Matematiksel Analiz

custo de ajustamento do investimento e ao efeito riqueza de curto prazo. Enquanto que no primeiro a média da posterior do modelo CD é maior (5.29, ante 4.33 no SD), no segundo esta estatística cai (0.25 CD, ante 0.55 SD).

As mudanças nas distribuições acima, em função do conjunto de variáveis utilizadas na estimação (CD e SD) também são, em sua grande maioria, observadas em GSW e Santos (2012).

3.5.2 Sensibilidade do modelo: que fricções são empiricamente relevantes para o desemprego?

Parte importante no processo de construção de um modelo consiste em avaliar sua capacidade de explicar o comportamento de determinados segmentos da economia. Compreender quais fricções são relevantes ao ajustamento do modelo aos dados, portanto, se torna vital. Para isso, realizamos inicialmente um exercício de sensibilidade análogo a Smets e Wouters (2007), com o objetivo de analisar a importância relativa de cada rigidez na capacidade preditiva do modelo.

Além de entender a importância de cada fricção para o ajustamento do modelo em relação a todo conjunto de dados _{, também estamos interessados em entender como estas} ajudam a explicar, especificamente, os movimentos da taxa de desemprego _. Os resultados estão resumidos na Tabela 15. Cada coluna se refere a uma especificação alternativa do modelo. Sendo assim, a segunda coluna da Tabela 15 apresenta os resultados do modelo com todas as rigidezes apresentadas na seção 3.3 (benchmark). As demais colunas representam, respectivamente, os resultados das seguintes versões alternativas do modelo GSW: (a) preços flexíveis; (b) salários flexíveis; (c) preços rígidos, mas não indexados; (d) salários rígidos, mas não indexados; (e) sem custos de ajustamento do investimento; (f) sem

habit persistence; (g) sem variação da utilização do capital; e (h) ausência de custos fixos na

As duas primeiras linhas da Tabela 15 (CD e SD) apresentam, respectivamente, as log verossimilhanças marginais (i) do conjunto completo de dados _{; e (ii) do conjunto} anterior, excluindo a série de desemprego , ou seja, _{. A terceira linha da tabela} (CD-SD) traz a diferença entre as duas primeiras linhas. Como já dissemos acima, esta diferença corresponde à log verossimilhança marginal da taxa de desemprego, _{. A} parte inferior da tabela 15, composta pelas três últimas linhas, apresenta a diferença entre as distintas log verossimilhanças marginais em relação ao modelo benchmark. Sendo assim, valores positivos nestas entradas significam que a rigidez em questão é útil para elevar a capacidade preditiva do modelo, seja em relação a todo o conjunto de dados, seja em relação apenas a série da taxa de desemprego (no caso da última linha da tabela).

Tabela 15: Sensibilidade dos modelos e do desemprego

Começamos pela log verossimilhança marginal do conjunto completo de dados _. Como mostra a tabela 15, todas as rigidezes nominais do modelo melhoram a capacidade preditiva geral deste (a diferença entre as log verossimilhanças marginais do modelo irrestrito com suas contrapartidas restritas é sempre positiva)60. Dentre as rigidezes nominais, a mais relevante é a rigidez de preços (diferença entre as log verossimilhanças marginais de 53.7), seguida pela rigidez de salários (diferença de 18.4), indexação de preços (13.3) e indexação de salários (3.3).

60 _{Quando a referência for restrição da probabilidade de reajustes, estaremos, também, nos referindo à ausência}

de indexação. Economicamente não parece fazer sentido uma economia com a presença de indexação e firmas reajustando livremente seus preços. Parece mais realista, portanto, assumir que a indexação também seja zerada quando a rigidez à la Calvo estiver zerada.

CD -597.9 -651.6 -616.4 -611.3 -601.3 -868.3 -602.3 -594.4 -696.8 SD -523.4 -565.2 -573.6 -553.6 -522.5 -560.2 -538.1 -534.1 -553.4 CD-SD -74.5 -86.4 -42.7 -57.7 -78.8 -308.1 -64.2 -60.3 -143.4 CD – 53.7 18.4 13.3 3.3 270.3 4.3 -3.5 98.9 SD – 41.8 50.2 30.2 -1.0 36.7 14.7 10.7 30.0 CD-SD – 11.9 -31.8 -16.9 4.3 233.6 -10.4 -14.2 68.9

Log verossimilhança marginal

Diferença relativa ao modelo Base (Base- Modelo da coluna) Base

+

Dentre as rigidezes reais, vemos que a mais importante para a capacidade preditiva geral do modelo é o custo do ajustamento do investimento (diferença entre as log verossimilhanças marginais do modelo irrestrito e do restrito é de 270.3)61, seguida pelo custo fixo da produção (98.9). A rigidez de habit persistence se mostrou relativamente menos importante ao ajustamento dos dados, com relevância comparável à indexação salarial. Por fim, a única rigidez que aparentemente “prejudica” o ajustamento do modelo aos dados é a variação da utilização do capital. Como mostra a tabela 15, quando excluímos esta rigidez, a log verossimilhança do modelo se eleva em 3.5 pontos em relação à obtida junto ao modelo benchmark.

Ao considerarmos apenas o conjunto de dados tradicionalmente utilizado na estimação de modelos DSGE, isto é, ao excluirmos a taxa de desemprego do processo de estimação, obtemos, em alguns casos, resultados bem distintos daqueles descritos nos dois parágrafos acima. Em relação às rigidezes nominais, vemos que a rigidez de preços ainda é importante para explicar o comportamento das séries utilizadas na estimação, embora sua importância relativa caia sensivelmente em relação à rigidez de salários (que passa a ser a rigidez mais importante dentre todas) e à indexação de preços. Além disso, vemos que a log verossimilhança marginal cresce quando excluímos a indexação salarial do modelo. Isto significa que a inclusão desta fricção piora a qualidade de o modelo capturar as oscilações conjuntas das séries macroeconômicas observadas ex-taxa de desemprego.

Do lado das rigidezes reais, vemos que a exclusão da série de desemprego faz com que o custo de ajustamento do investimento perca drasticamente sua importância em explicar as oscilações dos dados (a diferença entre a log verossimilhança marginal do modelo irrestrito e restrito cai para 36.7, ante 270.3 da estimação do modelo CD). Além disso, a importância relativa do habit persistence sobe, enquanto que, para o custo fixo de produção, observamos queda. Por fim, a tabela 15 mostra que, ao contrário do observado na estimação CD, a variação da utilização do capital passa a ser importante para explicar o ajustamento do modelo aos dados. Como podemos notar, a diferença entre as log verossimilhanças marginais irrestrita e restrita passa a ser positiva (+10.7, ante -3.5 na estimação CD).

61 _{O exercício também foi feito com . Conforme o valor diminui, a capacidade do modelo em}

Como já mencionamos, as variações entre as log verossimilhanças marginais expressas na quarta e na quinta linha da tabela 15 correspondem à log verossimilhança marginal da taxa de desemprego, isto é, à capacidade de cada versão (irrestrita ou não) do modelo GSW explicar os movimentos da série da taxa de desemprego. Sendo assim, segundo os resultados acima, a rigidez mais importante para captar o comportamento desta série de interesse é o custo de ajustamento do investimento (diferença entre o irrestrito e o restrito de 233.6), seguida pela inclusão dos custos fixos de produção e da rigidez de preços. Curiosamente, rigidezes tradicionalmente importantes para o ajustamento geral de modelos DSGE, como é o caso da indexação de preços, do habit persistence e da variação da utilização do capital, concorrem para uma piora da capacidade do modelo em reproduzir as oscilações da taxa de desocupação da economia. Por fim, o modelo com salários flexíveis produz resultados (em termos de desemprego) mais em linha com a realidade (a log verossimilhança da taxa de desemprego gerada pelo modelo restrito é 31.8 pontos maior que a gerada pelo modelo benchmark). Desta forma, nossas estimações mostram que as restrições importantes para o ajustamento do modelo aos dados convencionalmente utilizados na estimação dos modelos DSGE nem sempre são relevantes para que o modelo possa reproduzir as oscilações da taxa de desemprego observadas nos dados.