Capítulo 1 – Introduçãopro.poli.usp.br/wp-content/uploads/2012/pubs/construcao-de-um... ·...
Transcript of Capítulo 1 – Introduçãopro.poli.usp.br/wp-content/uploads/2012/pubs/construcao-de-um... ·...
14 Capítulo 1 - Introdução
1 Introdução
A partir de 21 de junho de 1999, adotou-se no Brasil a sistemática de “metas para a
inflação” como diretriz de política monetária. Isso só foi possível devido ao sucesso do Plano
Real, implantado em 1994. Com ele, foi possível manter controlados os índices de inflação,
tendo o ano de 2006, por exemplo, apresentado aumento de apenas 3,15%. Antes da
implantação desse plano, por mais de uma década o aumento da inflação não foi menor que
79% ao ano, chegando a impressionantes 2.477% ao ano em 1993. Nessa época, filas
intermináveis se formavam nos caixas de supermercados no dia do pagamento dos salários,
pois o que se comprava um dia com o salário já não se comprava mais nos dias seguintes.
Graças ao controle dos preços, não se observa esse fato nos dias de hoje.
A inflação é sempre um tema constante em quase todos os países e o Brasil não é
diferente. Apesar de não causar preocupações como antigamente para a população em geral,
por se tornar o mais importante balizador da política monetária nacional a partir da
implantação do sistema de metas, a inflação continua tendo grande relevância, sendo o estudo
do seu comportamento fundamental para o entendimento da economia nacional.
Com a adoção da sistemática de “metas para inflação”, o Comitê de Política Monetária
(Copom) passou a definir o patamar da meta da taxa básica de juros da economia, a taxa
SELIC (taxa média dos financiamentos diários, com lastro em títulos federais, apurados no
Sistema Especial de Liquidação e Custódia), com o intuito de manter os índices de preços
dentro de intervalos pré-definidos.
Essa taxa SELIC é usada direta e indiretamente, entre outros, nos cálculos dos juros
exigidos pelos bancos para empréstimo de dinheiro e do rendimento da poupança e de outros
tipos de investimento. Com isso, ela afeta a todos, consumidores, produtores de bens e
serviços, incluindo instituições financeiras.
Assim, devido à importância da taxa SELIC – e, por conseguinte, da inflação – para
instituições financeiras, a empresa onde o autor trabalha está buscando elaborar um modelo
Capítulo 1 - Introdução 15
estatístico que explique o comportamento passado da inflação e faça previsões para o futuro,
sendo esse o objetivo deste trabalho.
O trabalho está organizado em cinco capítulos. No capítulo inicial, são apresentadas a
empresa onde o trabalho está sendo elaborado e a definição do problema. No segundo capítulo
é feita a revisão bibliográfica das ferramentas estatísticas utilizadas. No terceiro capítulo, são
apresentadas as variáveis que fazem parte do modelo de previsão. No quarto capítulo, é
elaborado, proposto e validado um modelo de previsão da inflação. Por fim, o último capítulo
apresenta a conclusão acerca do trabalho e do modelo obtido.
1.1 Empresa
A instituição onde o trabalho está sendo feito é o Safdie Private Banking, uma
instituição financeira familiar, presidida pelo Sr. Edmundo Safdié. A tradição bancária da
família iniciou-se em 1965 com a fundação do Banco Cidade S.A., que atuava no segmento
de crédito comercial e gestão de investimentos.
Em 1966, com o intuito de atuar também na atividade de administração de fortunas, foi
adquirido o controle de um banco suíço, que passou a se denominar Multi Commercial Bank,
hoje Banque Safdié S.A.
Em 1988, foi fundando um terceiro banco, o Commercial Bank of New York, que atuava
no mercado doméstico americano no segmento de crédito comercial, além de exercer
atividades de private banking internacional.
No final dos anos 90, foi decidido concentrar as atividades em clientes com grande
patrimônio (private banking) e gestão de recursos de terceiros no Banque Safdié em Genebra,
que passou a ser o controlador das instituições financeiras em outros países. Devido à
mudança de escopo, a instituição se desfez das empresas que estavam fora do novo objetivo
estratégico.
16 Capítulo 1 - Introdução
Em 2003 foi fundado o Safdié DTVM, instituição financeira brasileira, subsidiária
integral do Banque Safdié, que atua no mercado de Gestão de Patrimônio de Terceiros, ou
Asset Management. Com o intuito de reposicionar a marca, em 2007 o banco adotou o atual
nome, Safdié Private Banking.
A Figura 1.1 apresenta o organograma simplificado da instituição e a área em destaque é
onde trabalha o autor e onde está sendo desenvolvido o Trabalho de Formatura.
Figura 1.1: Organograma simplificado do Safdié Private Banking
Como mostrado na Figura 1.1, a Diretoria de Investimentos é dividida em três áreas: a
Gestão de Fundos de Renda Fixa, a Gestão de Fundos de Renda Variável e a Gestão de
Fundos de Fundos.
A Gestão de Fundos de Renda Fixa é responsável pela alocação de recursos em títulos
públicos e emissões privadas e pelas estratégias com derivativos de ativos de renda fixa. A
seguir, para um melhor entendimento da área onde o trabalho está sendo desenvolvido, estão
descritos os principais instrumentos de investimento negociados pela mesma. As descrições
foram baseadas nos seguintes livros: Cálculo Financeiro das Tesourarias (Securato, 1999) e
Mercado Financeiro: Produtos e Serviços (Fortuna, 2005).
Capítulo 1 - Introdução 17
Entre os títulos públicos destacam-se:
− As Letras Financeiras do Tesouro (LFT), cuja rentabilidade é pós-fixada, associada
à taxa SELIC. Este título não fornece pagamentos intermediários, sendo o principal acrescido
dos juros pagos no vencimento;
− As Letras do Tesouro Nacional (LTN), cuja rentabilidade pré-fixada é determinada
no momento da compra. Este título também não fornece pagamentos intermediários, sendo o
principal pago no vencimento;
− As Notas do Tesouro Nacional, série B (NTN-B), cuja rentabilidade é pós-fixada,
associada à variação do Índice de Preços ao Consumidor Amplo (IPCA). Este título paga
cupons semestralmente, sendo o principal acrescido dos juros e da variação do IPCA pagos no
vencimento;
− As Notas do Tesouro Nacional, série C (NTN-C), cuja rentabilidade é pós-fixada,
associada à variação do Índice Geral de Preços do Mercado (IGPM). Este título paga cupons
semestralmente, sendo o principal acrescido dos juros e da variação do IGPM pagos no
vencimento;
− As Notas do Tesouro Nacional, série F (NTN-F), cuja rentabilidade é pré-fixada,
como a LTN, sendo o principal pago no vencimento, porém pagando também cupons
semestralmente.
Entre as emissões privadas destacam-se:
− Os Certificados de Depósitos Bancários (CDB), cuja rentabilidade é pré-fixada e
são emitidos apenas por instituições financeiras;
18 Capítulo 1 - Introdução
− As Debêntures, cuja rentabilidade pode ser pré ou pós-fixada (neste último caso,
associada à variação do IGPM) e são emitidos apenas por instituições não financeiras, como
empresas produtoras de bens de consumo, construtoras, prestadoras de serviços, etc.
Entre os derivativos destacam-se os contratos futuros de taxas de juros, contratos futuros
de dólar, opções de juros e opções de dólar.
A Gestão de Fundos de Renda Variável atua nos mercados relacionados à Bolsa de
Valores de São Paulo (BOVESPA). Nesse mercado são negociados títulos cujo valor está
diretamente ligado ao desempenho das respectivas empresas emissoras das ações.
A Gestão de Fundos de Fundos aloca os recursos geridos em fundos de investimento de
outras instituições financeiras. Ela atua em muitos mercados, podendo investir em fundos de
renda fixa, renda variável ou multimercados, dependendo das condições econômicas globais e
locais. Esse processo de selecionar dentre as diversas classes de ativos quais irão fazer parte
da carteira de cada cliente é conhecido como Asset Allocation, sendo esse o principal
diferencial do Safdié Private Banking. Por este motivo, a Gestão de Fundos de Fundos é,
dentro da diretoria de investimentos, a mais importantes de todas, sendo responsável pela
alocação da maior parte dos recursos.
A empresa hoje possui uma visão de ser mais ativa na gestão de recursos, continuando
com o foco em Asset Allocation, porém desenvolvendo mais estratégias nos mercados de
renda fixa e renda variável. Algo muito importante nesse processo é aumentar a parte de
pesquisa econômica da empresa para dar mais informações para as tomadas de decisão. Isso é
feito dentro da diretoria de investimentos pelas áreas de gestão, pois a empresa não dispõe de
uma área de pesquisa econômica, como ocorre em grandes instituições.
Uma das principais informações para as três áreas de gestão é a taxa básica de juros da
economia, a já mencionada taxa SELIC, pois ela possui grande influência em grande parte dos
setores econômicos do país. Essa taxa básica de juros depende em grande parte da inflação, já
que hoje se utiliza o sistema de metas para inflação nas decisões de política monetária feita
Capítulo 1 - Introdução 19
pelo Banco Central do Brasil (BC). E daí vem a motivação desse trabalho: propor um modelo
de regressão para previsão da inflação.
1.2 Motivação
Após descrever a empresa, antes de definir o problema a ser estudado, para entendê-lo
melhor é importante uma explanação sobre o histórico da inflação e da política monetária.
1.2.1 Inflação e o Índice de Preços ao Consumido Amplo
Inflação é o aumento persistente dos preços e envolve toda a economia de um país.
Quando há inflação, diminui o poder de compra do dinheiro, necessitando-se de mais dele
para adquirir a mesma quantidade de certo produto ou serviço. Há diversos índices que se
utilizam para medir a inflação. Para aferir a variação dos preços dos produtos finais
consumidos pela população usa-se o índice de custo de vida (ICV) ou o índice de preços ao
consumidor (IPC), tomando por base os produtos de consumo de uma família-padrão para
toda a sociedade ou certa classe. Para medir a variação nos preços dos insumos e fatores de
produção e demais produtos intermediários, utilizam-se índices de preços ao produtor ou o
índice de preços no atacado (IPA). A inflação no Brasil levou à criação de mais de trinta
índices diferentes para medir a inflação e corrigir a desvalorização da moeda. O IPCA, (índice
indexador das NTN-Bs) será o centro deste projeto.
O IPCA foi criado com finalidade de refletir a variação do custo de vida das famílias
brasileiras com renda mensal entre um e quarenta salários mínimos. Ele é calculado pelo
Instituto Brasileiro de Geografia e Estatística (IBGE) desde 1979 e é divulgado mensalmente.
Hoje é usado também para outros diversos fins, como, por exemplo, correção de salários e
aluguéis.
A Figura 1.2 apresenta um gráfico com o histórico da variação percentual mensal do
IPCA.
20 Capítulo 1 - Introdução
-10%
0%
10%
20%
30%
40%
50%
60%
70%
80%19
80
1982
1984
1986
1988
1990
1992
1994
1996
1998
2000
2002
2004
2006
2008
Figura 1.2: Gráfico do Histórico do IPCA
Para o cálculo do índice, o IBGE realiza uma coleta de preços em regiões
metropolitanas de Belém, Belo Horizonte, Curitiba, Fortaleza, Porto Alegre, Recife, Rio de
Janeiro, Salvador, São Paulo, Goiânia e Distrito Federal no período do primeiro ao último dia
de cada mês de referência. Os preços são separados em grupos e cada um possui um peso no
índice de acordo com sua contribuição estimada à despesa total das famílias. Os grupos das
despesas, assim como seus respectivos pesos atualmente adotados pelo IBGE são mostrados
na Tabela 1.1.
Tabela 1.1: Ponderação das Despesas
Tipo de Gasto Peso do Gasto (%) Alimentação 25,21 Transportes e comunicação 18,77 Despesas pessoais 15,68 Vestuário 12,49 Habitação 10,91 Saúde e cuidados pessoais 8,85 Artigos de residência 8,09 Total 100,00
Fonte: IBGE
Capítulo 1 - Introdução 21
Assim, compondo-se a variação dos preços dos elementos pertencentes a cada grupo
com o peso do grupo chega-se ao valor final do IPCA. O IBGE divulga o valor do índice
entre os dias onze e vinte do mês seguinte ao de referência.
1.2.2 Inflação e Política Monetária no Brasil
Do início da década de 1980 até 1994, a inflação no Brasil passou a representar um
grande problema para a economia, apresentando índices elevadíssimos, sendo 79,66% ao ano
o mais baixo, registrado em 1986, e sendo o mais alto impressionantes 2.477,15% ao ano
registrado em 1993. Durante essa época muitos planos econômicos foram criados com
objetivo de conter a inflação, muitos deles baseados em congelamento de preços ou confisco
de depósitos bancários, porém nenhum foi bem sucedido. Tal trajetória de contínua e elevada
alta nos preços só foi mudada em meados de 1994, com a implantação do Plano Real, tendo
como principal medida a substituição da antiga moeda pelo Real. Os resultados foram
sentidos imediatamente e confirmados pelos índices registrados ao final dos anos seguintes,
22,41% e 9,56%, respectivamente para 1995 e 1996, considerados altos para os padrões de
hoje, mas excelentes para os padrões da época. A partir do Plano Real, a política monetária no
Brasil passou a ser melhor administrada, alcançando bons resultados para a economia em
geral.
Em junho de 1996 foi criado o já mencionado Copom com o intuito de estabelecer as
diretrizes da política monetária nacional e de definir a meta para a taxa de juros básica da
economia brasileira, a taxa SELIC.
Em junho de 1999, pelo Decreto 3.088, adotou-se a sistemática de "metas para a
inflação" como diretriz de política monetária. Desde então, as decisões do Copom passaram a
ter como principal objetivo cumprir as metas para a inflação com um intervalo de tolerância,
definidos pelo Conselho Monetário Nacional. Segundo o mesmo decreto, se as metas não
forem atingidas, cabe ao presidente do Banco Central divulgar em Carta Aberta ao Ministro
da Fazenda os motivos do descumprimento, bem como as providências e prazo para o retorno
da taxa de inflação aos limites estabelecidos. No mesmo mês, pela Resolução 2.615,
22 Capítulo 1 - Introdução
determinou-se que o índice de preços relacionado às metas para a inflação seria o IPCA,
calculado pelo IBGE.
Abaixo, está um trecho de um texto colhido na página eletrônica do BC escrito em 2002
por Armínio Fraga e Ilan Goldfajn, então presidente e diretor de política econômica do BC,
respectivamente:
[...] Nestes momentos de transição cabe refletir sobre o papel do Banco Central. De
início vale a pena enfatizar que o Banco Central possui apenas um instrumento, a
política monetária, e, portanto, deve ter como meta apenas um objetivo. É consenso
hoje no mundo que este objetivo deve ser o da estabilidade de preços. A política
monetária é incapaz de gerar um crescimento do produto acima da produtividade da
economia no longo prazo. A evidência empírica indica que o uso mais eficaz da
política monetária é o de garantir a estabilidade de preços, que, essa sim, pode gerar
maiores taxas de crescimento do produto ao reduzir incertezas e distorções, alongar os
horizontes de decisão, e permitir aumento de investimentos e ganhos de
produtividade. Portanto, deve se ter claro que não existe a opção de um maior
crescimento sustentável com mais inflação.
Mesmo com apenas um objetivo e um instrumento, é possível organizar a atuação do
BC de diferentes maneiras. Uma opção é ancorar o nível de preços através da volta ao
câmbio fixo (ou "administrado"), não recomendável por várias razões. Outra opção é
tentar controlar algum agregado monetário, como a quantidade de moeda em poder do
público ou o crédito na economia. No entanto, na prática, dada a instabilidade da
demanda por estes agregados, a grande maioria dos bancos centrais no mundo
desistiram dessa opção. Finalmente, resta usar a taxa de juros como instrumento de
controle da inflação, opção preferida pela maioria dos bancos centrais. Nesse caso,
pode se atuar com maior ou menor grau de transparência e compromisso. No
arcabouço do Regime de Metas de Inflação explicitam-se as metas de inflação para os
anos seguintes, divulgam-se trimestralmente as projeções de inflação em relatórios, e
detalham-se as formas de reação do Banco Central nas atas após as decisões.
Capítulo 1 - Introdução 23
A Tabela1.2 apresenta o histórico das metas para a inflação no Brasil:
Tabela 1.2: Histórico das metas para a inflação
Ano Meta (%) Banda (%) Limites Inferior e Superior (%)
Inflação efetiva (IPCA % a.a)
1999 8 2 6 – 10 8,94 2000 6 2 4 – 8 5,97 2001 4 2 2 – 6 7,67 2002 3,5 2 1,5 – 5,5 12,53
2003 (*) 3,25 4
2 2,5
1,25 – 5,25 1,5 – 6,5 9,30
2004 (*) 3,75 5,5
2,5 2,5
1,25 – 6,25 3 – 8 7,60
2005 4,5 2,5 2 – 7 5,69 2006 4,5 2 2,5 – 6,5 3,14 2007 4,5 2 2,5 – 6,5 2008 4,5 2 2,5 – 6,5 2009 4,5 2 2,5 – 6,5
Fonte: Banco Central do Brasil (*)Períodos com metas reajustadas
As metas não foram cumpridas em 3 (três) oportunidades – em 2001, 2002 e 2003 – e
sendo cumpridas nas 5 (cinco) restantes. Em cada uma das vezes onde o limite foi
ultrapassado, o presidente do Banco Central da época, como estabelecido no Decreto 3,088,
divulgou em carta aberta os motivos do descumprimento.
Pelo fato da inflação medida pelo IPCA ser tão importante hoje em dia para as decisões
sobre política monetária feitas pelo BC, torna-se muito importante um estudo que construa um
modelo de previsão da inflação, assim como entender as variáveis exógenas que possuem
influência sobre ela.
1.3 Definição do problema
O principal objetivo do trabalho é fazer previsões da inflação, comparar as previsões
feitas com as metas estabelecidas pelo Conselho Monetário Nacional e tentar prever de
antemão quais serão as ações do BC dado o cenário previsto. A empresa onde o trabalho está
sendo desenvolvido é uma instituição que faz a gestão de recursos de terceiros. É de suma
importância tentar prever os passos da política monetária, principalmente em se tratando da
24 Capítulo 1 - Introdução
definição da taxa de juros, para conseguir gerar lucros para os clientes com capital gerido pela
empresa.
O modelo a ser proposto será utilizado pelas três áreas da instituição que compõe a
Diretoria de Investimentos, a saber a Gestão de Fundos de Renda Fixa, a Gestão de Fundos de
Renda Variável e a Gestão de Fundos de Fundos.
A Gestão de Fundos de Renda Fixa utilizará o modelo para tentar prever os próximos
passos do Copom na definição da taxa de juros básica da economia. Tendo uma idéia hoje de
como os juros estarão no futuro, pode-se saber o custo do capital no longo período e a correta
precificação de títulos da dívida brasileira, por exemplo.
A Gestão de Fundos de Renda Variável se beneficiará com o modelo pois quando os
juros baixam, os consumidores tendem a gastar mais, gerando lucros para as empresas que
possuem ações na Bolsa de Valores, fazendo assim seus papéis valorizarem de preço. De
modo análogo, os juros altos tendem a fazer as ações das empresas caírem. E como o mercado
de ações é muito dinâmico, essa valorização e desvalorização pode ocorrer no mesmo dia em
que a taxa definida pelo BC começa a vigorar, ou até antes dependendo das expectativas dos
agentes do mercado financeiro. Se a Gestão de Fundos de Renda Variável possui uma boa
estimativa dos juros, pode se antecipar ao mercado, alocando mais ou menos recursos em
ações, para tentar aumentar os lucros ou diminuir os prejuízos.
A Gestão de Fundos de Fundos aplica recursos dos clientes em fundos de investimento
de outras instituições. Cada um tem sua característica de investimento. Algumas podem ser
beneficiadas com o aumento das taxas de juros, como os fundos de renda fixa, e outras podem
ser prejudicadas como os fundos de renda variável. Assim a escolha dos fundos é afetado pela
taxa de juros, sendo portanto o modelo importante para a área em questão.
A primeira etapa do trabalho é identificar um conjunto de variáveis exógenas (variáveis
explicativas) que possam explicar as variações da inflação no Brasil. O passo seguinte
consiste em elaborar um modelo de regressão a partir das variáveis anteriormente
selecionadas.
Capítulo 1 - Introdução 25
Logo, o modelo que se busca propor tem a seguinte forma:
g(Y) = f(X1, X2,..., Xn),
onde Y representa a inflação e X1, X2,..., Xn representam as variáveis explicativas.
O modelo a ser proposto deve ser utilizado imediatamente pelas áreas citadas
anteriormente, tanto para fazer simulações quanto para fazer previsões da inflação, sempre
com objetivo final de prever os juros.
28 Capítulo 2 – Revisão Bibliográfica
2 Revisão Bibliográfica
Neste capítulo está apresentado um resumo das ferramentas utilizadas na elaboração do
modelo de previsão. As ferramentas empregadas são os modelos de regressão linear e os
modelos de séries temporais.
Toda a revisão bibliográfica desse capítulo é baseada em: Econometric Models and
Economic Forecasts (Pindyck; Rubinfeld, 1976); Análise de Séries Temporais (Morettin;
Toloi, 2004); Regression Analysis and its Application (Gunst; Mason, 1980); Time Series
Analysis: Forecasting and Control (Box; Jenkins, 1970); EViews 4 User´s Guide (2002).
Maior aprofundamento nos assuntos podem ser encontrados na bibliografia citada.
O EViews é o software que será usado para a construção do modelo. O seu guia de
usuário possui explicações teóricas e cálculos de todas as ferramentas usadas pelo programa,
sendo assim uma fonte de consulta muito abrangente e confiável.
A seguir é feita uma revisão bibliográfica de dois assuntos importantes na previsão de
inflação: modelos de regressão linear e modelos de séries temporais. O primeiro se deve ao
uso de variáveis exógenas na construção do modelo e o segundo se deve ao fato da inflação
possuir um caráter inercial, ou seja, a inflação futura depende da inflação passada. Após
abordar os modelos, são explicados também os testes que devem ser feitos na identificação e
na validação dos mesmos.
2.1 Modelos de Regressão Linear
Regressão simples é uma técnica estatística apropriada quando se acredita que os valores
de uma variável podem ser determinados pelos valores de somente uma segunda variável.
Segundo Pindyck; Rubinfeld (1976), supondo que há interesse no estudo da relação
entre duas variáveis X e Y, para fins de descrever essa relação estatisticamente, necessita-se de
uma série de observações para cada variável, chamada de amostra, e uma hipótese com
relação à forma da relação entre elas. No modelo de regressão linear, como o próprio nome
Capítulo 2 – Revisão Bibliográfica 29
diz, essa relação é linear, isto é, pode ser representada por uma linha reta. Dada a suposição da
linearidade, o objetivo é especificar a regra pela qual é determinada a “melhor” linha reta
aproximando X e Y. Assim, o modelo de regressão linear pressupõe a seguinte equação:
Yi = β0 + β1Xi + ui
onde Y é a variável dependente, X é a variável explicativa (ou independente), β0 e β1 são os
parâmetros calculados pelo modelo, chamados de coeficientes e ui é o erro, ou seja, a
diferença entre cada valor de Y observado e o valor previsto pela equação.
Para estimar os valores de β0 e β1, o procedimento usualmente utilizado é o método dos
mínimos quadrados. Esse método possui como critério para determinar a “melhor” linha reta
possível fazer com que a soma dos quadrados dos erros seja a menor possível. Assim para
uma amostra de n observações, a soma das variações quadráticas em relação à regressão é
dada por:
( )∑∑==
−−==n
iii
n
ii XYuS
1
210
1
2 ββ .
Chamando de b0 e b1 os estimadores para os coeficientes β0 e β1 que minimizam S, para
achá-los deve-se calcular as derivadas parciais de (2.1) em função de β0 e de β1, dadas por:
( )∑=
−−−=∂∂ n
iii XYS
110
0
2 βββ
e
( )∑=
−−−=∂∂ n
iiii XYXS
110
1
2 βββ
.
A segunda derivada parcial de (2.1) em função de β0 e β1, é sempre positiva.
(2.1)
(2.2)
(2.3)
30 Capítulo 2 – Revisão Bibliográfica
Especificamente, tem-se:
∑=
=∂∂ n
i
S1
20
2
2β
e
∑=
=∂∂ n
iiXS
1
22
1
2
2β
.
Com isso, pode-se concluir que as primeiras derivadas parciais de (2.1) são sempre
crescentes, e se forem igualadas as primeiras derivadas a zero, é encontrado um ponto de
mínimo global para (2.1). Assim, chega-se à solução do sistema de equações:
( )( )
( )∑
∑
=
=
−
−−= n
ii
n
iii
XX
YYXXb
1
2
11
e
XbYb 10 −= ,
onde X e Y são as médias amostrais de Xi e Yi, respectivamente.
Sempre que se utilizar os estimadores b0 e b1 pode-se estar certo de estar usando a
“melhor” linha reta possível obtida pelos dados disponíveis, porém não se pode dizer de
antemão se o modelo se aproxima bem à realidade. Assim estão apresentadas ferramentas
utilizadas para verificar se os valores previstos pelo modelo ( iY)
) se ajustam bem aos valores
Yi da amostra.
Pode-se verificar que, para cada observação, i tem-se:
( ) ( ) ( ) ( ) iiiiii uYYYYYYYY +−=−+−=−)))
(2.4)
(2.5)
(2.6)
(2.7)
(2.8)
Capítulo 2 – Revisão Bibliográfica 31
Pode-se observar que variação YYi − corresponde à soma de duas componentes, a
primeira parcela correspondente à variação do valor previsto pelo modelo e a média e a
segunda correspondente ao erro. Assim, pode-se dizer que a variância total é dada por uma
primeira parcela explicada e uma segunda parcela não explicada.
Pode-se definir:
− A variância total como a soma dos quadrados das diferenças entre a média Y e as
observações Yi, chamando de soma dos quadrados total
( )∑=
−=n
iiTotal YYS
1
2;
− A variância da regressão como a soma do quadrado das diferenças entre as
previsões iY)
e a média Y , chamando de soma dos quadrados da regressão
( )∑=
−=n
iig YYS
1
2
Re
);
− E, por fim, a variância do erro como a soma dos quadrados do erro, chamando de
soma dos quadrados residual
( )∑∑==
−==n
iii
n
iisidual YYuS
1
2
1
2Re
).
A partir das equações (2.9) a (2.11), tem-se que:
sidualgTotal SSS ReRe +=
(2.9)
(2.10)
(2.11)
(2.12)
32 Capítulo 2 – Revisão Bibliográfica
Assim se a variância da regressão explicar boa parte da variância total do modelo, tendo
a variação residual pouca influência, pode-se dizer que o modelo possui um bom ajuste.
Assim o coeficiente de determinação R2 é dado por:
totalvariaçãoexplicada variaçãoRe2 ==
Total
g
SS
R .
Esse coeficiente, que varia entre zero e um, mede a proporção da variância total
explicada pelo modelo de regressão.
Dividindo (2.10) e (2.11) pelos respectivos graus de liberdade, chega-se ao quadrados
médios.
Pode-se, enfim, calcular a razão entre o quadrado médio da regressão e o quadrado
médio residual, obtendo-se a estatística F que avalia a hipótese de todos os estimadores
(exceto b0) serem iguais a zero. Usualmente, os resultados (2.9) a (2.12) são colocados na
forma de tabela, denominada Tabela de Análise de Variância, como mostra a Tabela 2.1.
Tabela 2.1: Análise da Variância com uma Variável Preditora
Variação Graus de liberdade
Soma de Quadrados
Quadrado Médio
F
Regressão 1 ( )∑=
−n
ii YY
1
2) 1
regS res
regQM
QM
Residual n - 2 ( )∑=
−n
iii YY
1
2) 2−n
Sres
Total n - 1 ( )∑=
−n
ii YY
1
2
A estatística F avalia a hipótese de todos os estimadores (exceto b0) serem iguais a zero,
ou seja, verifica a seguinte hipótese:
H0: b1 = 0,
H1: b1 ≠ 0.
(2.13)
Capítulo 2 – Revisão Bibliográfica 33
Se o valor de F calculado for maior que o valor da distribuição F tabelado, pode-se
rejeitar a hipótese H0.
Após desenvolver a regressão simples, pode-se generalizar a análise para o caso onde há
mais de uma variável explicativa. Empregando-se a linguagem matricial para facilitar a
notação, tem-se inicialmente a equação:
Yi = β0 + β1 X1i + β2 X2i +...+βk Xki + ui
onde:
− Yi, X1i, X2i, ..., Xki são os valores das variáveis na i-ésima observação;
− β0, β1, β2, ..., βk são os coeficientes desconhecidos;
− ui é o erro.
E na notação matricial tem-se:
Y = Xβ + u
onde:
Y
=
n
2
1
Y
YY
M,
X
=
kn2n1n
k22212
k12111
XXX
XXXXXX
...1...............
...1
...1
,
(2.14)
(2.15)
34 Capítulo 2 – Revisão Bibliográfica
β
=
k
0
β
βββ
M2
1
,
u
=
nu
uu
M2
1
.
Através do cálculo matricial, pode-se encontrar o vetor β̂ com os estimadores b0, b1, ...,
bk de β0, β1, ..., βk do seguinte modo:
β̂ = (X'X)-1 X'Y
Generalizando a análise da variância para a regressão múltipla, obtem-se:
( ) =−= ∑=
n
1i
2
iTotal YYS2
YnY´Y − ,
( ) =−= ∑=
n
iig YYS
1
2
Re
) 2Yn´X´Yβ −ˆ ,
( )∑=
=−=n
i
2iiResidual YYS
1
)´X´YβY´Y ˆ− .
Chamando de k o número de variáveis explicativas e apresentando as equações na forma
usual de tabela, obtem-se a Tabela 2.2:
(2.16)
(2.17)
(2.18)
(2.19)
Capítulo 2 – Revisão Bibliográfica 35
Tabela 2.2: Análise da Variância com mais de uma Variável Preditora
Variação Graus de liberdade
Soma de Quadrados
Quadrado Médio
F
Regressão k ( )∑=
−n
ii YY
1
2) k
Sreg res
regQM
QM
Residual n-k-1 ( )∑=
−n
iii YY
1
2) 1−− kn
Sres
Total n-1 ( )∑=
−n
ii YY
1
2
A estatística F agora com k e n – k – 1 graus de liberdade, é utilizada para avaliar a
seguinte hipótese:
H0: b1 = 0, b2 = 0, ..., bk = 0
H1: ∃ pelo menos um bi ≠ 0, 1 < i < k
Novamente se o valor de F calculado for maior que o valor da distribuição F tabelado,
pode-se rejeitar a hipótese H0.
Quando H0 é rejeitado, há vários procedimentos na determinação do melhor modelo de
regressão. Entre eles, alguns dos citados por Gunst; Mason (1980) que podem ser usados são
testar todas as possibilidades, o stepwise procedure, o forward selection method e o backward
elimination method. Mais detalhes sobre esses procedimentos podem ser verificados no livro
Regression Analysis and its Application (Gunst; Mason, 1980).
Como na regressão simples, o coeficiente de determinação é calculado da seguinte
forma:
totalvariaçãoexplicada variaçãoRe2 ==
Total
g
SS
R
(2.20)
36 Capítulo 2 – Revisão Bibliográfica
No caso da regressão múltipla deve-se estar atento ao fato de haver uma contribuição
sempre positiva ao coeficiente de determinação à medida que se adicionam novas variáveis
preditoras ao modelo mesmo que essas não agreguem ou agreguem pouco ao poder
explicativo. Assim, utilizando apenas esse coeficiente, não se pode comparar dois modelos
com diferentes quantidades de variáveis. Para contornar esse problema, pode-se usar o
R2ajustado:
( )22 11
11 Rkn
nR ajustado −−−
−−= ,
A seguir será feita a revisão bibliográfica sobre modelos de séries temporais.
2.2 Modelos de Séries Temporais
Ao invés de utilizar variáveis explicativas para prever o comportamento de uma variável
dependente, como é feito nos modelos de regressão, os modelos de séries temporais utilizam o
comportamento passado da própria variável para esse fim. No caso da inflação, que é o objeto
de estudo, não é possível explicar o comportamento de alguns aspectos que alteram o preço de
alguns produtos como, por exemplo, o clima, mudança temporária no padrão de consumo das
pessoas ou ciclos sazonais de consumo. Nesses casos, os modelos de séries temporais se
mostram muito eficientes.
Os modelos que serão expostos agora são casos particulares de um modelo de filtro
linear. Segundo Morettin; Toloi (2004), este modelo supõe que a série temporal seja gerada
através de um filtro linear, cuja entrada é ruído branco (at).
Assim, tem-se:
L++++= −− 2211 tttt aaaY ψψµ
onde Yt é a variável dependente, µ é o erro e iψ são os coeficientes.
(2.21)
(2.22)
Capítulo 2 – Revisão Bibliográfica 37
Pode-se utilizar uma notação para o operador de translação para o passado, denotado por
B e definido por:
1−= tt YBY , mttm YYB −= .
Assim, pode-se reescrever a equação (2.22) como:
( ) tt aBY ψµ += ,
em que
( ) L+++= 2211 BBB ψψψ
é denominado função de transferência do filtro e µ é um parâmetro determinando o nível da
série.
Chamando µ−= tt YY~ , tem-se que:
( ) tt aBY ψ=~
O modelo de filtro linear é capaz de representar os processos estacionários e não
estacionários. Processos estacionários são aqueles que se desenvolvem no tempo
aleatoriamente ao redor de uma média constante, refletindo alguma forma de equilíbrio
estável. Num processo não estacionário não há uma média constante.
Se a seqüência de pesos { jψ , j ≥ 1} for finita ou infinita e convergente, o filtro é estável
(somável), Yt é estacionária e µ é a média do processo. Assim tem-se que condição (2.28)
deve ser atendida:
(2.23)
(2.24)
(2.25)
(2.26)
38 Capítulo 2 – Revisão Bibliográfica
∑∞
=
∞<0
2
jjψ .
Caso contrário, Yt é não estacionária e µ não tem significado específico, a não ser como
um ponto de referência para o nível da série.
Outra forma de se verificar a estacionariedade é feita considerando jj φψ = , j = 1, 2,
3,... , 10 =ψ e com a condição que φ < 1 na equação (2.22). Após uma série de
transformações, a equação (2.25) pode ser reescrita como:
( )∑∞
=
+=0
)(j
jt BaB φψ .
Com a relação (2.28), pode-se ver que a série converge se |B| ≤ 1, ou seja, o processo é
estacionário se o operador )(Bψ convergir para |B| ≤ 1, isto é, dentro e também sobre o
círculo unitário.
Pode-se escrever tY~ em uma forma alternativa, como uma soma ponderada de valores
passados 1~−tY , 2
~−tY , ... mais um ruído at:
jtj
jttttt YaYYaY −
∞
=−− ∑+=+++= ~~~~
12211 πππ L
Segue-se que:
( ) tt aYB =~π
onde ( )Bπ é o operador
( ) L−−−= 2211 BBB πππ
(2.27)
(2.29)
(2.30)
(2.31)
(2.28)
Capítulo 2 – Revisão Bibliográfica 39
Assim tem-se que:
( ) ( )BB 1−=ψπ
Esta relação pode ser usada para obter os pesos jπ em função dos pesos jψ e vice-
versa.
De modo sucinto, existem basicamente dois tipos de modelos de séries temporais:
modelos auto-regressivos (AR) e modelos de médias móveis (MA). Combinando-se esses dois
modelos, chega-se ao modelo ARMA, que combina termos auto-regressivos com termos de
média móvel.
Se na equação (2.29) 0=jπ , j > p, onde p é o total de defasagens utilizadas, obtem-se
um modelo auto-regressivo de ordem p, que se pode denotar por AR(p). Assim, tem-se:
ptptttt YYYaY −−− ++++= ~~~~2211 πππ L
Lembrando que µ−= tt YY~ , pode-se reescrever a equação como:
ptptttt YYYaY −−− +++++= πππµ L2211
Muitas vezes o modelo pode ser apresentado de maneira diferente, figurando uma
constante que não é a média. Pode-se chamar essa nova constante de θ.
No caso mais simples onde apenas a última defasagem e um ruído definem tY~ , ou seja,
p = 1, AR(1) é dado por
11 −++= ttt YaY πθ
Para esse caso, pode ser demonstrado que a média é dada por:
(2.32)
(2.33)
(2.34)
(2.35)
40 Capítulo 2 – Revisão Bibliográfica
11 πθµ−
= .
Considerando agora o processo linear da equação (2.22) e supondo que 0=jψ , j > q,
obtem-se um processo de médias móveis de ordem q, que se pode denotar por MA(q). Assim,
obtem-se:
qtqtttt aaaaY −−− +++++= ψψψµ L2211
O caso mais simples MA(1) é dado por:
11 −++= ttt aaY ψµ
Assim, um modelo ARMA (p,q) é dado pela equação
qtqtptpttt aaYYaY −−−− +++++++= ψψππµ ...... 1111
Um modelo frequentemente usado é o ARMA (1,1), onde p = q = 1, dado por:
1111 −− +++= tttt aYaY ψπµ
2.3 Testes dos modelos
Para a construção de um modelo de previsão, existe uma metodologia conhecida como
abordagem de Box e Jenkins (1970), que será melhor detalhada no capítulo 4.
Resumidamente, a abordagem segue os seguintes passos: escolha de uma classe geral,
identificação, estimação dos parâmetros e verificação do modelo.
Na fase de estimação do modelo, há várias metodologias que foram anteriormente
citadas, como testar todas as possibilidades, o stepwise procedure, o forward selection method
(2.36)
(2.37)
(2.38)
(2.39)
(2.40)
Capítulo 2 – Revisão Bibliográfica 41
e o backward elimination method. É utilizado nesse trabalho o teste de todas as
possibilidades.
No teste de todas as possibilidades algum critério deve ser definido para escolher entre
todas as possibilidades qual a melhor. A seguir são apresentados superficialmente dois desses
critérios, cujos detalhes podem ser encontrados em EViews 4 User´s Guide (2002).
Critério de Informação de Akaike (AIC) é uma estatística utilizada para a escolha da
especificação ótima de uma equação de regressão. A equação que produzir o menor valor pra
AIC deve ser a escolhida. Segue abaixo o cálculo de AIC:
AIC = 2 * (p – L) / n,
onde p é o número de parâmetros (variáveis preditoras e variável dependente), n é o número
de observações e L é o logaritmo da função de verossimilhança.
O Critério de Schwarz (SC) é uma estatística semelhante ao Critério de Informação de
Akaike com a característica de impor uma penalidade maior pela inclusão de coeficientes
adicionais a serem estimados. Assim como o AIC, a equação que produzir o menor valor pra
SC deve ser a escolhida. O Critério de Schwarz é definido como:
SC = ( p * log(n) – 2 * L) / n
A princípio, na construção do modelo são admitidas premissas que serão testadas
somente depois da estimação dos parâmetros, para saber se o modelo encontrado é adequado.
A verificação é feita através de análises dos resíduos. As premissas adotadas são: os resíduos
devem apresentar distribuição normal e os resíduos não devem apresentar autocorrelação. A
seguir, estão apresentadas brevemente ferramentas que avaliam essas premissas. Maior
detalhes sobre as mesmas também podem ser encontrados em EViews 4 User´s Guide (2002).
A verificação da normalidade dos resíduos é feita através do teste de Jarque-Bera. O
teste consiste em medir a diferença entre a assimetria e a curtose da série em relação à
(2.41)
(2.42)
42 Capítulo 2 – Revisão Bibliográfica
verificada para uma distribuição normal. A assimetria (A) e a curtose (C) podem ser
calculadas através das seguintes equações:
3
1
1∑=
−=
n
i
i
sYY
nA ,
4
1
1∑=
−=
n
i
i
sYY
nC
onde n é o número de observações, Y é a média amostral e s é o desvio padrão da amostra.
O cálculo de Jarque-Bera pode ser feito através da equação (2.45):
( )
−+
−=−
43
6
22 CAknBeraJarque ,
onde k é o número de coeficientes estimados utilizados, A é a assimetria (2.43) e C é a curtose
(2.44).
A estatística de Jarque-Bera segue distribuição 2χ e o teste possui como H0 a hipótese
de distribuição normal.
Para analisar a premissa de não autocorrelação dos resíduos, é utilizada a estatística de
Ljung-Box Q (QLB). A estatística QLB para uma defasagem k é um teste estatístico sob a
hipótese nula de que não há autocorrelação até a ordem k e é dada pela equação:
( )∑= −
+=k
j
jLB jn
rnnQ
1
2
2
(2.43)
(2.44)
(2.45)
(2.46)
Capítulo 2 – Revisão Bibliográfica 43
onde rj é a j-ésima autocorrelação e n é o número de observações. Se a série não é resíduo de
uma estimação de um modelo de séries temporais, então QLB segue distribuição 2χ , com
número de graus de liberdade igual ao número de autocorrelações k. Se a série for resíduo de
uma estimação de um modelo de séries temporais, o número de graus de liberdade deve ser
ajustado para representar o número de autocorrelações k menos o número de componentes
auto-regressivos e de médias móveis.
46 Capítulo 3 – Variáveis do Modelo
3 Variáveis do Modelo
Neste capítulo, estão expostas as variáveis que devem compor o modelo. É iniciado pela
apresentação da variável dependente, o IPCA, e em seguida estão apresentadas as variáveis
explicativas: cotação do dólar, expectativas de inflação, taxa de juros e produção industrial.
3.1 Variável Dependente
A variável dependente, como já foi dito anteriormente, é o Índice de Preços ao
Consumidor Amplo. Porém o que é previsto pelo modelo é a média móvel de 12 meses da
variação percentual mensal do IPCA e não o valor do índice em si. A Figura 3.1 apresenta um
histórico da média móvel de 12 meses:
0.00%
0.20%
0.40%
0.60%
0.80%
1.00%
1.20%
1.40%
1.60%
1999
2000
2001
2002
2003
2004
2005
2006
2007
MM
(IP
CA) 1
2 m
eses
Figura 3.1: Gráfico do Histórico da Variação Percentual Mensal do IPCA
O recurso da média móvel de 12 meses é útil quando a variável apresenta sazonalidade
através das variações percentuais mensais, como pode-se observar na Figura 3.2.
Capítulo 3 – Variáveis do Modelo 47
-0.50%
0.00%
0.50%
1.00%
1.50%
2.00%
2.50%
3.00%
3.50%
Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez
IPC
A
1999 2000 2001 2002 20032004 2005 2006 2007
Figura 3.2: Gráfico da Variação Percentual Mensal do IPCA
Como se pode observar, há sempre uma tendência de queda no mês de junho e uma alta
em seguida, no mês de julho, apresentando a sazonalidade indesejada. Por esse motivo, a
utilização da média móvel se torna necessária para uma melhor comparação.
Também pode-se observar no gráfico alguns valores outliers. Nos meses de novembro
de 2002 a janeiro de 2003, o valor da variação mensal se mostrou muito elevado. No primeiro
mês, a variação superou 3% e nos dois seguintes superou 2%. Se for considerada a meta
estipulada pelo Copom para o ano de 2002 de 3,5% e o fato das outras variações mensais
serem quase sempre inferiores à 1,5%, pode-se concluir que inflações mensais nesses níveis
devem ser causados por fatores pontuais. Nesse caso, para não prejudicar o poder de previsão
do modelo, a adição de uma variável dummy talvez seja necessária.
Essa variável dummy deve assumir valor 1 enquanto um valor outlier influenciar a
amostra, ou seja, durante os 12 meses em que o valor fizer parte da média móvel. E deve
assumir valor 0 para o restante das amostras.
48 Capítulo 3 – Variáveis do Modelo
Nos mês de julho de 2000, também pode-se observar um valor outlier. Não chega a
apresentar valor próximo aos 3%, porém, seu valor superior a 1,5% também pode representar
um dado fora dos padrões.
3.2 Variáveis Explicativas 3.2.1 Cotação do Dólar
No ano de 2001, o regime de metas inflacionárias determinou como meta uma inflação
de 4%, com limite superior 6% e inferior 2%. Nesse ano, porém, a inflação registrou alta de
7,7%. Em carta aberta, o então presidente do BC Arminio Fraga expôs que o grande motivo
que causou essa elevação foi a depreciação do real frente ao dólar. Em outubro, a cotação da
moeda americana chegou a bater R$ 2,84, uma alta de 42,6% em relação ao mês anterior.
Um dos motivos pelo qual a cotação do dólar influencia a inflação é simples. Muitos
preços de produtos estão associados à cotação do dólar. O principal deles é o petróleo. Assim,
num cenário de depreciação do real, um barril de petróleo cotado na moeda americana passa a
custar muito mais caro para o país. Isso gera impacto direto no preço da gasolina. Como o
transporte no país é feito basicamente através da malha rodoviária, desde a matéria-prima,
passando pelos bens intermediários, até o bem final. Esse custo de transporte é repassado aos
preços pagos pelos consumidores, gerando inflação.
A figura 3.3 apresenta um gráfico que compara a evolução do dólar e do IPCA a partir
de janeiro de 1999 e a figura 3.4 apresenta o gráfico de dispersão entre essas variáveis. No
primeiro gráfico, o eixo principal corresponde à média móvel de doze meses da variação
mensal do IPCA e o eixo secundário corresponde à média mensal da cotação de venda do
dólar.
Capítulo 3 – Variáveis do Modelo 49
0.00%
0.20%
0.40%
0.60%
0.80%
1.00%
1.20%
1.40%
1.60%
1999
2000
2001
2002
2003
2004
2005
2006
2007
MM
(IP
CA)1
2 m
eses
0.00
0.50
1.00
1.50
2.00
2.50
3.00
3.50
4.00
Cot
ação
do
dóla
r
MM (IPCA) (12 meses) Cotação do Dólar
Figura 3.3: Média móvel do IPCA e média mensal do dólar
1.00
1.50
2.00
2.50
3.00
3.50
4.00
-0.10% 0.10% 0.30% 0.50% 0.70% 0.90% 1.10% 1.30%
Figura 3.4: Gráfico de dispersão entre a média móvel do IPCA e a média mensal do dólar
A comparação foi feita a partir do início de 1999, quando o sistema cambial brasileiro
mudou de fixo para flutuante.
50 Capítulo 3 – Variáveis do Modelo
3.2.2 Expectativas de Inflação
No ano de 2002, assim como no ano anterior, a inflação de 12,53% ultrapassou o limite
superior estabelecido pelo BC, que era de 5,5%. Em carta aberta, o então presidente do BC
Henrique Meirelles, apontou como causas o aumento da cotação do dólar e além disso o
aumento das expectativas de inflação colhidas semanalmente em diversos bancos do país.
Desde o início de 2000, o BC faz uma série de pesquisas de expectativas com cerca de
90 instituições financeiras e consultorias e divulga em seu site na internet. A pesquisa é muito
abrangente, colhendo expectativas sobre a taxa de câmbio, produto interno bruto, balança
comercial e diversos índices de inflação, incluindo o IPCA.
A expectativa de inflação exerce um importante papel na economia. Decisões de
investimento, consumo, reajuste de preços e salários, entre outras, são frequentemente
tomadas com base na expectativa de evolução futura da inflação e, por conseqüência, as
expectativas acabam afetando a evolução corrente da economia (taxa de inflação,
investimentos, nível de atividade, etc.). Por esse motivo, foi incluída a expectativa de inflação
nas variáveis explicativas.
Dentre as diversas pesquisas feitas pelo BC, será utilizada a mediana da inflação
acumulada nos próximos doze meses. Porém essa pesquisa em particular, começou a ser feita
apenas em dezembro de 2001. A utilização de uma variável dummy para completar a série
resolve o problema da série incompleta. Essa variável apresenta valor 1 para todos os meses
anteriores a dezembro de 2001 e valor 0 para esse mês e todos os seguintes.
A Figura 3.5 apresenta um gráfico que compara a evolução das expectativas de inflação
e do IPCA e a Figura 3.6 apresenta o gráfico de dispersão entre essas variáveis. No primeiro
gráfico, o eixo principal corresponde à média móvel de doze meses da variação mensal do
IPCA e o eixo secundário corresponde às expectativas.
Capítulo 3 – Variáveis do Modelo 51
0.00%
0.20%
0.40%
0.60%
0.80%
1.00%
1.20%
1.40%
1.60%
1999
2000
2001
2002
2003
2004
2005
2006
2007
MM
(IPC
A) 1
2 m
eses
0%
2%
4%
6%
8%
10%
12%
14%
Expe
ctat
ivas
de
Infla
ção
MM (IPCA) (12 meses) Expectativas de Inflação
Figura 3.5: Média móvel do IPCA e Expectativas de Inflação 12 meses a frente
0%
2%
4%
6%
8%
10%
12%
14%
0.00% 0.20% 0.40% 0.60% 0.80% 1.00% 1.20% 1.40% 1.60%
Figura 3.6: Gráfico de dispersão entre a média móvel do IPCA e as Expectativas de Inflação 12 meses à frente
3.2.3 Taxa de Juros
Como foi explicado anteriormente, o Copom tem a função de definir a taxa de juros
básica da economia brasileira, a Taxa Selic. Essa taxa básica serve como parâmetro para a
52 Capítulo 3 – Variáveis do Modelo
definição de juros sobre investimentos, como a poupança, e juros sobre compras feitas a
crédito. Assim, quando a Taxa Selic é baixa, as pessoas tendem a investir menos, devido ao
menor retorno, e gastar mais, devido ao juros baixos recorrentes sobre parcelas. Isso gera
inflação pois os preços são definidos também pela lei da oferta e demanda. Quando a
demanda é alta, os preços sobem. Quando a Taxa Selic é alta, ocorre o inverso, não gerando
inflação.
Por esse motivo, aparentemente, a influência da Taxa Selic na inflação é inegável e deve
fazer parte do modelo. A correlação existente entre essas variáveis pode ser muito alta, porém
isso não indica causalidade. Na realidade, o que ocorre é que os juros não causam inflação, e
sim a inflação causa os juros. Se se pensar na ação do BC, atuando na taxa SELIC de acordo
com as suas metas de inflação, essa relação de causalidade fica mais clara. Assim, a taxa
SELIC não foi incluída no modelo de previsão da inflação por ser ela explicada pela inflação.
3.2.4 Produção Industrial
Uma das variáveis usada com freqüência pelo BC na condução da política monetária é o
hiato do produto. O Produto Interno Bruto (PIB) representa o valor de toda a riqueza do país,
incluindo produtos e serviços. O PIB potencial seria aquele atingido caso toda a capacidade
produtiva de todas as indústrias do país fosse utilizada. O hiato é a diferença entre as taxas de
crescimento do PIB e do PIB potencial. Assim, um estreitamento desse intervalo significa que
a economia caminha para um desequilíbrio entre demanda e capacidade de oferta, o que
acarretaria em pressões inflacionárias. Como exemplo, pode-se imaginar que há uma fábrica
que consiga produzir 1100 carros por mês e atualmente está produzindo 1000 unidades, sendo
assim o hiato do produto é igual a 10%. Caso haja aumento da demanda e essa fábrica tenha
que produzir mais 200 unidades, não será possível, então haverá um desequilíbrio entre oferta
e demanda, e como essa última é maior, haveria aumento do preço do carro, gerando inflação.
O PIB brasileiro é divulgado trimestralmente pelo IBGE. Um indicador mensal e que
possui comportamento semelhante ao PIB, podendo substituí-lo é a produção industrial.
Como esse valor é divulgado mensalmente, é usada essa medida como variável explicativa
para nosso modelo.
Capítulo 3 – Variáveis do Modelo 53
A Figura 3.7 apresenta um gráfico que compara a evolução da média móvel da produção
industrial e do IPCA e a Figura 3.8 apresenta o gráfico de dispersão entre essas variáveis. No
primeiro gráfico, o eixo principal corresponde à média móvel de doze meses da variação
mensal do IPCA e o eixo secundário corresponde às produções industriais.
0.00%
0.20%
0.40%
0.60%
0.80%
1.00%
1.20%
1.40%
1.60%
1999
2000
2001
2002
2003
2004
2005
2006
2007
MM
(IPC
A) 1
2 m
eses
-0.80%
-0.60%
-0.40%
-0.20%
0.00%
0.20%
0.40%
0.60%
0.80%
1.00%
1.20%
MM
(Pro
duçã
o In
dust
rial)
12 m
eses
MM (IPCA) (12meses) MM (Produção Industrial) (12 meses)
Figura 3.7: Média móvel do IPCA e Média móvel da produção industrial
-0.80%-0.60%-0.40%-0.20%0.00%0.20%0.40%0.60%0.80%1.00%1.20%
0.00% 0.20% 0.40% 0.60% 0.80% 1.00% 1.20% 1.40% 1.60%
Figura 3.8: Gráfico de dispersão entre a média móvel do IPCA e a Média Móvel da Produção Industrial
54 Capítulo 3 – Variáveis do Modelo
Apesar de não apresentar uma forte correlação com o IPCA, o que não é recomendável,
é mantida a produção industrial no modelo. O principal motivo é a importância dada pelo
Copom ao PIB, que possui comportamento semelhante à produção industrial. Pode-se ter uma
idéia da importância do PIB vendo que ele é uma variável do próprio modelo de previsão do
IPCA do BC. Testes posteriores serão feitos para analisar se essa variável agrega valor ao
modelo, ou se pode ser desconsiderado.
56 Capítulo 4 – Elaboração do Modelo
4 Elaboração do Modelo
Neste capítulo é elaborado o modelo de previsão do IPCA através das ferramentas
apresentadas no capítulo 2 e utilizando-se as variáveis apresentadas no capítulo 3.
Inicialmente, a análise de séries temporais é utilizada a fim de explicar a influência dos
valores passados da variável dependente no seu valor presente. Após essa análise, são
adicionadas as variáveis explicativas, de acordo com a teoria dos modelos de regressão linear,
a fim de entender o comportamento da parcela não explicada pela análise de séries temporais.
4.1 Especificação dos parâmetros do modelo de séries temporais
Uma metodologia bastante utilizada na análise de modelos de previsão é conhecida
como abordagem de Box e Jenkins (1970). Tal metodologia consiste em ajustar modelos
auto-regressivos integrados de médias móveis, ARIMA (p, d, q), a um conjunto de dados.
A estratégia para a construção do modelo será baseada em um ciclo iterativo, no qual a
escolha da estrutura do modelo é baseada nos próprios dados. Os estágios do ciclo iterativo
são:
− Uma classe geral de modelos é considerada para a análise (especificação);
− Há identificação de um modelo, com base na análise de autocorrelações,
autocorrelações parciais e outros critérios;
− A seguir vem a fase de estimação, na qual os parâmetros do modelo identificado são
estimados;
− Finalmente, há a verificação ou diagnóstico do modelo ajustado, através de uma
análise de resíduos, para se saber se este é adequado para os fins em vista.
Caso o modelo não seja adequado, o ciclo é repetido, voltando-se à fase de
identificação.
Capítulo 4 – Elaboração do Modelo 57
Para a realização da metodologia de Box e Jenkins necessita-se a utilização de software
adequado. O utilizado nesse trabalho é o EViews.
Primeiramente, na fase de especificação do modelo, é considerado o modelo de séries
temporais ARIMA (p, d, q) para a análise. É utilizado esse modelo inicialmente com o intuito
de retirar da série que está sendo analisada o efeito dos seus valores passados. Depois disso,
os resíduos advindos desse modelo são trabalhados com o uso do modelo de regressão. Assim
o que não é explicado pela própria série, é explicado pelas variáveis independentes.
Antes de iniciar a fase de identificação do modelo, deve-se primeiramente checar se a
série é estacionária. Para esse fim, é utilizado o Teste de Raiz Unitária de Dickey e Fuller.
Será dada aqui uma breve explicação sobre o teste. Mais detalhes podem ser encontrados em
Análise de Séries Temporais (Morettin; Toloi, 2004).
Em uma das formas explicadas no capítulo 2 para se verificar estacionariedade de uma
série, utiliza-se a condição que φ < 1. Para explicar essa condição, considere como exemplo
o seguinte modelo AR(1):
tt aYB =− )1( φ .
É fácil ver que se φ = 1 obtem-se um processo não estacionário e se φ > 1 o processo
“explode” à medida que t aumenta.
A argumentação teórica para o teste de Dickey-Fuller é extremamente complexa, por
isso não será demonstrada nesse trabalho. Mas o objetivo do teste é verificar o seguinte teste
de hipótese:
H0: φ = 1
H1: φ < 1
Se for possível rejeitar H0, tem-se um processo estacionário.
58 Capítulo 4 – Elaboração do Modelo
Para realizar o teste, é importada a série da variação mensal do IPCA no software
EViews de janeiro de 1999 à junho de 2007. O restante dos dados disponíveis é utilizado para
verificar a capacidade de previsão do modelo.
A estatística T para o teste de Dickey-Fuller foi de -2,750, com nível descritivo de
0,0692, rejeitando de certa forma H0. Isso indica que a série é estacionária e pode-se
considerar o modelo como sendo um ARMA e não um ARIMA.
Agora, é preciso definir a forma do modelo ARMA (p, q), escolhendo de maneira
adequada os valores dos índices p e q, utilizando-se dos gráficos da Função de Autocorrelação
(FAC) e da Função de Autocorrelação Parcial (FACP). A Tabela 4.1 apresenta padrões de
identificação de modelos ARMA para a FAC e a FACP. Identificando esses padrões, pode-se
definir a forma do modelo a ser proposto.
Tabela 4.1: Padrões de Identificação dos Modelos ARMA
Tipo de Modelo Padrão da Função Autocorrelação
Padrão da Função Autocorrelação Parcial
AR(p) mistura de exponenciais ou
ondas senóides amortecidas
facp significantemente
diferente de zero apenas para
defasagens menores que p
MA(q) finita, apresentando um corte
após a defasagem q
mistura de exponenciais ou
ondas senóides amortecidas
ARMA (p, q) mistura de exponenciais ou
ondas senóides amortecidas
mistura de exponenciais ou
ondas senóides amortecidas
As figuras 4.1 e 4.2 apresentam os gráfico das Funções Autocorrelação e Autocorrelação
Parcial, respectivamente.
Capítulo 4 – Elaboração do Modelo 59
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
1.2
1 6 11 16 21 26 31 36
Figura 4.1 : Gráfico de Autocorrelação para o IPCA
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
1.2
1 6 11 16 21 26 31 36
Figura 4.2 : Gráfico de Autocorrelação parcial para o IPCA
Através da análise dos gráficos da FAC e da FACP pode-se concluir que o modelo mais
adequado a ser usado é o AR. Um modelo AR(2) pode ser muito adequado para ser usado
nesse caso, conforme os altos valores das duas primeiras auto-correlações parciais.
Adotando o modelo AR(2), são obtidos os resultados apresentados na Tabela 4.2:
60 Capítulo 4 – Elaboração do Modelo
Tabela 4.2: Resultados estatísticos do modelo AR(2)
Coeficiente Estimativa Desvio Padrão Estatística T Probabilidade
1π 1.703 0.071 23.982 0.000
2π -0.710 0.071 -9.988 0.000 R2 0.976 Média da Variável Dependente 0.005865
R2 ajustado 0.976 Desvio padrão da variável dependente 0.002598
Soma dos Quadrados da Regressão 0.000402 Critério de Informação de
Akaike -12.77990
Soma dos Quadrados da Resíduos 1.58E-05 Critério de Schwarz -12.72779
Estatística F 1256.13 Probabilidade (Estatística F) 0.00
Esse modelo apresenta-se muito satisfatório, com um R2 superior a 97% e um valor para
o Critério de Schwarz bem reduzido. Pode-se observar que os coeficientes associados às
variáveis auto-regressivas são significativas, com níveis descritivos menores que 0.00%. A
estatística F revela que pode-se rejeitar a hipótese de todos os coeficientes das variáveis serem
iguais a zero.
Porém, devido à complexidade do modelo ARMA, as funções de autocorrelação e
autocorrelação parcial podem falhar na identificação do melhor modelo. Assim, um programa
escrito em EViews é utilizado com objetivo de se encontrar o melhor modelo ARMA e
verificar se o modelo AR(2) que foi proposto é realmente o mais adequado. O código do
programa está apresentado no Anexo II. O procedimento utilizado foi o de testar todas as
possibilidades. Ele se baseia num método com uma função penalizadora, que aumenta quando
o número de parâmetros aumenta. É usado o Critério de Schwarz como a função penalizadora.
O modelo obtido é um ARMA. Pode-se ver que Yt não depende exclusivamente de
componentes auto-regressivos, um componente de médias móveis defasado de 12 meses
melhora o modelo, tornando seu poder explicativo superior à 98% e diminuindo ainda mais o
valor de SC, como pode-se observar na Tabela 4.3:
Capítulo 4 – Elaboração do Modelo 61
Tabela 4.3: Resultados estatísticos do modelo ARMA(2,1)
Coeficiente Estimativa Desvio Padrão Estatística T Probabilidade
1π 1.696 0.0721 23.517 0.000
2π -0.698 0.0716 -9.744 0.000
12ψ -0.925 0.0367 -25.227 0.000
R2 0.988 Média da Variável Dependente 0.005865
R2 ajustado 0.988 Desvio padrão da variável dependente 0.002598
Soma dos Quadrados da Regressão 0.000283 Critério de Informação de
Akaike -13.47476
Soma dos Quadrados da Resíduos 7.75E-06 Critério de Schwarz -13.39661
Estatística F 1807.55 Probabilidade (Estatística F) 0.00
Pode-se observar que os coeficientes associados às variáveis auto-regressivas e de
médias móveis são significativas, com níveis descritivos menores que 0.00%. A estatística F
revela que a hipótese de todos os coeficientes serem nulos pode ser rejeitada. Porém, deve-se
testar se especificamente o coeficiente adicionado não é nulo, ou seja, se contribui para o
modelo. Portanto, deve-se testar as hipóteses:
H0: 0,00
21
12≠≠
=ππ
ψ
H1: 012 ≠ψ
Pode-se fazer essa verificação utilizando-se a diferença entre as Somas de Quadrados
dos dois modelos. A estatística F obtida é de 838,80, o que leva a rejeição de H0 até um nível
de 0,00% de significância.
Tem-se assim o seguinte modelo:
Yt = 1,696 * 1π - 0,698 * 2π – 0,925 * 12ψ + E
A Figura 4.3 apresenta o gráfico dos valores observados versus os valores previstos pelo
modelo e a Figura 4.4 apresenta o gráfico dos resíduos:
62 Capítulo 4 – Elaboração do Modelo
0.00%
0.20%
0.40%
0.60%
0.80%
1.00%
1.20%
1.40%
1.60%
1999
2000
2001
2002
2003
2004
2005
2006
2007
Valores Observados Valores Previstos
Figura 4.3 : Gráficos dos valores observados Vs Valores Previstos para o modelo ARMA
-0.10%
-0.05%
0.00%
0.05%
0.10%
0.15%
0.20%
1999
2000
2001
2002
2003
2004
2005
2006
2007
Figura 4.4 : Gráficos dos resíduos para o modelo ARMA
Os gráfico dos resíduos revela alguns pontos acima de 1,96 desvios padrões. Através das
variáveis dependentes apresentadas no capítulo 3, procura-se aperfeiçoar o modelo,
procurando aumentar o R2, diminuir o valor do Critério de Schwarz e diminuir o valor dos
resíduos.
Capítulo 4 – Elaboração do Modelo 63
4.2 Especificação dos parâmetros do modelo de regressão linear
São adicionadas ao modelo encontrado as variáveis apresentadas no capítulo 3. As
variáveis são as seguintes:
− X1: Média Mensal da Cotação do Dólar
− X2: Expectativas de Inflação
− D1: Variável Dummy 1
− X3: Média Móvel de 12 meses da Produção Industrial
− D2: Variável Dummy 2
− D3: Variável Dummy 3
A variável D1 é adicionada devido à série incompleta das Expectativas de Inflação. Ela
apresenta valor 1 para todos os meses anteriores a dezembro de 2001 e valor 0 para todos os
meses seguintes. A variável D2 é adicionada devido ao valor outlier do IPCA no mês de
novembro de 2002. Ela assume valor 1 de novembro de 2002 a outubro de 2003 e valor 0
durante os restante dos meses. A variável D3 é adicionada devido ao valor outlier do IPCA no
mês de julho de 2000. Ela assume valor 1 de julho de 2000 a junho de 2001 e valor 0 durante
os restante dos meses.
A influência das variáveis na inflação não é imediata. Cada uma delas pode levar um
tempo para modificar o nível de preços dos produtos adquiridos pela população alvo da
pesquisa do IPCA. Por esse motivo, as variáveis acima podem entrar no modelo com
defasagens.
Uma maneira de se chegar ao melhor modelo de regressão possível é testar todas as
combinações de defasagens. Dessa maneira, como tem-se 3 variáveis quantitativas e cada uma
64 Capítulo 4 – Elaboração do Modelo
pode ter 12 defasagens possíveis (podem estar entre T0 e T11), mais uma variável dummy que
acompanha a defasagem das expectativas de inflação e outras duas variáveis dummy que não
devem apresentar defasagem, deve-se testar 123 (1728) possíveis combinações.
Um novo programa é escrito com finalidade de testar todas essas combinações.
Novamente o critério usado para se chegar ao melhor modelo foi o Critério de Schwarz.
Vários modelos são testados e o melhor deles não inclui a produção industrial como uma das
variáveis. Dessa maneira, é encontrado um modelo satisfatório, apresentando resíduos com
distribuição normal e não correlacionados e, em relação ao modelo ARMA previsto
anteriormente, poder explicativo superior e Critério de Schwarz inferior. O último programa
escrito para encontrar o melhor modelo contendo as variáveis mencionadas encontra-se no
Anexo II.
Todas as possibilidades testadas são baseadas na análise dos dados e dos resíduos. A
variável dummy D2 parece ser plausível quando se verifica o comportamento da inflação no
gráfico da Figura 3.2 e no gráfico dos resíduos da Figura 4.4. A exclusão da produção
industrial das variáveis explicativas é uma possibilidade, pois sua escolha foi baseada em
teoria econômica, porém os dados apresentam correlação baixíssima com a inflação, como
mostrado no gráfico da Figura 3.7.
Portanto, depois de muitos testes, com as novas variáveis, um bom modelo é retornado
pelo programa. A tabela 4.4 apresenta um resumo das estatísticas.
Capítulo 4 – Elaboração do Modelo 65
Tabela 4.4: Resultados estatísticos do modelo de regressão
Coeficiente Estimativa Desvio Padrão Estatística T Probabilidade7
1−X 0,000358 0,000143 2,511600 0,0140
92−X -0,009753 0,004203 -2,320458 0,02289
1−D -0,000736 0,000246 -2,990148 0,0037
2D 0,001061 0,000179 5,932693 0,0000
3D 0,000373 0,000180 2,065622 0,0420
1π 1,740948 0,071454 24,36466 0,0000
2π -0,742579 0,070888 -10,47544 0,0000
12ψ -0,935213 0,027049 -34,57481 0,0000
R2 0,994 Média da Variável Dependente 0,006039
R2 ajustado 0,993 Desvio padrão da variável dependente 0,002617
Soma dos Quadrados da Regressão 0,000214 Critério de Informação de Akaike -13,97917
Soma dos Quadrados da Resíduos 3,79E-06 Critério de Schwarz -13,75843
Estatística F 656,39 Probabilidade (Estatística F) 0,00
Como se pode observar, o poder explicativo do modelo é maior em relação ao modelo
ARMA (de 98,8% para 99,4%) e o Critério de Schwarz é menor (de -13,40 para -13,75).
Também pode-se observar que todas as variáveis são significativas com níveis descritivos
abaixo de 5%. A estatística F rejeita a hipótese nula de todos os coeficientes serem iguais a
zero. Assim como é feito na adição da variável 12ψ , deve-se verificar a hipótese das novas
variáveis serem todas iguais a zero ou se pelo menos uma delas é diferente. Ou seja, deve-se
verificar a seguinte hipótese:
H0: 0,0,00
1221
329
19
27
1=≠≠
===== −−−
ψππDDDXX
H1: 071 ≠−X ou 09
2 ≠−X ou 091 ≠−D ou 02 ≠D ou 03 ≠D
A estatística F apresenta valor igual a 8.024,01, com o qual se pode rejeitar a hipótese
H0 até um nível de 0,00% de significância.
66 Capítulo 4 – Elaboração do Modelo
Tem-se assim o seguinte modelo:
29
19
27
1 *001061,0*000736,0*009753,0*000358,0 DDXXYt +−−= −−−
ED +−−++ 12213 *935,0*743,0*741,1*000373,0 ψππ
onde:
− X1: Média Mensal da Cotação do Dólar
− X2: Expectativas de Inflação
− D1: Variável Dummy 1
− X3: Média Móvel de 12 meses da Produção Industrial
− D2: Variável Dummy 2
− D3: Variável Dummy 3
Na Figura 4.5, pode-se verificar graficamente o bom ajuste do modelo aos valores
observados:
Capítulo 4 – Elaboração do Modelo 67
0.00%
0.20%
0.40%
0.60%
0.80%
1.00%
1.20%
1.40%
1.60%
12-1
999
06-2
000
12-2
000
06-2
001
12-2
001
06-2
002
12-2
002
06-2
003
12-2
003
06-2
004
12-2
004
06-2
005
12-2
005
06-2
006
12-2
006
06-2
007
Valores Observados Valores Previstos
Figura 4.5: Valores Observados e Previstos pelo Modelo de Regressão
A Figura 4.6 apresenta o gráfico dos resíduos, ou seja, a diferença entre os valores
observados e previstos:
-0.06%
-0.04%
-0.02%
0.00%
0.02%
0.04%
0.06%
0.08%
1999
2000
2001
2002
2003
2004
2005
2006
Figura 4.6: Gráfico dos resíduos para o modelo de regressão
Comparando o gráfico de resíduos para os dois modelos, pode-se observar que os
resíduos que eram muito elevados são reduzidos, mostrando a ajuda que as novas variáveis
trazem ao poder explicativo do modelo.
68 Capítulo 4 – Elaboração do Modelo
Para saber se esses resíduos entre -0,05% e 0,05% são de baixo valor ou não, os mesmos
são padronizados e é verificado se estão entre -1,96 e 1,96, o que corresponde a um nível de
significância de 95%. A Figura 4.7 apresenta o gráfico dos resíduos padronizados.
-3.00
-2.00
-1.00
0.00
1.00
2.00
3.00
4.00
12-1
999
06-2
000
12-2
000
06-2
001
12-2
001
06-2
002
12-2
002
06-2
003
12-2
003
06-2
004
12-2
004
06-2
005
12-2
005
06-2
006
12-2
006
06-2
007
Figura 4.7: Gráfico dos resíduos padronizados para o modelo de regressão
Como pode-se observar, os gráficos são semelhantes. Pelo segundo gráfico, pode-se ter
uma idéia melhor da dimensão dos resíduos.
É apresentado a seguir o teste das premissas que validam o modelo para em seguida
realizar-se as previsões. As premissas adotadas são de não correlação e normalidade dos
resíduos. O gráfico da Figura 4.8 apresenta a autocorrelação do modelo para 36 defasagens.
Pelo gráfico, os resíduos não aparentam ser correlacionados.
Capítulo 4 – Elaboração do Modelo 69
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
1 6 11 16 21 26 31 36
Figura 4.8: Gráfico das Autocorrelação dos resíduos
Para confirmar a hipótese de não correlação dos resíduos, é realizado o teste de Ljung-
Box Q. A Tabela 4.5 apresenta os resultados do teste.
Tabela 4.5: Estatística de Ljung-Box Q
Defasagem Estatística QLB
Probabilidade Defasagem Estatística QLB
Probabilidade
1 1.31 19 22.577 12.60% 2 2.9498 20 23.403 13.70% 3 2.9875 21 23.892 15.90% 4 3.0799 7.90% 22 24.731 17.00% 5 3.1152 21.10% 23 24.935 20.40% 6 3.1173 37.40% 24 27.015 17.00% 7 7.6706 10.40% 25 27.767 18.40% 8 7.8435 16.50% 26 27.937 21.80% 9 11.347 7.80% 27 27.939 26.30% 10 11.456 12.00% 28 28.766 27.40% 11 11.477 17.60% 29 28.935 31.40% 12 14.393 10.90% 30 29.222 35.00% 13 17.169 7.10% 31 29.85 37.00% 14 17.205 10.20% 32 29.867 42.10% 15 19.42 7.90% 33 29.873 47.20% 16 20.319 8.80% 34 32.642 38.60% 17 20.53 11.40% 35 36.297 27.50% 18 20.768 14.40% 36 36.691 30.20%
O teste de Ljung-Box é feito sob a hipótese nula de não haver autocorrelação entre os
resíduos até a defasagem k. Ou seja, a hipótese nula de não haver autocorrelação até a quarta
defasagem não pode ser rejeitada a um nível de significância inferior a 7,90%. A hipótese
70 Capítulo 4 – Elaboração do Modelo
nula de não haver autocorrelação até a quinta defasagem não pode ser rejeitada a um nível de
significância inferior a 21,10%, e assim por diante.
Como se pode observar, a hipótese nula de que não há autocorrelação até a defasagem k
não pode ser descartada com nível de significância de 5,0% em nenhuma defasagem. Pode-se
afirmar que os resíduos não apresentam autocorrelação e uma das premissas é verificada.
Para verificar a premissa de que os resíduos apresentam distribuição normal, é realizado
o teste de Jarque-Bera. O nível descritivo encontrado é de 77,91%, confirmando a segunda
premissa de normalidade dos resíduos.
4.3 Projeção do modelo
A fim de avaliar o poder de previsão do modelo, como é utilizado apenas dados até o
mês de junho de 2007, é feita a comparação dos dados observados para os meses de julho,
agosto e setembro de 2007 com os valores previstos pelo modelo. A comparação é
apresentada na Tabela 4.6:
Tabela 4.6: Valores observados e valores previstos pelo modelo
Mês Valores observados Valores Previstos Diferença
Julho 2007 0,31% 0,33% 0,02%
Agosto 2007 0,34% 0,32% -0,02%
Setembro 2007 0,34% 0,36% 0,02%
Na Figura 4.9 estão os valores previstos e observados com os respectivos intervalos de
confiança.
Capítulo 4 – Elaboração do Modelo 71
0.20%
0.25%
0.30%
0.35%
0.40%
0.45%
Julho 2007 Agosto 2007 Setembro 2007
Valores Observados Projeção Limite de Controle (95%)
Figura 4.9: Gráfico dos valores observados Vs. Valores projetados
Como pode-se verificar, os valores observados apresentam-se dentro dos limites da
projeção, equivalente a 1,96 do desvio padrão dos erros dos resíduos do modelo e, portanto,
as projeções podem ser consideras satisfatórias. Deve-se destacar o fato de quanto mais longo
for o período de previsão, maior será o erro do modelo, por isso deve-se evitar fazer previsões
muito distantes no tempo. Assim é testado o modelo apenas para 3 meses.
74 Capítulo 5 – Conclusão
5 Conclusão
A partir dos resultados obtidos no capítulo 4, pode-se considerar que o objetivo do
trabalho – a construção de um modelo de previsão da inflação – foi atingido. A modelagem
conjunta através dos métodos de séries temporais e regressão linear trouxe bons resultados,
dada a aderência do modelo à realidade observada nos gráficos e estatísticas apresentados e
pela boa previsão conseguida para os 3 meses subseqüentes.
Pode-se perceber a grande dificuldade de se fazer um bom modelo de previsão da
inflação. Existem inúmeros fatores que podem explicar a inflação e muitos deles podem ter
grande influência em certo período e nenhuma ou pouca em um outro período. A necessidade
de inclusão de duas variáveis dummy explicita esse fato. O que ocasionou valores fora dos
padrões em julho de 2000 e novembro de 2002 não pode ser explicado apenas pela variação
do dólar e das expectativas de inflação, por isso, tendo sido necessária a adição das variáveis
dummy D2 e D3.
Deve-se lembrar que um modelo de previsão deve ser periodicamente atualizado. O
modelo proposto nesse trabalho pode não ser o mais adequado daqui 6 meses ou 1 ano. A fim
de aprimorar o modelo, novas variáveis explicativas podem ser adicionadas, assim como
novos componentes auto-regressivos e de médias móveis. Novas variáveis dummy podem ser
adicionadas e os parâmetros devem ser recalculados.
Deve-se destacar o fato de terem sido utilizadas ferramentas da engenharia de produção,
como modelos de regressão, combinada com ferramentas não abordadas durante o curso,
como os modelos de séries temporais.
76 Bibliografia
Bibliografia
Box G. E. P. e Jenkins G. M. Time Series Analysis: Forecasting and Control. Holden-Day
Inc., 1970
Fortuna E. Mercado Financeiro: Produtos e Serviços. Qualimark, 2005.
Gunst, R. F. e Mason R. L. Regression Analysis and its Application. Marcel Dekker, Inc.
1980.
Morettin, P. A. e Toloi C.M.C. Análise de Séries Temporais. Editora Edgar Blücher, 2004.
Pindyck R. S. & Rubinfeld D.L. Econometric Models and Economic Forecasts.McGraw-
Hill, Inc. 1976
Quantitative Micro Software, LLC. Eviews 4 User´s Guide. 2002. 722p.
Securato J. R. Cálculo Financeiro das Tesourarias. Editora Saint Paul, 2005
Referências disponíveis em meio eletrônico:
Banco Central do Brasil. <www.bcb.gov.br>. Acesso em 22 de setembro de 2007.
Instituto Brasileiro de Geografia e Estatística <www.ibge.gov.br>. Acesso em 23 de setembro
de 2007
Instituto de Pesquisa Econômica Aplicada. <www.ipeadata.gov.br> . Acesso em 15 de
setembro de 2007
78 Anexos
Anexos Anexo I – Variáveis do modelo Variação percentual mensal do IPCA. Fonte: IPEADATA
Mês de Referência Variação Mês de
Referência Variação Mês de Referência Variação
Janeiro 1999 0,70% Dezembro 2001 0,65% Novembro 2004 0,69% Fevereiro 1999 1,05% Janeiro 2002 0,52% Dezembro 2004 0,86% Março 1999 1,10% Fevereiro 2002 0,36% Janeiro 2005 0,58% Abril 1999 0,56% Março 2002 0,60% Fevereiro 2005 0,59% Maio 1999 0,30% Abril 2002 0,80% Março 2005 0,61% Junho 1999 0,19% Maio 2002 0,21% Abril 2005 0,87% Julho 1999 1,09% Junho 2002 0,42% Maio 2005 0,49% Agosto 1999 0,56% Julho 2002 1,19% Junho 2005 -0,02% Setembro 1999 0,31% Agosto 2002 0,65% Julho 2005 0,25% Outubro 1999 1,19% Setembro 2002 0,72% Agosto 2005 0,17% Novembro 1999 0,95% Outubro 2002 1,31% Setembro 2005 0,35% Dezembro 1999 0,60% Novembro 2002 3,02% Outubro 2005 0,75% Janeiro 2000 0,62% Dezembro 2002 2,10% Novembro 2005 0,55% Fevereiro 2000 0,13% Janeiro 2003 2,25% Dezembro 2005 0,36% Março 2000 0,22% Fevereiro 2003 1,57% Janeiro 2006 0,59% Abril 2000 0,42% Março 2003 1,23% Fevereiro 2006 0,41% Maio 2000 0,01% Abril 2003 0,97% Março 2006 0,43% Junho 2000 0,23% Maio 2003 0,61% Abril 2006 0,21% Julho 2000 1,61% Junho 2003 -0,15% Maio 2006 0,10% Agosto 2000 1,31% Julho 2003 0,20% Junho 2006 -0,21% Setembro 2000 0,23% Agosto 2003 0,34% Julho 2006 0,19% Outubro 2000 0,14% Setembro 2003 0,78% Agosto 2006 0,05% Novembro 2000 0,32% Outubro 2003 0,29% Setembro 2006 0,21% Dezembro 2000 0,59% Novembro 2003 0,34% Outubro 2006 0,33% Janeiro 2001 0,57% Dezembro 2003 0,52% Novembro 2006 0,31% Fevereiro 2001 0,46% Janeiro 2004 0,76% Dezembro 2006 0,48% Março 2001 0,38% Fevereiro 2004 0,61% Janeiro 2007 0,44% Abril 2001 0,58% Março 2004 0,47% Fevereiro 2007 0,44% Maio 2001 0,41% Abril 2004 0,37% Março 2007 0,37% Junho 2001 0,52% Maio 2004 0,51% Abril 2007 0,25% Julho 2001 1,33% Junho 2004 0,71% Maio 2007 0,28% Agosto 2001 0,70% Julho 2004 0,91% Junho 2007 0,28% Setembro 2001 0,28% Agosto 2004 0,69% Julho 2007 0,24% Outubro 2001 0,83% Setembro 2004 0,33% Agosto 2007 0,47% Novembro 2001 0,71% Outubro 2004 0,44% Setembro 2007 0,18%
Anexos 79
Média mensal da cotação do dólar. Fonte: Banco Central do Brasil
Mês de Referência Cotação Mês de
Referência Cotação Mês de Referência Cotação
Janeiro 1999 1,49 Dezembro 2001 2,36 Novembro 2004 2,79 Fevereiro 1999 1,91 Janeiro 2002 2,38 Dezembro 2004 2,72 Março 1999 1,90 Fevereiro 2002 2,42 Janeiro 2005 2,69 Abril 1999 1,70 Março 2002 2,35 Fevereiro 2005 2,60 Maio 1999 1,68 Abril 2002 2,32 Março 2005 2,71 Junho 1999 1,76 Maio 2002 2,48 Abril 2005 2,58 Julho 1999 1,80 Junho 2002 2,71 Maio 2005 2,45 Agosto 1999 1,88 Julho 2002 2,93 Junho 2005 2,41 Setembro 1999 1,90 Agosto 2002 3,11 Julho 2005 2,37 Outubro 1999 1,97 Setembro 2002 3,34 Agosto 2005 2,36 Novembro 1999 1,93 Outubro 2002 3,81 Setembro 2005 2,30 Dezembro 1999 1,84 Novembro 2002 3,58 Outubro 2005 2,26 Janeiro 2000 1,80 Dezembro 2002 3,62 Novembro 2005 2,21 Fevereiro 2000 1,78 Janeiro 2003 3,44 Dezembro 2005 2,29 Março 2000 1,74 Fevereiro 2003 3,59 Janeiro 2006 2,27 Abril 2000 1,77 Março 2003 3,46 Fevereiro 2006 2,16 Maio 2000 1,83 Abril 2003 3,11 Março 2006 2,15 Junho 2000 1,81 Maio 2003 2,95 Abril 2006 2,13 Julho 2000 1,80 Junho 2003 2,88 Maio 2006 2,17 Agosto 2000 1,81 Julho 2003 2,88 Junho 2006 2,25 Setembro 2000 1,84 Agosto 2003 3,00 Julho 2006 2,19 Outubro 2000 1,88 Setembro 2003 2,92 Agosto 2006 2,16 Novembro 2000 1,95 Outubro 2003 2,86 Setembro 2006 2,17 Dezembro 2000 1,96 Novembro 2003 2,91 Outubro 2006 2,15 Janeiro 2001 1,95 Dezembro 2003 2,92 Novembro 2006 2,16 Fevereiro 2001 2,01 Janeiro 2004 2,85 Dezembro 2006 2,15 Março 2001 2,09 Fevereiro 2004 2,94 Janeiro 2007 2,14 Abril 2001 2,19 Março 2004 2,91 Fevereiro 2007 2,10 Maio 2001 2,29 Abril 2004 2,91 Março 2007 2,09 Junho 2001 2,38 Maio 2004 3,10 Abril 2007 2,03 Julho 2001 2,47 Junho 2004 3,13 Maio 2007 1,98 Agosto 2001 2,51 Julho 2004 3,04 Junho 2007 1,93 Setembro 2001 2,67 Agosto 2004 3,00 Julho 2007 1,88 Outubro 2001 2,74 Setembro 2004 2,89 Agosto 2007 1,97 Novembro 2001 2,55 Outubro 2004 2,85 Setembro 2007 1,90
80 Anexos
Expectativas de inflação acumulada 12 meses a frente colhida no último dia do mês de referência. Fonte: Banco Central do Brasil
Mês de Referência Variação Mês de
Referência Variação
Dezembro 2001 4,70% Novembro 2004 6,05% Janeiro 2002 4,71% Dezembro 2004 5,83% Fevereiro 2002 4,65% Janeiro 2005 5,61% Março 2002 4,81% Fevereiro 2005 5,45% Abril 2002 4,57% Março 2005 5,46% Maio 2002 4,33% Abril 2005 5,59% Junho 2002 4,53% Maio 2005 5,21% Julho 2002 4,73% Junho 2005 5,00% Agosto 2002 5,24% Julho 2005 4,99% Setembro 2002 5,64% Agosto 2005 4,92% Outubro 2002 8,44% Setembro 2005 4,69% Novembro 2002 11,46% Outubro 2005 4,64% Dezembro 2002 12,26% Novembro 2005 4,63% Janeiro 2003 10,85% Dezembro 2005 4,52% Fevereiro 2003 10,33% Janeiro 2006 4,57% Março 2003 9,30% Fevereiro 2006 4,43% Abril 2003 8,52% Março 2006 4,25% Maio 2003 8,18% Abril 2006 4,13% Junho 2003 7,13% Maio 2006 4,21% Julho 2003 6,67% Junho 2006 4,34% Agosto 2003 6,33% Julho 2006 4,43% Setembro 2003 6,36% Agosto 2006 4,53% Outubro 2003 6,08% Setembro 2006 4,10% Novembro 2003 5,91% Outubro 2006 4,06% Dezembro 2003 5,95% Novembro 2006 4,18% Janeiro 2004 5,85% Dezembro 2006 4,06% Fevereiro 2004 5,46% Janeiro 2007 4,00% Março 2004 5,48% Fevereiro 2007 3,79% Abril 2004 5,54% Março 2007 3,70% Maio 2004 5,82% Abril 2007 3,50% Junho 2004 6,19% Maio 2007 3,40% Julho 2004 6,10% Junho 2007 3,52% Agosto 2004 6,26% Julho 2007 3,65% Setembro 2004 6,18% Agosto 2007 3,74% Outubro 2004 6,24% Setembro 2007 3,84%
Anexos 81
Variação Mensal da Produção Industrial. Fonte: IPEADATA
Mês de Referência Variação Mês de
Referência Variação Mês de Referência Variação
Janeiro 1999 3,09% Dezembro 2001 0,30% Novembro 2004 -0,22% Fevereiro 1999 -1,56% Janeiro 2002 2,48% Dezembro 2004 0,17% Março 1999 0,14% Fevereiro 2002 1,80% Janeiro 2005 -0,40% Abril 1999 1,73% Março 2002 1,20% Fevereiro 2005 -1,88% Maio 1999 1,81% Abril 2002 -1,19% Março 2005 2,01% Junho 1999 -0,71% Maio 2002 -1,28% Abril 2005 0,18% Julho 1999 -1,25% Junho 2002 1,15% Maio 2005 0,78% Agosto 1999 1,67% Julho 2002 0,91% Junho 2005 2,82% Setembro 1999 1,30% Agosto 2002 -0,50% Julho 2005 -2,74% Outubro 1999 1,62% Setembro 2002 0,53% Agosto 2005 0,63% Novembro 1999 -0,77% Outubro 2002 4,53% Setembro 2005 -1,24% Dezembro 1999 0,88% Novembro 2002 -1,12% Outubro 2005 -0,07% Janeiro 2000 -0,95% Dezembro 2002 -2,93% Novembro 2005 0,68% Fevereiro 2000 0,13% Janeiro 2003 -1,59% Dezembro 2005 2,76% Março 2000 1,64% Fevereiro 2003 -0,41% Janeiro 2006 -1,71% Abril 2000 0,93% Março 2003 0,13% Fevereiro 2006 1,52% Maio 2000 -0,29% Abril 2003 0,35% Março 2006 -0,81% Junho 2000 2,44% Maio 2003 -1,09% Abril 2006 0,49% Julho 2000 0,70% Junho 2003 -1,35% Maio 2006 1,22% Agosto 2000 -0,02% Julho 2003 0,98% Junho 2006 -1,79% Setembro 2000 -1,19% Agosto 2003 1,06% Julho 2006 1,51% Outubro 2000 2,17% Setembro 2003 4,13% Agosto 2006 0,18% Novembro 2000 -0,84% Outubro 2003 2,13% Setembro 2006 -0,87% Dezembro 2000 4,49% Novembro 2003 1,23% Outubro 2006 0,96% Janeiro 2001 -2,42% Dezembro 2003 -2,04% Novembro 2006 0,77% Fevereiro 2001 1,03% Janeiro 2004 -0,10% Dezembro 2006 0,25% Março 2001 -1,41% Fevereiro 2004 -0,18% Janeiro 2007 0,09% Abril 2001 -0,34% Março 2004 2,11% Fevereiro 2007 0,67% Maio 2001 0,77% Abril 2004 0,10% Março 2007 1,32% Junho 2001 -1,24% Maio 2004 1,85% Abril 2007 0,13% Julho 2001 -0,25% Junho 2004 0,07% Maio 2007 1,35% Agosto 2001 0,02% Julho 2004 1,51% Junho 2007 1,24% Setembro 2001 -1,91% Agosto 2004 0,70% Julho 2007 -0,39% Outubro 2001 -2,30% Setembro 2004 0,66% Agosto 2007 1,32% Novembro 2001 1,16% Outubro 2004 0,33% Setembro 2007
82 Anexos
Anexo II – Códigos do programas elaborados em EViews
Programa elaborado para testar todas as combinações possíveis para o modelo de séries temporais.
‘Inicialização do programa smpl @all scalar scc = 9999999999999999999 ‘Teste para os modelos ARMA(2,2) for !a=1 to 13 for !b=1 to 13 for !c=!a+1 to 13 for !d=!b+1 to 13 equation eq.ls ipca_mm12 ar(!a) ar(!c) ma(!b) ma(!d) scc= @sc if scC<sc then equation eq_melhor_modelo_arma.ls ipca_mm12 ar(!a) ar(!c) ma(!b) ma(!d)%1 show eq_melhor_modelo_arma sc=scC else scc=999999999999999999999 endif %1 = " " next next next next ‘Teste para os modelos ARMA(2,1) for !a=1 to 13 for !b=1 to 13 for !c=!a+1 to 13 equation eq.ls ipca_mm12 ar(!a) ar(!c) ma(!b) scc= @sc if scC<sc then equation eq_melhor_modelo_arma.ls ipca_mm12 ar(!a) ar(!c) ma(!b)%1 show eq_melhor_modelo_arma sc=scC else scc=999999999999999999999 endif %1 = " " next
Anexos 83
next next ‘Teste para os modelos ARMA(1,2) for !a=1 to 13 for !b=1 to 13 for !d=!b+1 to 13 equation eq.ls ipca_mm12 ar(!a) ma(!b) ma(!d) scc= @sc if scC<sc then equation eq_melhor_modelo_arma.ls ipca_mm12 ar(!a) ma(!b) ma(!d)%1 show eq_melhor_modelo_arma sc=scC else scc=999999999999999999999 endif %1 = " " next next next ‘Teste para os modelos ARMA(1,1) for !a=1 to 13 for !b=1 to 13 equation eq.ls ipca_mm12 ar(!a) ma(!b) scc= @sc if scC<sc then equation eq_melhor_modelo_arma.ls ipca_mm12 ar(!a) ma(!b)%1 show eq_melhor_modelo_arma sc=scC else scc=999999999999999999999 endif %1 = " " next next ‘Teste para os modelos AR(2) for !a=1 to 13 for !c=!a+1 to 13 equation eq.ls ipca_mm12 ar(!a) ar(!c) scc= @sc if scC<sc then equation eq_melhor_modelo_arma.ls ipca_mm12 ar(!a) ar(!c)%1
84 Anexos
show eq_melhor_modelo_arma sc=scC else scc=999999999999999999999 endif %1 = " " next next ‘Teste para os modelos MA(2) for !b=1 to 13 for !d=!b+1 to 13 equation eq.ls ipca_mm12 ma(!b) ma(!d) scc= @sc if scC<sc then equation eq_melhor_modelo_arma.ls ipca_mm12 ma(!b) ma(!d)%1 show eq_melhor_modelo_arma sc=scC else scc=999999999999999999999 endif %1 = " " next next ‘Teste para os modelos AR(1) for !a=1 to 13 equation eq.ls ipca_mm12 ar(!a) scc= @sc if scC<sc then equation eq_melhor_modelo_arma.ls ipca_mm12 ar(!a)%1 show eq_melhor_modelo_arma sc=scC else scc=999999999999999999999 endif %1 = " " next ‘Teste para os modelos MA(1) for !b=1 to 13 equation eq.ls ipca_mm12 ma(!b) scc= @sc if scC<sc then
Anexos 85
equation eq_melhor_modelo_arma.ls ipca_mm12 ma(!b)%1 show eq_melhor_modelo_arma sc=scC else scc=999999999999999999999 endif %1 = " " next
86 Anexos
Programa elaborado para testar todas as possibilidades de defasagens para o modelo de regressão
‘Inicialização do programa smpl @all scalar sc = 9999999999999999999 ‘Teste das possibilidades de defasagens para cotação do dólar e expectativas de inflação for !a=0 to 11 for !b=0 to 11 equation eq.ls ipca_mm12 dolar(-!a) expec_infl(-!b) dummy_expec_infl(-!b) dummy_2 dummy_3 ar(1) ar(2) ma(12) scc= @sc freeze(tab) eq if scC<sc and @val(tab(11,5))<0.05 and @val(tab(12,5))<0.05 and @val(tab(13,5))<0.05 and @val(tab(14,5))<0.05 and @val(tab(15,5))<0.05 then equation eq_melhor_modelo_d3.ls ipca_mm12 dolar(-!a) expec_infl(-!b) dummy_expec_infl(-!b) dummy_2 dummy_3 ar(1) ar(2) ma(12)%1 show eq_melhor_modelo_d3 sc=scC else scc=999999999999999999999 endif %1 = " " delete tab next next