dissertaÇÃo de mestrado profissionalizante em...

FACULDADE DE ECONOMIA E FINANÇAS IBMEC PROGRAMA DE PÓS-GRADUAÇÃO E PESQUISA EM ADMINISTRAÇÃO E ECONOMIA

DDIISSSSEERRTTAAÇÇÃÃOO DDEE MMEESSTTRRAADDOO PPRROOFFIISSSSIIOONNAALLIIZZAANNTTEE EEMM EECCOONNOOMMIIAA

“UMA ANÁLISE EMPÍRICA DA RELAÇÃO ENTRE PREÇOS DE COMMODITIES E

INFLAÇÃO NO BRASIL”

CCAARRLLOOSS PPEERRCCYY MMIISSEERREENNDDIINNOO OORRTTIIZZ ORIENTADOR: PROF. DR. FERNANDO NASCIMENTO DE OLIVEIRA

Rio de Janeiro, 15 de dezembro de 2009.

“UMA ANÁLISE EMPÍRICA DA RELAÇÃO ENTRE PREÇOS DE COMMODITIES E INFLAÇÃO NO BRASIL”

CARLOS PERCY MISERENDINO ORTIZ

Dissertação apresentada ao curso de Mestrado Profissionalizante em Economia como requisito parcial para obtenção do Grau de Mestre em Economia. Área de Concentração: Finanças e Controladoria

ORIENTADOR: FERNANDO NASCIMENTO DE OLIVEIRA


“UMA ANÁLISE EMPÍRICA DA RELAÇÃO ENTRE PREÇOS DE COMMODITIES E INFLAÇÃO NO BRASIL”

CARLOS PERCY MISERENDINO ORTIZ

Dissertação apresentada ao curso de Mestrado Profissionalizante em Economia como requisito parcial para obtenção do Grau de Mestre em Economia. Área de Concentração: Finanças e Controladoria

Avaliação:

BANCA EXAMINADORA:

_____________________________________________________

Professor: DR. FERNANDO NASCIMENTO DE OLIVEIRA (Orientador) Instituição: IBMEC/RJ _____________________________________________________

Professor: DR. FERNANDO AUGUSTO ADEODATO VELOSO Instituição: IBMEC/RJ _____________________________________________________

Professor: DR. OCTAVIO MANUEL BESSADA LION Instituição: BACEN


FICHA CATALOGRÁFICA

332.410981 O77

Ortiz, Carlos Percy Miserendino. Uma análise empírica da relação entre preços de commodities e inflação no Brasil / Carlos Percy Miserendino Ortiz - Rio de Janeiro: Faculdades Ibmec, 2009. Dissertação de Mestrado Profissionalizante apresentada ao Programa de Pós-Graduação em Economia das Faculdades Ibmec, como requisito parcial necessário para a obtenção do título de Mestre em Economia. Área de concentração: Finanças e Controladoria. 1. Inflação - Brasil. 2. Commodities - Preços. 3. IPCA (Índice de Preços ao Consumidor Amplo). 4. Econometria – Cointegração (elasticidade).

1

DEDICATÓRIA

Ao meu filho, que me fez enxergar a vida de uma maneira que desconhecia.

2

AGRADECIMENTOS

Agradeço à minha esposa Clarissa por todos os conselhos, pela paciência, pelo carinho e pelo

amor nestes anos que estamos juntos e que estes sentimentos continuem eternamente.

Aos meus colegas de turma, principalmente ao Leonardo Ramos, que me ajudou bastante

durante todo o curso. Os meus mais sinceros agradecimentos.

Em especial, agradeço ao meu orientador Fernando Nascimento, pelas discussões, sugestões e

orientações fundamentais no desenvolvimento desta dissertação.

Agradeço também aos familiares e amigos pela compreensão, paciência e o incentivo para a

conclusão deste trabalho e peço desculpas por eventuais faltas.

3

RESUMO

O presente trabalho tem por finalidade analisar empiricamente a relação entre os preços de

commodities e inflação no mercado brasileiro. Foram utilizados vários modelos

econométricos para observar o comportamento da relação entre o índice de preços de

commodities e inflação (IPCA) no período do primeiro trimestre de 1994 ao terceiro trimestre

de 2009. Os resultados obtidos contrariam as análises para os mercados internacionais e

sugerem que, no período amostral, alterações nos preços de commodities não explicam a

inflação no Brasil.

Palavras Chave: Commodities, Inflação, IPCA, Cointegração.

4

ABSTRACT

The present work has the purpose to analyze the empirical relation between commodities

prices and inflation in the Brazilian market. Were estimated many econometrics models to

observe the relation between commodities prices and inflation (IPCA) from de 1st quarter of

1994 to the 3rd quarter of 2009. Different from the results for international markets, our

findings suggest that commodities prices are not correlated to the inflation (IPCA) returns in

Brazil.

Key Words: Commodities, Inflation, IPCA, Cointegration.

5

LISTA DE GRÁFICOS

Gráfico 1 - Evolução dos Índices de Commodities, PIB e Inflação (IPCA)_____________ 16

Gráfico 2 - Evolução da variação dos Índices de Commodities, PIB e Inflação (IPCA)___ 17

Gráfico 3 - Resposta ao Impulso – IPCA, GERAL________________________________24

Gráfico 4 - Resposta ao Impulso – IPCA, MINERAIS_____________________________25

Gráfico 5 - Resposta ao Impulso – IPCA, AGRÍCOLA____________________________26

Gráfico 6 - Resposta ao Impulso – IPCA, GERAL e PIB___________________________30

Gráfico 7 - Resposta ao Impulso – IPCA, MINERAIS e PIB________________________31

Gráfico 8 - Resposta ao Impulso – IPCA, AGRÍCOLA e PIB_______________________32

6

LISTA DE TABELAS (SE HOUVER)

Tabela 1 - Analise univariada das variáveis______________________________________ 18

Tabela 2 - Correlação entre IPCA e as Variáveis de Commodities____________________ 19

Tabela 3 - Análise de Decomposição de Variância – BI-VARIADO (IPCA, GERAL)____ 21

Tabela 4 - Análise de Decomposição de Variância – BI-VARIADO (IPCA, MINERAIS)_ 22

Tabela 5 - Análise de Decomposição de Variância – BI-VARIADO (IPCA, AGRÍCOLA)_23

Tabela 6 - Análise de Decomposição de Variância – MULTI-VARIADO (IPCA, GERAL,

PIB)_____________________________________________________________________ 27

Tabela 7 - Análise de Decomposição de Variância – MULTI-VARIADO (IPCA, MINERIAS,

PIB)_____________________________________________________________________ 28

Tabela 8 - Análise de Decomposição de Variância – MULTI-VARIADO (IPCA,

AGRÍCOLA, PIB)_________________________________________________________ 29

7

Tabela 9 - Resultados para a equação (1) com commodities geral_____________________ 33

Tabela 10 - Resultados para a equação (1) com commodities minerais_________________ 35

Tabela 11 - Resultados para a equação (1) com commodities agrícola_________________ 36

Tabela 12 - Resultado para o teste de Chow no modelo com lag de inflação____________ 37

Tabela 13 - Resultados para a equação (2) com variável binária D2___________________ 38

Tabela 14 - Resultados para a equação (3) com commodities geral____________________ 39

Tabela15 - Resultados para a equação (3) com commodities minerais_________________ 41

Tabela 16 - Resultados para a equação (3) co commodities agrícola___________________ 42

Tabela 17 - Resultado para o teste de Chow no modelo com lag de inflação com hiato____ 44


Tabela 19 - Resultados para a equação (5) com commodities geral____________________ 46

Tabela 20 - Resultados para a equação (5) com commodities minerais_________________ 48

Tabela 21 - Resultados para a equação (5) com commodities agrícola_________________ 49

8

Tabela 22 - Resultado para o teste de Chow no modelo novo keynesiano______________ 50



9

LISTA DE ABREVIATURAS (SE HOUVER) IPCA Índice de Preços ao Consumidor Amplo

PIB Produto Interno Bruto

10

SUMÁRIO

1. INTRODUÇÃO ................................................................................................... 11

2. DADOS .............................................................................................................. 15

2.1 ANÁLISE DESCRITIVA DOS DADOS .................................................................................................15

3. ANÁLISE EMPÍRICA ......................................................................................... 20

3.1 ANÁLISE EMPIRICA NÃO ESTRUTURAL ........................................................................................20 3.1.1 ANÁLISE DE DECOMPOSIÇÃO DE VARIÂNCIA .........................................................................20 3.1.2 MODELOS BI-VARIADOS ..............................................................................................................21 3.1.3 ANÁLISE DAS FUNÇÕES RESPOSTA AOS IMPULSOS PARA OS MODELOS BI-VARIADOS ..23 3.1.4 MODELOS MULTI-VARIADOS ......................................................................................................27 3.1.5 ANÁLISE DAS FUNÇÕES RESPOSTA AOS IMPULSOS PARA OS MODELOS MULTI-VARIADOS ...............................................................................................................................................29

3.2 ANÁLISE EMPIRICA ESTRUTURAL .................................................................................................32 3.2.1 MODELO SOMENTE COM LAGS DE INFLAÇÃO .........................................................................33 3.2.2 MODELO COM LAGS DE INFLAÇÃO E HIATO ............................................................................39 3.2.3 MODELO NOVO KEYNESIANO .....................................................................................................45

4. CONCLUSÕES .................................................................................................. 53

REFERÊNCIAS BIBLIOGRÁFICAS ........................................................................ 54

11

1. INTRODUÇÃO

O Brasil é um grande produtor e exportador de commodities. As principais

commodities produzidas e exportadas pelo Brasil são: café, suco de laranja, minério de ferro,

soja e alumínio. A partir de 2003, com a crescente participação da China e da Índia na

economia internacional, tem aumentado ainda mais a importância das commodities na

economia brasileira, já que estes países são grandes demandantes de nossas principais

commodities. Estas não apenas afetam a taxa de crescimento do PIB, mas também podem ter

efeitos importantes sobre a inflação.

Naturalmente, algumas perguntas surgem: Como a dinâmica dos preços das

commodities afeta a inflação? Faz diferença qual tipo de commodity seja?1

O objetivo desta dissertação é tentar responder estas perguntas. Para tanto, usamos

diversas técnicas econométricas como VAR e modelos estruturais das dinâmicas de inflação

incorporando variações dos índices de commodities. As séries trimestrais que usamos são as

seguintes: variações trimestrais da: inflação (IPCA), IPCA livre, expectativa de inflação, taxa

de cambio, Selic, taxa de crescimento do PIB e índices de commodities (geral, minerais e

agrícolas), todos no período de 1994T1 a 2009T3.

1A importância das commodities nas exportações brasileiras levou à construção dos seguintes índices de preço e

quantidades: índice de commodities geral, índice de commodities minerais (alumínio, cobre, ferro, chumbo,

estanho e zinco) e índice de commodities agrícolas (banana, laranja, amendoim, arroz, milho, trigo, cacau, café,

soja e açúcar).

12

No que diz respeito ao VAR, olhamos para a decomposição de variância e função

resposta impulso. Nos modelos bi-variado VAR e decomposição de variância, vimos que a

participação percentual das variáveis de commodities, para previsão da inflação (IPCA), no

geral, é pequena. As funções resposta impulso para a commodity GERAL mostram que os

choques são negativos e de curta duração, ficando positivo a partir do segundo período. O

impacto na commodity MINERAIS, também é negativo e de curta duração. Já a commodity

AGRÍCOLA, o impacto é positivo e de curta duração, voltando a ficar negativo no terceiro

período. Nos modelos multi-variados, onde acrescentamos a taxa de variação do PIB, a

participação aumentou um pouco, mas continuou baixa quando comparado aos estudos feitos

para outros países. As funções respostas impulso no modelo multi-variado, mostram

comportamento parecido com o modelo bi-variado.

Em relação aos modelos estruturais de inflação, como não há um consenso na

literatura sobre qual a melhor especificação, usamos diversas especificações, desde modelos

autoregressivos, modelos com lags de inflação e incorporando o hiato do produto e curvas de

Phillips novo keynesianas. Os resultados encontrados na análise estrutural indicaram que, a

inflação no nosso período amostral não pode ser explicado por variações dos preços das

commodities em nenhum período analisado.

Esta dissertação se enquadra em uma vasta literatura internacional sobre o tema.

Muitos estudos têm debatido se o índice de preços das commodities serve como um indicador

importante das futuras condições econômicas. Estudos realizados por Garner (1989), Marquis

e Cunningham (1990), Cody e Mills (1991), Sephton (1991), e Hua (1998), por exemplo

aplicaram análise de séries temporais para investigar como esse índice se relaciona com outras

variáveis macroeconômicas. Especificamente, eles utilizaram testes de causalidade de

Granger para verificar a validade do índice de preços de commodities como um indicador

13

antecedente dos preços em geral. Se o índice de preços das commodities é válido como um

indicador antecedente dos preços ou outras variáveis macroeconômicas, os formuladores de

políticas precisam reconhecer a importância do índice como uma variável de decisão política.

Um aumento no índice, por exemplo, poderia ser visto como um presságio da inflação futura.

Como tal, as tendências no índice viria a ter certa influência na gestão da política monetária.

Um dos mais citados é Furlong e Ingenito (1996). Eles investigam a relação entre os

preços de commodities e inflação americana no período de 1947 a 1995, utilizando vetores

auto-regressivos. Os seus resultados indicam que há uma relação histórica entre preços das

commodities e inflação, no entanto, esta relação se alterou bastante nos últimos anos. Os

preços das commodities eram sinalizadores fortes e estatisticamente robustos da inflação nos

anos 70 e começo dos anos 80, quando começaram a enfraquecer como indicadores.

Podemos citar outros artigos, como Mahdavi e Zhou (1997). Eles usaram um modelo

de correção de erros para estudar a relação entre commodities e inflação e encontram

evidências desta cointegração com dados a partir da década de 1970.

Um outro artigo na mesma linha do acima é o de Awokuse e Yang (2003). Eles

examinaram a utilidade do comportamento dos preços das commodities na formulação da

política monetária. Eles concluíram que os preços de commodities sinalizam as expectativas

futuras sobre a inflação em diversas economias.

Kyrtsou e Labys (2005) identificaram a natureza da dependência ou o relacionamento

entre a inflação dos Estados Unidos e os preços das commodities por meio de métodos de

cointegração linear e a casualidade não linear de Granger. Mostraram que esta relação variou

14

dependendo do período estimado. Ela ocorreu até a década de 1980, mas depois não se

observou mais.

Hamorie, Shigeyuki (2007) analisou empiricamente a relação entre o índice de preços

das commodities e variáveis macroeconômicas no Japão. Ele identificou que a relação entre

preços de commodities e inflação deixou de existir com a entrada política monetária recente

de baixas taxas de juros.

Um trabalho mais recente é o de Cecchetti e Moessner (2008), eles analisaram se os

preços de energia e alimentos ajudam a prever a inflação e notaram que há evidencias no caso

de alimentos, mas não no caso de energia. Verificaram também se o aumento dos preços de

alimentos é mais persistente que o aumento dos preços de energia e viram que na maioria dos

países esses aumentos são mais persistentes nos de alimentos do que nos de energia.

Foi procurada literatura nacional, mas não foi achado nenhum estudo referente a este

assunto. Assim, esperamos que este trabalho contribua de alguma forma para futuros estudos

referente ao mesmo assunto.

O restante dessa dissertação está organizado da seguinte forma: O Capítulo 2 descreve

os dados usados. O Capítulo 3 apresenta as análises empíricas e o Capítulo 4 conclui.

15

2. DADOS

A base de dados utilizada neste trabalho tem periodicidade trimestral e foi formada por

meio de amostra constituída pelos índices de preços de commodities (geral, minerais e

agrícolas), variação do Índice de Preços ao Consumidor (IPCA), variação do Índice de Preços

ao Consumidor Livre (IPCA Livre), expectativa da inflação, Produto Interno Bruto (PIB) a

preços de mercado – índice encadeado dessazonalizado, variação cambial (R$/US$) e taxa

SELIC no período de 1994/01 a 2009/09.

Todas as informações foram obtidas por meio do site IPEADATA e calculadas a

variação de cada uma.

2.1 ANÁLISE DESCRITIVA DOS DADOS

A Figura 1 apresenta a evolução dos índices de preços das commodities (geral,

minerais e agrícola), do PIB e do IPCA no período de 1994 a 2009. O lado esquerdo do

gráfico representa os valores dos índices de preços das commodities e do PIB, o lado direito a

do IPCA.

16

Figura 1 – Evolução dos Índices de Commodities, PIB e Inflação (IPCA) – 1994T1 a 2009T3

50

100

150

200

250

300

350

0

500

1,000

1,500

2,000

2,500

3,000

1994 1996 1998 2000 2002 2004 2006 2008

IPCA PIB GERALMINERAIS AGRICOLA

Como pode ser observado no gráfico acima, no início de 1994 ao segundo trimestre, o

IPCA teve aceleração acentuada, reflexo ainda do começo do plano real. Após quedas

historicamente baixas até 2001, os preços das commodities elevaram-se em 2002. O

excepcional crescimento econômico da China tem sido apontado como um dos principais

determinantes da alta dos preços das commodities. Esse crescimento, liderado por setores

intensivos em commodities metálicas e industriais — automotivo, metalúrgico e de construção

civil, pressionou a demanda por esses bens, ao mesmo tempo em que o crescimento

populacional fomentou a compra externa de alimentos e demais commodities agrícolas. Os

dados desagregados das importações chinesas nos últimos anos corroboram essa hipótese. O

crescimento das compras externas da China entre 2001 e 2002 e, principalmente, entre 2003 e

2004, atingiu um amplo espectro de produtos. Além de algumas commodities metálicas (como

minérios e ferro e aço), o crescimento das importações de vários bens manufaturados foi bem

superior à média. A evolução das importações chinesas das principais commodities entre 2000

17

e 2004, revelando o aumento progressivo dessas importações, que abrangem commodities

metálicas e agrícolas. Em 2003, os números são surpreendentes. As importações chinesas

cresceram 40% e foram responsáveis por 26,5% da demanda global de aço, 19,8% da de

cobre e 19% da de alumínio.

Com a crise mundial, os preços das commodities tiveram a maior queda da história em

2008. Com o crédito restrito o impacto foi direto nas commodities. Sem esse dinheiro, os

fundos reduziram fortemente as previsões de que os preços continuariam subindo nos

contratos de longo prazo, o que se refletiu de imediato nos vencimentos mais próximos.

A Figura 2 apresenta a evolução da variação do índice de preços das commodities e do

IPCA no período de 1994 a 2009. O lado esquerdo do gráfico representa os valores dos

índices de preços das commodities e o lado direito a do IPCA.

Figura 2 – Evolução da variação dos Índices de Commodities, PIB e Inflação (IPCA) –

1994T3 a 2009T3

-80

-60

-40

-20

0

20

40

60

-2

0

2

4

6

8

10

12

1996 1998 2000 2002 2004 2006 2008

IPCA PIB_V GERALMINERAIS AGRÍCOLA

18

Podemos observar no gráfico acima que a volatilidade na variação dos preços das

commodities é bem maior que do índice de inflação (IPCA). Nota-se claramente a queda nos

preços das commodities em 2008, enquanto a inflação, a queda não foi tão acentuada. Não

parece existir uma tendência dos retornos dos preços das commodities.

As estatísticas descritivas para todas as variáveis utilizadas nos modelos podem ser

observadas, nas tabelas abaixo:

Tabela 1: Análise univariada das variáveis

IPCAIPCA

(LIVRE)EXPECT PIB CAMBIO SELIC GERAL MINERAIS AGRICOLA

1994T1 2009T3 Mean 5,40% 5,25% 2,08% 0,76% 5,64% 2,49% 1,36% 1,54% 0,87%

Std. Dev. 25,79% 26,03% 1,95% 1,46% 26,88% 6,03% 7,44% 8,04% 7,26%

1994T1 2002T4 Mean 8,33% 8,13% 2,68% 0,69% 11,36% 3,43% 0,17% 0,23% -0,38%

Std. Dev. 33,95% 34,28% 2,39% 1,55% 33,71% 7,87% 3,60% 5,88% 4,77%

2003T1 2006T4 Mean 1,57% 1,30% 1,33% 0,87% -3,19% 1,42% 3,31% 6,68% 1,93%

Std. Dev. 1,09% 0,99% 0,53% 1,15% 4,23% 0,26% 4,59% 6,96% 6,55%

2007T1 2009T3 Mean 1,27% 1,52% 1,21% 0,82% -0,21% 0,94% 2,38% -2,10% 3,57%

Std. Dev. 0,36% 0,52% 0,42% 1,70% 13,75% 0,10% 16,48% 12,27% 13,33%

Em relação aos indicadores de inflação, pode-se observar que o IPCA e o IPCA livre

possuem uma média e um desvio padrão para o período bem maior do que o da expectativa da

inflação. A taxa de câmbio (R$/USS) teve um retorno trimestral máximo de 191.93% e

mínimo de -15.34% apresentando um desvio padrão para o período de 26.88%. A taxa SELIC

teve média de 5.64% e desvio padrão de 6.03%.

No segundo bloco da tabela pode ser observada a variação real dos preços das

commodities. Apesar de a variação média trimestral apresentar valores em torno de 1% a 4%,

a variabilidade para o período é muito grande, característica esta devido à oscilação de preços

destes produtos. Um exemplo é o índice de preços de combustíveis, com variação média real

no preço de 3.47% mas com máximo e mínimo de 36.14% e -49.75% entre 1994T1 e 2009T3.

19

O maior desvio padrão (14,31%) entre os índices de preço das commodities também foi o de

combustíveis e o menor (7.26%) para a variação no preço das commodities agrícolas.

Tabela 2: Correlação entre IPCA e as variáveis de commodities – 1994T1 a 2009T3

IPCA GERAL MINERAIS AGRICOLA

IPCA 1,0000 0,0164 0,0818 -0,0005

GERAL 0,0164 1,0000 0,5730 0,4198

MINERAIS 0,0818 0,5730 1,0000 0,2970

AGRICOLA -0,0005 0,4198 0,2970 1,0000

Aqui vemos relação negativa entre o IPCA e as commodities geral e relação positiva

com as outras commodities. O PIB apresentou relação positiva com todas as variáveis de

commodities.

20

3. ANÁLISE EMPÍRICA

Nesse capítulo, descrevemos inicialmente algumas características estatísticas das

séries de nossa amostra, associando algumas dessas estatísticas a episódios vividos pela

economia no período. Em seguida, apresentamos as estimações e discutimos os seus

resultados.

3.1 ANÁLISE EMPIRICA NÃO ESTRUTURAL

A análise empírica não estrutural será feita por meio de modelos de vetores auto-

regressivos (VAR) utilizando-se as variáveis: índice de preços ao consumidor amplo (IPCA),

índice de commodities (geral, minerais e agrícola) e Produto Interno Bruto (PIB). Todos os

modelos são estimados, tomando-se as séries temporais trimestrais nos seguintes períodos:

1994T1 a 2009T3, 1994T1 a 1998T4, 1999T1 a 2002T4, 2003T1 a 2006T4 e 2007T1 a

2009T3.

Para a detecção da estacionariedade, fez-se inicialmente o teste ADF para as variáveis

em nível e, como não se pôde rejeitar a hipótese nula de existência de raízes unitárias, em

vista dos valores críticos e níveis de significância, repetiu-se o procedimento para as séries em

primeira diferença afim de que fosse possível a sua rejeição. Foram efetuados testes de

cointegração de Johansen entre as commodities e o PIB e não foi possível constatar uma

correlação no longo prazo.

3.1.1 ANÁLISE DE DECOMPOSIÇÃO DE VARIÂNCIA

Quando ocorre um choque específico, observamos qual é o percentual da variância do

erro de previsão de uma variável, dado um horizonte de previsão. Numa análise de

21

decomposição variância, verificamos qual é a participação percentual das outras variáveis na

previsão da variável em questão, a cada período da previsão. A seguir, iremos fazer essa

analise entre o IPCA e as variáveis de commodities para o modelo BI-VARIADO e depois

acrescentaremos a taxa de crescimento do PIB para o modelo MULTI-VARIADO.

3.1.2 MODELOS BI-VARIADOS

Resultado para (IPCA, GERAL):

A análise de decomposição de variância no período de 1994T1 a 2009T3 revela que as

alterações na inflação dependem pouco das mudanças nos índices de commodities geral

(0.74%). Porém, quando analisamos em subperíodos, essa dependência varia. Entre 1994T1 a

2002T4, a participação era de 11.67%, entre 2003T1 a 2006T4, de 24.72%. No último

subperíodo observado, entre 2007T4 e 2009T3, a dependência da inflação em relação as

commodities geral foi de 3.38% participação.

Tabela 3 - Análise de Decomposição de Variância – BI-VARIADO (IPCA, GERAL)

1994T1 a 2009T3 1994T1 a 2002T4

Decomposição de Variança de IPCA: Decomposição de Variança de IPCA:

Período S.E. IPCA GERAL Período S.E. IPCA GERAL

1 1,209399 100,0000 0,000000 1 1,497581 100,0000 0,000000

5 1,442667 99,26604 0,733964 5 1,839903 88,63023 11,36977

10 1,444516 99,25389 0,746114 10 1,846598 88,32006 11,67994

Ordem: IPCA, GERAL Ordem: IPCA, GERAL

2003T1 2006T4 2007T1 2009T3


Período S.E. IPCA GERAL Período S.E. IPCA GERAL

1 0,573551 100,0000 0,000000 1 0,47453 100,0000 0,000000

5 0,787235 75,63211 24,36789 5 0,495484 96,83543 3,164573

10 0,795763 75,27072 24,72928 10 0,509676 96,61315 3,386852

Ordem: IPCA, GERAL Ordem: IPCA, GERAL

22

Resultado para (IPCA, MINERAIS):

No período de 1994T1 a 2009T3 a análise de decomposição de variância revela que as

alterações na inflação dependem de 0.49% das mudanças nos índices de commodities

minerais. Quando analisamos entre 1994T1 a 2002T4, aumenta para 4.81% de participação.

Já, no subperíodo de 2003T1 a 2006T4, as alterações no IPCA têm a maior dependência das

mudanças dos índices de commodities minerais, com 31.94%. No último subperíodo

observado, entre 2007T4 e 2009T3, a dependência entre IPCA em relação ao índice de

commodities de combustíveis, volta a cair, com 3.84% de participação.

Tabela 4 - Análise de Decomposição de Variância – BI-VARIADO (IPCA, MINERAIS)

1994T1 a 2009T3 1994T1 2002T4


Período S.E. IPCA MINERAIS Período S.E. IPCA MINERAIS

1 1,209093 100,0000 0,000000 1 1,507842 100,0000 0,000000

5 1,446106 99,5007 0,499297 5 1,744388 95,27379 4,726208

10 1,447926 99,50178 0,498216 10 1,746514 95,18315 4,816848

Ordem: IPCA, MINERAIS Ordem: IPCA, MINERAIS

2003T1 2006T4 2007T1 2009T3


Período S.E. IPCA MINERAIS Período S.E. IPCA MINERAIS

1 0,567999 100,0000 0,000000 1 0,478416 100,0000 0,000000

5 0,870404 69,68964 30,31036 5 0,509438 96,60426 3,395744

10 0,881152 68,05751 31,94249 10 0,514409 96,15352 3,846475

Ordem: IPCA, MINERAIS Ordem: IPCA, MINERAIS

Resultado para (IPCA, AGRÍCOLA):


alterações na inflação dependem pouco das mudanças nos índices de commodities agrícola,

com 2.92%. Quando analisamos entre 1994T1 a 2002T4, a dependência aumenta para 6.37%

de participação. No subperíodo de 2003T1 a 2006T4, as alterações no IPCA têm dependência

de 6.22% das mudanças dos índices de commodities agrícola. No último subperíodo

23

observado, entre 2007T4 e 2009T3, a inflação (IPCA) teve maior dependência em relação ao

índice de commodities de combustíveis, com 15.62% de participação.

Tabela 5 - Análise de Decomposição de Variância – BI-VARIADO (IPCA, AGRÍCOLA)

1994T1 a 2009T3 1994T1 2002T4


Período S.E. IPCA AGRICOLA Período S.E. IPCA AGRICOLA

1 1,202253 100,0000 0,000000 1 1,478809 100,0000 0,000000

5 1,470213 97,08821 2,911792 5 1,847948 93,62791 6,37209

10 1,472133 97,0708 2,9292 10 1,849527 93,6231 6,376904

Ordem: IPCA, AGRÍCOLA Ordem: IPCA, AGRÍCOLA

2003T1 2006T4 2007T1 2009T3


Período S.E. IPCA AGRICOLA Período S.E. IPCA AGRICOLA

1 0,678980 100,0000 0,000000 1 0,476728 100,0000 0,000000

5 0,835436 95,41191 4,588093 5 0,601112 84,53783 15,46217

10 0,843493 93,7737 6,226303 10 0,604081 84,37054 15,62946

Ordem: IPCA, AGRÍCOLA Ordem: IPCA, AGRÍCOLA

3.1.3 ANÁLISE DAS FUNÇÕES RESPOSTA AOS IMPULSOS PARA OS MODELOS BI-

VARIADOS

A função resposta ao impulso mostra a resposta esperada dos valores correntes e

futuros de cada uma das variáveis a um choque em uma das equações do VAR.

A seguir mostraremos essas respostas para os modelos bi-variados das variáveis IPCA

e commodities (geral, minerais e agrícola).


Como podemos verificar no gráfico abaixo, realizado para 15 períodos entre 1994T1 e

2009T3, ao ocorrer um choque dado pelo índice de preços das commodities geral, o impacto é

positivo sobre o IPCA, estabilizando-se no decorrer dos períodos. Entre 1994T1 e 2002T4, o

choque é imediato e positivo. Já, entre 2003T1 a 2006T4 e 2007T1 a 2009T4, é negativo,

variando bastante e estabilizando-se mais após 15 períodos.

24

Figura 3 – Resposta ao Impulso – IPCA, GERAL

Período 1994T1 - 2009T3 Subperíodo 1994T1 - 2002T4

-.4

-.3

-.2

-.1

.0

.1

.2

.3

.4

.5

2 4 6 8 10 12 14

Resposta do IPCA para a commodity GERAL

-0.4

-0.2

0.0

0.2

0.4

0.6

0.8

1.0

1.2

2 4 6 8 10 12 14


Subperíodo 2003T1 - 2006T3 Suberíodo 2007T1 - 2009T3

-.6

-.4

-.2

.0

.2

.4

.6

.8

2 4 6 8 10 12 14


-.3

-.2

-.1

.0

.1

.2

.3

2 4 6 8 10 12 14


Resultado para (IPCA, MINERAIS):

No gráfico abaixo, entre 1994T1 a 2009T3, ao ocorrer um choque dado pelo índice de

preços das commodities de minerais o impacto é negativo sobre o IPCA. Entre 1994T1 a

2002T3 e 2003T1 a 2006T4 o impacto também é negativo, porém há muita variação até se

estabilizar. Já, entre 2007T1 a 2009T3, o impacto é positivo e de curta duração, tendo,

também, muita variação até se estabilizar.

25

Figura 4 – Resposta ao Impulso – IPCA, MINERAIS


-.5

-.4

-.3

-.2

-.1

.0

.1

.2

.3

.4

1 2 3 4 5 6 7 8 9 10

Resposta do IPCA para a commodity MINERAIS

-0.8

-0.6

-0.4

-0.2

0.0

0.2

0.4

0.6

0.8

1.0

1 2 3 4 5 6 7 8 9 10



-.8

-.6

-.4

-.2

.0

.2

.4

.6

2 4 6 8 10 12 14 16 18 20


-.4

-.3

-.2

-.1

.0

.1

.2

.3

.4

2 4 6 8 10 12 14 16 18 20



Como podemos verificar nos gráficos abaixo, realizado para 10 períodos, ao ocorrer

um choque dado pelo índice de preços das commodities agrícola o impacto é positivo de curto

prazo sobre o IPCA e sobre o PIB, estabilizando-se no decorrer dos períodos.


preços das commodities agrícola o impacto é positivo sobre o IPCA. Entre 1994T1 a 2002T3

26

o impacto também positivo e de curta duração. Olhando para 2003T1 a 2006T4, o impacto é

negativo, variando bastante e se estabilizando no longo prazo. Já, entre 2007T1 a 2009T3, o

impacto é positivo e de curta duração.

Figura 5 – Resposta ao Impulso – IPCA, AGRÍCOLA


-.8

-.6

-.4

-.2

.0

.2

.4

.6

.8

1 2 3 4 5 6 7 8 9 10

Resposta do IPCA para a commodity AGRICOLA

-0.8

-0.4

0.0

0.4

0.8

1.2

1 2 3 4 5 6 7 8 9 10



-.6

-.4

-.2

.0

.2

.4

.6

2 4 6 8 10 12 14 16 18 20


-0.8

-0.6

-0.4

-0.2

0.0

0.2

0.4

0.6

0.8

1.0

1 2 3 4 5 6 7 8 9 10


27

3.1.4 MODELOS MULTI-VARIADOS

Abaixo, para o modelo multi-variado, iremos mostrar a resposta esperada dos valores

correntes e futuros de cada uma das variáveis a um choque em uma das equações do VAR

para o IPCA e as commodities (geral, minerais e agrícola) acrescentando a variável PIB.

Resultado para (IPCA, GERAL e PIB):

A análise de decomposição de variância no período de 1994T1 a 2009T3 revela que,

mesmo acrescentando a variável PIB, as alterações na inflação dependem pouco das

mudanças nos índices de commodities geral (1.44%). Porém, quando analisamos em

subperíodos, essa dependência varia. Entre 1994T1 a 2002T4, a participação era de 17.10%,

entre 2003T1 a 2006T4, de 26.02%. No último subperíodo observado, entre 2007T4 e

2009T3, a dependência da inflação em relação às commodities geral foi de 16.47%

participação.


GERAL, PIB)

1994T1 a 2009T3 1994T1 a 2002T4


Período S.E. IPCA GERAL PIB Período S.E. IPCA GERAL PIB

1 1,141857 100,0000 0,000000 0,000000 1 1,26905 100,0000 0,000000 0,000000

5 1,403208 93,04319 1,379154 5,577659 5 1,768388 73,3059 16,05003 10,64406

10 1,404515 92,97329 1,449392 5,577320 10 1,783996 72,42995 17,10253 10,467520

Ordem: IPCA, GERAL, PIB Ordem: IPCA, GERAL, PIB

2003T1 2006T4 2007T1 2009T3


Período S.E. IPCA GERAL PIB Período S.E. IPCA GERAL PIB

1 0,622798 100,0000 0,000000 0,000000 1 0,5235 100,0000 0,000000 0,000000

5 0,82214 71,79192 23,13964 5,06844 5 0,576932 84,71256 13,62269 1,66475

10 0,866827 67,41061 26,02349 6,56590 10 0,593242 81,77796 16,47569 1,746350

Ordem: IPCA, GERAL, PIB Ordem: IPCA, GERAL, PIB

28

Resultado para (IPCA, MINSERAIS):

No período de 1994T1 a 2009T3 a análise de decomposição de variância revela que as

alterações na inflação dependem de 2.26% das mudanças nos índices de commodities

minerais. Quando analisamos entre 1994T1 a 2002T4, aumenta para 4.73% de participação.

Já, no subperíodo de 2003T1 a 2006T4, as alterações no IPCA têm a maior dependência das

mudanças dos índices de commodities minerais, com 34.84%. No último subperíodo

observado, entre 2007T4 e 2009T3, a dependência entre IPCA em relação ao índice de

commodities de combustíveis, volta a cair, com 3.91% de participação.


MINERAIS, PIB)

1994T1 a 2009T3 1994T1 2002T4


Período S.E. IPCA MINERAIS PIB Período S.E. IPCA MINERAIS PIB

1 1,144108 100,0000 0,000000 0,000000 1 1,365047 100,0000 0,000000 0,000000

5 1,405445 91,31818 2,257694 6,424123 5 1,696691 85,61907 4,722468 9,658458

10 1,406015 91,31083 2,267353 6,421814 10 1,698924 85,62031 4,731915 9,64777

Ordem: IPCA, MINERAIS, PIB Ordem: IPCA, MINERAIS, PIB

2003T1 2006T4 2007T1 2009T3


Período S.E. IPCA MINERAIS PIB Período S.E. IPCA MINERAIS PIB

1 0,613833 100,0000 0,000000 0,000000 1 0,429613 100,0000 0,000000 0,000000

5 0,968496 62,1282 33,6031 4,268703 5 0,600885 95,11104 3,639098 1,24986

10 0,980946 60,62503 34,84684 4,52814 10 0,619401 94,68699 3,919671 1,393341

Ordem: IPCA, MINERAIS, PIB Ordem: IPCA, MINERAIS, PIB



alterações na inflação dependem pouco das mudanças nos índices de commodities agrícola,

com 2.64%. Quando analisamos entre 1994T1 a 2002T4, a dependência aumenta para 11.98%

de participação. No subperíodo de 2003T1 a 2006T4, as alterações no IPCA têm dependência

de 4.02% das mudanças dos índices de commodities agrícola. No último subperíodo

29

observado, entre 2007T4 e 2009T3, a inflação (IPCA) teve maior dependência em relação ao

índice de commodities de combustíveis, com 36.78% de participação.


AGRÍCOLA, PIB)

1994T1 a 2009T3 1994T1 2002T4


Período S.E. IPCA AGRICOLA PIB Período S.E. IPCA AGRICOLA PIB

1 1,076205 100,0000 0,000000 0,000000 1 1,218741 100,0000 0,000000 0,000000

5 1,362686 87,77948 2,634508 9,586016 5 1,696908 73,84278 11,97014 14,18708

10 1,363306 87,74576 2,645546 9,608694 10 1,699368 73,79426 11,98264 14,22310

Ordem: IPCA, AGRÍCOLA, PIB Ordem: IPCA, AGRÍCOLA, PIB

2003T1 2006T4 2007T1 2009T3


Período S.E. IPCA AGRICOLA PIB Período S.E. IPCA AGRICOLA PIB

1 0,746151 100,0000 0,000000 0,000000 1 0,396557 100,0000 0,000000 0,000000

5 0,912221 96,16697 2,927194 0,905832 5 0,654007 64,06062 35,71528 0,224094

10 0,922168 94,31124 4,022981 1,66578 10 0,676191 62,97801 36,78883 0,233160

Ordem: IPCA, AGRÍCOLA, PIB Ordem: IPCA, AGRÍCOLA, PIB

3.1.5 ANÁLISE DAS FUNÇÕES RESPOSTA AOS IMPULSOS PARA OS MODELOS

MULTI-VARIADOS

A seguir, iremos analisar a função resposta de impulso das variáveis IPCA,

commodities (geral, combustíveis e agrícola) para o modelo multi-variado.


Como podemos verificar no gráfico abaixo, realizado para 15 períodos entre 1994T1 e

2009T3, ao ocorrer um choque dado pelo índice de preços das commodities geral, o impacto é

positivo sobre o IPCA, estabilizando-se no decorrer dos períodos. Entre 1994T1 e 2002T4, o

choque é imediato e positivo. Já, entre 2003T1 a 2006T4 o choque é negativo e entre 2007T1

a 2009T4, o choque é positivo, variando bastante e estabilizando após 15 períodos.

30

Figura 6 – Resposta ao Impulso – IPCA, GERAL e PIB


-.4

-.3

-.2

-.1

.0

.1

.2

.3

.4

.5

2 4 6 8 10 12 14


-0.4

-0.2

0.0

0.2

0.4

0.6

0.8

1.0

1.2

2 4 6 8 10 12 14



-1.0

-0.8

-0.6

-0.4

-0.2

0.0

0.2

0.4

0.6

0.8

2 4 6 8 10 12 14


-.6

-.4

-.2

.0

.2

.4

.6

2 4 6 8 10 12 14


Resultado para (IPCA, MINERAIS e PIB):


preços das commodities de minerais o impacto é negativo sobre o IPCA. Entre 1994T1 a

2002T3 e 2003T1 a 2006T4 o impacto também é negativo, porém há muita variação até se

estabilizar. Já, entre 2007T1 a 2009T3, o impacto é positivo e de curta duração, tendo muita

variação até se estabilizar.

31

Figura 7 – Resposta ao Impulso – IPCA, MINERAIS e PIB


-.6

-.4

-.2

.0

.2

.4

1 2 3 4 5 6 7 8 9 10


-.8

-.6

-.4

-.2

.0

.2

.4

.6

.8

1 2 3 4 5 6 7 8 9 10



-1.0

-0.8

-0.6

-0.4

-0.2

0.0

0.2

0.4

0.6

2 4 6 8 10 12 14 16 18 20


-.4

-.3

-.2

-.1

.0

.1

.2

.3

.4

2 4 6 8 10 12 14




preços das commodities agrícola o impacto é positivo sobre o IPCA. O mesmo ocorre entre

1994T1 a 2002T4. Olhando para 2003T1 a 2006T4, o impacto é negativo, variando bastante e

se estabilizando no longo prazo. Já, entre 2007T1 a 2009T3, o impacto é positivo e de curta

duração.

32

Figura 8 – Resposta ao Impulso – IPCA, AGRÍCOLA


-.4

-.2

.0

.2

.4

.6

1 2 3 4 5 6 7 8 9 10


-0.6

-0.4

-0.2

0.0

0.2

0.4

0.6

0.8

1.0

1.2

1 2 3 4 5 6 7 8 9 10



-.4

-.3

-.2

-.1

.0

.1

.2

.3

.4

.5

2 4 6 8 10 12 14 16 18 20


-0.8

-0.6

-0.4

-0.2

0.0

0.2

0.4

0.6

0.8

1.0

2 4 6 8 10 12 14


3.2 ANÁLISE EMPIRICA ESTRUTURAL

Conforme comentando no começo deste estudo, não há um consenso na literatura

sobre qual o melhor modelo na dinâmica de inflação. Logo, iremos utilizar três modelos

33

diferentes: modelos somente com lags de inflação, modelos com lags de inflação

incorporando o hiato do produto e curvas de Phillips novo keynesianas.

3.2.1 MODELO SOMENTE COM LAGS DE INFLAÇÃO

Nesta subseção, iremos adotar o modelo somente com lags de inflação para verificar a

relação entre o retorno da inflação e o índice de preços de commodities.

Modelo com lag de inflação:

∆IPCAt=β1*∆IPCAt-1 + β2*∆ICOMMt-1 (1)

Onde ∆IPCAt representa a variação inflação no instante t, ∆IPCAt-1 a variação da

inflação no período anterior, e ∆ICOMM representa a variação do índice de commodities

(geral, minerais e agrícola) no instante t. Por meio do método de regressão, estimamos os

coeficientes da equação (2) para o período da amostra de 1994T1 a 2009T3 e os subperíodos

de 1994T1 a 2002T4, 2003T1 a 2006T4 e 2007T1 a 2009T3.

Tabela 9: Resultados para a equação (1) com commodities geral

Amos tra β1 β2 R2

Ajustado DW LM Hetero.

1994T1 - 2009T3 0,059359 0,048233 -0,490129 0,585608 58,48086 0,082895

(0.0000) (0.2413) (0.0000) (0.9691)

1994T1 - 2002T4 0,05594 0,183413 -0,403751 0,595046 17,01285 0,744921

(0.0004) (0.1924) (0.0000) (0.5338)

2003T1 - 2006T4 0,665516 0,024183 0,378642 2,218792 0,493989 7,85188

(0.0002) (0.5040) (0.4945) (0.0037)

2007T1 - 2009T3 0,931329 -0,007327 -0,501818 2,155929 0,243671 3,391965

(0.0000) (0.4779) (0.6348) (0.0830)

Es tima ti va dos Coefi cientes

Estimativa para o modelo ∆IPCA = β1*∆IPCA(-1) + β2*∆GERAL(-1) nos períodos de 1994T1 a 2009T3 (59 observações), 1994T1 a 2002T4 (34 observações), 2003T1 a 2006T3 (16 observações) e 2007T1 a 2009T3 (10 observações) . Os valores entre parênteses abaixo dos coeficientes estimados representam o p-valor do teste t. A coluna DW mostra a estatística de Durbin-Watson. Os valores da estatística F e os p-valores (entre parênteses) podem ser observados para o teste de correlação serial de Breusch-Godfrey (LM) e de Heteroscedasticidade.O modelo de 2003T1 a 2006T4 foi corrigido pela matriz de White devido a presença de resíduos heteroscedásticos.

34

Os valores entre parênteses representam o p-valor do teste t para os coeficientes

estimados, R2 ajustado o coeficiente de ajuste da regressão e DW a estatística de Durbin-

Watson. Podem ainda ser observadas as estatísticas F para os testes de autocorrelação serial

(Breusch-Godfrey LM) e heterocedasticidade (White) com os respectivos p-valores (também

entre parênteses).

Os resultados mostram que, no período de 1994T1 a 2009T3, o valor do coeficiente da

variável GERAL (índice de commodities geral), β2, pode ser considerado insignificante ou

estatisticamente igual a zero (p-valor igual a 0.2413). Este fato indica que, a priori, o índice de

commodities geral não explica os retornos da inflação brasileira. As estatísticas de Durbin-

Watson, o coeficiente de ajuste da regressão e o teste para autocorrelação serial também

podem ser observados na tabela. O teste para heterocedasticidade não detectou presença de

heterocedasticidade no modelo.

Iremos observar os resultados dos coeficientes do modelo em cada um dos

subperíodos. Os p-valores do coeficiente β2 para os períodos de 1994T1 a 2002T4, 2003T1 a

2006T4 e 2007T1 a 2009T3 também indicam que seus valores são estatisticamente iguais a

zero. O teste para heterocedasticidade apontou a presença de resíduos não homoscedásticos

para o período de 2003T1 a 2006T4 e foi utilizada a matriz de correção de White para

estimarmos corretamente os intervalos de confiança das estimativas.

35

Tabela 10: Resultados para a equação (1) com commodities minerias

Amos tra β1 β2 R2


1994T1 - 2009T3 0,058406 0,046552 -0,487336 0,582581 59,11255 1,52519

(0.0000) (0.2234) (0.0000) (0.2178)

1994T1 - 2002T4 0,055881 0,071461 -0,450849 0,589609 18,21905 1,164094

(0.0006) (0.4168) (0.0000) (0.3397)

2003T1 - 2006T4 0,672843 0,008238 0,36919 2,022595 0,072514 1,079345

(0.0000) (0.7532) (0.7919) (0.3948)

2007T1 - 2009T3 0,912686 -0,000287 -0,593207 2,261683 0,569879 5,188999

(0.0001) (0.9833) (0.4719) (0.0337)


Estimativa para o modelo ∆IPCA = β1*∆IPCA(-1) + β2*∆MINERAIS(-1) nos períodos de 1994T1 a 2009T3 (59 observações), 1994T1 a 2002T4 (34 observações), 2003T1 a 2006T3 (16 observações) e 2007T1 a 2009T3 (10 observações) . Os valores entre parênteses abaixo dos coeficientes estimados representam o p-valor do teste t. A coluna DW mostra a estatística de Durbin-Watson. Os valores da estatística F e os p-valores (entre parênteses) podem ser observados para o teste de correlação serial de Breusch-Godfrey (LM) e de Heteroscedasticidade.O modelo de 2007T1 a 2009T3 foi corrigido pela matriz de White devido a presença de resíduos heteroscedásticos.





entre parênteses).


variável MINERAIS (índice de commodities minerais), β2, pode ser considerado

insignificante ou estatisticamente igual a zero (p-valor igual a 0.2234). Este fato indica que, a

priori, o índice de commodities minerais não explica os retornos da inflação brasileira. As

estatísticas de Durbin-Watson, o coeficiente de ajuste da regressão e o teste para

autocorrelação serial também podem ser observados na tabela. O teste para

heterocedasticidade não detectou presença de heterocedasticidade no modelo.



36





Tabela 11: Resultados para a equação (1) com commodities agrícola

Amos tra β1 β2 R2


1994T1 - 2009T3 0,060152 0,061267 -0,471986 0,549719 64,41261 2,506214

(0.0000) (0.1483) (0.0000) (0.0681)

1994T1 - 2002T4 0,058704 0,137292 -0,40406 0,534716 18,61396 2,285806

(0.0002) (0.1933) (0.0000) (0.0989)

2003T1 - 2006T4 0,68754 -0,00199 0,36471 1,95481 0,011697 1,012889

(0.0000) (0.9548) (0.9155) (0.4209)

2007T1 - 2009T3 0,90671 0,001562 -0,590685 2,251185 0,597498 4,59709

(0.0001) (0.8925) (0.4618) (0.0443)


Estimativa para o modelo ∆IPCA = β1*∆IPCA(-1) + β2*∆AGRICOLA(-1) nos períodos de 1994T1 a 2009T3 (59 observações), 1994T1 a 2002T4 (34 observações), 2003T1 a 2006T3 (16 observações) e 2007T1 a 2009T3 (10 observações) . Os valores entre parênteses abaixo dos coeficientes estimados representam o p-valor do teste t. A coluna DW mostra a estatística de Durbin-Watson. Os valores da estatística F e os p-valores (entre parênteses) podem ser observados para o teste de correlação serial de Breusch-Godfrey (LM) e de Heteroscedasticidade.O modelo de 2007T1 a 2009T3 foi corrigido pela matriz de White devido a presença de resíduos heteroscedásticos.





entre parênteses).


variável AGRICOLA (índice de commodities agrícola), β2, pode ser considerado


priori, o índice de commodities agrícola não explica os retornos da inflação brasileira. As


37


heterocedasticidade apontou a presença de resíduos não homoscedásticos e foi utilizada a

matriz de correção de White para estimarmos corretamente os intervalos de confiança das

estimativas.

Ao observar os resultados dos coeficientes do para os subperíodos 1994T1 a 2002T4,

2003T1 a 2006T4 e 2007T1 a 2009T3, os p-valores do coeficiente β2 indicaram que seus

valores também são estatisticamente iguais a zero. O teste para heterocedasticidade apontou a

presença de resíduos não homoscedásticos para o período de 2007T1 a 2009T3 e foi utilizada

a matriz de correção de White para estimarmos corretamente os intervalos de confiança das

estimativas.

Os resultados acima também contrariam o que acontece para outros países em estudos

empíricos. Como no caso anterior (modelo novo keynesiano), esta mudança estrutural pode

ter distorcido os resultados obtidos nas regressões.

Para verificarmos se de fato existe alguma quebra estrutural nos dados, aplicaremos no

modelo estimado para a equação (1) o teste de Chow para cada uma das variáveis de

commodities (geral, minerais e agrícola).

Tabela 12: Resultado para o teste de Chow no modelo com lag de inflação

Vari ável Teste de Chow: Quebra Es trutura l 2003T1 2008T1

Gera l Es ta tística F 6,009006 2,284386

P-Va lor 0,0043 0,1111

Minerais Es ta tística F 4,87917 1,401765

P-Va lor 0,0111 0,2545

Agrícola Esta tística F 5,59097 1,207348

P-Va lor 0,0061 0,3065

Teste de Chow aplicado sobre as estimativas do modelo ∆IPCA = β1*∆IPCA(-1) + β2*∆COMMODITIES(-1)

Ho: Não existe quebra estrutural no período escolhido

38

No caso do modelo só com lag de inflação, nota-se que, pelo teste de Chow, a quebra

estrutural só acontece em 2008. Logo, torna-se adequado, neste trabalho investigarmos uma

correção para uma possível distorção dos resultados devido à quebra estrutural.

Iremos incorporar no modelo com lag de inflação uma variável binária para o período

de 2008. Desta forma, pode-se adotar o seguinte:

∆IPCAt=β1*∆IPCAt-1 + β2*∆ICOMMt-1 *D2 (2)

Onde D2 é a variável binária que assume valores iguais a 0 até o ano de 2007 e 1 após

o ano de 2008. Os resultados estimados para o modelo podem ser observados na Tabela 15,

abaixo:

Tabela 13: Resultados para a equação (2) com variável binária D2

β1 β2 R2Ajustado DW LM Hetero.

GERAL 0,060114 0,004256 -0,525318 0,545917 37,66431 0,247446

(0.0000) (0.9317) (0.0000) (0.8628)

MINERAIS 0,060116 -0,008373 -0,525091 0,546577 37,55606 0,131787

(0.0000) (0.8992) (0.0000) (0.9408)

AGRÍCOLA 0,060091 0,02332 -0,521569 0,547929 37,4505 0,196503

(0.0000) (0.6973) (0.0000) (0.8984)

Estimativa para o modelo ∆IPCA = β1*∆IPCA(-1) + β2*∆COMMODITIES(-1)*D2 no período de 1994T1 a 2009T3 (61 observações). Os valores entre parênteses abaixo dos coeficientes estimados representam o p-valor do teste t. A coluna DW mostra a estatística de Durbin-Watson. Os valores da estatística F e os p-valores (entre parênteses) podem ser observados para o teste de correlação serial de Breusch-Godfrey (LM) e de Heteroscedasticidade.


Os resultados mostram que mesmo na presença de um termo de correção para a quebra

estrutural identificada, a estimativa para o coeficiente β2 continua a ser estatisticamente igual a

zero (p-valor de 0.9317 para a variável commodity geral, 0.8992 para a variável minerais e

0.6973 para a variável agrícola ). As estatísticas de Durbin-Watson, o coeficiente de ajuste da

regressão e o teste para autocorrelação serial também podem ser observados na tabela.

39

3.2.2 MODELO COM LAGS DE INFLAÇÃO E HIATO

A seguir mostraremos o modelo com lag de inflação e hiato para verificar a relação

entre o retorno da inflação e o índice de preços de commodities.

Modelo com lag de inflação e hiato:

∆IPCAt=β1*∆IPCAt-1 + β2*∆ICOMMt-1 + β3*HIATOt-2 (3)


inflação no período anterior, ∆ICOMM representa a variação do índice de commodities (geral,

minerais e agrícola) no instante t e HIATOt-2 o hiato do PIB em dois períodos anteriores. Por

meio do método de regressão, estimamos os coeficientes da equação (3) para o período da

amostra de 1994T1 a 2009T3 e os subperíodos de 1994T1 a 2002T4, 2003T1 a 2006T4 e

2007T1 a 2009T3.


Amostra β1 β2 β3 R2Ajustado DW LM Hetero.

1994T1 - 2009T3 0,063731 0,061215 25,04672 -0,476725 0,636846 33,51552 5,933109

(0.0000) (0.1016) (0.4357) (0.0000) (0.0001)

1994T1 - 2002T4 0,06295 0,260207 43,03406 -0,331458 0,714709 16,74594 11,33579

(0.0000) (0.1686) (0.4569) (0.0000) (0.0000)

2003T1 - 2006T4 0,669759 0,017114 -13,70586 0,353714 2,19177 0,360143 6,656181

(0.0002) (0.6698) (0.4753) (0.5596) (0.0063)

2007T1 - 2009T3 0,892907 -0,004735 5,860766 -0,608162 2,252485 0,282 2,51926

(0.0002) (0.6788) (0.5424) (0.6118) (0.1952)

Estimativa para o modelo ∆IPCA = β1*∆IPCA(-1) + β2*∆GERAL(-1) + β3*HIATO(-2) nos períodos de 1994T1 a 2009T3 (59 observações), 1994T1 a 2002T4 (34 observações), 2003T1 a 2006T3 (16 observações) e 2007T1 a 2009T3 (10 observações) . Os valores entre parênteses abaixo dos coeficientes estimados representam o p-valor do teste t. A coluna DW mostra a estatística de Durbin-Watson. Os valores da estatística F e os p-valores (entre parênteses) podem ser observados para o teste de correlação serial de Breusch-Godfrey (LM) e de Heteroscedasticidade.Os modelos de 1994T1 a 2009T3, 1994T1 a 2002T4 e 2003T1 a 2006T4 foram corrigido pela matriz de White devido a presença de resíduos heteroscedásticos.

Estimativa dos Coefi cientes

40





entre parênteses).






podem ser observados na tabela. O teste para heterocedasticidade apontou a presença de

resíduos não homoscedásticos e foi utilizada a matriz de correção de White para estimarmos

corretamente os intervalos de confiança das estimativas.





para os períodos de 1994T1 a 2002T4 e 2003T1 a 2006T4 e foram utilizadas a matriz de

correção de White para estimarmos corretamente os intervalos de confiança das estimativas.

41

Tabela15: Resultados para a equação (3) com commodities minerais

Amostra β1 β2 β3 R2


1994T1 - 2009T3 0,062762 0,061429 26,84106 -0,469053 0,645484 33,54971 4,657697

(0.0000) (0.0669) (0.3833) (0.0000) (0.0007)

1994T1 - 2002T4 0,060574 0,094373 29,4146 -0,413858 0,650634 18,15749 3,07646

(0.0000) (0.3282) (0.5519) (0.0000) (0.0200)

2003T1 - 2006T4 0,684646 -0,000107 -15,5184 0,346527 2,034526 0,067332 1,383498

(0.0000) (0.9971) (0.4859) (0.7997) (0.3173)

2007T1 - 2009T3 0,870691 0,003459 8,000855 -0,63279 2,23514 0,263472 1,904858

(0.0001) (0.811) (0.4024) (0.6235) (0.2774)


Estimativa para o modelo ∆IPCA = β1*∆IPCA(-1) + β2*∆MINERAIS(-1) + β3*HIATO(-2) nos períodos de 1994T1 a 2009T3 (59 observações), 1994T1 a 2002T4 (34 observações), 2003T1 a 2006T3 (16 observações) e 2007T1 a 2009T3 (10 observações) . Os valores entre parênteses abaixo dos coeficientes estimados representam o p-valor do teste t. A coluna DW mostra a estatística de Durbin-Watson. Os valores da estatística F e os p-valores (entre parênteses) podem ser observados para o teste de correlação serial de Breusch-Godfrey (LM) e de Heteroscedasticidade.Os modelos de 1994T1 a 2009T3 e 1994T1 a 2002T4 foram corrigidos pela matriz de White devido a presença de resíduos heteroscedásticos.





entre parênteses).








42


estimativas.







Tabela 16: Resultados para a equação (3) co commodities agrícola

Amostra β1 β2 β3 R2


1994T1 - 2009T3 0,064889 0,074399 25,89575 -0,455288 0,576206 34,87259 6,91572

(0.0000) (0.0563) (0.4009) (0.0000) (0.0000)

1994T1 - 2002T4 0,063751 0,151532 26,97978 -0,371119 0,558952 19,11703 7,920629

(0.0000) (0.2135) (0.5807) (0.0000) (0.0001)

2003T1 - 2006T4 0,695425 -0,02773 -24,70618 0,36716 2,04131 0,072827 1,516341

(0.0000) (0.5264) (0.3233) (0.7918) (0.2756)

2007T1 - 2009T3 0,831002 0,007717 9,510121 -0,586833 2,25135 0,301391 2,469609

(0.0005) (0.6021) (0.3417) (0.6001) (0.2004)


Estimativa para o modelo ∆IPCA = β1*∆IPCA(-1) + β2*∆AGRICOLA(-1) + β3*HIATO(-2) nos períodos de 1994T1 a 2009T3 (59 observações), 1994T1 a 2002T4 (34 observações), 2003T1 a 2006T3 (16 observações) e 2007T1 a 2009T3 (10 observações) . Os valores entre parênteses abaixo dos coeficientes estimados representam o p-valor do teste t. A coluna DW mostra a estatística de Durbin-Watson. Os valores da estatística F e os p-valores (entre parênteses) podem ser observados para o teste de correlação serial de Breusch-Godfrey (LM) e de Heteroscedasticidade.Os modelos de 1994T1 a 2009T3 e 1994T1 a 2002T4 foram corrigidos pela matriz de White devido a presença de resíduos heteroscedásticos.




43


entre parênteses).









estimativas.

Os p-valores do coeficiente β2 para os períodos de 1994T1 a 2002T4, 2003T1 a





No caso do modelo com lag de inflação e hiato, também iremos verificar se há

mudança estrutural, aplicando no modelo estimado para a equação (6) o teste de Chow para

cada uma das variáveis de commodities (geral, minerais e agrícola).

44

Tabela 17: Resultado para o teste de Chow no modelo com lag de inflação e hiato

Variável Teste de Chow: Quebra Estrutural 2003T1 2008T1

Geral Estatísti ca F 4,409514 1,476031

P-Val or 0,0075 0,2311

Minerai s Estatísti ca F 3,037637 0,789731

P-Val or 0,0366 0,5048

Agrícol a Estatísti ca F 3,474378 0,64281

P-Val or 0,022 0,5908

Teste de Chow aplicado sobre as estimativas do modelo ∆IPCA = β1*∆IPCA(-1) + β2*∆COMMODITIES(-1) + β3*HIATO(-2)


No caso do modelo com lag de inflação e hiato, nota-se que, pelo teste de Chow, a

quebra estrutural também só acontece em 2008. Logo, torna-se adequado, neste trabalho

investigarmos uma correção para uma possível distorção dos resultados devido à quebra

estrutural.

Iremos incorporar no modelo com lag de inflação e hiato uma variável binária para o

período de 2008. Desta forma, pode-se adotar o seguinte:

∆IPCAt=β1*∆IPCAt-1 + β2*∆ICOMMt-1 + β3*HIATOt-2*D2 (4)


o ano de 2008. Os resultados estimados para o modelo podem ser observados na Tabela 21,

abaixo:

45


β1 β2 β3 R2Ajustado DW LM Hetero.

GERAL 0,063463 0,011291 18,36381 -0,529731 0,575034 38,79007 5,929086

(0.0000) (0.6530) (0.5638) (0.0000) (0.0001)

MINERAIS 0,063352 0,000815 17,70219 -0,531067 0,572645 38,86375 5,220611

(0.0000) (0.9829) (0.5791) (0.0000) (0.0003)

AGRÍCOLA 0,063545 0,030522 18,94952 -0,524315 0,575549 38,23681 6,428078

(0.0000) (0.3403) (0.5482) (0.0000) (0.0000)

Estimativa para o modelo ∆IPCA = β1*∆IPCA(-1) + β2*∆COMMODITIES(-1)*D2 + β3*HIATO(-2) no período de 1994T1 a 2009T3 (61 observações). Os valores entre parênteses abaixo dos coeficientes estimados representam o p-valor do teste t. A coluna DW mostra a estatística de Durbin-Watson. Os valores da estatística F e os p-valores (entre parênteses) podem ser observados para o teste de correlação serial de Breusch-Godfrey (LM) e de Heteroscedasticidade.Os modelos foram corrigidos pela matriz de White devido a presença de resíduos heteroscedásticos.






regressão e o teste para autocorrelação serial também podem ser observados na tabela. O teste

para heterocedasticidade apontou a presença de resíduos não homoscedásticos e foi utilizada a


estimativas.

3.2.3 MODELO NOVO KEYNESIANO

Por último, iremos adotar o modelo novo keynesiano para verificar a relação entre o

retorno da inflação e o índice de preços de commodities.

Modelo novo keynesiano:

∆IPCAt=(1-β1)* ∆IPCAt-1+β2*∆EXPECTt+β3*HIATOt-2+β4*DELTAt-1+β5*∆ICOMMt-1 (5)

46


inflação no período anterior, ∆EXPECTt representa a variação da expectativa de inflação no

instante t, HIATOt-2 o hiato do PIB em dois períodos anteriores, DELTAt-1 a diferença da

variação da taxa cambial no período anterior e ∆ICOMM representa a variação do índice de

commodities (geral, minerais e agrícola) no instante t. Por meio do método de regressão,

estimamos os coeficientes da equação (1) para o período da amostra de 1994T1 a 2009T3 e os

subperíodos de 1994T1 a 2002T4, 2003T1 a 2006T4 e 2007T1 a 2009T3.

Foram utilizados os instrumentos ∆IPCA(-1 a -2), HIATO(-2), DELTA(-1) e

∆ICOMM(-1).


Amos tra β1 β2 β3 β4 β5 R2


1994T1 - 2009T3 0,618367 0,600448 13,1887 0,000524 0,003268 0,55678 2,973771 27,09362 3,856423

(0.0015) (0.0054) (0.2744) (0.9563) (0.8062) (0.0000) (0.0003)

1994T1 - 2002T4 0,580927 0,486797 33,5439 -0,004041 0,107689 0,576224 2,936427 19,41316 1,558587

(0.0101) (0.0789) (0.0902) (0.7186) (0.1862) (0.0001) (0.1886)

2003T1 - 2006T4 0,43424 0,756351 21,90213 0,065698 -0,093597 0,777144 2,807446 4,754218 3,532957

(0.0122) (0.0060) (0.3287) (0.092) (0.0581) (0.0928) (0.0424)

2007T1 - 2009T3 0,567942 0,660323 -6,237559 -0,001862 -0,005623 -0,154314 2,941079 6,438694 0,175837

(0.2236) (0.1494) (0.7820) (0.9268) (0.6674) (0.0400) (0.9580)

Estimativa para o modelo ∆IPCA = (1-β1)*∆IPCA(-1) + β2*∆EXPECT + β3*HIATO(-2) + β4*DELTA(-1) + β5*∆GERAL(-1) nos períodos de 1994T1 a 2009T3 (59 observações), 1994T1 a 2002T4 (33 observações), 2003T1 a 2006T3 (16 observações) e 2007T1 a 2009T3 (10 observações) . Os valores entre parênteses abaixo dos coeficientes estimados representam o p-valor do teste t. A coluna DW mostra a estatística de Durbin-Watson. Os valores da estatística F e os p-valores (entre parênteses) podem ser observados para o teste de correlação serial de Breusch-Godfrey (LM) e de Heteroscedasticidade.Os modelos de 1994T1 a 2009T3 e 2003T1 a 2006T4 foram corrigidos pela matriz de White devido a presença de resíduos heteroscedásticos.

Esti mati va dos Coefici entes




47


entre parênteses).






podem ser observados na tabela. O teste para heterocedasticidade apontou a presença de

resíduos não homoscedásticos e foi utilizada a matriz de correção de White para estimarmos

corretamente os intervalos de confiança das estimativas.







48

Tabela 20: Resultados para a equação (5) com commodities minerais



1994T1 - 2009T3 0,61083 0,590677 12,97995 0,000725 0,00104 0,55896 2,975376 27,19893 4,280402

(0.0016) (0.0056) (0.3087) (0.9383) (0.9508) (0.0000) (0.0001)

1994T1 - 2002T4 0,556583 0,49137 21,25484 -0,002459 -0,016796 0,545589 2,900846 19,00563 2,269876

(0.0227) (0.0958) (0.2318) (0.8508) (0.7445) (0.0001) (0.0534)

2003T1 - 2006T4 0,400895 0,515631 14,20026 0,05636 -0,018701 0,691924 3,095238 11,84513 6,002536

(0.0551) (0.0252) (0.4364) (0.2526) (0.3909) (0.0027) (0.0081)

2007T1 - 2009T3 0,743799 0,860763 -6,319157 0,000569 0,011381 -0,335994 2,131351 1,687605 0,703838

(0.1905) (0.1365) (0.7935) (0.9779) (0.518) (0.4301) (0.6508)

Estimativa para o modelo ∆IPCA = (1-β1)*∆IPCA(-1) + β2*∆EXPECT + β3*HIATO(-2) + β4*DELTA(-1) + β5*∆MINERAIS(-1) nos períodos de 1994T1 a 2009T3 (59 observações), 1994T1 a 2002T4 (33 observações), 2003T1 a 2006T3 (16 observações) e 2007T1 a 2009T3 (10 observações) . Os valores entre parênteses abaixo dos coeficientes estimados representam o p-valor do teste t. A coluna DW mostra a estatística de Durbin-Watson. Os valores da estatística F e os p-valores (entre parênteses) podem ser observados para o teste de correlação serial de Breusch-Godfrey (LM) e de Heteroscedasticidade.Os modelos de 1994T1 a 2009T3 e 2003T1 a 2006T4 foram corrigidos pela matriz de White devido a presença de resíduos heteroscedásticos.






entre parênteses).









estimativas.

49







Tabela 21: Resultados para a equação (5) com commodities agrícola

Agrícola



1994T1 - 2009T3 0,621478 0,590118 15,64626 0,000615 0,026818 0,572567 2,899841 23,74925 3,747848

(0.0010) (0.0043) (0.1909) (0.9465) (0.0608) (0.0000) (0.0003)

1994T1 - 2002T4 0,670248 0,612311 25,12707 -0,002783 0,084715 0,56343 2,832424 11,45574 1,160902

(0.0081) (0.0417) (0.1536) (0.8083) (0.1239) (0.0033) (0.3806)

2003T1 - 2006T4 0,379958 0,395892 9,488521 0,053936 -0,015871 0,685286 3,057638 10,48315 5,914184

(0.0952) (0.1254) (0.7192) (0.2730) (0.6702) (0.0053) (0.0085)

2007T1 - 2009T3 0,738722 0,80709 -5,630619 0,001304 0,007336 -0,338688 2,40165 3,563405 0,763629

(0.1813) (0.1296) (0.8185) (0.9502) (0.6937) (0.1684) (0.6201)

Estimativa para o modelo ∆IPCA = (1-β1)*∆IPCA(-1) + β2*∆EXPECT + β3*HIATO(-2) + β4*DELTA(-1) + β5*∆AGRICOLA(-1) nos períodos de 1994T1 a 2009T3 (59 observações), 1994T1 a 2002T4 (33 observações), 2003T1 a 2006T3 (16 observações) e 2007T1 a 2009T3 (10 observações) . Os valores entre parênteses abaixo dos coeficientes estimados representam o p-valor do teste t. A coluna DW mostra a estatística de Durbin-Watson. Os valores da estatística F e os p-valores (entre parênteses) podem ser observados para o teste de correlação serial de Breusch-Godfrey (LM) e de Heteroscedasticidade.Os modelos de 1994T1 a 2009T3 e 2003T1 a 2006T4 foram corrigidos pela matriz de White devido a presença de resíduos heteroscedásticos.






entre parênteses).





50





estimativas.







Os resultados acima contrariam o que acontece para outros países em estudos

empíricos. Uma possível explicação pode ser o fato de que no ano de 2003 tivemos a forte

demanda por commodities, sobretudo da China, e a crise mundial em 2008. Esta mudança

estrutural pode ter distorcido os resultados obtidos nas regressões.

Para verificarmos se de fato existe alguma quebra estrutural nos dados, aplicaremos no

modelo estimado para a equação (1) o teste de Chow para cada uma das variáveis de

commodities (geral, minerais e agrícola).

Tabela 22: Resultado para o teste de Chow no modelo novo keynesiano

Variável Tes te de Chow: Quebra Es trutura l 2003T1 2008T1

Geral Es tatística F 0,986727 0,206661

P-Valor 0,4355 0,9581

Minera is Es tatística F 0,247131 0,147887

P-Valor 0,9393 0,9797

Agrícola Es tatística F 0,626454 0,241115

P-Valor 0,6803 0,9423

Teste de Chow aplicado sobre as estimativas do modelo ∆IPCA = (1-β1)*∆IPCA(-1) + β2*∆EXPECT + β3*HIATO(-2) + β4*DELTA(-1) + β5*∆COMMODITIES(-1)


51

Como citamos anteriormente, a partir do ano de 2003 tivemos forte demanda por

commodities e em 2008 a crise financeira. Logo, torna-se adequado, neste trabalho

investigarmos uma correção para uma possível distorção dos resultados devido a quebra

estrutural.

Uma possível correção para o problema da quebra estrutural seria a incorporação de

uma variável binária no modelo. Desta forma, pode-se adotar o seguinte:

∆IPCAt=(1-β1)* ∆IPCAt-1+β2*∆EXPECTt+β3*HIATOt-2+β4*DELTAt-1+β5*∆ICOMMt-1*D1 (6)

∆IPCAt=(1-β1)* ∆IPCAt-1+β2*∆EXPECTt+β3*HIATOt-2+β4*DELTAt-1+β5*∆ICOMMt-1*D2 (7)


o ano de 2003 e D2 é a variável binária que assume valores iguais a 0 até o ano de 2007 e 1

após o ano de 2008. Os resultados estimados para os modelos podem ser observados nas

Tabelas 23 e 24, abaixo:


β1 β2 β3 β4 β5 R2


GERAL 0,510115 0,446161 12,66747 0,002451 -0,003526 0,544804 2,942077 38,87144 2,755134

(0.0000) (0.0015) (02991) (0.7880) (0.7692) (0.0000) (0.0047)

MINERAIS 0,514415 0,446346 13,62254 0,002174 0,007693 0,545652 2,93186 34,25019 2,416781

(0.0000) (0.0013) (0.2783) (0.8130) (0.4723) (0.0000) (0.0121)

AGRÍCOLA 0,511569 0,44405 13,52799 0,002482 0,010085 0,546179 2,932805 35,99751 2,515269

(0.0000) (0.0014) (0.2745) (0.7869) (0.3174) (0.0000) (0.0092)

Estimativa para o modelo ∆IPCA = (1-β1)*∆IPCA(-1) + β2*∆EXPECT + β3*HIATO(-2) + β4*DELTA(-1) + β5*∆COMMODITIES(-1)*D1 no período de 1994T1 a 2009T3 (59 observações). Os valores entre parênteses abaixo dos coeficientes estimados representam o p-valor do teste t. A coluna DW mostra a estatística de Durbin-Watson. Os valores da estatística F e os p-valores (entre parênteses) podem ser observados para o teste de correlação serial de Breusch-Godfrey (LM) e de Heteroscedasticidade.Os modelos foram corrigidos pela matriz de White devido a presença de resíduos heteroscedásticos.




52




para heteroscedasticidade apontou a presença de resíduos não homoscedásticos e foi utilizada


estimativas.


β1 β2 β3 β4 β5 R2


GERAL 0,509889 0,444987 12,79427 0,002532 0,000982 0,544587 2,941938 37,69361 2,385781

(0.0000) (0.0014) (02931) (0.7839) (0.9335) (0.0000) (0.0132)

MINERAIS 0,509969 0,446677 13,20305 0,00264 0,013441 0,546185 2,93259 35,51005 2,420649

(0.0000) (0.0014) (0.2802) (0.7748) (0.2729) (0.0000) (0.0120)

AGRÍCOLA 0,509222 0,44477 12,87502 0,002894 0,011818 0,546056 2,939766 35,84258 2,404034

(0.0000) (0.0014) (0.2897) (0.7576) (0.2939) (0.0000) (0.0125)

Estimativa para o modelo ∆IPCA = (1-β1)*∆IPCA(-1) + β2*∆EXPECT + β3*HIATO(-2) + β4*DELTA(-1) + β5*∆COMMODITIES(-1)*D2 no período de 1994T1 a 2009T3 (59 observações). Os valores entre parênteses abaixo dos coeficientes estimados representam o p-valor do teste t. A coluna DW mostra a estatística de Durbin-Watson. Os valores da estatística F e os p-valores (entre parênteses) podem ser observados para o teste de correlação serial de Breusch-Godfrey (LM) e de Heteroscedasticidade.O modelo foI corrigido pela matriz de White devido a presença de resíduos heteroscedásticos.







para heteroscedasticidade apontou a presença de resíduos não homoscedásticos e foi utilizada


estimativas.

53

4. CONCLUSÕES

O presente trabalho teve como objetivo estudar a relação entre a inflação e o índice de

commodities (geral, geral excluído petróleo, combustíveis, minerais e agrícola) no mercado

brasileiro. Foram utilizados dados trimestrais de 1994T1 a 2009T3 compostos pela variação

da inflação (IPCA), variação do índice de commodities (geral, minerais e agrícola), variação

da taxa de cambio e PIB, assim como os subperíodos de 1994T1 a 2002T4, 2003T1 a 2006T4

e 2007T1 a 2009T3.

Foram utilizados desde modelos VAR (bi-variados e multi-variados), a modelos

estruturais, como modelos somente com lags de inflação, modelos com lags de inflação

incorporando o hiato do produto e curvas de Phillips novo keynesianas. Foi verificado que

entre 1994T1 e 2009T3 o índice de preços de commodities não explica a inflação no Brasil. O

mesmo foi feito para os três subperíodos de 1994T1 a 2002T4, 2003T1 a 2006T4 e 2007T1 a

2009T3 e também não alterou a conclusão.

Os resultados encontrados neste trabalho são diferentes dos observados para a maioria

dos estudos da literatura internacional, onde foi registrada uma relação de longo prazo entre

índice de preços de commodities e inflação.

Uma possível explicação para nossos resultados talvez tenha relação com o regime de

câmbio flutuante do Brasil. Um aumento dos preços das commodities aumenta as exportações

do país, o que aumenta a demanda agregada e, portanto, tem efeitos positivos sobre a inflação.

Ao mesmo tempo, a maior entrada de recursos externos tende a apreciar o câmbio, fato que

tem efeitos negativos sobre a inflação. Nossos resultados mostram que na nossa amostra estes

efeitos parecem se compensar, refletindo na falta de correlação entre as commodities e a

inflação ao consumidor no Brasil.

54

REFERÊNCIAS BIBLIOGRÁFICAS

Awokuse, T. and J. Yang (2003), The Informational Role of Commodity Prices in

Formulating Monetary Policy: A Reexamination, Economics Letters, 79, 219-224.

Cody, B.J. and Mills, L.O., 1991. The Role of Commodity Prices in Formulating

Monetary Policy. Review of Economics and Statistics 73, 358-365.

Garner, A.C., 1989. Commodity Prices: Policy Target or Information Variables? Journal

of Money, Credit and Banking 21, 508-514.

Furlong, F. and R. Ingenito (1996), Commodity Prices and Inflation, Federal Reserve Bank

of San Francisco Economic Review, 27-47.

Hamorie, Shigeyuki (2007), The information role of commodity prices in formulating

monetary policy: some evidence from Japan, Federal Reserve Bank of San Francisco

Economic Review, 27-47.

Hua, P., 1998. On Primary Commodity Prices: The Impact of Macroeconomic/Monetary

Shocks. Journal of Policy Modeling 20, 767-790.

Kyrtsou, C. and W. Labys (2005), Evidence for Chaotic Dependence Between U.S.

Inflation and Commodity Prices, Economics Bulletin, Economics Bulletin, vol. 5(13),

pages 1-7.

Mahdavi, S. and S. Zhou (1997), Gold and Commodity Prices as Leading Indicators of

Inflation: Tests of Long-Run Relationship and Predictive Performance, Journal of

Economics and Business, 49, 475-489.

55

Marquis, M.H. and Cunningham, S.R., 1990. Is There a Role of Commodity Prices in the

Design of Monetary Policy? Some Empirical Evidence. Southern Economic Journal 57,

394-412.

Sephton, P. S., 1991. Commodity Prices: Policy Target or Information Variables? A

Comment. Journal of Money, Credit and Banking 23, 260-266.

Wooldridge, Jeffrey. Introdução à Econometria: Uma abordagem moderna. Ed. Pioneira

Thomson Learning. 2006.

dissertaÇÃo de mestrado profissionalizante em...

Documents