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
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
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
Rio de Janeiro, 15 de dezembro de 2009.
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 18 - Resultados para a equação (4) com variável binária D2___________________ 45
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
Tabela 23 - Resultados para a equação (6) com variável binária D1___________________ 51
Tabela 24 - Resultados para a equação (7) com variável binária D2___________________ 52
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
Decomposição de Variança de IPCA: Decomposição de Variança de IPCA:
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
Decomposição de Variança de IPCA: Decomposição de Variança de IPCA:
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
Decomposição de Variança de IPCA: Decomposição de Variança de IPCA:
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):
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 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
Decomposição de Variança de IPCA: Decomposição de Variança de IPCA:
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
Decomposição de Variança de IPCA: Decomposição de Variança de IPCA:
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).
Resultado para (IPCA, GERAL):
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
Resposta do IPCA para a commodity GERAL
Subperíodo 2003T1 - 2006T3 Suberíodo 2007T1 - 2009T3
-.6
-.4
-.2
.0
.2
.4
.6
.8
2 4 6 8 10 12 14
Resposta do IPCA para a commodity GERAL
-.3
-.2
-.1
.0
.1
.2
.3
2 4 6 8 10 12 14
Resposta do IPCA para a commodity GERAL
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
Período 1994T1 - 2009T3 Subperíodo 1994T1 - 2002T4
-.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
Resposta do IPCA para a commodity MINERAIS
Subperíodo 2003T1 - 2006T3 Suberíodo 2007T1 - 2009T3
-.8
-.6
-.4
-.2
.0
.2
.4
.6
2 4 6 8 10 12 14 16 18 20
Resposta do IPCA para a commodity MINERAIS
-.4
-.3
-.2
-.1
.0
.1
.2
.3
.4
2 4 6 8 10 12 14 16 18 20
Resposta do IPCA para a commodity MINERAIS
Resultado para (IPCA, AGRÍCOLA):
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.
No gráfico abaixo, entre 1994T1 a 2009T3, ao ocorrer um choque dado pelo índice de
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
Período 1994T1 - 2009T3 Subperíodo 1994T1 - 2002T4
-.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
Resposta do IPCA para a commodity AGRICOLA
Subperíodo 2003T1 - 2006T3 Suberíodo 2007T1 - 2009T3
-.6
-.4
-.2
.0
.2
.4
.6
2 4 6 8 10 12 14 16 18 20
Resposta do IPCA para a commodity AGRICOLA
-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
Resposta do IPCA para a commodity AGRICOLA
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.
Tabela 6 - Análise de Decomposição de Variância – MULTI-VARIADO (IPCA,
GERAL, PIB)
1994T1 a 2009T3 1994T1 a 2002T4
Decomposição de Variança de IPCA: Decomposição de Variança de IPCA:
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
Decomposição de Variança de IPCA: Decomposição de Variança de IPCA:
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.
Tabela 7 - Análise de Decomposição de Variância – MULTI-VARIADO (IPCA,
MINERAIS, PIB)
1994T1 a 2009T3 1994T1 2002T4
Decomposição de Variança de IPCA: Decomposição de Variança de IPCA:
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
Decomposição de Variança de IPCA: Decomposição de Variança de IPCA:
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
Resultado para (IPCA, AGRÍCOLA):
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 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.
Tabela 8 - Análise de Decomposição de Variância – MULTI-VARIADO (IPCA,
AGRÍCOLA, PIB)
1994T1 a 2009T3 1994T1 2002T4
Decomposição de Variança de IPCA: Decomposição de Variança de IPCA:
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
Decomposição de Variança de IPCA: Decomposição de Variança de IPCA:
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.
Resultado para (IPCA, GERAL):
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
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
Resposta do IPCA para a commodity GERAL
Subperíodo 2003T1 - 2006T3 Suberíodo 2007T1 - 2009T3
-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
Resposta do IPCA para a commodity GERAL
-.6
-.4
-.2
.0
.2
.4
.6
2 4 6 8 10 12 14
Resposta do IPCA para a commodity GERAL
Resultado para (IPCA, MINERAIS e PIB):
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 muita
variação até se estabilizar.
31
Figura 7 – Resposta ao Impulso – IPCA, MINERAIS e PIB
Período 1994T1 - 2009T3 Subperíodo 1994T1 - 2002T4
-.6
-.4
-.2
.0
.2
.4
1 2 3 4 5 6 7 8 9 10
Resposta do IPCA para a commodity MINERAIS
-.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 MINERAIS
Subperíodo 2003T1 - 2006T3 Suberíodo 2007T1 - 2009T3
-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
Resposta do IPCA para a commodity MINERAIS
-.4
-.3
-.2
-.1
.0
.1
.2
.3
.4
2 4 6 8 10 12 14
Resposta do IPCA para a commodity MINERAIS
Resultado para (IPCA, AGRÍCOLA):
No gráfico abaixo, entre 1994T1 a 2009T3, ao ocorrer um choque dado pelo índice de
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
Período 1994T1 - 2009T3 Subperíodo 1994T1 - 2002T4
-.4
-.2
.0
.2
.4
.6
1 2 3 4 5 6 7 8 9 10
Resposta do IPCA para a commodity AGRICOLA
-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
Resposta do IPCA para a commodity AGRICOLA
Subperíodo 2003T1 - 2006T3 Suberíodo 2007T1 - 2009T3
-.4
-.3
-.2
-.1
.0
.1
.2
.3
.4
.5
2 4 6 8 10 12 14 16 18 20
Resposta do IPCA para a commodity AGRICOLA
-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
Resposta do IPCA para a commodity AGRICOLA
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
Ajustado DW LM Hetero.
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)
Es tima ti va dos Coefi cientes
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.
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 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.
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
36
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 2007T1 a 2009T3 e foi utilizada a matriz de correção de White para
estimarmos corretamente os intervalos de confiança das estimativas.
Tabela 11: Resultados para a equação (1) com commodities agrícola
Amos tra β1 β2 R2
Ajustado DW LM Hetero.
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)
Es tima ti va dos Coefi cientes
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.
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 AGRICOLA (índice de commodities agrícola), β2, pode ser considerado
insignificante ou estatisticamente igual a zero (p-valor igual a 0.1483). Este fato indica que, a
priori, o índice de commodities agrícola não explica os retornos da inflação brasileira. As
estatísticas de Durbin-Watson, o coeficiente de ajuste da regressão e o teste para
37
autocorrelação serial também 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.
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.
Es tima ti va dos Coefi cientes
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)
Onde ∆IPCAt representa a variação inflação no instante t, ∆IPCAt-1 a variação da
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.
Tabela 14: Resultados para a equação (3) com commodities geral
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
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 0.1016). 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 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.
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 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
Ajustado DW LM Hetero.
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 dos Coefi cientes
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.
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 MINERAIS (índice de commodities minerais), β2, pode ser considerado
insignificante ou estatisticamente igual a zero (p-valor igual a 0.0669). 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 apontou a presença de resíduos não homoscedásticos e foi utilizada a
42
matriz de correção de White para estimarmos corretamente os intervalos de confiança das
estimativas.
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 1994T1 a 2002T4 e foi utilizada a matriz de correção de White para
estimarmos corretamente os intervalos de confiança das estimativas.
Tabela 16: Resultados para a equação (3) co commodities agrícola
Amostra β1 β2 β3 R2
Ajustado DW LM Hetero.
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 dos Coefi cientes
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.
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
43
(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 AGRICOLA (índice de commodities agrícola), β2, pode ser considerado
insignificante ou estatisticamente igual a zero (p-valor igual a 0.0563). Este fato indica que, a
priori, o índice de commodities agrícola 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 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.
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 1994T1 a 2002T4 e foi utilizada a matriz de correção de White para
estimarmos corretamente os intervalos de confiança das estimativas.
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)
Ho: Não existe quebra estrutural no período escolhido
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)
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 21,
abaixo:
45
Tabela 18: Resultados para a equação (4) com variável binária D2
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.
Estimativa dos Coefi cientes
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 0.5638 para a variável commodity geral, 0.5791 para a variável minerais e
0.5482 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. 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.
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
Onde ∆IPCAt representa a variação inflação no instante t, ∆IPCAt-1 a variação da
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).
Tabela 19: Resultados para a equação (5) com commodities geral
Amos tra β1 β2 β3 β4 β5 R2
Ajustado DW LM Hetero.
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
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
47
(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), β5, pode ser considerado insignificante ou
estatisticamente igual a zero (p-valor igual a 0.8062). 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 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.
Iremos observar os resultados dos coeficientes do modelo em cada um dos
subperíodos. Os p-valores do coeficiente β5 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.
48
Tabela 20: Resultados para a equação (5) com commodities minerais
Amos tra β1 β2 β3 β4 β5 R2
Ajustado DW LM Hetero.
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.
Esti mati va dos Coefici entes
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 MINERAIS (índice de commodities minerais), β5, pode ser considerado
insignificante ou estatisticamente igual a zero (p-valor igual a 0.9508). 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 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.
49
Iremos observar os resultados dos coeficientes do modelo em cada um dos
subperíodos. Os p-valores do coeficiente β5 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.
Tabela 21: Resultados para a equação (5) com commodities agrícola
Agrícola
Amos tra β1 β2 β3 β4 β5 R2
Ajustado DW LM Hetero.
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.
Esti mati va dos Coefici entes
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 AGRICOLA (índice de commodities agrícola), β5, pode ser considerado
insignificante ou estatisticamente igual a zero (p-valor igual a 0.0608). Este fato indica que, a
priori, o índice de commodities agrícola não explica os retornos da inflação brasileira. As
50
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 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.
Iremos observar os resultados dos coeficientes do modelo em cada um dos
subperíodos. Os p-valores do coeficiente β5 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.
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)
Ho: Não existe quebra estrutural no período escolhido
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)
Onde D1 é a variável binária que assume valores iguais a 0 até o ano de 2002 e 1 após
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:
Tabela 23: Resultados para a equação (6) com variável binária D1
β1 β2 β3 β4 β5 R2
Ajustado DW LM Hetero.
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.
Esti mati va dos Coefici entes
Os resultados mostram que mesmo na presença de um termo de correção para a quebra
estrutural identificada, a estimativa para o coeficiente β5 continua a ser estatisticamente igual a
52
zero (p-valor de 0.7692 para a variável commodity geral, 0.4723 para a variável minerais e
0.3174 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. O teste
para heteroscedasticidade 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.
Tabela 24: Resultados para a equação (7) com variável binária D2
β1 β2 β3 β4 β5 R2
Ajustado DW LM Hetero.
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.
Esti mati va dos Coefici entes
Os resultados mostram que mesmo na presença de um termo de correção para a quebra
estrutural identificada, a estimativa para o coeficiente β5 continua a ser estatisticamente igual a
zero (p-valor de 0.9335 para a variável commodity geral, 0.2729 para a variável minerais e
0.2939 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. O teste
para heteroscedasticidade 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.
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.