Nesse capítulo mostramos que o spread formado entre a diferença da taxa de juros à vista e as taxas de juros de médio prazo são significantes para a projeção de atividade econômica e inflação, em um horizonte de até 12 e 24 meses adiante, respectivamente.
Os resultados obtidos foram diferentes daqueles observados em países desenvolvidos. A relação negativa entre o crescimento – aqui representado pela produção industrial – e os spreads ocorre em função da história de instabilidade da economia brasileira. Já a relação direta entre os spreads e a inflação pode ser explicada por uma diminuição da taxa à vista que acarreta em aumento do consumo e conseqüentemente inflação futuros.
Nas projeções de longo prazo da atividade econômica, o spread se mostrou significativo para projeções de variáveis como produção industrial, vendas reais na indústria e
1 para aquele mês. Uma vez que a meta Selic passou a ser o instrumento de política monetária com a adoção do sistema de metas de inflação em julho de 1999, a variável dummy para as reuniões do Copom assume valor zero antes dessa data. A mudança da meta Selic pode ocorrer via reunião do Copom ou com o uso do viés de alta/baixa estabelecido na reunião anterior. Os resultados estão na Tabela 13 do apêndice I.
comércio, porém não para o emprego formal. Além disso, o spread tem poder de previsão adicional ao da taxa de juros real, que é o instrumento de política monetária. Já para a inflação, os resultados se mostraram menos robustos. O spread contribui para a projeção da inflação apenas em períodos superiores a 19 meses. Mesmo assim, o spread tem poder de previsão adicional ao da taxa de juros real, ao sistema de metas de inflação e às reuniões do Copom. Assim como na literatura internacional, o spread que apresenta o melhor poder preditivo é o formado por taxas mais longas, nesse caso, o spread de 360 dias.
As projeções de curto prazo, mostradas no capítulo quatro através do MCE, foram semelhantes às de longo prazo. Elas se mostraram mais significantes para atividade econômica do que para a inflação. Dado um choque no período t-k, a venda no comércio varejista é a variável que mais rapidamente volta ao equilíbrio. O resultado é factível, uma vez que a produção industrial e as vendas reais na indústria são variáveis menos flexíveis.
Os resultados obtidos são indicativos do poder de previsão da curva de juros em relação ao nível futuro de atividade econômica e inflação. Um retrato mais completo das relações entre a curva de juros e as variáveis macroeconômicas será visto no próximo capítulo, quando estimaremos regressões multivariadas através de vetores auto-regressivos.
6 ANÁLISE MULTIVARIADA
No capítulo anterior o conteúdo informacional da curva de juros no Brasil foi abordado através de regressões univariadas,via míninos quadrados ordinários. Já nesse capítulo faremos estimações multivariadas através de vetores auto-regressivos (VAR) e como já foi dito no capítulo três, uma vez que as séries utilizadas são não estacionárias, devemos testar a cointegração através de Johansen e estimar um VEC. Aqui, nosso foco principal não mais será o R2 ajustado e o valor p dos spreads na regressão. A estimação será voltada para a obtenção das funções de impulso resposta e a decomposição de variância.
Sabemos que a função impulso resposta mostra o efeito de um choque das inovações εt nos valores correntes e futuros das variáveis endógenas. Porém, para que as interpretações das funções impulso resposta sejam válidas é necessário que as inovações não sejam autocorrelacionadas. Portanto, é comum a aplicação de uma transformação P nas inovações para eliminar a autocorrelação:
υt = Pεt ~ (0, D) (37)
Onde D é a matriz diagonal de covariância. Essa matriz pode ser escolhida de várias maneiras e escolhemos a matriz de impulsos generalizados24 porque as inovações não dependem da ordenação das variáveis no VEC. Mas sabemos que mesmo com a transformação P, os resíduos podem ser correlacionados. Para eliminarmos a autocorrelação residual devemos aumentar o número de defasagens do VEC até que os testes de diagnósticos confirmem sua eliminação. Desse modo, para testarmos a presença ou não de autocorrelação residual usaremos o teste LM25 e seus resultados estão no apêndice I. Todas as funções impulso resposta extraídas do VEC, e não apenas a que serão utilizadas nesse capítulo, estão no apêndice II.
Já a decomposição de variância informa a proporção das variações em uma série de tempo que é explicada por seu próprio choque e por choques em outras variáveis. Portanto, ela nos dá informações sobre a importância relativa de cada inovação nas variáveis do VEC.
Diferente do que ocorre com a função impulso resposta, na decomposição de variância há apenas a opção de fatorização pela matriz de Cholesky. Nesse caso, a ordenação das variáveis no VEC importa, uma vez que essa fatorização atribui todo o efeito de qualquer componente comum a primeira variável do sistema. Desse modo, os resultados com diferentes
24 Para maiores detalhes, ver Pesaran e Shin (1998).
ordenações das variáveis na decomposição de variância podem ser vistos no anexo II. Observe que, apesar das diferenças no valor das variâncias em cada ordenação, sua direção é a mesma em todos os cenários. Portanto, nesse capítulo, mostraremos o gráfico de apenas uma ordenação entre as variáveis, mas reportaremos uma tabela resumo com a contribuição máxima, a do 24° período, de todos os spreads para as variações na indústria geral e inflação.