos σ i2 e ρ são desconhecidos. Assim, devemos estimar o valor do ˆ peso k, no tempo n, que será denominado por k .
n

Considere os n-1 períodos de tempo anteriores, cujos erros de previsão computados por cada ( método são en j ) , n = 1,2,..., n − 1; j = 1,2 . O estimador de máxima verossimilhança é o mesmo estimador por mínimos quadrados ordinários e, no caso de uma distribuição normal bivariada dos erros obtidos pelos dois métodos, temos que: ˆ kn =
t =n −v

∑ (e( )

n −1

− et(1)et(2 ) (4.3.6) 12 + et(2 )2 − 2et(1)et(2 ) t
2 2 t

(e( )

)

)

Onde v é um parâmetro que pondera o número de observações mais antigas a serem consideradas no cálculo. Granger e Newbold afirmam, no entanto, que a equação (4.3.6) é inconsistente quando a amostra é pequena e, além disso, espera-se que a performance dos dois métodos seja não estacionária (p.271). ˆ Assim, eles desenvolveram alguns estimadores para kn : 9

ˆ kn =

t = n −v

∑ (e
n −1

t = n −v t

∑ et(2 )2
(1)2

n −1

+ et

( 2 )2

)

ˆ kn =

t = n −v

∑W (e
n −1 t

t = n −v

∑W (e( )
n −1 t t

2 2

− et(1)et(2 ) ) − 2et et
(1) ( 2 )

(1)2

t

+ et

( 2 )2

)

,W ≥1

(4.3.7)

(4.3.9) , 0 <α <1 ˆ kn =
t = n −v t

ˆ ˆ k n = αk n −1 +

(1 − α ) ∑ et(2 )2
t =n−v t =n−v

n −1

∑W e( )
t t

n −1

2 2

∑ (e
n −1

(1)2
t

+ et

( 2 )2

)

t = n −v

∑W (e
n −1

(1)2

t

+ et

( 2 )2

)

,W ≥ 1

(4.3.10) (4.3.8) Teixeira (2005) enumera outras três possibilidades de construção dos pesos: i. Pesos iguais: este é o modelo mais simples, no qual as previsões são igualmente computadas e a combinação entre elas é dada por uma média simples; ii. Pesos inversamente proporcionais: neste caso o peso atribuído a cada previsão depende do desempenho de cada uma, i.e., "atribuir pesos relativamente altos para previsões cujos métodos tiveram melhor desempenho recente e pesos relativamente baixos para aquelas cujos resultados não tiveram um bom desempenho recente" (p.53). A medida de desempenho da previsão pode ser dada por inúmeras medidas, como a soma de quadrados dos resíduos, raiz do erro quadrático médio e os critérios AIC e BIC; iii. Pesos baseados em regressões: os pesos serão os estimadores encontrados para os parâmetros na regressão cuja variável dependente é o desvio entre a previsão feita através da combinação e a estimada por um método e a variável explicativa é o desvio entre as previsões feitas por métodos isolados, o que corrigiria a inconsistência dos estimadores de ˆ Mínimos Quadrados Ordinários e Máxima verossimilhança para kn , descritos anteriormente. Os ganhos decorrentes da combinação das previsões, nos dizeres de Granger e Newbold (1977), são decisivos porque "é bem provável que uma delas possua informação útil que não pode ser encontrada em outra" (p.269). Dessa forma, seria possível aproveitar cada metodologia e conseguir uma previsão mais acurada14. Neste trabalho, foi utilizado esse procedimento para as previsões construídas a partir dos métodos estatísticos (Modelos Box-Jenkins e Holt-Winters Aditivo).

4.4. VETORES AUTO-REGRESSIVOS (VAR)
Os modelos econométricos do tipo VAR consistem em um sistema de equações que utiliza séries temporais correlacionadas entre si. Os vetores auto-regressivos surgiram em substituição aos chamados sistemas de equações simultâneas. Essa metodologia se baseava na determinação clara de variáveis do tipo exógenas e endógenas, condição primordial para a identificação do sistema. Dessa forma, o pesquisador deveria conhecer, a priori, a natureza de cada uma das séries. No entanto, considerando-se a complexidade da economia e de seus processos, alguns autores criticaram a “rigidez” das estimações por sistemas de equações simultâneas, pois a identificação da natureza da variável não seria trivial. Dessa forma, tornava-se imprescindível a pesquisa em modelos que incorporassem um maior número de variáveis e que impusessem menos restrições à análise (SIMS, 1980, apud ENDERS, 1995). Nesse cenário, os vetores auto-regressivos (VAR) surgiram como uma opção de maior flexibilidade na análise econômica. Os modelos consistem de várias regressões de cada variável sobre
14

Ainda segundo o autor, não seria possível piorar a eficiência de uma previsão com esse método porque, na maioria das situações práticas, a variância mínima do erro de previsão após a combinação é menor que a menor das variâncias dos erros das previsões individuais, i.e., é possível provar que σ2c < min (σ21, σ22). (p. 270)

10

defasagens dela mesma e de outras variáveis, admitindo também a presença de componentes determinísticos como o intercepto, tendência e dummies. Vale ressaltar que a distinção entre variáveis exógenas e endógenas não é necessária com esse instrumental, sendo que as do tipo exógenas podem inclusive não existir no modelo. Matematicamente, podemos escrever um VAR como uma expressão do tipo: Yt = A1Yt −1 + A2Yt − 2 + ... + AN Yt − N + Bxt + ε t (4.4.1) Onde: Yt é um vetor de variáveis endógenas; xt é um vetor de variáveis exógenas; A é a matriz de coeficientes e ε t é o vetor conhecido como “inovação”, que contém termos correlacionados uns com os outros e não correlacionados com seus próprios valores defasados, Yt −1 e xt . Os modelos VAR podem ser estimados, portanto, consistentemente por Mínimos Quadrados Ordinários15. Uma vantagem inerente aos modelos VAR refere-se à sua capacidade preditiva, embora seus coeficientes não sejam, diretamente, utilizados para tanto. Através da função de impulso-resposta, é possível verificar o impacto de um choque aleatório sobre uma variável endógena de referência. Cada coeficiente dessa função mostra a resposta de uma variável do modelo a uma perturbação específica ( ε it ), ceteris paribus as demais ( ε jt , para i ≠ j ). Outra ferramenta útil para a previsão com modelos VAR diz respeito à decomposição da variância, a qual classifica a importância relativa de cada inovação aleatória.

5. ANÁLISE DE RESULTADOS
As variáveis antecedentes classificadas de acordo com a maior significância em relação à Produção Industrial de Minas Gerais estão sumarizadas na Tabela 1. Verificamos que, das 31 séries selecionadas pela sua relevância na economia mineira e pela literatura, apenas nove mostraram-se significativas como causais no sentido de Granger. Entre elas, o índice de preços ao atacado no setor extrativo mineral apresentou o maior número de defasagens relevantes, além do o índice para o setor cafeeiro e das indústrias de transformação. Tal como sugere a literatura, os indicadores de número de empregados e horas trabalhadas na indústria de Minas Gerais também revelaram uma antecedência estatística em relação à produção industrial. Podemos verificar também que a o desempenho da indústria paulista e brasileira também influenciam a performance futura da produção mineira.
Tabela 1: Variáveis antecedentes em relação a produção industrial mineira e defasagens, conforme o Teste de Causalidade de Granger Variável antecedente16 APROD_IND_SP_SA AIPA_EXTRATIVA_SA ABALANCA_MINAS_SA AHORAS_TRAB_SA AEMPREGADOS_SA Lags de antecedência 1,7 2,3,4,6,7,8,9,10,11,12 2 4,6 4,7,8 Lag mais significativa (Teste F) 1 2 2 6 7

15 Embora os vetores auto-regressivos mostrem-se como uma ferramenta mais versátil, Enders (1995) aponta algumas limitações inerentes à sua utilização como um modelo econômico: i. Não apresenta uma exigência teórica razoável sobre a sua estrutura, o que pode indicar, na contra-mão de seus objetivos, a ausência de critérios teóricos para inclusão de variáveis; ii. Não há um critério para a determinação do conjunto de variáveis relevantes no modelo; iii. Ausência da definição do número de defasagens “ideal”; iv. Robustez questionável das previsões na presença de quebras estruturais; v.Pouca utilidade para o entendimento da política econômica.
16

APROD_IND_SP = Produção Industrial São Paulo - FIESP – índice 2002=100; AIPA_EXTRATIVA = IPA-OG - indústria extrativa mineral - índice (ago. 1994 = 100) - FGV/Conj. Econômica; ABALANCAMINAS = Saldo da balança comercial Minas Gerais (US$ mil) – BACEN; AEMPREGADOS = Pessoal empregado total na indústria - Minas Gerais - Índice (2002=100) – BACEN; AHORASTRAB = Horas trabalhadas na produção - Minas Gerais (US$ mil) – BACEN; APROD_IND_BR = Produção industrial - indústria geral - quantum - (média 2002 = 100) - IBGE/PIM-PF; AIPA_INDTRANSF = IPA-OG - indústria de transformação - índice (ago. 1994 = 100) - FGV/Conj. Econômica; AIPA_CAFE = café e estimulantes - índice (ago. 1994 = 100) - FGV/Conj. Econômica; AIMPORTACOES = Importação de bens - Minas Gerais - (US$ mil) – BACEN.

11

APROD_IND_BR_SA AIPA_INDTRANSF AIPA_CAFE AIMPORTACOES_SA

3,5 5 5,6,7,11,12 8,11,12

3 5 11 12

5.1. RESULTADO DOS INDICADORES NBER
Devido à perda de observações nas defasagens, indicadores antecedentes do NBER para Minas Gerais tiveram sua abrangência entre 1993:02 a 2005:11. A aplicação da metodologia NBER, conforme foi mencionado em seção anterior, consistiu em agrupar-se as 9 variáveis antecedentes em relação à produção industrial mineira em um único indicador, o qual foi denominado NBER. Esse indicador pode ser considerado como uma proxy para os movimentos da variável de referência. O passo seguinte consistiu na padronização da série PROD_IND_MG_SA, de forma a permitir a comparação com a série antecedente composta NBER (equação 4.3.3.1). Assim, foi possível medir a qualidade de ajuste do método NBER a partir da computação da raiz do erro quadrático médio (REQM). Após a computação da série NBER, verificou-se a presença de outliers. Foram consideradas as observações que ultrapassaram o intervalo de confiança de 95% para a distribuição dos valores. Além disso, a sua presença subestimou a medida de aproximação, em termos do REQM, o qual foi avaliado em 11,28. A Tabela 2 reporta os valores dos outliers, bem como o período no qual eles foram observados.
Tabela 2: Outliers e I.C. 95% - SÉRIE NBER Mês 1995M07 1995M11 1996M11 1998M06 1999M01 Cauda inferior Cauda superior Indicador NBER 9,2448123 19,069821 23,547327 -63,51632 -51,44363 Mês 1999M05 2000M03 2001M01 2004M04 2005M04 Indicador NBER 12,358911 -102,82116 -11,197231 13,864845 -13,63795 -3,0343 0,54

De forma a corrigir a presença desses valores discrepantes, procedeu-se à imputação através de um algoritmo disponível no pacote estatístico STATA®17, de autoria de Matthias Schonlau, denominado hotdeckvar. Basicamente, o método substitui os outliers por valores que são semelhantes às suas observações “doadoras”, de forma a preservar as correlações existentes entre elas. Essas observações “doadoras” são escolhidas aleatoriamente. Além disso, a imputação tem como pressuposto que os outliers são provenientes de distribuições aleatórias. Essa suposição não é violada uma vez que não se observa um processo sazonal nos valores discrepantes. O Gráfico 1 e 2 mostram o ajuste do método NBER e NBER sem outliers em relação à Produção Industrial Mineira padronizada. É possível observar que a presença dos outliers no Gráfico 1 subestima a qualidade de aproximação, resultando em uma raiz do erro quadrático médio de 11,28. Com a imputação hotdeckvar, o ajuste mostrou uma REQM de 2,14.

17

http://www.stata.com. Detalhes sobre o algoritmo hotdeckvar podem ser encontrados em http://www.schonlau.net/stata/hotdeckvar.hlp

12

Gráfico 1: Série NBER versus Produção MG padronizada
40

Gráfico 2: Série NBER sem outliers versus Produção MG padronizada
10

20

5

0

0
-2 0

-4 0

-5

-6 0

-1 0

-8 0

-1 5
-1 0 0

-1 2 0
1994
1996
1998
2000
2002
2004

-2 0
1994
1996
1998
2000
2002
2004

NBER

NBER_PRO D

N B E R _ IM P U T E D

NBER_PROD

5.2. RESULTADO DA COMBINAÇÃO DE MÉTODOS ESTATÍSTICOS - HOLT-WINTERS ADITIVO E BOX-JENKINS
Primeiramente, ajustamos o método automático mais adequado para a série de Produção Industrial mineira, cuja amostra foi de 1992:01 a 2005:11. Essa escolha foi determinada, sobretudo, pela análise gráfica da série, que permite a identificação de não estacionariedade de média e de variância na série e mesmo a presença de sazonalidade aditiva ou multiplicativa. Podemos verificar no Gráfico 3 que a média da Produção Industrial mineira se move rapidamente ao longo do período analisado, mas sua sazonalidade, no entanto, mantém-se constante em nível. Dessa forma, optou-se pelo ajuste através do Método de Holt-Winters18. O Gráfico 4 ilustra a performance do método de suavização escolhido, o qual apresentou um bom ajuste. Em termos de uma medida de qualidade da aproximação, a raiz do erro quadrático médio para o método automático foi de 2,37.
Gráfico 3: Produção Industrial Mineira Suavizada - Série histórica
120 110 100 90 80 70 60 1992 1994 1996 1998 2000 2002 2004 2006 120 110 100 90 80 70 60 1992 1994 1996 1998 2000 2002 2004 2006

Gráfico 4: Performance do Método Automático de Ajuste - Holt-Winters Aditivo

PROD_IND_MG_SA

PROD_ISM_SA

PROD_IND_MG_SA

O passo seguinte consiste na estimação do melhor modelo Box-Jenkins para a série em estudo. De acordo com o teste de Dickey-Fuller, temos que a série PROD_IND_MG_SA é integrada de primeira ordem. Nessa série estacionaria, portanto, poderá ser aplicada a metodologia de Box-Jenkins. O período de análise nessa metodologia foi de 1992:02 a 2005:11. Identificou-se a partir da análise do correlograma da série a presença de um processo média móvel na primeira defasagem. Portanto, trata-se de um processo do tipo ARIMA(0,1,1)19. Quanto à qualidade de

18 19

Parâmetro alfa = 0,64; beta = gamma = 0,00 O modelo estimado por Box-Jenkins foi D(PROD_IND_MG_SA)=0.251+[MA(1)=-0.3697473251]

13

ajuste desse modelo, temos que sua raiz do erro quadrático médio é 4,39. O Gráfico 5 mostra a sua qualidade de aproximação da série em relação à série Produção Industrial de Minas Gerais.
Gráfico 5: Performance do modelo Box-Jenkins: ARIMA (0,1,1)
120 110 100 90 80 70 60 1992 1994 1996 1998 2000 2002 2004 2006

PROD_IND_MG_SA

PROD_IND_BJ

Em seguida procedeu-se à aplicação da metodologia de combinação de previsões. O instrumental consistiu em agrupar as previsões obtidas a partir do Método de Suavização Exponencial de Holt-Winters Aditivo e do modelo de Box-Jenkins, de forma a encontrar um novo ajuste que seria, em tese, melhor do que as previsões computadas individualmente. A Tabela 3 reporta os resultados da qualidade de ajuste das previsões combinadas, de acordo com os pesos propostos por Granger e Newbold (1977), que foram discutidos em seção anterior.
Tabela 3: Raiz do erro-quadrático médio das previsões combinadas utilizando-se as ponderações de Granger e Newbold (1977) Equação Parâmetro v=1 v=3 v=6 v=9 v = 12 w=1 w = 1.5 w = 2.5 w=1 w = 1.5 w = 2.5 REQM 2.42854150 2.61282452 2.90594423 3.09496031 3.27242662 5.26812594 6.60838130 8.31955484 2.44704443 2.38083986 2.40692122 2.37880797 4.39563405 Equação Parâmetro v=1 v=3 v=6 v=9 v = 12 v=1 v=3 v=6 v=9 v = 12 v=1 v=3 v=6 v=9 v = 12 REQM 2.41292121 2.63489157 2.92406508 3.12656384 3.30685097 2.42470537 2.69916225 2.97045088 3.17473897 3.35682643 2.41612004 2.66200436 2.94378633 3.14816335 3.32939987

4.3.7

α = 0.5

4.3.9

4.3.8

α = 0.7

4.3.10 REQM Holt-Winters REQM Box-Jenkins

α = 0.9

Conforme podemos observar, a grande maioria das combinações de previsões obtiveram resultados inferiores em termos da REQM. A combinação obtida a partir do peso da equação 4.3.10, com w = 1,5, apresentou qualidade de aproximação semelhante a do Método Holt-Winters. Assim, esse exercício mostrou que o método de combinação de previsões não apresentou uma boa performance. Para contornar esse problema, a literatura sugere a utilização de diferentes critérios para distinguir as previsões, conforme diferentes funções de perda, e verificar como elas se comportam (Bordley, 1982). Miller et al (1992) argumentam que os pesos combinados de Bates e Granger (1969) podem ser instáveis em decorrência de séries não-estacionárias. Os autores definem a não-estacionariedade como resultado da: i. presença de quebras estruturais; ii. da ineficiência do próprio método em si. Testou-se a presença de 14

quebras estruturais na série PROD_IND_MG_SA e não se obteve resultados estatisticamente significativos pelo teste de Chow. Uma outra possibilidade seria incorporar uma estrutura temporal dos resíduos, quando a combinação das previsões não possui um ruído branco (Granger e Ramanathan, 1984).

5.3. RESULTADO DA METODOLOGIA DE VETORES AUTO-REGRESSIVOS
Vimos em seção anterior que os vetores auto-regressivos são modelos que permitem que a previsão de uma série de interesse seja aprimorada por meio da inclusão de outras variáveis que exercem influência sobre seu comportamento. A abordagem VAR ainda é bastante vantajosa por permitir a inclusão de um número qualquer de variáveis em seu sistema, sem a restrição do conhecimento, a priori, de quais são as variáveis exógenas e endógenas. Para a estimação do vetor auto-regressivo, utilizamos, para além da variável-chave, séries que se mostraram mais significativas na sua antecedência em relação à Produção Industrial Mineira (APROD_IND_MG): AIPA_EXTRATIVA, AIMPORTACOES e AHORASTRAB, no período de 1992:05 a 2005:11. A escolha teórica por essas séries se justifica, portanto, pelo seu poder preditivo em relação à variável-chave de acompanhamento, conforme se detectou no teste de causalidade de Granger. Neste trabalho, adotou-se um VAR não-estrutural. Um VAR estrutural pressupõe estreita relação com a teoria econômica, de forma que os choques aleatórios não necessitam das suposições e hipóteses básicas para o vetor de erros20. No entanto, desejou-se captar nesse trabalho o efeito puro das variáveis, sem qualquer imposição dos efeitos iniciais e posteriores. O primeiro passo na estimação do VAR consistiu na realização do Teste de Cointegração de Johansen entre as variáveis que irão compor o sistema, em nível. Para essas variáveis, o teste de traço rejeitou a hipótese nula de que não há nenhuma equação cointegrante entre as variáveis e, por sua vez, detectou a presença de, no mínimo, uma equação cointegrante a um nível de 5% de significância21. O passo seguinte foi a escolha do número de defasagens ideal para o sistema. De acordo com Enders (1995), o critério AIC é uma boa medida para a escolha do número de defasagens e, uma vez que esse critério coincidiu com o de menor erro final da previsão, optou-se pelo uso de 3 defasagens22. Segundo Lima (2005), é importante que seja verificada a condição de estabilidade do vetor autoregressivo, a qual diz que as raízes dos polinômios AR devem situar-se dentro do círculo unitário, tal como nos modelos Box-Jenkins. Para o modelo VAR estimado, essa condição foi satisfeita23. Uma vez que os parâmetros estimados não são diretamente interpretáveis, utilizar-se-ão as funções de impulso resposta para captar os movimentos cíclicos da produção industrial mineira em respostas aos choques aleatórios das variáveis antecedentes. A Figura 1 mostra o comportamento da primeira função. Após um choque de um desvio-padrão no índice de preços ao atacado – indústria extrativa mineral, temos uma variação negativa da Produção Industrial. Esse comportamento é esperado, uma vez que há um aumento nos custos das principais indústrias mineiras, como a siderúrgica. Após o segundo período, entretanto, há um aumento na produção industrial, evidenciando as expectativas da indústria mineira em relação ao aumento dos lucros e vendas. O choque se dissipa, no entanto, após o quarto período. A Figura 2 evidencia ainda mais a presença dos ciclos econômicos em Minas Gerais, em decorrência de variações nas importações. Em um primeiro momento, verificamos que a produção industrial de Minas Gerais reage positivamente a um choque positivo nas importações. Entretanto, considerando-se a possibilidade dos efeitos destas sobre o aumento da concorrência das indústrias mineiras com os produtos de fora do estado, ocorre uma queda na produção industrial. O movimento se repete de forma cíclica até o sexto período, e, depois, o choque se dissipa. A Figura 3 ilustra a resposta da produção industrial mineira a um choque de um desvio-padrão nas horas trabalhadas na industria mineira. Em um primeiro momento, como poderíamos esperar, há um aumento na produção industrial. Entretanto, em decorrência de uma possível restrição dos fatores de
20 21

Para mais detalhes, ver Enders (1995) H0: não há nenhuma equação cointegrante. Valor-p = 0,0009 22 AIC = 40,40 e EFP (Erro final de previsão) = 2,36 23 Ver o resultado da estimação do VAR na Tabela A.1, em Anexo.

15

produção (como capital), a produção industrial sofre uma queda. Os ciclos se repetem até o décimo segundo período, porém com menor intensidade. A decomposição da variância Produção Industrial mineira, que classifica a importância das inovações sobre a mesma, mostra que o maior responsável pela resposta é a mesma variável, seguida das variáveis AIPA_EXTRATIVA, AIMPORTACOES e AHORASTRAB (ver Tabela A.2, em Anexo). No que tange ao poder preditivo do VAR, estimou-se a primeira equação do sistema, cuja variável dependente é a Produção Industrial Mineira e encontraram-se os valores preditos pelo modelo. Assim, foi possível calcular-se a REQM da previsão, o qual mostrou-se de bom ajuste (REQM = 2,36).
Figura 1: Função de impulso-resposta da Produção Industrial Mineira ao Índice de Preços ao atacado indústria extrativa mineral
Response of APROD_IND_MG_SA to Cholesky One S.D. AIPA_EXTRATIVA_SA Innovation 1.2

Figura 2 : Função de impulso-resposta da Produção Industrial Mineira às importações mineiras
Response of APROD_IND_MG_SA to Cholesky One S.D. AIMPORTACOES_SA Innovation .8 .6 .4 .2

0.8

0.4
.0

0.0

-.2 -.4 -.6

-0.4

-0.8 1 2 3 4 5 6 7 8 9 10 11 12

1

2

3

4

5

6

7

8

9

10

11

12

Figura 3: Função de impulso-resposta da Produção Industrial Mineira às horas trabalhadas na indústria
Response of APROD_IND_MG_SA to Cholesky One S.D. AHORASTRAB_SA Innovation .6 .4 .2 .0 -.2 -.4 -.6 1 2 3 4 5 6 7 8 9 10 11 12

6. CONSIDERAÇÕES FINAIS
A construção de previsões confiáveis e robustas são fortemente demandadas pelos formuladores de política econômica, investidores e as famílias. Geralmente, esses agentes tomam as suas decisões baseadas em suas expectativas sobre o futuro. Dessa maneira, o aprimoramento dos métodos de previsão é de suma importância na predição da conjuntura macroeconômica e, conseqüentemente, contribui para a formação das expectativas desses agentes. Situou-se nesse trabalho o estado da arte das metodologias de previsões e acompanhamento de variáveis que representam o ciclo econômico de Minas Gerais, mensurado a partir da Produção Industrial. Pode-se verificar que os instrumentais evoluíram com muito rigor, e todos possuem vantagens e desvantagens inerentes à sua aplicação. Dessa forma, cabe ao bom senso do pesquisador encontrar métodos mais apropriados para os seus objetivos e ao fenômeno econômico de interesse, além de sempre buscar o aprimoramento de suas previsões. Realizou-se um exercício empírico de previsão do nível da Produção Industrial Mensal de Minas Gerais através de três métodos: NBER (Indicadores Antecedentes), combinação de previsões de métodos 16

estatísticos e Vetores Auto-Regressivos. Dentre eles, o método NBER obteve o melhor desempenho, medido pelo critério da raiz do erro quadrático médio das previsões. Em suma, podemos dizer que, embora sejam mais facilmente implementados, os indicadores antecedentes do NBER construídos a partir das séries: BALANCA_MINAS_SA(-2), EMPREGADOS_SA(-7), HORAS_TRAB_SA(-6), IMPORTACOES_SA(-12), IPA_CAFE_SA(-11), IPA_EXTRATIVA_SA(-2), IPA_INDTRANSF_SA(5), PROD_IND_BR_SA(-3), PROD_IND_SP_SA(-1) se constituem em uma boa Proxy para o nível de atividade de Minas Gerais. Embora não tenha se destacado como o mais eficiente, o método VAR apresentou um bom ajuste e, mais ainda, ainda oferece um instrumental de análise econômica bastante relevante, facilitando o entendimento do fenômeno econômico e de seus ciclos como um todo. A combinação de previsões dos métodos estatísticos, por sua vez, apresentou uma pior qualidade de ajuste. Para além dos resultados neste trabalho, sugere-se como uma agenda de pesquisa a identificação dos pontos de reversão dos ciclos de negócios de Minas Gerais. Um empecilho a essa datação deve-se à ausência de um indicador do nível de atividade econômica regional e de séries mais longas que permitam a identificação histórica dos períodos de recessão e expansão. Assim, a utilização de processos de Markov, tal como evidenciados na literatura, ou mesmo de modelos com variáveis dependentes latentes (probit e logit) podem ser úteis nessa tarefa. A utilização de métodos mais avançados que possam corrigir o viés da combinação de previsões também emerge como uma possibilidade para um estudo posterior.

REFERÊNCIAS BIBLIOGRÁFICAS
ACHUTHAN, Lakshman; BANERJI, Anirvan. Beating the Business Cycle: How to Predict and Profit from Turning Points in the Economy. New York: Currency Doubleday, 2004. AUERBACH, A. J. The index of leading indicators: “measurement without theory”, twenty-five years later. Working Paper 761. NBER, setembro de 1981. BATES, J.M; GRANGER, C. W. J. The combination of forecasts. Operations Research Quartely, 20, pp. 451-468. 1969. BOX, E. P.; JENKINS, G. M. Time series analysis: forecasting and control. Ed. Oakland. 1976. BORDLEY, R. The combination of forecasts: a Bayesian approach. Operations Research Society. V. 33, p.171-174. 1982. BURNS, A. F.; MITCHELL, W. C. Measuring Business Cycles. New York: National Bureau of Economic Research, 1946. 560 p CARVALHO, Fernando J. Cardim de; HERMANNY, Paulo Fernando. Ciclos e Previsão Ciclica: O Debate Teorico e um Modelo de Indicadores Antecedentes para a Economia Brasileira. Análise Econômica, Porto Alegre, v. 21, n. 39, p.43-64, 2003. CHAUVET, M.; SILVA, J. A. B. Indicadores antecedentes de Recessões Brasileiras. Encontro Brasileiro de Econometria. Julho de 2004. <http://www.sbe.org.br/ebe26/020.pdf>. Acessado em 9 de fevereiro de 2007. CHIARI, J. R. P.; DUARTE FILHO, F. C. Características estruturais da economia mineira. Anais do X Seminário sobre a Economia Mineira. 2002. <http://www.cedeplar.ufmg.br/diamantina2002/textos/D35.PDF>. Acessado em 19 de dezembro de 2007. CLEMENTS, Michael P.; HENDRY, David F. Macro-Economic Forecasting and Modelling. Economic Journal, v. 105, n. 431, p.1001-1013, 1995. _______________________________________. A companion to Economic Forecasting. Blackwell Publishing, 2002. DUARTE, A. J. M.; ISSLER, J. V.; SPACOV, A. Indicadores coincidentes de atividade econômica e uma cronologia de recessões para o Brasil. Pesquisa e Planejamento Econômico, v. 34, n.1. Abril de 2004. 17

ENDERS, W. Applied econometric time series. Willey series in probability and mathematical statistics. 1995. FIEMG. Balanço anual da economia mineira. Disponível em: < http://www.fiemg.com.br/content/produto/lst_produto.asp?cod_diretoria=110&nom_diretoria=#> Acessado em janeiro de 2007. 2006. FUNDAÇÃO JOÃO PINHEIRO. Informativo Produto Interno Bruto de Minas Gerais. Disponível em: <http://www.fjp.gov.br/produtos/cei/informativo_pib.pdf> Acessado em janeiro de 2007. 2006. GRANGER, C. W. J.; NEWBOLD, Paul. Forecasting economic time series. New York: Academic Press, 1977. 333p. GRANGER, C. W. J.; RAMATHAN, R. Improved methods of Combining Forecasts. Journal of Forecasting, Vol. 3, 197-204. 1984. HENDRY, David F.The Econometrics of Macroeconomic Forecasting. Economic Journal, v. 107, n. 444, p.1330-1357, 1997. HOLLAUER, G.; ISSLER, J. V. Construção de Indicadores Coincidentes para a Atividade Industrial Brasileira e Comparação de Metodologias. Texto para discussão nº 1194. Brasília, junho de 2006. KOOPMANS, T. C. Measurement without theory. Review of Economics and Statistic, v. 29, p.161179. 1947. LAHIRI, Kajal.; MOORE, Geoffrey. Leading economic indicators: new approaches and forecasting records. Cambridge [England]; New York: Cambridge University Press, 1991. 464 p. LIMA, Izabel C.. Ciclos econômicos e previsão cíclica: um estudo de indicadores antecedentes para a economia brasileira. 2005. Dissertação (Mestrado) - Departamento de Centro de Desenvolvimento e Planejamento Regional, Universidade Federal de Minas Gerais, Belo Horizonte, 2005. MARCELLINO, Massimiliano. Leading Indicators: What have we learned? WORKING PAPER SERIES: Working Paper , Milão, n. 286, p.1-84, mar. 2005. MILLER, C.; CLEMEN, R.; WINKLER, R. The effect of non stationarity on combined forecasts. International Journal of Forecasting. v. 7, p. 515-529. 1992. MINGOTI, Sueli. Análise de dados através de métodos de estatística multivariada: uma abordagem aplicada. Editora UFMG, 2005. MOORE, Geoffrey H.. What is a Recession? American Statistician, v. 21, n. 4, p.16-19, 1967. MORETTIN, P.; TOLOI, C. Análise de series temporais. Editora Edgar Blucher, 2004. MORGAN, Mary S. The history of econometric ideas. Cambridge: Cambridge Univ., c1990. 296p. NEFTCI, Salih N. Lead-Lag Relations, Exogeneity and Prediction of Economic Time Series. Econometrica, v. 47, n. 1, p.101-114, 1979. PYNDICK, S.; RUBINFELD, D. L. Econometria: modelos e previsões. Elselvier. 2004. RIBEIRO, V. S.; DIAS, J. Índice de atividade econômica: os modelos de filtro de Kalman e BoxJenkins comparados. Anais do XII Encontro Nacional de Economia. Dezembro de 2004. NILSSON, R. OECD System of Leading Indicators. Seminário sobre Indicadores Líderes y Encuestas de expectativas. IPEA –CEPAL-OECD. Rio de Janeiro. Dezembro de 2000. TEIXEIRA, Denise F. Combinação de Previsões para série de telefonia celular. 2005. Dissertação (Mestrado) – Departamento de Estatística, Universidade Federal de Minas Gerais, Belo Horizonte, 2005. WELLS, John M.. Seasonality, leading indicators, and alternative business cycle theories. Applied Economics, v. 31, n. 5, p.531-538, 1999.

18

ANEXO
Tabela A.1: Coeficientes e medidas de ajuste do Vetor Autoregressivo Vector Autoregression Estimates Date: 04/09/07 Time: 15:45 Sample (adjusted): 1992M05 2005M11 Included observations: 163 after adjustments Standard errors in ( ) & t-statistics in [ ] D(PROD_IND_ AIPA_EXTRA AIMPORTACO AHORASTRA MG_SA) TIVA_SA ES_SA B_SA D(PROD_IND_MG_SA(1)) -0.384909 (0.09797) [-3.92873] 0.022983 (0.16142) [ 0.14238] 1479.595 (1683.99) [ 0.87862] 0.020537 (0.09778) [ 0.21004]

D(PROD_IND_MG_SA(2))

-0.138949 (0.10324) [-1.34595]

-0.112067 (0.17009) [-0.65888]

182.0254 (1774.45) [ 0.10258]

0.048752 (0.10303) [ 0.47318]

D(PROD_IND_MG_SA(3))

-0.084348 (0.09577) [-0.88075]

-0.010467 (0.15778) [-0.06634]

451.7284 (1646.11) [ 0.27442]

0.233970 (0.09558) [ 2.44796]

AIPA_EXTRATIVA_SA(1)

-0.032644 (0.04972) [-0.65659]

0.358141 (0.08191) [ 4.37224]

-392.7728 (854.562) [-0.45962]

0.023930 (0.04962) [ 0.48228]

AIPA_EXTRATIVA_SA(2)

0.124560 (0.05371) [ 2.31926]

0.115503 (0.08849) [ 1.30534]

-399.2515 (923.132) [-0.43250]

0.019971 (0.05360) [ 0.37259]

AIPA_EXTRATIVA_SA(3)

0.018332 (0.05163) [ 0.35509] 3.42E-06 (4.7E-06) [ 0.72039] 1.30E-07 (5.3E-06) [ 0.02449] 2.94E-06 (4.8E-06) [ 0.60808] -0.008076 (0.08954)

0.063621 (0.08506) [ 0.74799] 1.26E-05 (7.8E-06) [ 1.61467] -6.39E-06 (8.7E-06) [-0.73141] -1.77E-06 (8.0E-06) [-0.22209] 0.042100 (0.14752)

99.29077 (887.364) [ 0.11189] -0.647734 (0.08151) [-7.94660] -0.472144 (0.09119) [-5.17746] -0.146402 (0.08297) [-1.76442] -1042.744 (1538.99)

0.048949 (0.05152) [ 0.95005] 2.47E-06 (4.7E-06) [ 0.52085] -7.63E-07 (5.3E-06) [-0.14402] 4.25E-06 (4.8E-06) [ 0.88165] -0.377947 (0.08936)

AIMPORTACOES_SA(-1)

AIMPORTACOES_SA(-2)

AIMPORTACOES_SA(-3)

AHORASTRAB_SA(-1)

19

[-0.09019] AHORASTRAB_SA(-2) 0.032242 (0.09376) [ 0.34389] 0.124651 (0.08530) [ 1.46137] 0.183981 (0.23404) [ 0.78613] 0.192595 0.128003 835.9917 2.360779 2.981706 -364.5288 4.632255 4.878995 0.259215 2.528121

[ 0.28539] 0.156172 (0.15447) [ 1.01101] 0.070442 (0.14053) [ 0.50126] 1.012193 (0.38559) [ 2.62507] 0.236154 0.175046 2269.262 3.889526 3.864555 -445.9139 5.630846 5.877587 2.121833 4.282347

[-0.67755] 1868.610 (1611.54) [ 1.15952] 4039.738 (1466.12) [ 2.75540] 5177.489 (4022.68) [ 1.28707] 0.390612 0.341861 2.47E+11 40577.97 8.012394 -1954.103 24.13623 24.38297 1904.863 50018.61

[-4.22958] -0.105187 (0.09357) [-1.12414] 0.181867 (0.08513) [ 2.13642] -0.414480 (0.23357) [-1.77455] 0.328757 0.275058 832.6627 2.356074 6.122174 -364.2036 4.628265 4.875005 -0.105721 2.767179

AHORASTRAB_SA(-3)

C

R-squared Adj. R-squared Sum sq. resids S.E. equation F-statistic Log likelihood Akaike AIC Schwarz SC Mean dependent S.D. dependent

Tabela A.2: Decomposição da variância D(PROD_IND_MG_SA): Period 1 2 3 4 5 6 7 z 8 9 10 S.E. 2.360779 2.528573 2.578887 2.601288 2.610605 2.611999 2.616791 2.620581 2.622139 2.622534 D(PROD_IND AIPA_EXTR AIMPORTAC AHORASTR _MG_SA) ATIVA_SA OES_SA AB_SA 100.0000 (0.00000) 99.49236 (2.11461) 95.68615 (3.77471) 94.28209 (3.85535) 93.63628 (4.01408) 93.54751 (4.05647) 93.39736 (4.08174) 93.33473 (4.09277) 93.28067 (4.12201) 93.26104 (4.15004) 0.000000 (0.00000) 0.223504 (1.28885) 3.636880 (3.36741) 3.657038 (3.35088) 3.649429 (3.34266) 3.675052 (3.36061) 3.746327 (3.36257) 3.736472 (3.35981) 3.751586 (3.37622) 3.753932 (3.37608) 0.000000 (0.00000) 0.280297 (1.30175) 0.609959 (1.92510) 1.312449 (2.37961) 1.653539 (2.63454) 1.655249 (2.67200) 1.685280 (2.67234) 1.683280 (2.68253) 1.689557 (2.69459) 1.702259 (2.71432) 0.000000 (0.00000) 0.003835 (0.67526) 0.067010 (0.77008) 0.748423 (1.35184) 1.060748 (1.76788) 1.122193 (1.82178) 1.171032 (1.86987) 1.245523 (1.91478) 1.278182 (1.92875) 1.282766 (1.95264)

20

Sign up to vote on this title
UsefulNot useful