O objetivo dessa análise é verificar, através da interação entre o PIB do Brasil e o Consumo de Energia Elétrica brasileiro, quais os determinantes deste consumo com base no conjunto de variáveis disponíveis.
Tabela 26
Resultados do modelo PIBBR – MQ2E
Var.
Explicativas PIBBR CEEBR Constante 3,9830 -2,4732 CEEBR 0,5198 (0,0000) PIBBR 1,1263 (0,0000) TFRBR 0,0477 (0,0348) D1 0,0869 (0,0022) D2 -0,0640 (0,0330) D3 0,0448 (0,1586) 2 R 0,9478 0,983882 2 R 0,9397 0,978021 F 115,2761 166,7496 DW 1,1668 1,4469
Obs.1: Todas as variáveis estão expressas em logaritmo.
Obs2.: Entre parênteses encontram-se os valores-p dos coeficientes
Dos resultados, atesta-se o bom ajustamento de ambas as equações, vis a vis, a elevada significância dos coeficientes, permitindo, assim, quaisquer procedimentos de inferência estatística de forma confiável e com grau de acurácia elevado.
Com respeito a equação para explicação do PIBBR pode-se concluir que
95% de sua variação são quase que totalmente explicados pelo consumo de eletricidade do país, o que guarda estreita relação com o esperado teórico. Desde que o capital é a força motriz do crescimento de qualquer economia, a variável consumo de energia elétrica como sua proxy simplesmente atesta que a brasileira não foge a este paradigma.
A baixa significância do coeficiente da variável binária D3 – como forma de capturar algum poder de explicação advinda do plano de estabilização do Real – comprova que a velocidade com que vinha se mantendo o crescimento da economia em pouco se alterou após a implantação do plano. Uma comprovação disso pode ser observada através do gráfico 3, onde se percebe muito pouco a variação na taxa de crescimento da economia a partir de 1994, quando então a variável deveria capturar tal efeito.
O consumo de eletricidade é, de fato, o fator decisivo para se verificar a maior parte do movimento ascendente ou descendente da economia. Verifica-se nas estimativas uma significância de 0% (a quatro dígitos) do coeficiente desta variável, o qual atinge uma magnitude de, aproximadamente, 0,52, cuja denotação é uma elasticidade. Em outras palavras, se o consumo de energia elétrica dobrar – resultado de uma expansão dos investimentos em capital, por exemplo – haveria um crescimento do produto da economia brasileira em mais de 50%, com margem de erro próxima a zero.
No que tange a equação do consumo de energia elétrica brasileira, CEEBR, comprova-se pela tabela 26 um maior poder de explicação por parte das
variáveis explicativas escolhidas. Ou seja, sua variação no período analisado está sendo explicada em mais de 98%. Quanto aos coeficientes das variáveis, percebe-se
significância a, no máximo 3,5%, chegando a 0%, como é o caso do coeficiente da variável PIBBR.
Nesta equação, as variáveis binárias apresentaram um comportamento estatístico de acordo com o esperado, pois, enquanto a D2 buscou capturar o efeito de períodos recessivos, seu sinal negativo comprovou tal fato; por outro lado, já com relação a variável D1, seu sinal positivo ratificou exatamente o oposto, mostrando que em períodos de progressos há um efeito significativo no consumo de eletricidade, chegando a superar, comparando-se as magnitudes dos coeficientes, os efeitos adversos dos períodos de baixo crescimento ou recessivos.
As duas variáveis quantitativas estruturais desta equação, TRFBR e PIBBR,
mostraram-se compatíveis no modelo, e com significância considerável para explicar e possibilitar previsões sobre o consumo de energia elétrica. Inicialmente, poder-se- ia analisar esta equação como uma relação de demanda no contexto microeconômico, onde tais variáveis produziriam os efeitos preço, via tarifa, e renda, via PIB.
Quanto ao efeito renda, este é perfeitamente compatível com o que se observou na equação anterior do PIB, porquanto se apresenta como elástica, com coeficiente de elasticidade de 1,13. E, ao mesmo tempo em que se adequa à expectativa teórica de produzir tal efeito positivo e robusto.
Já a variável que denota preço, TRFBR, possui um efeito não convencional
em uma relação de demanda, uma vez que seu coeficiente é positivo. Algumas análises podem ser daí extraídas. Em primeiro lugar, do ponto de vista teórico, podería-se pensar, em primeira instância, a energia elétrica como sendo o incomum bem de Giffen, onde a elevação de seu preço aumenta seu consumo, sob a hipótese ceteris paribus. Mas, ao relaxar tal hipótese, como é o caso presente onde há variação ascendente da renda (crescimento do PIB), cai-se no trinômio causa-efeito- causa inerente ao modelo simultâneo envolvendo as variáveis endógenas consumo de energia elétrica (quantidade demandada) e PIB (renda). Ou seja, neste caso, o efeito renda é muito mais forte do que o efeito preço, haja vista que o aumento da renda (crescimento do PIB) é dependente direto do aumento da quantidade
demandada (consumo de energia elétrica). Portanto, o fato de o efeito preço ser positivo não invalida, em hipótese alguma, sua sustentação teórica.
Uma segunda análise que se extrai advém da magnitude do coeficiente estimado da variável TRFBR, a qual denota a elasticidade preço. Sendo este valor de,
aproximadamente, 0,05, significaria que, a um dado nível de renda, um aumento de 1% na tarifa de energia provocaria, através de um efeitos puramente inercial, um aumento de 0,05% no consumo de energia elétrica.
CONCLUSÃO
O Brasil atravessa um momento no qual o debate sobre o futuro do setor energético é intenso. Nos últimos anos já foram privatizados diversas distribuidoras e geradoras de energia, e para o futuro prevê-se a privatização de parte da transmissão. Nesse mesmo período, o País teve que superar uma crise energética importante, penalizando todos os consumidores brasileiros e despertando no Governos Federal e Estadual, na sociedade civil e empresarial profundas reflexões a respeito dos rumos desse setor. A matriz energética nacional era, até então, discutida de forma simplista e marginal pela sociedade.
Trabalhar com previsões em consumo de energia elétrica tornou-se um campo de grande importância em decisões estratégicas para investidores e órgãos reguladores. O excesso de energia torna-se caro, entretanto o custo do não suprimento energético é também muito oneroso ao país. Por ter características que permitam uma vasta capacidade de produção de energia elétrica por fontes hídricas, o Brasil fica extremamente vulnerável a períodos de estiagem ou fenômenos naturais como por exemplo o fenômeno El Ninõ. As previsões de chuvas são estocásticas, e se baseiam em dados de apenas 72 anos, o que não permite previsões precisas.
Pode-se dizer que, apesar das dificuldades para se encontrar dados apropriados, bem como as limitações dos dados, esse trabalho cumpriu seu objetivo na obtenção de interessantes resultados sobre a demanda de energia elétrica no Estado do Ceará, gerando modelos econométricos consistentes, capazes de explicar a elasticidade de diversas variáveis no consumo de energia elétrica do Estado.
Procurou-se fazer combinações entre as variáveis disponíveis em todos os modelos analisados, encontrando resultados estatisticamente satisfatórios e hábeis para uma análise mais aprofundada. Algumas variáveis que, inicialmente, acreditava-se terem alta representatividade no consumo, como por exemplo as tarifas de energia elétrica, demonstraram-se ao longo do trabalho pouco explicativas para alguns modelos, enquanto que outras variáveis como por exemplo a número de
domicílios do Estado demonstraram-se extremamente importantes como determinantes do modelo.
Esse trabalho pode e deve ser considerado o início de uma série de outros estudos acadêmicos que podem ser feitos sobre esse vasto assunto, e propõe-se a iniciar um debate junto a sociedade empresarial, civil e acadêmica sobre as possibilidades e imensidão dessa área de estudo. Estudos setoriais por classe de consumo, por faixas de renda e por épocas do ano, modelos computacionais baseados no procedimento proposto, são algumas questões que podem ter continuidade em estudos futuros.
A dependência energética do Estado do Ceará coloca-o em uma situação onde previsões e modelos econométricos são essenciais para a definição de projetos nesse setor bem como para balizar a Companhia Energética local a estabelecer contratos de compra e venda de lotes de energia, permitindo ao Estado dar continuidade ao processo de desenvolvimento que vem apresentando ao longo dos últimos anos, sem correr o risco de novas crises energéticas.
Deve-se considerar que os modelos apresentados procuraram representar o consumo de energia Elétrica do Estado do Ceará, mas podem facilmente serem extrapolados para outras regiões do país, se necessário.
Trabalhar com análises através de modelos de regressão é algo extremamente envolvente e estimulante. No decorrer do trabalho, a problemática evolui e percebeu-se possíveis melhorias nos métodos utilizados. Iniciou-se com o Método dos Mínimos Quadrados para explicar o consumo de energia elétrica no Estado do Ceará e finalmente trabalhou-se com um modelo de equações simultâneas, como uma forma de melhor interpretar o consumo de energia elétrica no Brasil.
Algumas variáveis apresentaram, ao longo do trabalho, elasticidades que não se esperava, como por exemplo a variável PIBBR apresentar elasticidade
negativa ao consumo de energia elétrica do Estado do Ceará. Uma possível explicação para esse fato foi feita no próprio capítulo.
Deve-se reforçar, entretanto, que todas as variáveis apresentaram boa significância nos modelos apresentados, demonstrando serem capazes de explicar o consumo de energia elétrica no Estado do Ceará. A análise geral ao invés de uma análise setorial foi possível ser feita, no caso do Ceará, pelo fato de os dois principais setores, o Industrial e o Residencial, serem altamente representativos no consumo de energia elétrica do Estado e terem participações semelhantes no consumo do Estado.
A análise econométrica feita para o Brasil, por seu turno, com base em um modelo simultâneo envolvendo a determinação do PIB e consumo de energia elétrica, apresentou resultados compatíveis com a teoria econômica, e ensejaram explicações de choques exógenos conjunturais na economia, todas baseadas em estimativas estatisticamente robustas. Como observado na literatura econômica, ratificou-se o uso de consumo de energia elétrica como proxy do investimento em capital para explicar crescimento econômico, ao tempo que se verificou uma elasticidade de 0,52 da mesma sobre o PIB brasileiro. Desse importante resultado permite-se desenvolver cenários e políticas para a economia brasileira, com base em simulações e previsões para trabalhos vindouros.
REFERÊNCIAS BIBLIOGRÁFICAS
ABRADEE - ASSOCIAÇÃO BRASILEIRA DE DISTRIBUIDORES DE ENERGIA ELÉTRICA. Disponível em: http://www.abradee.com.br. Acesso em 15 de novembro de 2003.
ANDRADE, T. A.; LOBÃO W. J. A. Elasticidade Renda e Preço da Demanda Residencial da Energia Elétrica no Brasil. Rio de Janeiro: IPEA, 1997 (Texto para discussão 489)
AGÊNCIA NACIONAL DE ENERGIA ELÉTRICA. Atlas de Energia Elétrica do Brasil. São Paulo: Atlas, 2002.
AGÊNCIA NACIONAL DE ENERGIA ELÉTRICA. Disponível em: http://www.aneel.gov.br. Acesso em 25 de janeiro de 2004.
BERMANN, C. Energia no Brasil: Para que? Para quem? Crises e Alternativas Para um País Sustentável. São Paulo: Ed. Livraria da Física, 2002.
BNDES - BANCO NACIONAL DE DESENVOLVIMENTO ECONÔMICO E SOCIAL..
Privatizações no Brasil, 1990 – 1994 e 1995 – 2002. Brasília: 2002. (Slides).
BORENSTEIN, C. R.; CAMARGO, C. C. B. O Setor Elétrico no Brasil: dos desafios do passado às alternativas do futuro. Rio Grande do Sul: Sagra Luzzato, 1997.
BORENSTEIN, C.R. (coord.) et al. R. Regulação e Gestão Competitiva no Setor Elétrico Brasileiro. Rio Grande do Sul: Sagra Luzzato, 1999.
BRAGA, J, M. A Modelagem da Demanda Residencial de Energia Elétrica no Brasil. Rio de Janeiro: UFRJ / Departamento de Economia, 2001 (Tese).
BROWN, A. C., PAULA, C. Strengthening of the Institutional and Regulatory Structure of the Brazilian Power Sector. The World Bank. PPIAF Project for Brazil Power Sector, 2002. (Relatório).
CABRAL, L. M. M. ; CACHAPUZ, P. B. B. A Eletrobrás e a Operação dos Sistemas Elétricos Interligados Brasileiros: Rio de Janeiro: Eletrobrás: Anais de III Convenção Internacional de História de Empresas., 2000.
CCPE - COMITÊ COORDENADOR DO PLANEJAMENTO DA EXPANSÃO DOS SISTEMAS ELÉTRICOS. Mercado de Energia Elétrica Brasileiro:
acompanhamento e projeção. Brasília, 2001.(Relatório)
CCPE - COMITÊ COORDENADOR DO PLANEJAMENTO DA EXPANSÃO DOS SISTEMAS ELÉTRICOS. Mercado e Carga Própria. Rio de Janeiro, 2003 (Relatório).
COMPANHIA ENERGÉTICA DO CEARÁ. Análise do Mercado de Energia Elétrica 1971 a 1996. Ceará, 1996.
COMPANHIA ENERGÉTICA DO CEARÁ. Disponível em: http://www.coelce.com.br. Acessado em 15 de janeiro de 2004.
COOPERS & LYBRAND. Relatório Consolidado Etapa IV-1. Projeto de Reestruturação do Setor Elétrico Brasileiro. Brasília, 1997.
CORRAR, L. J., THEÓPHILO, C. R. (coordenadores). Pesquisa Operacional para Decisão em Contabilidade e Administração: Contabilometria. São Paulo: Atlas, 2004.
CTEM - COMITÊ TÉCNICO DE ESTUDOS DE MERCADO (coordenador). Cenários do Mercado de Energia Elétrica 2003 – 1013. Rio de Janeiro, 2003. (Slides)
ELETROBRÁS – DEPARTAMENTO DE ESTUDOS ENERGÉTICOS E DE MERCADO. Energia Elétrica: previsão da carga dos sistemas interligados - período 2002/2006. Rio de Janeiro, 2002. (Relatório).
ELETROBRÁS. Boletim anual. Anos 2000, 2001, 2002. Sistema de Informações Estatísticasdo Setor de Energia Elétrica . Rio de Janeiro:SIESE. 2002.
FERNANDEZ, J. C., PEREIRA, R. A Política de Tarifação Ótima para a Energia Elétrica. Bahia: Fórum Banco do Nordeste de Desenvolvimento, VII Encontro Regional de Economia da ANPEC. (Artigo)
FILHO, J. A. Matriz Energética Brasileira : da crise à grande Esperança. Rio de Janeiro: Mauad, 2003.
GCPS GRUPO COORDENADOR DO PLANEJAMENTO DO SISTEMA ELÉTRICO.
1º Encontro de Metodologia de Previsão de Mercado de Energia Elétrica. São Paulo, 1984. (Anais)
GUJARATI, D. N. Econometria Básica. 3. ed. São Paulo: Makron Books, 2000.
IPEA - INSTITUTO DE PESQUISA E ESTRATÉGIA ECONÔMICA DO CEARÁ. Anuário Estatístico do Ceará, 1988 a 2000. Fortaleza. 2000.
KMENTA, J. Elements of Econometrics. Nova York: MacMillan, 1971.
KAZAY. H. F. O Planejamento da Expansão da Geração do Setor Elétrico Brasileiro Utilizando os Algoritmos Genéticos. Universidade Federal do Rio de Janeiro, Rio de Janeiro: COPPE, 2001. (Tese)
MME – MINISTÉRIO DAS MINAS E ENERGIA – SECRETARIA DE ENERGIA. Balanço Energético Nacional - 2001. Brasília: SEN, 2001.
MODIANO, E. M. Elasticidade Renda e Preços da Demanda de Energia Elétrica no Brasil. Rio de Janeiro: PUC / Departamento de Economia, 1984.(Texto para discussão 68)
MOREIRA, A. R. B., ROCHA, K., DAVID, P. A. M-S., Participação da Termogeração na expansão do Sistema Elétrico Brasileiro. Rio de Janeiro: IPEA, 2001. (Texto para discussão 823)
ONS – OPERADOR NACIONAL DO SISTEMA ELÉTRICO. Planejamento Anual da Operação Energética: Ano 2003. Rio de Janeiro, 2003. (Periódico)
PIRES, J. C. L. Capacitação, Eficiência e Abordagens Regulatórias Contemporâneas no Setor Energético Brasileiro: as experiências da ANEEL e da ANP., Rio de Janeiro, 1999. (Ensaios BNDES 11)
PIRES, J. C. L. Desafios da Reestruturação do Setor Elétrico Brasileiro. Rio de Janeiro, 2000 (BNDES. Texto para discussão. 76)
PIRES, J. C. L., GOSTKORZEWICZ, J., GIAMBIZI, F. O Cenário Macroeconômico e as Condições de Oferta de Energia Elétrica no Brasil. Rio de Janeiro, 2001 (Texto para discussão 85)
PIRES. J. C. L., GIAMBIZI, F., SALES, A. F. As perspectivas do Setor Elétrico Após o Racionamento. Rio de Janeiro, 2002 (BNDES. Texto para discussão 97).
REIS, L. B., SILVEIRA, S. Energia Elétrica para o Desenvolvimento Sustentável. 2. Ed. São Paulo: EDUSP, 2001.
RIGOLON, F. J. Z., PICCININI, M. S. O Investimento em Infra-Estrutura e a
Retomada do Crescimento Econômico Sustentado. Rio de Janeiro, 1997.
(BNDES. Texto para discussão 63)
ROSA, L. P., TOLMASQUIM, M. T., PIRES, J. C. L. A Reforma do Setor Elétrico no Brasil e no Mundo : uma visão crítica. Rio de Janeiro: Relume Dumarã, 1998.
SANTOS, T. M. D., A Crise no Setor Elétrico Brasilieiro. Brasília: Universidade de Brasília, Núcleo de Pesquisa em Políticas Públicas, III Curso de especialização em Políticas Públicas, 2002. (Dissertação).
SAUER, I. Um novo modelo para o Setor Elétrico Brasileiro. São Paulo: Universidade de São Paulo / Programa Interunidades de Pós Graduação em Energia,2002.
SECRETARIA DA INFRA-ESTRUTURA DO ESTADO DO CEARÁ, COORDENADORIA DE ENERGIA E COMUNICAÇÕES. Balanço Energético do Estado do Ceará 1997/2000. Fortaleza: Qualigraf, 2000.
SECRETARIA DA INFRA-ESTRUTURA DO ESTADO DO CEARÁ, COORDENADORIA DE ENERGIA E COMUNICAÇÕES. Estado do Ceará – Atlas do Potencial Eólico, Fortaleza, 2001.
SILVEIRA, F. S. V. Um Modelo para Planejamento Econômico-Financeiro de
Empresas de Energia Elétrica Adequado ao Ambiente Competitivo, Santa
Catarina: UFSC / Curso de Pós Graduação em Engenharia Elétrica, 1998. (Dissertação).
SOARES, I. G.; CASTELAR, I. Econometria Aplicada com o Uso do Eviews. Fortaleza: UFC/CAEN, 2003.
SOUZA, J. S. Demanda Futura de Energia Elétrica : modelos alternativos de quantificação. Rio de Janeiro: Eletronorte, 2001 (Slides)
UK Energy in Brief, A National Statistics Publication, Inglaterra, 2003. (Periódico).
WERNECK, R. L. F. Tarifação de Energia Elétrica e Perspectiva de Excesso de Demanda. Rio de Janeiro, PUC, 2000. (Texto para discussão 440).
ANEXO I SÉRIES UTILIZADAS NESSE TRABALHO:
CEE CEEBR DOM PopCE Trftotal PIBCE PIBBR
1985 2,119 163,8837 1,169 5,836 80,27691 12,524 727,297 1986 2,401 178,224 1,199 5,920 105,2118 13,306 765,438 1987 2,242 179,7859 1,229 6,004 81,44985 12,858 803,911 1988 2,448 189,0297 1,26 6,089 55,5295 13,631 844,479 1989 2,666 198,2735 1,291 6,176 30,78903 13,978 907,645 1990 2,921 204,3491 1,324 6,264 59,32953 13,731 847,945 1991 3,215 210,4247 1,357 6,353 50,22264 15,685 856,697 1992 3,323 215,5439 1,392 6,459 49,92998 15,62 852,036 1993 3,569 220,663 1,429 6,566 38,76054 16,297 893,996 1994 3,631 226,095 1,466 6,675 71,37551 17,842 946,321 1995 4,034 243,441 1,505 6,786 93,8197 19,071 986,291 1996 4,429 258,3111 1,545 6,810 107,2629 20,332 1.012,513 1997 4,778 274,4528 1,586 6,943 110,0992 21,121 1.045,637 1998 5,396 284,827 1,816 7,036 114,0542 21,572 1.047,015 1999 5,700 291,604 1,880 7,128 105,2549 21,141 1.055,239 2000 5,845 307,033 1,758 7,431 108,5 20,799 1.101,255 Legenda:
1. CEE: Consumo de Energia Elétrica do Estado do Ceará. Valores em milhares de Gw/h. 2. CEEBR: Consumo de Energia Elétrica do Brasil. Valores em milhares de Gw/h
3. DOM: Nr. de domicílios do Estado do Ceará. Valores em milhões. 4. PopCE: População do Estado do Ceará. Valores em milhões. 5. Trftotal: Tarifa Média Total Brasileira. Valores em reais de 2000.
6. PIBCE: PIB do Estado do Ceará. Valores em bilhões, em reais de 2000. 7. PIBBR: PIB do Brasil. Valores em bilhões, em reais de 2000.
Notas:
1. Por falta de dados disponíveis, o número de domicílios para os anos de 1996 e 1997 foram extrapolados utilizando-se taxa média de crescimento.
2. Todos os valores monetários, com exceção do PIB, foram deflacionados utilizando-se o IGP-DI Anual, da Fundação Getúlio Vargas.
ANEXO II- METODO DOS MÍNIMOS QUADRADOS
Resultados encontrados no software de pesquisa Eviews para os modelos apresentados:
Método dos Mínimos Quadrados: Modelo 01:
Dependent Variable: LOG(CEE) Method: Least Squares
Date: 03/22/04 Time: 23:40 Sample: 1985 2000
Included observations: 16 Variable Coefficien
t
Std. Error t-Statistic Prob.
C -2.927105 0.842947 -3.472468 0.0060 LOG(PIBCE) 0.635854 0.146214 4.348780 0.0014 LOG(TRF) -0.050331 0.017222 -2.922589 0.0152 LOG(CEEBR) 1.709196 0.195203 8.756003 0.0000 LOG(PIBBR) -0.968670 0.188860 -5.129039 0.0004 D2 -0.046561 0.024747 -1.881498 0.0893 R-squared 0.997571 Mean dependent var 1.246946
Adjusted R-squared 0.996356 S.D. dependent var 0.336514 S.E. of regression 0.020313 Akaike info criterion -4.675137 Sum squared resid 0.004126 Schwarz criterion -4.385416 Log likelihood 43.40110 F-statistic 821.3569 Durbin-Watson stat 2.002003 Prob(F-statistic) 0.000000
Modelo 02:
Dependent Variable: LOG(CEE) Method: Least Squares
Date: 03/16/04 Time: 00:33 Sample: 1985 2000
Included observations: 16 Variable Coefficien
t
Std. Error t-Statistic Prob.
C -2.683378 0.253505 -10.58510 0.0000 LOG(TRF) -0.068985 0.040692 -1.695280 0.1158 LOG(PIBCE) 1.563778 0.088347 17.70035 0.0000
D2 -0.182758 0.047029 -3.886099 0.0022 R-squared 0.978941 Mean dependent var 1.246946
Adjusted R-squared 0.973676 S.D. dependent var 0.336514 S.E. of regression 0.054598 Akaike info criterion -2.765325 Sum squared resid 0.035771 Schwarz criterion -2.572178 Log likelihood 26.12260 F-statistic 185.9433 Durbin-Watson stat 2.162614 Prob(F-statistic) 0.000000
Modelo 03:
Dependent Variable: LOG(CEE) Method: Least Squares
Date: 03/16/04 Time: 00:46 Sample: 1985 2000
Included observations: 16 Variable Coefficien
t
Std. Error t-Statistic Prob.
C -1.566760 0.479188 -3.269617 0.0075 LOG(PIBCE) 0.982856 0.235901 4.166391 0.0016
LOG(TRF) -0.046057 0.034655 -1.329013 0.2108 LOG(DOM) 0.910211 0.351608 2.588713 0.0252
D2 -0.085136 0.054050 -1.575119 0.1435 R-squared 0.986914 Mean dependent var 1.246946
Adjusted R-squared 0.982155 S.D. dependent var 0.336514 S.E. of regression 0.044953 Akaike info criterion -3.116076 Sum squared resid 0.022229 Schwarz criterion -2.874642 Log likelihood 29.92861 F-statistic 207.3918 Durbin-Watson stat 2.019502 Prob(F-statistic) 0.000000
Modelo 04:
Dependent Variable: CEE Method: Least Squares Date: 03/16/04 Time: 00:04 Sample: 1985 2000
Included observations: 16 Variable Coefficien
t
Std. Error t-Statistic Prob.
C 0.403917 0.534991 0.754998 0.4661 PIBPC 0.200878 0.104300 1.925962 0.0803
TRF -0.001366 0.045443 -0.030063 0.9766 DOM 0.700519 0.098137 7.138200 0.0000
D1 0.283962 0.131532 2.158889 0.0538 R-squared 0.983259 Mean dependent var 3.705000
Adjusted R-squared 0.977172 S.D. dependent var 1.000447 S.E. of regression 0.151158 Akaike info criterion -0.690672 Sum squared resid 0.251337 Schwarz criterion -0.449238 Log likelihood 10.52537 F-statistic 161.5188 Durbin-Watson stat 2.004817 Prob(F-statistic) 0.000000
Modelo 05:
Dependent Variable: CEE2 Method: Least Squares Date: 03/01/04 Time: 17:26 Sample: 1985 2000
Included observations: 16 Variable Coefficien
t
Std. Error t-Statistic Prob.
C 0.403919 0.401938 1.004927 0.3348 D1 0.283963 0.119657 2.373146 0.0352 DOM 0.700519 0.059435 11.78624 0.0000
TRF -0.001366 0.040261 -0.033930 0.9735 R-squared 0.974800 Mean dependent var 2.305508
Adjusted R-squared 0.968500 S.D. dependent var 0.815418 S.E. of regression 0.144723 Akaike info criterion -0.815672 Sum squared resid 0.251337 Schwarz criterion -0.622524 Log likelihood 10.52537 F-statistic 154.7287 Durbin-Watson stat 2.004818 Prob(F-statistic) 0.000000
Modelo 06:
Dependent Variable: LOG(CEE) Method: Least Squares
Date: 03/17/04 Time: 23:35 Sample: 1985 2000
Included observations: 16 Variable Coefficien
t
Std. Error t-Statistic Prob.
C -5.319493 1.035447 -5.137386 0.0003 LOG(TRF) -0.014553 0.024528 -0.593334 0.5650 LOG(PIBBR) -0.883601 0.304537 -2.901460 0.0144 LOG(CEEBR) 2.334711 0.213946 10.91261 0.0000
D2 0.019290 0.031733 0.607897 0.5556 R-squared 0.992977 Mean dependent var 1.246946
Adjusted R-squared 0.990423 S.D. dependent var 0.336514 S.E. of regression 0.032931 Akaike info criterion -3.738469 Sum squared resid 0.011929 Schwarz criterion -3.497035 Log likelihood 34.90775 F-statistic 388.8245 Durbin-Watson stat 1.493722 Prob(F-statistic) 0.000000
Modelo 07:
Dependent Variable: LOG(CEE) Method: Least Squares
Date: 03/25/04 Time: 18:28 Sample: 1985 2000
Included observations: 16 Variable Coefficien
t
Std. Error t-Statistic Prob.
C -10.36597 2.934903 -3.531963 0.0047 LOG(TRF) 0.094063 0.070424 1.335666 0.2086 LOG(PIBCE) 1.562393 0.324125 4.820341 0.0005 LOG(PIBBR) 1.018931 0.494332 2.061228 0.0637
D3 -0.270053 0.110025 -2.454475 0.0320 R-squared 0.971869 Mean dependent var 1.246946
Adjusted R-squared 0.961639 S.D. dependent var 0.336514 S.E. of regression 0.065909 Akaike info criterion -2.350773 Sum squared resid 0.047784 Schwarz criterion -2.109339 Log likelihood 23.80618 F-statistic 95.00647
ANEXO III- MÉTODO DOS MÍNIMOS QUADRADOS EM DOIS ESTÁGIOS:
Modelo 01 para o PIBBR:
Dependent Variable: LOG(PIBBR) Method: Two-Stage Least Squares Date: 05/10/04 Time: 23:34 Sample: 1985 2000
Included observations: 16
Instrument list: LOG(TRFTOTAL) LOG(DOM) LOG(CEE) D1 D2 D3
Variable Coefficient Std. Error t-Statistic Prob.
C 3.983065 0.423867 9.396970 0.0000
LOG(CEEBR) 0.519779 0.080383 6.466277 0.0000
D3 0.044778 0.029937 1.495743 0.1586
R-squared 0.947757 Mean dependent var 6.815413 Adjusted R-squared 0.939719 S.D. dependent var 0.124103 S.E. of regression 0.030470 Sum squared resid 0.012069 F-statistic 115.2761 Durbin-Watson stat 1.166812 Prob(F-statistic) 0.000000
Modelo 02 para o PIBBR:
Dependent Variable: LOG(PIBBR) Method: Two-Stage Least Squares Date: 05/11/04 Time: 01:55 Sample: 1985 2000
Included observations: 16
Instrument list: LOG(TRFTOTAL) LOG(DOM) LOG(CEE) D1 D2 D3
Variable Coefficient Std. Error t-Statistic Prob. LOG(CEEBR) 1.274919 0.005121 248.9690 0.0000
D3 -0.194360 0.041919 -4.636514 0.0004
R-squared 0.602334 Mean dependent var 6.815413 Adjusted R-squared 0.573929 S.D. dependent var 0.124103 S.E. of regression 0.081007 Sum squared resid 0.091870 Durbin-Watson stat 0.843482
Modelo 01 para CEEBR: Dependent Variable: LOG(CEEBR)
Method: Two-Stage Least Squares Date: 05/11/04 Time: 01:58 Sample: 1985 2000
Included observations: 16
Instrument list: LOG(TRFTOTAL) D1 D2 D3 LOG(DOM) LOG(CEE)
Variable Coefficient Std. Error t-Statistic Prob.
C -2.473241 0.673795 -3.670616 0.0037
LOG(TRFTOTAL) 0.047665 0.019798 2.407566 0.0348 LOG(PIBBR) 1.126308 0.101250 11.12398 0.0000
D1 0.086875 0.021817 3.981906 0.0022
D2 -0.064014 0.026265 -2.437209 0.0330
R-squared 0.983882 Mean dependent var 5.411449 Adjusted R-squared 0.978021 S.D. dependent var 0.191710 S.E. of regression 0.028422 Sum squared resid 0.008886 F-statistic 166.7496 Durbin-Watson stat 1.446876 Prob(F-statistic) 0.000000
Modelo 01 para CEEBR
Dependent Variable: LOG(CEEBR) Method: Two-Stage Least Squares Date: 05/11/04 Time: 01:59 Sample: 1985 2000
Included observations: 16
Instrument list: LOG(TRFTOTAL) D1 D2 D3 LOG(DOM) LOG(CEE)
Variable Coefficient Std. Error t-Statistic Prob. LOG(TRFTOTAL) 0.057681 0.027268 2.115329 0.0560
LOG(PIBBR) 0.758058 0.019005 39.88633 0.0000
D1 0.140487 0.022537 6.233617 0.0000
D2 -0.113230 0.031406 -3.605306 0.0036
R-squared 0.966000 Mean dependent var 5.411449 Adjusted R-squared 0.957500 S.D. dependent var 0.191710