o efeito pass-through da taxa de cÂmbio para os...

UNIVERSIDADE FEDERAL DE SANTA MARIA

CENTRO DE CIÊNCIAS SOCIAIS E HUMANAS

CURSO DE CIÊNCIAS ECONÔMICAS

O EFEITO PASS-THROUGH DA TAXA DE CÂMBIO

PARA OS ÍNDICES DE PREÇOS: UMA ANÁLISE

EMPÍRICA PARA ECONOMIA BRASILEIRA

MONOGRAFIA DE GRADUAÇÃO

Angélica Luiza Seibert

Santa Maria, RS, Brasil

2015

O EFEITO PASS-THROUGH DA TAXA DE CÂMBIO PARA

OS ÍNDICES DE PREÇOS: UMA ANÁLISE EMPÍRICA PARA

ECONOMIA BRASILEIRA


Monografia de Graduação apresentada ao curso de Graduação em Ciências

Econômicas, Centro de Ciências Sociais e Humanas, da Universidade Federal de

Santa Maria (UFSM, RS), como requisito parcial para obtenção do título de

Bacharel em Ciências Econômicas

Orientador: Prof. Anderson Antônio Denardin

Santa Maria, RS, Brasil

2015

UNIVERSIDADE FEDERAL DE SANTA MARIA

CENTRO DE CIÊNCIAS SOCIAIS E HUMANAS

CURSO DE CIÊNCIAS ECONÔMICAS

A Comissão Examinadora, abaixo assinada,

aprova a Monografia de Graduação

O EFEITO PASS-THROUGH DA TAXA DE CÂMBIO PARA OS

ÍNDICES DE PREÇOS: UMA ANÁLISE EMPÍRICA NA ECONOMIA

BRASILEIRA

Elaborada por


Como requisito parcial para obtenção do título de

Bacharel em Ciências Econômicas

COMISSÃO EXAMINADORA:

Anderson Antônio Denardin, Dr. (UFRGS)

(Presidente/Orientador)

Clailton Ataídes de Freitas, Dr. (ESALQ/USP)

Gilberto de Oliveira Veloso, Dr. (UFRGS)

Santa Maria, 10 de dezembro de 2015.

AGRADECIMENTOS

Primeiramente, aos meus pais, Armando e Edolesia, aos meus irmãos e aos meus

sobrinhos que são minha base, que sempre incentivaram os meus estudos, que me ensinaram a

lutar para alcançar os objetivos e que acreditaram no meu potencial.

Aos meus colegas e companheiros de faculdade, especialmente, a Fabrina Marin do

Carmo Loro, que sempre colaborou nos dias de intenso estudo e que me deu força para

enfrentar os desafios em busca da concretização do mesmo sonho.

Ao meu orientador, Anderson Antônio Denardin, pela disponibilidade, pela dedicação

e pelos ensinamentos ao auxiliar na realização desta monografia.

Aos demais professores, pelo empenho e pelos ensinamentos transmitidos em sala de

aula, os quais me fizeram crescer pessoalmente e profissionalmente e assim, contribuíram

para que alcançasse este objetivo de se tornar bacharel em economia.

Por fim, aos meus amigos que convivi durante a faculdade, pela paciência, pela

compreensão e pela confiança que depositaram em mim ao acreditar em minha capacidade de

chegar até aqui.

RESUMO

Monografia de Graduação

Curso de Ciências Econômicas

Universidade Federal de Santa Maria

O EFEITO PASS-THROUGH DA TAXA DE CÂMBIO PARA OS

ÍNDICES DE PREÇOS: UMA ANÁLISE EMPÍRICA NA ECONOMIA

BRASILEIRA

AUTORA: ANGÉLICA LUIZA SEIBERT

ORIENTADORA: Profª. Dr. ANDERSON ANTÔNIO DENARDIN

Data e Local da Defesa: Santa Maria, 10 de dezembro de 2015.

Esta monografia tem como objetivo demonstrar o efeito pass-through na economia brasileira

no período de 1999 a 2015 para alcançar esse propósito analisou-se como as alterações na

taxa de câmbio afetam os índices de preços utilizando a função de resposta ao impulso, a

causalidade de Granger e decomposição da variância no modelo VAR. Também se verificou a

estacionariedade das variáveis através do Dickey-Fuller aumentado e Phillips-Perron, com os

quais se constataram que as séries são não estacionárias e ao diferenciá-las uma vez tornaram-

se estacionárias. Os dados inseridos nos modelos foram de fonte secundária adquiridos no

IPEADATA. As principais conclusões foram que a direção de causalidade é de câmbio para

preços e que o câmbio explica os índices de preços ao decompor a variância. Assim,

mudanças na taxa de câmbio influenciam os índices de preços. Além disso, se evidenciou que

o efeito pass-through de curto e longo prazo é menor e mais prolongado no IPC e IPCA, pois

no IGP-DI e IGP-M o efeito é mais intenso e menos persistente e que o efeito pass-through é

aproximado entre IGP-DI e IGP-M e entre IPC e IPCA, devido à análise de composição entre

esses índices ser similar.

Palavras chaves: Efeito pass-through. Taxa de câmbio. Índices de preços.

ABSTRACT

Final Monograph

Economics Course

Federal University of Santa Maria

THE PASS-THROUGH EFFECT OF THE EXCHANGE RATE FOR THE

PRICE INDEX: AN EMPIRICAL ANALYSIS FROM BRAZILIAN

ECONOMY AUTHOR: ANGÉLICA LUIZA SEIBERT

ADVISOR: Profª. Dr. ANDERSON ANTÔNIO DENARDIN

Date and Venue: 10, December, 2015, Santa Maria.

This study aims to show the pass-through effect in the Brazilian economy from 1999 to 2015,

to do so, analyzed the changes in the exchange rate affect the price index were using the

impulse response function, the causality of Granger and the decomposition of variance in

VAR model. It was also observed that, the stationary of the variables through of the Dickey-

Fuller increased and Phillps-Perron, by which it was found that the series aren’t stationary and

to differentiate them once they became stationary. The data included in the models were from

a secondary source, the IPEADATA. The main conclusion was that the direction of causality

is from exchange to prices and that the exchange explain the price index when decomposing

the variance. So, changes in exchange rate influence the price index. Moreover, it became

clear that the pass-through effect of short and long term is shorter and longer in IPC and

IPCA, because in IGP-DI and IGP-M the effect is more intense and less persistent and that the

pass-through effect is approximate between IGP-DI and IGP-M and between IPC and IPCA,

because to analysis of composition between these indices is similar.

Key Words: Pass-through effect. Exchange rate. Price index.

LISTA DE FIGURAS

Figura 1 – Função de Resposta ao Impulso dos índices de preços em primeira diferença

(IGP-DI, IGP-M, IPC, IPCA) mediante um choque na taxa de câmbio..................36

Figura 2 – Função de Resposta ao Impulso dos índices de preços em logaritmos

(IGP-DI, IGP-M, IPC, IPCA) mediante um choque na taxa de câmbio..................43

LISTA DE TABELAS

Tabela 1 – Estatística Descritiva para as Séries de Interesse....................................................23

Tabela 2 – Teste de Raiz Unitária de Dickey-Fuller aumentado (DFA)..................................25

Tabela 3 - Teste da Raiz Unitária de Phillips-Perron (PP).......................................................26

Tabela 4 – Teste de Raiz Unitária de Dickey-Fuller aumentado (DFA),

dados em primeira diferença....................................................................................27

Tabela 5 – Teste da Raiz Unitária de Phillips-Perron (PP), dados em primeira

diferença...................................................................................................................27

Tabela 6 – Teste de Causalidade de Granger............................................................................29

Tabela 7 - Seleção da Ordem de Defasagem para os Modelos VAR

em primeira diferença ............................................................................................32

Tabela 8 – Decomposição da variância do DIGP-DI...............................................................33

Tabela 9 – Decomposição da variância do DIGP-M................................................................33

Tabela 10 – Decomposição da variância do DIPC...................................................................34

Tabela 11 – Decomposição da variância do DIPCA................................................................34

Tabela 12 - Seleção da Ordem de Defasagem para os Modelos VAR

em nível..................................................................................................................38

Tabela 13 – Teste de Cointegração...........................................................................................38

Tabela 14 – Decomposição da variância do LOGIGP-DI........................................................39

Tabela 15 – Decomposição da variância do LOGIGP-M.........................................................40

Tabela 16 – Decomposição da variância do LOGIPC..............................................................41

Tabela 17 – Decomposição da variância do LOGIPCA...........................................................41

LISTA DE QUADROS

Quadro 1 – Séries de interesse utilizadas nos testes empíricos.................................................22

LISTA DE APÊNDICE

APÊNDICE A - Teste Dickey-Fuller aumentado (DFA).........................................................51

APÊNDICE B – Teste Phillips-Perron (PP).............................................................................54

APÊNDICE C – Teste de Dickey-Fuller aumentado, dados em primeira diferença................57

APÊNDICE D – Teste Phillips-Perron (PP), dados em primeira diferença.............................60

APÊNDICE E – Teste de Causalidade de Granger com três defasagens.................................63

APÊNDICE F – Teste de Causalidade de Granger com seis defasagens ................................64

APÊNDICE G – Teste de Causalidade de Granger com nove defasagens...............................65

APÊNDICE H – Ordem de Defasagem para os Modelos VAR em primeira diferença...........66

APÊNDICE I – Decomposição da Variância dos modelos em primeira diferença..................68

APÊNDICE J – Ordem de Defasagem para os Modelos VAR Estimados em nível................70

APÊNDICE K – Teste de Cointegração do Modelo VAR em nível........................................72

APÊNDICE L – Decomposição da Variância dos modelos em nível......................................74

SUMÁRIO

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

2 REFERENCIAL TEÓRICO ........................................................................... 13

2.1 Taxa de Câmbio ...................................................................................................... 13

2.2 Fatores que afetam o grau de pass-through ......................................................... 14

2.3 Transmissão do pass-through do câmbio para os preços ................................... 16

3 REVISÃO BIBLIOGRÁFICA ........................................................................ 18

4 METODOLOGIA ................................................................................................ 22

4.1 Fontes de dados ....................................................................................................... 22

4.2 Análise estatística das variáveis do modelo econométrico .................................. 23

4.3 Modelo Econométrico............................................................................................. 24

4.4 Testes de estacionariedade ..................................................................................... 25

4.5 Causalidade de Granger ........................................................................................ 28

5 ANÁLISE DOS RESULTADOS .................................................................... 31

5.1 Análise em primeira diferença .............................................................................. 31

5.1.1 Defagens dos modelos ........................................................................................... 31

5.1.2 Decomposição da variância do erro de previsão ................................................... 32

5.1.3 Função de Resposta ao Impulso ............................................................................ 35

5.2 Análise em nível ...................................................................................................... 37

5.2.1 Defagens dos modelos ........................................................................................... 37

5.2.2 Teste de Cointegração ........................................................................................... 38

5.2.3 Decomposição da variância do erro de previsão ................................................... 39

5.2.4 Função de Resposta ao Impulso ............................................................................ 42

6 CONSIDERAÇÕES FINAIS ........................................................................... 45

REFERÊNCIAS ....................................................................................................... 47

APÊNDICES ............................................................................................................. 50

11

1 INTRODUÇÃO

No início do ano de 1999 foi implementado o regime de câmbio flutuante suja na

economia brasileira, com isso formou-se uma grande expectativa quanto ao impacto dessa

alteração de regime cambial sobre o sistema de preços. Pois nesse regime de câmbio a

autoridade monetária não intervém no mercado de câmbio, assim a taxa é determinada pela

interação entre oferta e demanda de divisas no mercado cambial.

A transmissão dos movimentos da taxa de câmbio aos índices de preços de um país é

chamada na literatura econômica de efeito pass-through. Esse efeito dependente,

principalmente, da elasticidade dos produtos que constituem esses índices. Assim, quanto

maior for a sensibilidade, maior será o repasse, a variação do índice de preços dependerá de

sua composição e da forma como o setor afetado reagiu à variação cambial.

De acordo com Goldberg e Knetter (1997), o pass-through reflete a mudança

percentual em moeda corrente dos preços dos produtos importados resultante da mudança de

um ponto percentual entre a taxa de câmbio dos países exportadores e importadores. Esse

grau de repasse cambial aos preços significa a sensibilidade dos preços domésticos em

comparação às mudanças cambiais.

Assim, é importante analisar como a taxa de câmbio pode afetar os índices de preço no

Brasil, pois o grau de pass-through pode ocorrer de três formas distintas. Podendo ser nulo,

isto é, as mudanças do câmbio não são transmitidas aos preços, também o pass-through pode

ser completo, igual a um, assim, as alterações cambiais são repassadas totalmente aos preços e

o pass-through pode estar entre zero e um, nessa situação apenas uma parte da variação do

câmbio é repassada aos preços, com efeito de pass-through incompleto, conforme Colbano

(2006).

Considerando os argumentos apresentados, este estudo buscará responder ao seguinte

problema de pesquisa: Qual é o impacto da alteração da taxa de câmbio sobre o índice de

preços no período de 1999 a 2015 no Brasil?

Assim sendo, tem-se como objetivo geral investigar por meio da análise do modelo

Vetor Autorregressivo (VAR) o efeito fornecido pelas funções de resposta ao impulso e pela

decomposição da variância, verificando como os diferentes índices de preços (IGP-DI, IGP-

M, IPC, IPCA) reagem com as mudanças da taxa de câmbio no período de janeiro de 1999 a

junho de 2015.

12

Complementando, como objetivos específicos para este estudo, verificar a causalidade

de Granger positiva entre a taxa de câmbio e o índice de preços, ou a ausência de causalidade

entre essas variáveis. Como também verificar se existe efetivamente um mecanismo intenso

da influência da taxa de câmbio sobre os índices de preços que persiste na economia

brasileira.

Assim para cumprir esse propósito, a presente pesquisa se organiza na seguinte

forma: a segunda seção fez-se a busca do referencial teórico; na terceira seção a análise

detalhadamente dos modelos teóricos sobre o efeito pass-through; na quarta seção se aponta a

metodologia a ser utilizada e a análise estatística dos dados; na quinta seção se analisa os

resultados obtidos; por fim, são apresentadas as principais conclusões.

13

2 REFERENCIAL TEÓRICO

2.1 Taxa de câmbio

Segundo Krugman (2005, p. 241), a taxa de câmbio pode ser definida, como sendo “o

preço de uma moeda em termos de outra”. Desempenha papel central nas relações

internacionais ao permitir a comparação entre os preços de bens e serviços produzidos em

países diferentes.

A atuação da taxa de câmbio retrata a competitividade da economia, pois com sua

desvalorização torna os produtos domésticos mais competitivos frente aos produtos

estrangeiros. Assim, a taxa de câmbio influencia no comportamento dos preços, tanto em

função dos custos dos produtos importados como pela maior atratividade para a venda de

produtos nacionais ao exterior.

A taxa de câmbio representa o preço dos ativos, caracterizados por formar riqueza.

Assim, é possível afirmar que “os princípios que governam o comportamento dos preços dos

ativos também governam o comportamento das taxas de câmbio.” (KRUGMAN, 2005,

p.241).

A determinação da taxa de câmbio é afetada essencialmente pela demanda e oferta de

moeda estrangeira na economia interna, o que influencia no valor da moeda doméstica, isto é,

se a moeda nacional sofre apreciação ou depreciação.

Conforme Carvalho (2000), um novo ativo monetário entra em cena no mercado em

uma economia aberta ao exterior: a moeda estrangeira. Ao agregar as transações com moeda

estrangeira na análise do mercado monetário muda o impacto da política monetária e seu

desenvolvimento.

Os mercados de câmbio podem ser observados quatro níveis de participantes. Sendo o

primeiro formando por usuários tradicionais, como os turistas, importadores, exportadores e

investidores. No segundo nível encontram-se os bancos comerciais que atuam como câmaras

de compensação entre usuários e recebedores de câmbio em diversos centros financeiros. No

terceiro nível estão as instituições financeiras não bancárias que oferecem a seus clientes uma

diversidade de serviços muitos dos quais não disponíveis pelos bancos comerciais. No último

14

nível estão os bancos centrais, vistos como vendedor ou comprador em última instância no

mercado de câmbio (Krugman e Obstfeld, 2005).

Então, com mercado de câmbio avalia-se a relação entre a moeda doméstica e a moeda

estrangeira, pois é nesse mercado que esses ativos são trocados. Assim, na próxima subseção

são analisados os elementos que influenciam no efeito pass-through.

2.2 Fatores que afetam o grau de pass-through

Há dois instrumentos de repasse das variações da taxa do câmbio para o preço dos

produtos e assim para as taxas de inflação interna. O primeiro seria via lei do preço único

(LPP) e paridade do poder de compra (PPC) que relata que toda variação cambial deve ser

transmitida aos preços dos produtos, e desses para inflação. Sendo que o LPP e o PPC

especificam a taxa de câmbio de longo prazo. Assim, no longo prazo, variações do câmbio

serão repassadas totalmente aos preços, o que reflete em um pass-through completo.

Dessa forma, a soma das exportações e das importações como proporção do PIB é a

definição do grau de abertura de uma economia, que possibilita as empresas e os

consumidores escolher entre bens nacionais e estrangeiros. Assim como, os investidores

podem optar entre ativos financeiros nacionais e estrangeiros e as empresas podem escolher

localizar sua produção e os trabalhadores de optar onde trabalhar.

Com isso, o grau de abertura mostra a intensidade de produtos que são

comercializáveis numa economia, indicando o grau com que os preços podem reagir a uma

variação da taxa de câmbio nominal. Isto é, quanto maior for essa abertura, maior será a

presença de produtos mais influenciados pelo câmbio, o que acarreta num grau de pass-

through maior da taxa de câmbio para a inflação. Assim, é positiva a correlação entre essas

duas variáveis.

O hiato do produto é a diferença entre o produto (PIB) e o produto potencial (PIB

potencial), ou seja, o quanto o PIB se desalinha da sua tendência. O grau de pass-through tem

uma correlação positiva com o hiato do produto, pois quanto mais o PIB fica acima do

produto potencial, faz aumentar a pressão de procura sobre os preços, criando um ambiente

com inflação, transferindo para preços e elevando o efeito da taxa de câmbio nominal sobre a

inflação.

15

O ambiente inflacionário ocorre quando um governo executa uma alteração para mais

ou para menos na taxa da moeda em circulação. Conforme Goldfajn & Werlang (2000),

ambiente inflacionário demostra a regularidade em que os agentes remarcam seus preços

sustentando com a taxa de inflação anterior. Quando há ambiente inflacionário no país, é mais

fácil para os agentes repassar os custos e aumentar os preços. Então quanto maior o ambiente

inflacionário, e maior a persistência da inflação, acaba intensificando o pass-through de uma

depreciação da taxa de câmbio para a inflação.

Esse pensamento é admitido por Taylor (2000), que propõe um modelo indicando que

variações vistas no grau de pass-through, são resultados, em parte, de alterações nas

expectativas das mudanças de custos e preços de firmas concorrentes. Nesse modelo de

preços rígidos, o grau de repasse aos preços depende da intensidade de permanência do

aumento de custos. Assim, quanto maior for o aumento do custo marginal, mais as firmas

transferirão essa subida para os preços. Então, quanto maior a persistência da depreciação

cambial, maior será o grau de pass-through.

O grau de pass-through também é influenciado pela elasticidade preço-demanda de

determinado setor, pois quanto mais elástica for a demanda aos preços, mais os consumidores

respondem a uma alterações desses. Já quanto mais inelástica a procura por um bem

determinado, mais os produtores repassarão uma variação do câmbio aos preços.

Para Campa & Goldberg (2002) outro fator essencial para explicar o efeito pass-

through é a composição de cada indústria para a cesta de importação para um país

determinado.

Assim, observa-se que há diversos fatores que afetam o grau do repasse de variações

cambiais para os preços como se destacou o grau de abertura da economia, o nível de

aquecimento da demanda doméstica (hiato do produto), ambiente inflacionário, o grau de

participação de insumos importados na produção de bens domésticos, o desvio da taxa de

câmbio real de da taxa de equilíbrio, o grau de concentração de mercado e a elasticidade

preço-demanda. A partir disso, é analisada o repassa do efeito pass-through para os índices de

preços.

16

2.3 Transmissão do pass-through do câmbio para os preços

O grau de transmissão do câmbio para os preços está diretamente ligado ao erro de

previsão da inflação (Werlang & Goldfajn, 2000). Ou seja, um grau de pass-through menor

está relacionado a um erro de previsão da inflação pequeno, indicando uma maior

transparência em seu trajeto, o que resulta em uma boa previsibilidade das alterações dos

preços da economia.

Segundo Goldfajn & Valdés (1999), uma taxa de câmbio real sobrevalorizada

desempenha um fator na composição da inflação futura. Pois se a taxa de câmbio real admite

um valor mais baixo do que a de longo prazo, os agentes formam as expectativas de

depreciações futuras, depois do ajustamento de preços relativos. No entanto, se a variação do

câmbio não for dada pelo ajuste de preços relativos acarretará num elevação da inflação

interna em relação à externa. Assim, uma taxa de câmbio real sobrevalorizada implica em

depreciações futuras. Com isso, os agentes assumirão essa expectativa de depreciação futura,

aumentando o efeito sobre os preços.

Dessa forma, o grau de pass-through da taxa de câmbio será negativamente

correlacionado com a diferença da taxa de câmbio real em relação ao seu valor de longo

prazo, porque quanto mais sobrevalorizada estiver a taxa de câmbio real, maiores as

expectativas de depreciação futura e maiores os repasses para os preços, indicando um alto

efeito de uma variação cambial sobre a inflação.

Para se verificar a intensidade de transferência de variações cambiais para os preços de

um determinado setor, um importante fator é o grau de concorrência naquele segmento de

formação de preços. Quanto maior o pricing to market, ou seja, quanto maior a concorrência

num setor, menor será o poder de mercado dos produtores, o que faz diminuir sua

possibilidade de ajustar os preços, através de um aumento dos custos. Então, quando se tem

um ambiente de elevado pricing to market, dada uma depreciação da taxa de câmbio nominal,

os produtores absorverão a alta nos seus custos e não irão transmitir por completo esses

aumentos para os preços, para não perder market-share.

Com isso, há uma correlação negativa entre o grau de pass-through e o nível de

concorrência em dado setor da economia, porque quanto menor preço de mercado, maiores as

transferências cambiais para os preços tornando, assim, mais elevado o grau de pass-through.

17

O efeito pass-through do câmbio pode ser definido como a variação percentual nos

preços dada uma variação de 1% na taxa de câmbio (Campa e Goldberg, 2002). Assim,

quando o pass-through é nulo, a taxa de câmbio não afeta o preço em moeda estrangeira dos

bens exportados. Assim, alterações no câmbio influenciam somente os lucros dos

exportadores, não causando impacto sobre as exportações nacionais.

Mas quando o pass-through é completo, todas as alterações que ocorrem na taxa de

câmbio serão repassadas totalmente ao preço em moeda estrangeira dos produtos exportados.

Com isso, atinge a competitividade da produção doméstica no mercado mundial. O efeito

pass-through pode ser incompleto, neste caso apenas parte da variação cambial é repassada

aos preços.

Assim, percebe-se que o efeito pass-through na economia pode ocorrer por completo,

ser nulo ou incompleto. Isso dependerá de como os índices de preços reagiriam aos choques

na taxa de câmbio. Então, mostra-se a revisão bibliográfica do efeito pass-through.

18

3 REVISÃO BIBLIOGRÁFICA

Guillén e Araújo (2006) na perspectiva de averiguar a transmissão de variações na

taxa de câmbio para os índices ao produtor e consumidor utilizaram dados mensais de janeiro

de 1999 a dezembro de 2005 tendo com base a taxa de câmbio mensal e os índices de preço

(IPCA, IGP-M, IPA-DI). Os autores utilizaram o Modelo de Correção de Erro Vetorial

(VECM), identificaram que o repasse para os índices de preços é incompleto.

Guillén e Araújo também calcularam as funções resposta ao impulso dos índices de

preços domésticos a choques na taxa de câmbio, os resultados alcançados foram que as

transmissões das variações cambiais não são completamente transmitidas aos índices de

preços, pois as reações do IGP-M e do IPA-DI são mais rápidas e intensas a choques da taxa

de câmbio que a reação do IPCA.

Carneiro, Monteiro e Wu (2002) calcularam o grau de pass-through do câmbio para os

preços no Brasil, discutiram a melhor forma de se estimar o repasse do câmbio, para isso

usaram o índice de preços ao consumidor amplo (IPCA) e seus subgrupos. Inicialmente os

autores determinaram a curva de Phillips Backward Looking utilizada pelo Banco Central do

Brasil para o IPCA e seus subgrupos para o período entre o terceiro trimestre de 1994 até o

quarto trimestre de 2001 com dados trimestrais.

Esses autores utilizaram a modelagem de repasse cambial analisando a não-linearidade

do coeficiente de repasse em função de condições macroeconômicas e a decomposição do

IPCA em grupos de preços de produtos e serviços mais homogêneos no que diz respeito ao

mecanismo de repasse. Com isso, se constatou que, no pequeno período amostral, há

existência de diversos mecanismos não-lineares de repasse da variação cambial entre os

vários grupos de produtos e serviços em que o IPCA é composto. Portanto, essas evidências

sugeriram que a relação entre inflação e câmbio não pode ser trabalhada apenas pela

especificação linear para o IPCA.

Já Maciel (2007) analisou a economia do Brasil no período de janeiro de 2000 a abril

de 2005, estudando o grau de pass-through com um enfoque microeconômico, pois utilizou

um modelo de concorrência imperfeita para diversas indústrias, baseado no modelo de

Dornbusch (1987). Assim, o autor constatou que os bens comercializáveis apresentaram um

maior grau de pass-through e os bens não comercializáveis sofreram um menor efeito desse

repasse.

19

Belaisch (2003) também estudou o grau de pass-through para o Brasil, a autora

utilizou o índice de preços ao consumidor amplo (IPCA), o índice geral de preços (IGP-DI), e

o índice de preços ao atacado (IPA) para o pass-through em diversos setores da economia.

Conforme a autora, uma depreciação prolongada pode criar um pass-through reprimido que

resultará em um acréscimo rápido da inflação. Para obter esses efeitos na estimação do grau

da transferência da taxa de câmbio foi usado o modelo de Vetor Autorregressivo com dados

mensais de julho de 1999 a dezembro de 2002 das séries de taxa de câmbio, uma proxy para

choques de oferta, índice de preços e um indicador de demanda agregada.

Os resultados auferidos por Belaisch (2003) demostraram que um choque na taxa de

câmbio sobre o IPA a resposta ao choque é maior e mais rápida, com o pico um mês após o

choque e permanecendo até o oitavo mês. Porém, o efeito é menor e lento sobre o IPCA,

sendo o auge aproximadamente um trimestre depois do choque e em seis meses o efeito é

zero. Com o IGP-DI é um meio termo entre o IPCA e o IPA, a resposta ao choque é mais

rápida, contudo o efeito é mais curto.

Mais recentemente, Souza e Alves (2010) estudaram o efeito pass-through para o

Brasil, o modelo que utilizaram é parecido ao utilizado por Belaisch (2003) apesar de usar

apenas o IPCA e sem desagregações. Sendo que as variáveis empregadas para estimar o pass-

through foram a taxa de câmbio comercial, o IPCA, índice de preço do petróleo e o índice de

produção industrial com dados mensais do período de 1999 a 2009. Segundo os autores, o

período de análise mostra distintos momentos que podem afetar essa estimação. A amostra foi

dividida em duas, no primeiro período entre 1999 e 2002 o pass-through foi calculado através

do Vetor de Correção de Erro e o segundo período de 2003 a 2009 foi adotado o Vetor

Autorregressivo Estrutural.

Com isso observou-se que o pass-through cambial estimado pelos autores para o

primeiro período foi 3,35% logo no primeiro trimestre e 13,57% no sexto trimestre. Durante

esse período o pass-through apresentou-se elevado, ou seja, a tendência de desvalorização do

câmbio contribuiu para o aumento de preços, devido aos fatores externos e aos fatores

internos como crise energética e as eleições de 2002.

Já no segundo período o pass-through estimado foi 1,29% e 1,78% no primeiro e sexto

trimestre, respectivamente. O pass-through para o segundo período apresentou um coeficiente

bem menor do que o do primeiro período, por causa do cenário econômico mais estável, o

qual conduziu ao crescimento do PIB e a tendência de apreciação cambial.

20

Al-Abri e Goodwin (2009) avaliaram o efeito pass-through para 16 países da

Organização para a Cooperação e Desenvolvimento Econômico (OCDE). Os autores

trabalharam com técnicas de estimação não linear para evidenciar o grau de repasse nos

preços das importações de cinco setores (alimentos e produtos agrícolas, energia, bens

industrializados e não industrializados e matérias-primas). Com isso, perceberam que os

preços das importações respondem mais rapidamente aos choques na taxa de câmbio nominal.

McCarthy (2000) analisou o repasse cambial aos preços de bens importados e

domésticos para países industrializados, utilizando o modelo VAR. Ao observar as funções de

resposta ao impulso e da decomposição da variância, conclui-se que há uma correlação

positiva do efeito pass-through com o grau de abertura do país.

Goldjfan e Werlang (2000) analisaram o repasse cambial, usando a metodologia de

dados em painel para 71 países com dados mensais de 1980 a 1998, utilizando como variáveis

para o modelo econométrico: a taxa de câmbio real, o ciclo de negócios, o grau de abertura

econômica de cada país e o ambiente inflacionário. Com isso os autores concluíram que o

repasse aos índices de preço ao produtor aumenta com o tempo e o grau da transmissão é mais

elevado em economias emergentes.

Esses autores também defenderam que em ambiente inflacionário o pass-through é

maior, pois com mudanças persistentes de preços é mais fácil para as firmas repassaram as

variações cambiais. Com isso houve uma correlação positiva entre pass-through da variação

cambial e ambiente inflacionário.

Devereux e Yetman (2010) desenvolveram um modelo teórico para uma pequena

economia aberta, onde concluíram que o repasse cambial é causado pelas características

estruturais da economia, tais como o grau de rigidez dos preços e a persistência de choques.

Assim, quanto maior é a absorção dos movimentos cambiais pelos preços, mais alta será a

pressão inflacionária e maior será o controle dos movimentos cambiais.

Taylor (2000) propôs um modelo microeconômico de fixação de preços que demostra

que o menor efeito de repasse cambial se dá pela menor persistência, ou seja, quando se tem

um ambiente de estabilidade no nível de preços, necessita-se de menores reajustes de custos

pelas firmas.

Gagnon e Ihrig (2004) usaram argumentos parecidos com Taylor (2000), os autores

relatam que o efeito pass-through tende a diminuir em países em que a política monetária

empenha-se mais forte à estabilização da inflação. Com isso, o efeito de repasse também seria

21

afetado, pois onde há economias com um nível de abertura maior, muitos bens de consumo e

serviços são produzidos localmente e representariam grande parte do consumo interno.

Menon (1995) expressou uma revisão de quarenta e três estudos sobre o mecanismo de

repasse da taxa de câmbio para índices de preços em países industrializados, tendo com

conclusão que essa transmissão é incompleta e que muda significantemente entre os diversos

países, assinala como os maiores fatores o tamanho do país e o grau de abertura.

Goldberg e Knetter (1997) calcularam que são transmitidas aos preços de importados

apenas sessenta por cento das mudanças da taxa de câmbio, pois as empresas tem preferência

por não remarcar preços, mas sim diminuir o mark-up sobre preços.

Adolfson (2001) analisou a política monetária ótima e o pass-through incompleto em

um regime de metas de inflação. O autor destaca três resultados no seu estudo, o primeiro é

sobre a reação da política monetária frente a choques externos e internos. Com um pass-

through incompleto e baixo o impacto de variações na taxa de câmbio para a inflação diminui

deste modo, frente choques externos o ajuste na taxa de juros será menor. O segundo

resultado é sobre o trade-off entre volatilidade do produto ou da inflação que diminui na

presença do pass-through incompleto, já que a economia estará menos vulnerável a flutuações

na taxa de câmbio. Por fim, para o autor o pass-through baixo é resultado da maior rigidez

nominal de preços o que leva a maior volatilidade da taxa de câmbio para permitir o ajuste

dos preços relativos.

Holland e Pillatti (2009) pensaram que existem nações que tem um alto grau de

transmissão cambial e que também possuem um elevado grau de absorção das variações

cambiais pelos preços domésticos. Assim, taxa de juros pode ser utilizada com prevenção de

depreciações cambiais e pode então terminar com o uso da política monetária, se esse nível de

repasse for alto.

As ideias desenvolvidas por Betts & Devereux (2000) demonstraram que o grau de

pass-through da economia está interligado ao efeito da política monetária. Se o efeito pass-

through é pequeno, assim os preços se tornam pouco voláteis por alterações no câmbio,

indicando uma baixa volatilidade dos indicadores macroeconômicos.

Com isso, constata-se pelos estudos dos autores citados que há efeito pass-through,

mas não é completo, ou seja, alterações na taxa de câmbio não são totalmente repassadas aos

índices de preços. Na próxima seção é abordada a metodologia utilizada no presente estudo.

22

4 METODOLOGIA

A partir disso, explana-se a metodologia a adotada na pesquisa, faz-se a descrição da

fonte dos dados utilizados, a análise estatística das variáveis, após descreve-se o modelo

econométrico e aplicam-se os testes de estacionariedade e de Causalidade de Granger.

4.1Fonte de dados

Os dados de séries temporais utilizados neste estudo consistem de observações

mensais entre o período de janeiro 1999 a junho de 2015, totalizando 198 observações. As

variáveis utilizadas neste trabalho estão descritas no quadro 1.

Nesta pesquisa utilizam-se os índices de inflação mais relevantes, como também as

variáveis que integram o modelo IS-LM para evidenciar o efeito pass-through na economia

brasileira. As séries utilizadas são dados secundários e os mesmos são analisados a partir do

auxílio do pacote Office e do programa estatístico Eviws 7.

Variável Referência Descrição Fonte

Índice Geral de Preços –

Disponibilidade Interna1

IGP-DI IGP-DI (agosto 1994 = 100) IPEADATA

Índice Geral de Preços do Mercado2 IGP-M IGP-M (agosto 1994 = 100) IPEADATA

Índice de Preços ao Consumidor3 IPC IPC (agosto 1994 = 100) IPEADATA

Índice Nacional de Preços ao

Consumidor Amplo4

IPCA IPCA (dezembro 1993 = 100) IPEADATA

Instrumento de Política Monetária5 SELIC

Taxa de juros - Over / Selic - (%

a.m.) IPEADATA

Produção Industrial - Indústria Geral IPI

Quantum - índice

dessazonalizado (média 2002 =

100)

IPEADATA

Indicador do Mercado Monetário6 M1

Definição mais restrita de moeda

(Papel moeda em poder do

público e os depósitos bancários).

R$ (Milhões).

IPEADATA

Taxa de Câmbio CÂMBIO Taxa de câmbio - R$ / US$ -

comercial - compra - média - R$ IPEADATA

Quadro 1 – Séries de interesse utilizadas nos testes empíricos

23

Fonte: Elaborado pelo autor.

Notas: 1 Este índice foi criado em 1944 com o intuito de mensurar o comportamento de preços em geral da

economia no Brasil. Assim, é uma média aritmética composta dos seguintes índices: o Índice de Preços no

Atacado (IPA) que pondera em 60% o IGP-DI, mais o Índice de Preços ao Consumidor (IPC) que pondera em

30% e o INCC Índice Nacional da Construção Civil (INCC) que pondera em 10% o IGP-DI. 2 Este índice analisa as mesmas variações de preços consideradas no IGP-DI.

3 Este índice mensura a oscilação dos preços de um conjunto fixo de bens e serviços componentes de despesas

habituais de famílias com renda situada entre 1 e 33 salários mínimos mensais. 4

Este índice abrange as famílias com rendimentos mensais entre 1 e 40 salários-mínimos, qualquer que seja a

fonte de rendimentos, e residentes nas áreas urbanas das regiões.

5 A taxa Selic serve de referência para outras taxas de juros do país e corresponde à média dos juros que o

Governo paga aos bancos que lhe emprestaram dinheiro. A taxa Selic é a taxa básica de juros da economia e é

considerada o principal alvo a ser perseguido no curto prazo, com vistas a cumprir o programa de metas de

inflação. 6

Este indicador foi corrigido a valores de junho de 2015 pelo IPCA e depois foi dessazonalizado.

4.2 Análise estatística das variáveis do modelo econométrico

Com base nas variáveis apresentadas, foram analisadas as principais estatísticas

descritivas das séries de interesse, como mostra a tabela 1.

Tabela 1 – Estatística Descritiva para as Séries de Interesse

Variáveis Nº de obs. Média Máximo Mínimo DP Normalidade

IGPI-DI 198 357,6914 575,9380 148,9210 118,6949 0,012443

IGP-M 198 362,1530 582,4010 149,5330 120,8197 0,011300

IPC 198 301,3431 477,8250 166,9810 82,18355 0,018596

IPCA 198 2.699,621 4.310,390 1.468,410 765,6509 0,014045

SELIC 198 1,142712 3,334520 0,493272 0,406586 0,000000

IPI 198 113,6553 131,4500 87,11000 13,12778 0,000175

M1 198 253.960,1 352.750,4 130.891,3 74.248,63 0,000042

CÂMBIO 198 2,223296 3,805100 1,501100 0,489956 0,000001

Fonte: Elaborado pelo autor com auxílio software EViews 7.

24

Conforme a tabela 1, a taxa Selic possui a menor dispersão dos dados em relação à

média e o indicador do mercado monetário o maior desvio padrão. Observa-se também que a

normalidade das variáveis é próxima de zero ou zero.

4.3 Modelo Econométrico

A investigação empírica dos efeitos de curto e longo prazo que a taxa de juros exerce

sobre os índices de preços é fundamentada na análise de séries de tempo, especificamente, na

análise de funções de resposta a impulso e de decomposição da variância de erros de previsão,

fornecidas por um Vetor Autorregressivo padrão (VAR) envolvendo todas as variáveis

mencionadas anteriormente. O modelo a ser testado é representado genericamente, como

segue:

t

p

i

itit vYAAY

1

0

(1)

Onde: tY é um vetor (n x 1) de variáveis econômicas de interesse no instante t; 0A é um vetor

(n x 1) de constantes; iA , com i = 0,..,p, uma matriz (n x n) de coeficientes; e, tv é um vetor

(n x 1) de termos aleatórios com média zero, variância constante, e são individualmente

serialmente não correlacionados, isto é, ),0.(..~ diivi , em que é uma matriz (n x n) de

variância-covariância dos erros.1

Conforme Enders (2010) é através da análise do impulso resposta que se verifica o

resultado de uma determinada variável a um choque específico nas inovações ou resíduos do

modelo, enquanto os demais choques permanecem constantes. Com isso, pode – se observar

também em quanto tempo o choque demora a retornar a trajetória estável.

1 Uma vez que em um VAR padrão as variáveis explicativas são contemporaneamente dissociadas das variáveis

que serão estimadas, cada equação no sistema pode ser obtida utilizando-se Ordinary Least Square (OLS).

25

4.4 Testes de estacionariedade

Como as séries utilizadas tratam-se de dados de série temporal, faz-se necessário a

realização de testes para verificar a incidência de problemas típicos desse tipo de série.

Segundo Bueno (2008), o teste de raiz unitária é utilizado para analisar a estacionaridade da

série, pois a sua investigação permite que se possam fazer inferências estatísticas sobre os

parâmetros estimados, com base na execução de um processo estocástico.

Assim, as séries de interesse foram submetidas ao teste de Dickey-Fuller aumentado, o

qual considera três equações de regressões que podem ser utilizadas para testar a presença de

raiz unitária, ou seja, se e consiste na seguintes equações:

∑ (2)

∑ (3)

∑ (4)

Sendo que na equação (2) é o modelo de Dickey-Fuller aumentado de passeio

aleatório puro, na equação (3) é o modelo com intercepto e na equação (4) é o modelo com

intercepto e tendência.

Após, analisa-se o Phillips-Perron que possui as mesmas hipóteses do teste de Dickey-

Fuller aumentado, porém se configura como um teste não paramétrico que pode ser usado na

presença de correlação entre o 𝑢 para verificar se a série de dados é estacionária ou não.

Então, evidenciam-se nas tabelas 2 e 3 esses testes (conforme apêndice A e apêndice B).

Tabela 2 – Teste de Raiz Unitária de Dickey-Fuller aumentado (DFA)

(continua)

Variáveis DFA3 1% nível 5% nível 10% nível Probabilidade

IGPI-DI1 2,990783 4,006059 3,433156 3,140406 0,1375

IGP-M1 2,841407 4,005562 3,432917 3,140265 0,1844

IPC1 0,660767 4,005562 3,432917 3,140265 0,9996

IPCA1 0,130191 4,005562 3,432917 3,140265 0,9974

26

Tabela 2 – Teste de Raiz Unitária de Dickey-Fuller aumentado (DFA)

(conclusão)


SELIC1 3,123010 4,008428 3,434299 3,141079 0,1041

IPI2 1,949081 3,463576 2,876047 2,574581 0,3094

M12 1,668682 3,464643 2,876515 2,574831 0,4456

CÂMBIO2 1,421604 3,463749 2,876123 2,574522 0,5710


Notas:1 DFA aceitou a tendência e a constante.

2 DFA aceitou apenas a constante.

3 Todos os resultados estão em valores absolutos.

Com base na tabela 2, observa-se que todas as variáveis do modelo não rejeitam a

hipótese nula. Assim, possuem raiz unitária, ou seja, são não estacionários em todos os níveis.

Também se tem à mesma conclusão ao analisar o teste de Phillips-Perron, como mostra a

tabela 3.

Tabela 3 - Teste da Raiz Unitária de Phillips-Perron (PP)

Variáveis PP4 1% nível 5% nível 10% nível Probabilidade

IGPI-DI1 2,279810 4,005318 3,432799 3,140195 0,4426

IGP-M1 2,344072 4,005318 3,432799 3,140195 0,4079

IPC1 0,018807 4,005318 3,432799 3,140195 0,9963

IPCA1 2,606136 4,005318 3,432799 3,140195 0,2781

SELIC2 1,599259 2,576753 1,942448 1,615628 0,1033

IPI3 1,955981 3,463576 2,876047 2,574581 0,3063

M13 1,599084 3,463576 2,876047 2,574581 0,4811

CÂMBIO3 1,812358 3,463576 2,876047 2,574581 0,3737


Notas: 1 PP aceitou a tendência e a constante.

2 PP não aceitou tendência e nem constante

3PP aceitou apenas a constante.


27

Como se constatou nas tabelas todos os dados são não estacionários, assim para retirar

sua raiz unitária foi rodado as séries em sua primeira diferença. Após, verificou-se que as

variáveis tornaram-se estacionárias, através da análise dos mesmos testes, como demostram

nas tabelas 4 e 5 (conforme apêndice C e apêndice D).

Tabela 4 – Teste de Raiz Unitária de Dickey-Fuller aumentado (DFA), dados na primeira

diferença.


IGPI-DI1 6,787330 3,463749 2,876123 2,574622 0,0000

IGP-M1 6,553673 3,463749 2,876123 2,574622 0,0000

IPC1 7,329687 3,463749 2,876163 2,574622 0,0000

IPCA1 5,472730 3,463749 2,876123 2,574622 0,0000

SELIC2 3,930756 2,577522 1,942555 1,615559 0,0001

IPI2 13,37832 2,576814 1,942456 1,615622 0,0000

M12 3,201723 2,577125 1,942499 1,615594 0,0015

CÂMBIO2 10,82242 2,576814 1,942456 1,615622 0,0000


Notas: 1 DFA aceitou apenas a constante.

2 DFA não aceitou a constante e nem a tendência.


Evidenciou-se, na tabela 4, que todos os dados tornaram-se estacionários, pois

rejeitaram a hipótese nula de raiz unitária, já que os valores do teste estatístico de DFA são

maiores que os valores críticos nos níveis de 1%, 5% e 10%. Com isso, analisa-se na próxima

tabela o Teste de Raiz Unitária de Phillips-Perron.

Tabela 5 – Teste de Raiz Unitária de Phillips-Perron (PP), dados em primeira diferença

(continua)


IGPI-DI1 6,881775 3,463749 2,876123 2,574622 0,0000

IGP-M1 6,579803 3,463749 2,876123 2,574622 0,0000

28

Tabela 5 – Teste de Raiz Unitária de Phillips-Perron (PP), dados em primeira diferença

(conclusão)


IPC1 7,514964 3,463749 2,876123 2,574622 0,0000

IPCA1 5,578335 3,463749 2,876123 2,574622 0,0000

SELIC2 20,43155 2,576814 1,942456 1,615622 0,0000

IPI2 13,37087 2,576814 1,942456 1,615622 0,0000

M12 8,748825 2,576814 1,942456 1,615622 0,0000

CÂMBIO2 11,05636 2,576814 1,942456 1,615622 0,0000


Notas: 1 PP aceitou apenas a constante.

2 PP não aceitou a constante e nem a tendência.


Conforme a tabela 5 comprovou-se também que ao diferenciar as séries uma vez

tornaram-se estacionárias, ou seja, rejeitaram a hipótese nula de raiz unitária. A partir disso,

pode-se efetuar o teste de Causalidade de Granger entre a taxa de câmbio e os índices de

inflação.

4.5 Causalidade de Granger

No presente trabalho, aplicou-se o teste de Causalidade de Granger que se baseia na

ideia de precedência de causalidade de uma variável em relação à outra, ou seja, supõe que as

informações relevantes para previsão das respectivas variáveis Y e X estejam contidas

exclusivamente nos dados de séries temporais destas variáveis. O teste envolve a estimativa

das seguintes regressões:

∑ ∑

(5)

∑ ∑

(6)

29

Onde se supõe que as perturbações e sejam não correlacionadas. A equação

(5), em que Y representa os índices de preços e X representa a taxa de câmbio, postula-se que

Y se relaciona com seus próprios valores defasados e com os valores defasados de X, um

comportamento similar é descrito na equação (6).

Para que isso se ratifique, os coeficientes estimados sobre X defasado (isto é, ),

referente à equação (5) devem ser significativamente diferentes de zero. Como também, os

coeficientes estabelecidos sobre Y defasados (ou seja, ) na equação (6), devem ser

significativamente diferentes de zero.

Com isso, uma série de tempo estacionária X causa, no sentido de Granger, uma outra

série estacionária Y se melhores previsões são estatisticamente significantes de Y podem ser

alcançadas ao inserirmos valores defasados de X aos valores defasados de Y.

Para testar a direção da causalidade entre o câmbio e preços utilizou-se o teste de

Causalidade de Granger entre a taxa de câmbio IGP-DI; entre a taxa de câmbio e IGP-M;

entre a taxa de câmbio e IPC; entre a taxa de câmbio e IPCA. Em cada teste de causalidade

fora incluídas três, seis e nove defasagens para testar a hipótese nula do câmbio não causar os

índices de preços (IGP-DI, IGP-M, IPC, IPCA) e dos índices de preços não causar câmbio,

como mostra a tabela 6 (conforme apêndice E, apêndice F e apêndice G).

Tabela 6 – Teste de Causalidade de Granger

Hipótese Nula

Defasagens a incluir

Três Seis Nove

F-Estat. Prob. F-Estat. Prob. F-Estat. Prob.

Câmbio não causa IGP-DI 10,8471 0,000001 5,13840 0,00007 3,67584 0,0003

IGP-DI não causa Câmbio 1.24751 0,2939 1,00551 0,4233 0,63145 0,7691

Câmbio não causa IGP-M 9,17396 0,00001 4,80196 0,0001 3,46451 0,0006

IGP-M não causa Câmbio 2,11092 0,1003 1,47364 0,1896 0,90055 0,5262

Câmbio não causa IPC 6,38342 0,0004 3,32943 0,0039 2,69505 0,0059

IPC não causa Câmbio 0,36705 0,7769 0,22514 0,9682 0,24748 0,9867

Câmbio não causa IPCA 7,57043 0,00008 3,61102 0,0021 3,22920 0,0012

IPCA não causa Câmbio 0,42471 0,7355 1,47814 0,1880 0,97444 0,4630


30

Como demostra a tabela 6, pode-se inferir que a taxa de câmbio influencia os

diferentes indicadores de inflação, uma vez que a hipótese nula de não causalidade foi

rejeitada para as diferentes defasagens utilizadas. Por sua vez, a taxa de câmbio não é afetada

pelos índices de preços (IGP-DI, IGP-M, IPC e IPCA), pois a hipótese de não causalidade não

pode ser rejeitada. A partir disso, são analisados os resultados da pesquisa.

31

5 ANÁLISE DOS RESULTADOS

Nesta parte do trabalho demostram-se os resultados alcançados pela pesquisa, o qual o

enfoque maior é analisar o efeito pass-through de curto e longo prazo da taxa de câmbio sobre

o índice de preços, utilizando as variáveis semelhantes a um modelo IS-LM, que contempla as

variáveis básicas da economia e resumem as condições que devem ser satisfeitas para que os

mercados de bens e monetários encontrem-se em equilíbrio.

5.1 Análise em primeira diferença

Então, para captar o efeito de curto prazo escolheu-se estimar diferentes modelos VAR

com as variáveis em primeira diferença, contendo, respectivamente: um indicador de

atividade produtiva (Produção Industrial), um índice de preços (IGP-DI, IGP-M, IPCA, IPC),

indicadores do mercado monetário (M1), indicador do mercado de câmbio (Taxa de Câmbio),

o indicador de política monetária (Selic), as quais são variáveis semelhantes ao modelo IS-

LM. O ordenamento das variáveis é baseado na decomposição de Cholesky para identificar os

distúrbios ortogonais. Cada modelo é mantida essa ordem, alterando apenas o índice de

preços.

5.1.1 Defasagens do modelo

Após incluir as variáveis nos modelos, necessita-se definir o número de defasagens

mais adequado. Em um sistema VAR, quanto mais alto o grau de defasagens inserido no

sistema, mais graus de liberdade serão consumidos. Se a defasagens for “p”, cada uma das “n”

equações deve conter “np” coeficientes mais “n” termos de intercepto, acarretando um total

de n²p+n parâmetros (GUJARATI,2011).

32

Se “p” for muito baixo, pode haver risco de especificar erroneamente o modelo. Mas

se ”p” for muito elevado, graus de liberdade serão perdidos. Assim, é essencial escolher o

número de defasagens adequado, para isso, existem diferentes critérios para avaliar a

defasagens que podem ser usadas.

No presente trabalho são utilizados os testes de Likelihood Ratio Test (LR), Final

Prediction Error (FPE), Akaike Informaion Criterion (AIC), Shwartz Critério (SC) e Hannan-

Quinn Information Criterion (HQ) como mostra a tabela 7 (conforme apêndice H).

Tabela 7 - Seleção da Ordem de Defasagem para os Modelos VAR em primeira diferença

Modelo LR FPE AIC SC HQ Defasagem Utilizada

Modelo 1 – DIGP-DI 5 3 3 1 1 2

Modelo 2 – DIGP-M 5 3 3 1 1 2

Modelo 3 – DIPC 4 3 3 1 1 2

Modelo 4 – DIPCA 4 4 4 1 1 2


Assim, optou-se por utilizar duas defasagens, pois conforme Davidson e MacKinnon a

escolha de poucas defasagens pode levar a um sério viés por causa da omissão de variáveis

importantes e a escolha de mais defasagens do que é preciso pode causar um viés de inclusão

de variáveis irrelevantes.

5.1.2 Decomposição da Variância do erro de previsão

Segundo Bueno (2008), a análise da decomposição da variância é uma forma de

demonstrar que a porcentagem da variância do erro de previsão decorre de cada variável

endógena ao longo da previsão.

33

Isto é, determina a responsabilidade de cada uma das variáveis na explicação da

variância de todas as variáveis do sistema, depois de um choque, servindo como identificação

da influência relativa de cada variável na composição dela mesma e das demais

(VARTANIAN, 2010). Com isso, a decomposição da variância dos índices de preços é

analisada para um período de 10 meses, como demostram as tabelas a seguir (conforme

apêndice I). Primeiramente, apresenta-se a decomposição da variância do IGP-DI, como é

evidenciado na tabela 8.

Tabela 8 – Decomposição da variância do DIGP-DI

Cholesky Ordering: DIPI DIGP-DI DM1 DCAMBIO DSELIC

Período IPI IGP-DI M1 CAMBIO SELIC

1 1,624831 98,37517 0,00000 0,00000 0,00000

5 2,322749 80,74080 3,916816 12,83164 0,187992

10 2,317349 80,43560 4,199641 12,85306 0,194349


Com base na tabela 8, o IGP-DI é explicado pela taxa de câmbio em 12,85% e pelo

M1 em 4,20% ao se passar 10 meses. Assim, observa-se que o câmbio influencia nesse índice

de preços no curto prazo. Então, analisa-se a decomposição da variância do IGP-M como

demostra a tabela a seguir.

Tabela 9 – Decomposição da variância do DIGP-M

Cholesky Ordering: DIPI DIGP-M DM1 DCAMBIO DSELIC

Período IPI IGP-M M1 CAMBIO SELIC

1 1,979725 98,02027 0,00000 0,00000 0,00000

5 3,375966 73,49844 6,447248 15,91663 0,761720

10 3,366163 72,66611 7,232181 15,96641 0,769136


34

Conforme a tabela 9, o câmbio explica grande parte do IGP-M correspondendo

15,96% e o IGP-M é explicado por apenas 3,37% do IPI no final do período. Assim, demostra

que alterações na taxa de câmbio afetam o IGP-M. Após, estuda-se a decomposição da

variância do IPC como é verificado na tabela 10.

Tabela 10 – Decomposição da variância do DIPC

Cholesky Ordering: DIPI DIPC DM1 DCAMBIO DSELIC

Período IPI IPC M1 CAMBIO SELIC

1 0,365113 99,63489 0,00000 0,00000 0,00000

5 0,342998 84,90910 0,181084 12,97409 1,592730

10 0,375009 82,99370 0,196007 14,83623 1,599047


Analisando a tabela 10, observa-se que o IPC é explicado pela taxa de câmbio em

14,83% ao transcorrer 10 meses e que as outras variáveis possuem um percentual baixo de

influencia ao decompor o IPC no curto prazo. Depois, analisa-se a decomposição da variância

do IPCA conforme tabela abaixo.

Tabela 11 – Decomposição da variância do DIPCA

Cholesky Ordering: DIPI DIPCA DM1 DCAMBIO DSELIC

Período IPI IPCA M1 CAMBIO SELIC

1 0,334264 99,66574 0,00000 0,00000 0,00000

5 0,767439 82,47982 0,054434 16,38928 0,309033

10 0,758863 80,54074 0,053711 18,33832 0,308370


35

Verifica-se na tabela 11 que a taxa de câmbio decompõem em 18,33% o IPCA no fim

do período analisando, indicando que o câmbio afeta o IPCA ao se valorizar ou desvalorizar.

Então, percebe-se que os índices de preços são influenciados na sua decomposição pela taxa

de câmbio. A partir disso, faz-se a análise de resposta ao impulso após um choque na taxa de

câmbio sobre o IGP-DI, IGP-M, IPC e IPCA.

5.1.3 Função Resposta ao Impulso

Com base nos modelos estimados em primeira diferença, derivaram-se as funções de

resposta ao impulso das principais variáveis de interesse, com objetivo de mostras como as

variáveis endógenas do VAR se comportam no curto prazo quando há um choque em uma

variável endógena especifica. A figura 1 mostra o comportamento dos índices de preços em

sua primeira diferença dado um choque na taxa de câmbio em sua primeira diferença num

período de 10 meses.

Conforme a figura 1, após choque de um desvio padrão na taxa de câmbio o IGP-DI

sofre um aumento de 0,88 pontos no segundo período atingindo seu auge. Essa elevação é

pouco persistente, pois no sétimo período o efeito se dissipa. Isso demonstra que há efeito

pass-through no curto prazo e que com o passar do tempo o efeito se anula.

Verifica-se também que ao se aplicar choque de um desvio padrão no câmbio, afeta o

IGP-M, pois esse índice de preços se eleva no máximo em 0,73 pontos no segundo período.

Mas ao transcorrer oito meses, o efeito pass-through se anula.

Ao analisar o efeito pass-through da taxa de câmbio sobre IPC, verifica-se que o auge

no IPC de 0,27 pontos ocorre no terceiro período após um choque de um desvio padrão no

câmbio, percebe-se que esse efeito vai diminuindo aos poucos até cessar.

O efeito pass-through é parecido ao estudar o impacto que mudanças na taxa de

câmbio sobre IPCA, pois provocam um aumento de 0,22 pontos no terceiro período e esse

efeito também vai baixando até se anular.

36

Figura 1 – Função de Resposta ao Impulso dos índices de preços em primeira diferença (IGP-

DI, IGP-M, IPC, IPCA) mediante um choque na taxa de câmbio.


Nota: As linhas pontilhadas representam um intervalo de confiança de dois desvios padrão. As funções de

resposta a impulso da variável é interpretada como taxa de crescimento acumulado relativo à base.

Então, nota-se que há efeito pass-through no curto prazo analisando as variáveis

diferenciadas uma vez e que esse efeito é mais elevado e menos persistente no IGP-DI e IGP-

M do que evidenciado no IPC e IPCA, pois nesses índices o efeito pass-through é menor e

mais persistente.

Após evidenciar o efeito pass-through de curto prazo, demostra-se o efeito de longo

prazo com as variáveis em logaritmo.

-0.2

0.0

0.2

0.4

0.6

0.8

1.0

1.2

1.4

1 2 3 4 5 6 7 8 9 10

Response of DIGPDI to Generalized OneS.D. DTXCAM Innovation

-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

Response of DIGPM to Generalized OneS.D. DTXCAM Innovation

-.3

-.2

-.1

.0

.1

.2

.3

.4

.5

1 2 3 4 5 6 7 8 9 10

Response of DIPC to Generalized OneS.D. DTXCAM Innovation

-2

-1

0

1

2

3

4

1 2 3 4 5 6 7 8 9 10

Response of DIPCA to Generalized OneS.D. DTXCAM Innovation

37

5.2 Análise em nível

No presente estudo, a análise empírica para relações de longo prazo será feita tendo

como base a referência Sims, Stock e Watson (1990), os quais evidenciam que a

transformação das variáveis em sua primeira diferença e os testes de cointegração e do

mecanismo de correção de erro torna-se desnecessários para modelos Autorregressivo e que

os resultados de testes em nível mostram-se consistentes assintoticamente.

Como o propósito da pesquisa é apontar o modo que diferentes variáveis reagem a um

choque da taxa de câmbio, não é relevante preocupar-se com a natureza da cointegração que

se estabelece entre as variáveis. Assim, um VAR em nível mostra-se adequado, uma vez que a

estimação é consistente, ou seja, cumpre o propósito da pesquisa e, ao mesmo tempo, captura

relações de cointegração que existem no sistema (SIMS, 1990; WATSON, 1994).

Então, efetuou-se também a estimação do modelo VAR com as variáveis em

logaritmos e em nível, para verificar o efeito de longo prazo, contendo, respectivamente: um

indicador de atividade produtiva (Produção Industrial), um índice de preços (IGP-DI, IGP-M ,

IPCA, IPC), indicadores do mercado monetário (M1), indicador do mercado de câmbio (Taxa

de Câmbio), o indicador de política monetária (Selic). O ordenamento das variáveis é baseado

na decomposição de Cholesky para identificar os distúrbios ortogonais. Cada modelo é

mantida essa ordem, mudando apenas o índice de preços.

5.2.1 Defasagens dos modelos

Depois de inserir as variáveis nos modelos, precisa-se delimitar o número de

defasagens mais adequado, para isso são realizados os testes de de Likelihood Ratio Test

(LR), Final Prediction Error (FPE), Akaike Informaion Criterion (AIC), Shwartz Critério (SC)

e Hannan-Quinn Information Criterion (HQ), como demostra a tabela a seguir (conforme

apêndice J).

38

Tabela 12 - Seleção da Ordem de Defasagem para os Modelos VAR em nível

Modelo LR FPE AIC SC HQ Defasagem Utilizada

Modelo 5 – LogIGP-DI 4 4 4 2 2 2

Modelo 6 – LogIGP-M 4 2 2 2 2 2

Modelo 7 – LogIPC 5 2 2 2 2 2

Modelo 8 - LogIPCA 5 2 2 2 2 2


Assim, para os distintos modelos de longo prazo a defasagem escolhida foi de dois,

pois a maioria dos testes aplicados o sugeriu. Então, prossiga-se com o teste de cointegração

dos modelos.

5.2.2 Teste de Cointegração

Para testar o número de vetores cointegrantes aplicam-se os testes de estatística do

Traço e Max-Eig, conforme as tabelas abaixo (apêndice K).

Tabela 13 – Teste de Cointegração

(continua)

Data Trend None None Linear Linear Quadratic

Modelos

Modelo 5

LogIGP-DI

Test Type No Intercept

No Trend

Intercept

No Trend

Intercept

No Trend

Intercept

Trend

Intercept

Trend

Trace 2 2 3 2 1

Max-Eig 2 2 1 1 1

Modelo 6

LogIGP-M

Trace 2 2 2 2 1

Max-Eig 2 2 1 1 1

Modelo 7

LogIPC

Trace 2 2 2 3 2

Max-Eig 2 2 1 2 2

39

Tabela 13 – Teste de Cointegração

(conclusão)

Modelos

Data rend None None Linear Linear Quadratic

Test Type No Intercept

No Trend

Intercept

No Trend

Intercept

No Trend

Intercept

Trend

Intercept

Trend

Modelo 8

LogIPCA

Trace 2 2 2 3 2

Max-Eig 2 2 1 2 2


Conforme é evidenciado na tabela 13, as variáveis de todos os modelos apresentados

cointegram no mínimo uma vez em ambos os testes, Trace e Max-Eig. Assim, como todos os

dados são não estacionários e cointegram, pode-se estimar o modelo VAR com as variáveis

em nível, pois existe pelo menos um vetor que garante o equilíbrio de longo prazo entre eles.

Após se apresenta a decomposição da variância para os modelos de longo prazo.

5.2.3 Decomposição da Variância do erro de previsão

Então, iniciou-se com a decomposição da variância, que demostra a proporção da

variância do erro de previsão ao um choque estrutural, para todos os índices de preços

logaritmizados usados nos modelos econométricos para um período de 24 meses, conforme

tabelas a seguir (como apêndice L).

Tabela 14 – Decomposição da variância do LOGIGP-DI

(continua)

Cholesky Ordering: LOGIPI LOGIGP-DI LOGM1 LOGCAMBIO LOGSELIC


1 2,420513 97,51949 0,00000 0,00000 0,00000

6 7,803961 68,62102 8,487704 13,09347 1,993850

12 9,640682 46,21516 19,42602 17,34179 7,376987

40

Tabela 14 – Decomposição da variância do LOGIGP-DI

(conclusão)

Cholesky Ordering: LOGIPI LOGIGP-DI LOGM1 LOGCAMBIO LOGSELIC


18 9,645804 34,33553 25,77029 16,16992 14,07846

24 8,780250 28,04055 29,01415 13,96450 20,200055


No primeiro período o IGP-DI é explicado em sua maioria por ele mesmo, já no sexto

período 13,09% é descrito pela taxa de câmbio e 8,48% pelo M1. Quando se passa 24 meses,

esse índice de preços é explicado pelo M1 em 29,01%, por ele mesmo em 28,04%, pela Selic

em 20,20% e a taxa de câmbio contribuiu numa percentual de 13,96. Com isso, constata-se

que a taxa de câmbio afeta o IGP-DI. Então, analisa-se a de composição da variância do IGP-

M conforme tabela 15.

Tabela 15 – Decomposição da variância do LOGIGP-M

Cholesky Ordering: LOGIPI LOGIGP-M LOGM1 LOGCAMBIO LOGSELIC

Período IPI IGP-M M1 CAMBIO SELIC

1 2,985625 97,01438 0,00000 0,00000 0,00000

6 8,396664 62,30881 9,897440 16,66225 2,7344433

12 10,49262 37,88351 21,94673 21,63572 8,041421

18 10,52740 25,86654 28,91499 19,96940 14,72167

24 9,560749 19,87623 32,38979 17,21457 20,95866


Conforme a tabela 15, a taxa de câmbio, no sexto mês, contribuiu em 16,66% sobre a

variação do IGP-M. No décimo oitavo período o IGP-M é explicado pelo M1 em 28,91% e

pelo câmbio em 19,97%. No último período analisado, a variação do índice de preço é

41

justificada em grande parte pelo M1, taxa Selic e taxa de câmbio. Assim, as valorizações e as

desvalorizações da taxa de câmbio influenciam o IGP-M. Após, analisa-se a decomposição da

variância do IPC como demostra a tabela a seguir.

Tabela 16 – Decomposição da variância do LOGIPC

Cholesky Ordering: LOGIPI LOGIPC LOGM1 LOGCAMBIO LOGSELIC

Período IPI IPC M1 CAMBIO SELIC

1 0,009430 99,99057 0,00000 0,00000 0,00000

6 1,248661 79,87547 1,838915 15,82986 1,207088

12 2,84615 55,99550 7,536083 29,67483 3,951972

18 3,130484 41,58037 12,30316 35,61309 7,372901

24 3,176938 33,11480 15,32961 37,75803 10,62063


Como evidencia a tabela 16, taxa de câmbio é o fator que mais contribui para a

decomposição do IPC, depois dele mesmo. Assim, após passar 18 e 24 meses, o IPC é

explicado, respectivamente, pelo câmbio em 35,61% e 37,76%. Já o M1 explica um

percentual de 12,30 e 15,33, respectivamente. Assim, pode-se notar que mudanças na taxa de

câmbio provocam alterações no IPC. Por fim, analisa-se a decomposição da variância do

IPCA conforme tabela 17.

Tabela 17 – Decomposição da variância do LOGIPCA

Cholesky Ordering: LOGIPI LOGIPCA LOGM1 LOGCAMBIO LOGSELIC

Período IPI IPCA M1 CAMBIO SELIC

1 0,437029 99,56297 0,00000 0,00000 0,00000

6 0,402593 76,38099 2,499476 19,58818 1,128757

12 0,311281 51,08018 9,291442 36,38835 2,928475

18 0,265924 35,67046 14,94663 43,27811 5,838877

24 0,224907 26,89475 18,41336 45,34408 9,122906


42

Analisando a tabela 17, nota-se que no décimo segundo período a taxa de câmbio

contribui numa percentual de 36,39 na decomposição do IPCA, chegando a 45,34% no

vigésimo quarto. Já o M1 contribui 9,29% e 18,41, respectivamente, aos 12 e aos 24 meses.

Com isso, nota-se que o câmbio influencia os índices de preços, principalmente o IPC

e o IPCA. A partir disso, a função de resposta ao impulso da taxa de câmbio de longo prazo

sobre os índices de preços estudados é analisada.

5.2.4 Função Resposta ao Impulso

Com base nos modelos estimados, derivaram-se as funções de resposta ao impulso das

principais variáveis de interesse, com objetivo de mostras como as variáveis endógenas do

VAR se comportam no longo prazo quando há um choque em variável endógena especifica. A

figura 2 mostra o comportamento dos índices de preços dado um choque na taxa de câmbio

num período de 36 meses.

Como é evidenciado na figura 2, um aumento em um por cento na taxa de câmbio

eleva-se, no primeiro momento, o IGP-DI até atingir, aproximadamente, 0,78% em desvio

padrão, o que mostra que há efeito pass-through sobre esse índice de preços, mas ao longo do

tempo esse efeito vai diminuindo chegando em torno de 0,19% em desvio padrão após

transcorrido 36 meses do choque.

O IGP-M sofreu uma elevação de 0,79% em desvio padrão, por conta do choque da

taxa de câmbio no início do período. Mas com o passar do tempo o efeito pass-through foi

minimizado, constatando-se apenas 0,18% em desvio padrão no último período quase

retornando ao nível de equilíbrio pré-choque.

43

Figura 2 – Função de Resposta ao Impulso dos índices de preços em logaritmos (IGP-DI,

IGP-M, IPC, IPCA) mediante um choque na taxa de câmbio.


Nota: As linhas pontilhadas representam um intervalo de confiança de dois desvios padrão. As funções de

resposta a impulso da variável que está expressa em logaritmo é interpretada como taxa de crescimento

acumulado relativo à base.

A figura 2 também demostra que se aplicando um choque na taxa de câmbio, o IPC

aumenta atingindo um percentual de, aproximadamente, 0,58 em desvio padrão. Porém ao

contrário do IGP-DI e IGP-M, o efeito pass-through da taxa de câmbio sobre o IPC torna-se

persistente no período analisado.

O IPCA aumenta também cerca de 0,58% em desvio padrão ao efetuar um choque na

taxa de câmbio, evidenciando que existe o efeito pass-through e que se mantém até o fim do

período, como acontece com IPC.

-.012

-.008

-.004

.000

.004

.008

.012

.016

5 10 15 20 25 30 35

Response of LOGIGPDI to Generalized OneS.D. LOGCAMBIO Innovation

-.008

-.004

.000

.004

.008

.012

5 10 15 20 25 30 35

Response of LOGIGPM to Generalized OneS.D. LOGCAMBIO Innovation

-.002

.000

.002

.004

.006

.008

.010

.012

.014

5 10 15 20 25 30 35

Response of LOGIPC to Generalized OneS.D. LOGCAMBIO Innovation

-.002

.000

.002

.004

.006

.008

.010

.012

.014

5 10 15 20 25 30 35

Response of LOGIPCA to Generalized OneS.D. LOGCAMBIO Innovation

44

Portanto, nota-se que há efeito pass-through na economia brasileira no período de

janeiro de 1999 a junho de 2015. Contudo, esse efeito é mais prolongado quando se aplica um

choque na taxa de câmbio sobre o IPC e o IPCA, pois para o IGP-M e para IGP-DI o efeito é

mais intenso no início e depois de 36 meses o efeito praticamente cessa. Assim, constatou-se

que as transmissões das mudanças cambiais não são inteiramente repassadas para o índice de

preços.

Isso ocorreu também quando foi estudado o efeito no curto prazo com as variáveis

diferenciadas, sendo que o efeito pass-through foi maior e diminui mais rapidamente ao se

comparar com as variáveis em nível.

O efeito pass-through da taxa de câmbio sobre o índice de preços IGP-DI e IGP-M são

aproximados, pois o IGP-M analisa as mesmas variações de preços que são considerados no

IGP-DI, sendo que a diferença entre os dois índices é que as alterações de preços são

consideradas no IGP-M refere-se ao período do dia vinte um do mês anterior ao dia vinte do

mês de referência, já o IGP-DI trata-se o período do dia um ao dia trinta do mês de referência.

Por esta razão que as alterações desses dois índices são parecidas ao efetuar um choque na

taxa de câmbio.

Pode-se inferir também que o efeito pass-through da taxa de câmbio sobre o índice de

preços IPC e IPCA são similares, porque o IPC mede a variação de preços de um conjunto

fixo de bens e serviços componentes de despesas habituais de famílias com nível de renda

situado entre um a trinta e três salários mínimos mensais. E ao analisar o IPCA verifica-se que

compreende as famílias com rendimentos mensais compreendidos entre um e quarenta

salários mínimos, qualquer que seja a fonte de rendimentos e residentes nas áreas urbanas das

regiões. Por ter sua composição similar que se evidencia um efeito pass-through aproximado

entre esses dois índices.

45

6. CONSIDERAÇÕES FINAIS

O presente trabalho parte da contextualização do conceito do efeito pass-through na

economia, a partir disso efetuou-se um estudo sobre a influência da taxa de câmbio sobre os

principais índices de preço na economia brasileira no período de janeiro de 1999 a junho de

2015.

Para isso, utilizou a função de resposta ao impulso do modelo VAR para captar o

efeito de curto prazo com as variáveis diferenciadas uma vez e para alcançar o efeito de longo

prazo as variáveis foram usadas em nível e em logaritmos.

Também foram aplicados testes de estacionariedade, de cointegração, de defasagens

para compor os modelos e foram utilizados teste de causalidade e decomposição da variância

da previsão do erro no curto e longo prazo para verificar se os índices de preços são

influenciados pela taxa de câmbio.

Com os testes de estacionariedade constatou-se que todas as variáveis utilizadas nos

modelos são não estacionárias e que as diferenciando em uma vez tornam-se estacionárias. E

que as variáveis cointegram ao menos uma vez em todos os modelos, assim pode-se utilizar o

VAR em nível para captar o efeito de longo prazo.

Ao verificar o teste de causalidade de Granger percebeu-se que alterações do câmbio

afetam os índices de preços analisados, pois se rejeita a hipótese nula de câmbio não causar os

índices de preços e não se rejeita a hipótese de preços não causar câmbio. Assim, a direção da

causalidade é de câmbio para preços.

Ao decompor os índices de preços o câmbio explica grande parte dos índices de

preços, verificou-se que a taxa de câmbio explica mais a decomposição da variância do IPC e

IPCA do que do IGP-DI e IGP-M.

A partir da análise da função de resposta ao impulso de curto prazo pode-se inferir que

o efeito pass-through é mais elevado e menos persistente nos índices de IGP-DI e IGP-M,

pois ambos os índices atingem seu auge no segundo período analisado, mas se dissipam após

o sétimo e o oitavo período, respectivamente. Já ao verificar o efeito pass-through de curto

prazo do IPC e do IPCA, o repasse é menor e se dissipam mais lentamente após transcorrer o

período de 10 meses.

Então, pode-se ponderar também que ao estudar o efeito pass-through de longo prazo

que a transmissão da taxa de câmbio sobre o IGP-DI e IGP-M é maior e pouco persistente,

46

pois ao aplicar um choque no câmbio os índices aumentam atingindo 0,78% e 0,79% em

desvio padrão, respectivamente, no início do período e depois de 36 meses ambos os índices

quase retornam ao nível de equilíbrio pré-choque.

Mas ao verificar o efeito pass-through de longo prazo da taxa de câmbio sobre o IPC e

IPCA, percebe-se que o rapasse é menor e mais persistente que o IGP-DI e IGP-M, pois os

dois índices (IPC e IPCA) aumentam, aproximadamente, em 0,58% em desvio padrão e que

esse efeito perdura até o fim do período analisado.

Com isso, observou-se que o efeito pass-through é similar entre IGP-DI e IGP-M,

devido que esses índices são constituídos pelos mesmos indicadores de preços, sendo apenas

o período de referência que os difere. E o repasse da taxa de câmbio sobre o IPC e IPCA

também são aproximados, devido que a análise para a composição desses índices é parecida.

Portanto, ao analisar as funções de resposta ao impulso da taxa de câmbio sobre os

índices de preços, percebe-se que o efeito pass-through de transmissão de câmbio para os

diferentes indicadores de preços está presente na economia brasileira e que esse efeito é

incompleto, pois apenas uma parte da variação da taxa de câmbio é repassada aos preços tanto

na análise de curto como a de longo prazo.

47

REFERÊNCIAS

ADOLFSON, M. Monetary policy with incomplete exchange rate pass-through. Sveriges

Riksbank Working Paper Series, n. 127, 2001.

AL-ABRI, A.S., GOODWIN, B.K. Re-examining the exchange rate pass-through into

import prices using non-linear estimation techniques: Threshold cointegration. International Review of Economics & Finance, 2009.

BELAISCH, A. Exchange rate pass-through in Brazil. International Monetary Fund, IMF

Working Paper n. 03141, 2003.

BETTS, C., DEVEREUX, M.B. Exchange Rate Dynamics in a Model of Pricing-to- Ma

Werlang, The Pass-through from Depreciation to Inflation, 2000.

BLANCHARD, O. Macroeconomia. São Paulo. Campus, 1999.

BUENO, R. Econometria de Séries Temporais. Ed. Cengage Learning, 2008

.

CAMPA, J. M., GOLDBERG, L. S. Exchange rate pass-through into import prices: a

micro or a macro phenomenon? NBER Working Paper, n. 8934. Maio, 2002.

CARNEIRO, D. D., MONTEIRO, A. M. A. M., WU, T. Y. H. Mecanismos Não-Lineares

de Repasse Cambial para o IPCA. Texto para Discussão nº. 462, Departamento de

Economia PUC-Rio. Rio de Janeiro, 2002.

CARVALHO, F.C. Economia Monetária e Financeira: Teoria e Política. Editora: Campus,

2000.

COLBANO, F. S. Preços internacionais e a taxa de câmbio: o caso brasileiro. São Paulo:

USP, 2006. Dissertação (mestrado) – Faculdade de Economia, Administração e

Contabilidade, Universidade de São Paulo, São Paulo, 2006.

.

DAVIDSON, R. E MACKINNON, J.G. Estimação e Inferência em Econometria. Oxford

Press Econômicos, Nova Iorque, 1993.

48

DEVEREUX, M.B., YETMAN, J. Price adjustment and exchange rate pass- through.

Journal of International Money and Finance, 2010.

ENDERS, W. Applied econometric time series. New York: John Wiley and Sons.Press,

forthcoming, 2010.

GAGNON, J., IHRIG, J. Monetary policy and exchange rate pass-through. International

Journal of Finance and Economics, 2004.

GOLDBERG, P.K. e KNETTER, M. Goods Prices and Exchange Rates: What Have We

Learned? Journal of Economic Literature. Vol. 35, 1997.

GOLDJFAN, I., VALDÉS, R. The Aftermath of Appreciations, PUC-RIO, Working Paper,

1999.

GOLDJFAN, I., WERLANG, S.R.C. O repasse da depreciação para a inflação: Um estudo

de painel. Brasília, Banco Central do Brasil, 44 p, 2000.

GUILLÉN, O.T.C., ARAÚJO, C.H.V. O mecanismo de transmissão da taxa de câmbio

para índices de preços: uma análise VECM para o Brasil. In: REUNIÓN DE LA RED DE

INVESTIGADORES DE BANCOS CENTRALES, 11, Buenos Aires, 2006.

GUJARATI, D.N., PORTER, D.C. Econometria básica. 5° ed. Porto Alegre: McGraw-Hill,

2011.

HOLLAND, M., PILLATTI, C. Regimes cambiais e intervenções no mercado de câmbio:

uma abordagem a partir da experiência brasileira. Revista Produção Online, 2009.

IBGE, disponível em: < http://www.ibge.gov.br/ >. Acesso em: maio 2015.

Instituto de Pesquisa Econômica Aplicada (IPEADATA). Disponível em

http://www.ipeadata.gov.br. Acesso em: maio de 2015.

KRUGMAN, P., OBSTFELD, M. Economia internacional: teoria e política. 6. ed. São

Paulo: Pearson Addison Wesley, 2005.

http://www.ibge.gov.br/

49

MACIEL, L.F.P. Pass-through cambial: uma estimação para o caso brasileiro. Rio de

Janeiro, RJ. Dissertação de Mestrado em Economia. Fundação Getúlio Vargas, 2007.

McCARTHY, J. Pass-through of exchange rates and import prices to domestic inflation

in some industrialized economies. New York, Federal Reserve Bank of New York, 2000.

MENON J. Exchange Rate Pass-Through. Journal of Economic Surveys, Vol. 9, 1995

SIMS, C. A., STOCK, J. H., WATSON, M. W. Inference in Linear Time Series Models

with Some Unit Roots. Econometrica, Econometric Society, v. 58. n.1, Jan. 1990.

SOUZA, R. G., ALVES, A. F. Relação entre Câmbio e Preços no Brasil: Aspectos

Teóricos e Evidências Empíricas. Anais do XXXVIII Encontro Nacional de Economia,

ANPEC. 2011.

TAYLOR, J. Low Inflation, Pass-through and the Pricing Power of Firms. European

Economic Review , 2000.

VARTANIAN, P. R. Choques Monetários e Cambiais sob Regimes de Câmbio Flutuante

nos Países Membros do Mercosul: Há Indícios de Convergência Macroeconômica?

Economia, Brasília (DF), v.11, n.2, 2010.

50

APÊNDICES

______________________________________

51

APÊNDICE A - Teste Dickey-Fuller aumentado (DFA)

(continua)

Null Hypothesis- IGPDI has a unit root

Exogenous - Constant, Linear Trend

Lag Length: 3 (Automatic - based on SIC, maxlag=14)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -2.990783 0.1375

Test critical values: 1% level -4.006059

5% level -3.433156

10% level -3.140406

*MacKinnon (1996) one-sided p-values.

Null Hypothesis: IGPM has a unit root

Exogenous: Constant, Linear Trend


t-Statistic Prob.*



5% level -3.432917

10% level -3.140265


*

Null Hypothesis: IPC has a unit root



t-Statistic Prob.*

Augmented Dickey-Fuller test statistic 0.660767 0.9996


5% level -3.432917

10% level -3.140265


52

APÊNDICE A – Teste Dickey-Fuller aumentado (DFA)

(continuação)

Null Hypothesis: IPCA has a unit root



t-Statistic Prob.*

Augmented Dickey-Fuller test statistic 0.130191 0.9974


5% level -3.432917

10% level -3.140265


Null Hypothesis: SELIC has a unit root



t-Statistic Prob.*



5% level -3.434299

10% level -3.141079


Null Hypothesis: IPI has a unit root

Exogenous: Constant


t-Statistic Prob.*



5% level -2.876047

10% level -2.574581


53

APÊNDICE A – Teste Dickey-Fuller aumentado (DFA)

(conclusão)

Null Hypothesis: M1_SA has a unit root

Exogenous: Constant


t-Statistic Prob.*



5% level -2.876515

10% level -2.574831


Null Hypothesis: TXCAM has a unit root

Exogenous: Constant


t-Statistic Prob.*



5% level -2.876123

10% level -2.574622


54

APÊNDICE B – Teste Phillips-Perron (PP)

(continua)

Null Hypothesis: IGPDI has a unit root


Bandwidth: 8 (Newey-West automatic) using Bartlett kernel

Adj. t-Stat Prob.*

Phillips-Perron test statistic -2.279810 0.4426


5% level -3.432799

10% level -3.140195


Null Hypothesis: IGPM has a unit root



Adj. t-Stat Prob.*



5% level -3.432799

10% level -3.140195


Null Hypothesis: IPC has a unit root


Lag length: 1 (Spectral OLS-detrended AR based on Modified SIC,

maxlag=14)

Adj. t-Stat Prob.*

Phillips-Perron test statistic 0.018807 0.9963


5% level -3.432799

10% level -3.140195


55


(continuação)

Null Hypothesis: IPCA has a unit root


Lag length: 13 (Spectral OLS-detrended AR based on AIC, maxlag=14)

Adj. t-Stat Prob.*



5% level -3.432799

10% level -3.140195


Null Hypothesis: SELIC has a unit root

Exogenous: None

Bandwidth: 5.63 (Andrews automatic) using Bartlett kernel

Adj. t-Stat Prob.*



5% level -1.942448

10% level -1.615628


Null Hypothesis: IPI has a unit root

Exogenous: Constant


Adj. t-Stat Prob.*



5% level -2.876047

10% level -2.574581


56


(conclusão)

Null Hypothesis: M1_SA has a unit root

Exogenous: Constant


Adj. t-Stat Prob.*



5% level -2.876047

10% level -2.574581


Null Hypothesis: TXCAM has a unit root

Exogenous: Constant


Adj. t-Stat Prob.*



5% level -2.876047

10% level -2.574581


57

APÊNDICE C – Teste de Dickey-Fuller aumentado, dados na primeira diferença.

(continua)

Null Hypothesis: DIGPDI has a unit root

Exogenous: Constant


t-Statistic Prob.*



5% level -2.876123

10% level -2.574622


Null Hypothesis: DIGPM has a unit root

Exogenous: Constant


t-Statistic Prob.*



5% level -2.876123

10% level -2.574622


Null Hypothesis: DIPC has a unit root

Exogenous: Constant


t-Statistic Prob.*



5% level -2.876123

10% level -2.574622


58


(continuação)

Null Hypothesis: DIPCA has a unit root

Exogenous: Constant


t-Statistic Prob.*



5% level -2.876123

10% level -2.574622


Null Hypothesis: DSELIC has a unit root

Exogenous: None


t-Statistic Prob.*



5% level -1.942555

10% level -1.615559


Null Hypothesis: DIPI has a unit root

Exogenous: None


t-Statistic Prob.*



5% level -1.942456

10% level -1.615622


59


(conclusão)

Null Hypothesis: DM1 has a unit root

Exogenous: None


t-Statistic Prob.*



5% level -1.942499

10% level -1.615594


Null Hypothesis: DTXCAM has a unit root

Exogenous: None


t-Statistic Prob.*



5% level -1.942456

10% level -1.615622


60

APÊNDICE D – Teste Phillips-Perron (PP), dados em primeira diferença

(continua)

Null Hypothesis: DIGPDI has a unit root

Exogenous: Constant


Adj. t-Stat Prob.*



5% level -2.876123

10% level -2.574622


Null Hypothesis: DIGPM has a unit root

Exogenous: Constant


Adj. t-Stat Prob.*



5% level -2.876123

10% level -2.574622


Null Hypothesis: DIPC has a unit root

Exogenous: Constant


Adj. t-Stat Prob.*



5% level -2.876123

10% level -2.574622


61


(continuação)

Null Hypothesis: DIPCA has a unit root

Exogenous: Constant


Adj. t-Stat Prob.*



5% level -2.876123

10% level -2.574622


Null Hypothesis: DSELIC has a unit root

Exogenous: None


Adj. t-Stat Prob.*



5% level -1.942456

10% level -1.615622


Null Hypothesis: DIPI has a unit root

Exogenous: None


Adj. t-Stat Prob.*



5% level -1.942456

10% level -1.615622


62


(conclusão)

Null Hypothesis: DM1 has a unit root

Exogenous: None


Adj. t-Stat Prob.*



5% level -1.942456

10% level -1.615622


Null Hypothesis: DTXCAM has a unit root

Exogenous: None


Adj. t-Stat Prob.*



5% level -1.942456

10% level -1.615622


63

APÊNDICE E – Teste de Causalidade de Granger com três defasagens

Pairwise Granger Causality Tests

Date: 11/13/15 Time: 17:56

Sample: 1999M01 2015M06

Lags: 3

Null Hypothesis: Obs F-Statistic Prob.

DTXCAM does not Granger Cause DIGPDI 194 10.8471 1.E-06

DIGPDI does not Granger Cause DTXCAM 1.24751 0.2939


Date: 11/13/15 Time: 18:09

Sample: 1999M01 2015M06

Lags: 3


DTXCAM does not Granger Cause DIGPM 194 9.17396 1.E-05

DIGPM does not Granger Cause DTXCAM 2.11092 0.1003


Date: 11/13/15 Time: 18:11

Sample: 1999M01 2015M06

Lags: 3


DTXCAM does not Granger Cause DIPC 194 6.38342 0.0004

DIPC does not Granger Cause DTXCAM 0.36705 0.7769


Date: 11/13/15 Time: 18:11

Sample: 1999M01 2015M06

Lags: 3


DTXCAM does not Granger Cause DIPCA 194 7.57043 8.E-05

DIPCA does not Granger Cause DTXCAM 0.42471 0.7355

64

APÊNDICE F – Teste de Causalidade de Granger com seis defasagens


Date: 11/13/15 Time: 18:15

Sample: 1999M01 2015M06

Lags: 6


DTXCAM does not Granger Cause DIGPDI 191 5.13840 7.E-05



Date: 11/13/15 Time: 18:16

Sample: 1999M01 2015M06

Lags: 6


DTXCAM does not Granger Cause DIGPM 191 4.80196 0.0001



Date: 11/13/15 Time: 18:16

Sample: 1999M01 2015M06

Lags: 6





Date: 11/13/15 Time: 18:17

Sample: 1999M01 2015M06

Lags: 6


DTXCAM does not Granger Cause DIPCA 191 3.61102 0.0021


65

APÊNDICE G – Teste de Causalidade de Granger com nove defasagens


Date: 11/13/15 Time: 18:19

Sample: 1999M01 2015M06

Lags: 9


DTXCAM does not Granger Cause DIGPDI 188 3.67584 0.0003



Date: 11/13/15 Time: 18:20

Sample: 1999M01 2015M06

Lags: 9


DTXCAM does not Granger Cause DIGPM 188 3.46451 0.0006



Date: 11/13/15 Time: 18:22

Sample: 1999M01 2015M06

Lags: 9





Date: 11/13/15 Time: 18:23

Sample: 1999M01 2015M06

Lags: 9


DTXCAM does not Granger Cause DIPCA 188 3.22920 0.0012


66

APÊNDICE H – Ordem de Defasagem para os Modelos VAR em primeira diferença

(continua)

VAR Lag Order Selection Criteria

Endogenous variables: DIPI DIGPDI DM1 DTXCAM DSELIC

Exogenous variables: C

Date: 11/27/15 Time: 09:39

Sample: 1999M01 2015M06

Included observations: 192 Lag LogL LR FPE AIC SC HQ 0 -2345.159 NA 29479.26 24.48083 24.56566 24.51518

1 -2192.484 295.8077 7797.796 23.15088 23.65986* 23.35702*

2 -2167.819 46.50452 7829.143 23.15437 24.08750 23.53229

3 -2133.041 63.75947 7080.248* 23.05251* 24.40980 23.60222

4 -2113.512 34.78701 7513.856 23.10950 24.89094 23.83099

5 -2090.875 39.14338* 7731.777 23.13411 25.33971 24.02739 * indicates lag order selected by the criterion

LR: sequential modified LR test statistic (each test at 5% level)

FPE: Final prediction error

AIC: Akaike information criterion

SC: Schwarz information criterion

HQ: Hannan-Quinn information criterion

VAR Lag Order Selection Criteria Endogenous variables: DIPI DIGPM DM1 DTXCAM DSELIC


Date: 11/27/15 Time: 09:40

Sample: 1999M01 2015M06


1 -2193.969 298.9510 7919.276 23.16634 23.67532* 23.37248*

2 -2169.855 45.46315 7996.989 23.17558 24.10871 23.55350

3 -2139.393 55.84793 7564.551* 23.11868* 24.47597 23.66839

4 -2118.578 37.07650 7921.051 23.16227 24.94371 23.88377

5 -2089.624 50.06720* 7631.677 23.12108 25.32667 24.01436 * indicates lag order selected by the criterion






67

APÊNDICE H – Ordem de Defasagem para os Modelos VAR em primeira diferença

(conclusão)


Endogenous variables: DIPI DIPC DM1 DTXCAM DSELIC


Date: 11/27/15 Time: 09:42

Sample: 1999M01 2015M06


1 -2100.539 228.4125 2992.398 22.19311 22.70210* 22.39926*

2 -2078.664 41.24290 3093.047 22.22567 23.15881 22.60360

3 -2045.572 60.66870 2846.739* 22.14138* 23.49867 22.69109

4 -2021.184 43.44179* 2871.978 22.14775 23.92919 22.86925

5 -2003.152 31.18069 3100.486 22.22033 24.42593 23.11361 * indicates lag order selected by the criterion






VAR Lag Order Selection Criteria Endogenous variables: DIPI DIPCA DM1 DTXCAM DSELIC


Date: 11/27/15 Time: 09:42

Sample: 1999M01 2015M06


1 -2449.416 296.7473 113319.2 25.82725 26.33623* 26.03339*

2 -2433.522 29.96673 124659.9 25.92210 26.85524 26.30003

3 -2400.918 59.77266 115318.5 25.84290 27.20019 26.39261

4 -2373.960 48.02049* 113267.1* 25.82250* 27.60394 26.54399

5 -2354.954 32.86348 121045.8 25.88494 28.09054 26.77822 * indicates lag order selected by the criterion






68

APÊNDICE I – Decomposição da Variância dos modelos em primeira diferença

(continua)

Period S.E. DIPI DIGPDI DM1 DTXCAM DSELIC

1 2.049730 1.624831 98.37517 0.000000 0.000000 0.000000

2 2.127852 2.532434 87.85909 1.181488 8.417253 0.009734

3 2.160053 2.391777 83.60124 2.541577 11.30592 0.159481

4 2.174052 2.330329 81.52510 3.446151 12.52391 0.174512

5 2.181245 2.322749 80.74080 3.916816 12.83164 0.187992

6 2.184734 2.322111 80.53036 4.116823 12.83682 0.193888

7 2.186403 2.321041 80.48171 4.183546 12.81912 0.194583

8 2.187125 2.319484 80.46279 4.199663 12.82349 0.194567

9 2.187402 2.318166 80.44748 4.200926 12.83900 0.194424

10 2.187501 2.317349 80.43560 4.199641 12.85306 0.194349

Period S.E. DIPI DIGPM DM1 DTXCAM DSELIC

1 2.057447 1.979725 98.02027 0.000000 0.000000 0.000000

2 2.127687 3.593681 87.61151 1.122658 7.286740 0.385409

3 2.160538 3.549078 79.45886 3.512022 12.82297 0.657074

4 2.172139 3.411483 75.26820 5.363054 15.22363 0.733634

5 2.179950 3.375966 73.49844 6.447248 15.91663 0.761720

6 2.184433 3.372248 72.92341 6.963074 15.97031 0.770955

7 2.186622 3.372069 72.76568 7.164784 15.92611 0.771358

8 2.187633 3.370519 72.71691 7.225143 15.91710 0.770326

9 2.188049 3.368219 72.68877 7.234940 15.93856 0.769511

10 2.188202 3.366163 72.66611 7.232181 15.96641 0.769136

Period S.E. DIPI DIPC DM1 DTXCAM DSELIC

1 2.067498 0.365113 99.63489 0.000000 0.000000 0.000000

2 2.144785 0.306271 95.76960 0.220313 3.515989 0.187826

3 2.173617 0.340091 89.43332 0.192495 8.435948 1.598148

4 2.180625 0.319100 86.63449 0.179788 11.32548 1.541133

5 2.185738 0.342998 84.90910 0.181084 12.97409 1.592730

6 2.188620 0.354569 84.01101 0.181890 13.85183 1.600702

7 2.190330 0.363366 83.50662 0.187218 14.34421 1.598579

8 2.191356 0.368855 83.22872 0.191206 14.61128 1.599941

9 2.191983 0.372704 83.07805 0.194051 14.75583 1.599368

10 2.192355 0.375009 82.99370 0.196007 14.83623 1.599047

69

APÊNDICE I – Decomposição da Variância dos modelos em primeira diferença

(conclusão)

Period S.E. DIPI DIPCA DM1 DTXCAM DSELIC

1 2.076490 0.334264 99.66574 0.000000 0.000000 0.000000

2 2.140172 0.850372 93.41556 0.023126 5.437475 0.273463

3 2.169272 0.873889 87.69606 0.039410 11.10503 0.285607

4 2.177885 0.794404 84.34404 0.052556 14.50395 0.305054

5 2.183743 0.767439 82.47982 0.054434 16.38928 0.309033

6 2.187321 0.758003 81.48362 0.053340 17.39603 0.309012

7 2.189345 0.756376 80.97968 0.052875 17.90205 0.309022

8 2.190509 0.757308 80.72877 0.053002 18.15218 0.308736

9 2.191168 0.758243 80.60342 0.053367 18.27646 0.308503

10 2.191530 0.758863 80.54074 0.053711 18.33832 0.308370

70

APÊNDICE J – Ordem de Defasagem para os Modelos VAR Estimados em nível

(continua)


Endogenous variables: LOGIPI LOGIGPDI LOGM1 LOGCAMBIO

LOGSELIC


Date: 11/13/15 Time: 18:52

Sample: 1999M01 2015M06

Included observations: 193

Lag LogL LR FPE AIC SC HQ

0 705.5977 NA 4.84e-10 -7.260079 -7.175554 -7.225849

1 2359.191 3204.372 2.27e-17 -24.13669 -23.62954 -23.93131

2 2484.713 236.7359 8.00e-18 -25.17837 -24.24859* -24.80184*

3 2505.263 37.69263 8.39e-18 -25.13226 -23.77985 -24.58457

4 2537.152 56.83889* 7.83e-18* -25.20365* -23.42861 -24.48481

5 2555.429 31.63036 8.43e-18 -25.13398 -22.93632 -24.24400

* indicates lag order selected by the criterion







Endogenous variables: LOGIPI LOGIGPM LOGM1 LOGCAMBIO

LOGSELIC


Date: 11/13/15 Time: 18:52

Sample: 1999M01 2015M06



0 700.9753 NA 5.07e-10 -7.212179 -7.127653 -7.177949

1 2362.401 3219.551 2.19e-17 -24.16996 -23.66281 -23.96458

2 2494.644 249.4106 7.22e-18* -25.28128* -24.35150* -24.90475*

3 2515.267 37.82707 7.56e-18 -25.23593 -23.88352 -24.68825

4 2539.193 42.64457* 7.67e-18 -25.22479 -23.44976 -24.50596

5 2559.621 35.35197 8.07e-18 -25.17742 -22.97975 -24.28743







71

APÊNDICE J – Ordem de Defasagem para os Modelos VAR Estimados em nível

(conclusão)


Endogenous variables: LOGIPI LOGIPC LOGM1 LOGCAMBIO

LOGSELIC


Date: 11/13/15 Time: 18:53

Sample: 1999M01 2015M06



0 719.6232 NA 4.18e-10 -7.405422 -7.320896 -7.371192

1 2444.118 3341.766 9.40e-18 -25.01676 -24.50961 -24.81138

2 2534.865 171.1510 4.76e-18* -25.69808* -24.76830* -25.32155*

3 2552.999 33.26154 5.11e-18 -25.62694 -24.27452 -25.07925

4 2579.931 48.00210 5.03e-18 -25.64695 -23.87191 -24.92812

5 2604.568 42.63595* 5.06e-18 -25.64319 -23.44552 -24.75320








Endogenous variables: LOGIPI LOGIPCA LOGM1 LOGCAMBIO

LOGSELIC


Date: 11/13/15 Time: 18:56

Sample: 1999M01 2015M06



0 715.5301 NA 4.36e-10 -7.363006 -7.278480 -7.328776

1 2480.178 3419.577 6.47e-18 -25.39045 -24.88329 -25.18507

2 2593.174 213.1119 2.60e-18* -26.30233* -25.37254* -25.92579*

3 2607.959 27.11839 2.89e-18 -26.19647 -24.84406 -25.64879

4 2637.729 53.06076 2.76e-18 -26.24589 -24.47086 -25.52706

5 2666.499 49.78854* 2.67e-18 -26.28496 -24.08730 -25.39498







72

APÊNDICE K – Teste de Cointegração do Modelo VAR em nível

(continua)

Date: 11/13/15 Time: 19:04

Sample: 1999M01 2015M06


Series: LOGIPI LOGIGPDI LOGM1 LOGCAMBIO LOGSELIC

Lags interval: 1 to 2

Selected

(0.05 level*)

Number of

Cointegrating

Relations by

Model

Data Trend: None None Linear Linear Quadratic

Test Type No Intercept Intercept Intercept Intercept Intercept

No Trend No Trend No Trend Trend Trend

Trace 2 2 3 2 1

Max-Eig 2 2 1 1 1

*Critical values based on MacKinnon-Haug-Michelis (1999)

Date: 11/13/15 Time: 19:04

Sample: 1999M01 2015M06


Series: LOGIPI LOGIGPM LOGM1 LOGCAMBIO LOGSELIC


Selected

(0.05 level*)

Number of

Cointegrating

Relations by

Model




Trace 2 2 2 2 1

Max-Eig 2 2 1 1 1


73

APÊNDICE K – Teste de Cointegração do Modelo VAR em nível

(conclusão)

Date: 11/13/15 Time: 19:06

Sample: 1999M01 2015M06


Series: LOGIPI LOGIPC LOGM1 LOGCAMBIO

LOGSELIC


Selected

(0.05 level*)

Number of

Cointegrating

Relations by

Model




Trace 2 2 2 3 2

Max-Eig 2 2 1 2 2


Date: 11/13/15 Time: 19:28

Sample: 1999M01 2015M06


Series: LOGIPI LOGIPCA LOGM1 LOGCAMBIO LOGSELIC


Selected

(0.05 level*)

Number of

Cointegrating

Relations by

Model




Trace 2 2 2 3 2

Max-Eig 2 2 1 2 2


74

APÊNDICE L – Decomposição da Variância dos modelos em nível

(continua) Period S.E. LOGIPI LOGIGPDI LOGM1 LOGCAMBIO LOGSELIC

1 0.017219 2.420513 97.57949 0.000000 0.000000 0.000000

2 0.024284 4.897677 91.36496 0.709373 2.851529 0.176465

3 0.029276 6.035549 85.12657 2.274750 6.078233 0.484902

4 0.032934 6.751723 79.22592 4.230129 8.903074 0.889157

5 0.035689 7.313519 73.71909 6.342280 11.23332 1.391791

6 0.037817 7.803961 68.62102 8.487704 13.09347 1.993850

7 0.039499 8.243967 63.93369 10.59406 14.53413 2.694152

8 0.040859 8.634876 59.65077 12.61517 15.61228 3.486906

9 0.041985 8.972640 55.75884 14.52179 16.38349 4.363237

10 0.042935 9.253556 52.23862 16.29675 16.89912 5.311954

11 0.043754 9.475992 49.06628 17.93197 17.20501 6.320753

12 0.044470 9.640682 46.21516 19.42602 17.34114 7.376987

13 0.045107 9.750370 43.65734 20.78219 17.34179 8.468312

14 0.045680 9.809275 41.36486 22.00690 17.23590 9.583067

15 0.046201 9.822563 39.31078 23.10853 17.04759 10.71054

16 0.046680 9.795898 37.46976 24.09646 16.79680 11.84108

17 0.047121 9.735084 35.81842 24.98048 16.49984 12.96618

18 0.047532 9.645804 34.33553 25.77029 16.16992 14.07846

19 0.047916 9.533430 33.00196 26.47527 15.81769 15.17165

20 0.048277 9.402906 31.80067 27.10425 15.45167 16.24051

21 0.048617 9.258678 30.71650 27.66544 15.07859 17.28079

22 0.048939 9.104659 29.73606 28.16637 14.70378 18.28913

23 0.049244 8.944228 28.84755 28.61388 14.33135 19.26299

24 0.049536 8.780250 28.04055 29.01415 13.96450 20.20055

Period S.E. LOGIPI LOGIGPM LOGM1 LOGCAMBIO LOGSELIC

1 0.017268 2.985625 97.01438 0.000000 0.000000 0.000000

2 0.024268 5.347106 89.38970 1.074583 3.634326 0.554288

3 0.029179 6.547144 81.65126 2.957365 7.841155 1.003076

4 0.032782 7.270190 74.55863 5.199590 11.43710 1.534487

5 0.035507 7.865921 68.13255 7.540423 14.36285 2.098258

6 0.037618 8.396664 62.30881 9.897840 16.66225 2.734433

7 0.039290 8.885661 57.04590 12.20676 18.41933 3.442345

8 0.040646 9.326923 52.30559 14.42709 19.71208 4.228321

9 0.041770 9.713528 48.05491 16.52718 20.61619 5.088187

10 0.042720 10.03843 44.25891 18.48689 21.19929 6.016477

11 0.043539 10.29825 40.88113 20.29467 21.52174 7.004209

12 0.044256 10.49262 37.88351 21.94673 21.63572 8.041421

13 0.044894 10.62403 35.22793 23.44501 21.58572 9.117317

14 0.045469 10.69693 32.87730 24.79559 21.40899 10.22119

15 0.045992 10.71712 30.79661 26.00728 21.13629 11.34271

16 0.046472 10.69112 28.95355 27.09039 20.79267 12.47228

17 0.046916 10.62567 27.31889 28.05592 20.39834 13.60118

18 0.047328 10.52740 25.86654 28.91499 19.96940 14.72167

19 0.047715 10.40259 24.57345 29.67835 19.51858 15.82703

20 0.048077 10.25702 23.41945 30.35619 19.05583 16.91151

21 0.048420 10.09583 22.38698 30.95798 18.58885 17.97036

22 0.048744 9.923569 21.46078 31.49239 18.12354 18.99972

23 0.049052 9.744115 20.62766 31.96731 17.66434 19.99657

24 0.049346 9.560749 19.87623 32.38979 17.21457 20.95866

75

APÊNDICE L – Decomposição da Variância dos modelos nível

(conclusão)

Period S.E. LOGIPI LOGIPC LOGM1 LOGCAMBIO LOGSELIC

1 0.017227 0.009430 99.99057 0.000000 0.000000 0.000000

2 0.024059 0.005390 97.74537 0.005259 2.086052 0.157932

3 0.028923 0.124510 94.02041 0.138510 5.374053 0.342522

4 0.032578 0.422174 89.51402 0.506075 8.967310 0.590423

5 0.035408 0.821487 84.70744 1.087868 12.50703 0.876178

6 0.037644 1.248661 79.87547 1.838915 15.82986 1.207088

7 0.039452 1.650887 75.19606 2.706085 18.86881 1.578154

8 0.040943 2.002358 70.76113 3.645905 21.60185 1.988760

9 0.042200 2.293801 66.61666 4.622708 24.03158 2.435250

10 0.043280 2.526392 62.77736 5.609426 26.17260 2.914213

11 0.044224 2.706271 59.24105 6.585548 28.04584 3.421291

12 0.045063 2.841615 55.99550 7.536083 29.67483 3.951972

13 0.045818 2.940826 53.02349 8.450319 31.08387 4.501501

14 0.046508 3.011677 50.30549 9.320961 32.29671 5.065161

15 0.047143 3.060927 47.82141 10.14337 33.33595 5.638345

16 0.047735 3.094229 45.55152 10.91499 34.22258 6.216682

17 0.048290 3.116190 43.47704 11.63484 34.97583 6.796103

18 0.048814 3.130484 41.58037 12.30316 35.61309 7.372901

19 0.049311 3.139992 39.84524 12.92108 36.14993 7.943754

20 0.049786 3.146939 38.25674 13.49039 36.60019 8.505746

21 0.050240 3.153013 36.80124 14.01330 36.97608 9.056364

22 0.050677 3.159474 35.46638 14.49234 37.28832 9.593488

23 0.051099 3.167235 34.24095 14.93019 37.54625 10.11537

24 0.051506 3.176938 33.11480 15.32961 37.75803 10.62063

Period S.E. LOGIPI LOGIPCA LOGM1 LOGCAMBIO LOGSELIC

1 0.017263 0.437029 99.56297 0.000000 0.000000 0.000000

2 0.024034 1.017695 95.54489 0.047208 3.004306 0.385902

3 0.028753 0.966325 91.03486 0.298580 7.143907 0.556333

4 0.032257 0.728255 86.25669 0.831266 11.43137 0.752419

5 0.034982 0.528602 81.33484 1.578092 15.62693 0.931528

6 0.037160 0.402593 76.38099 2.499476 19.58818 1.128757

7 0.038942 0.338009 71.52837 3.541055 23.24626 1.346304

8 0.040429 0.312386 66.87113 4.661442 26.56139 1.593650

9 0.041691 0.306722 62.47365 5.823165 29.52268 1.873780

10 0.042780 0.308651 58.36975 6.996870 32.13523 2.189494

11 0.043731 0.311281 54.57250 8.158949 34.41601 2.541258

12 0.044573 0.311547 51.08018 9.291442 36.38835 2.928475

13 0.045326 0.308611 47.88200 10.38091 38.07922 3.349259

14 0.046005 0.302779 44.96176 11.41779 39.51682 3.800851

15 0.046624 0.294810 42.30050 12.39565 40.72930 4.279747

16 0.047191 0.285543 39.87813 13.31066 41.74371 4.781950

17 0.047715 0.275719 37.67460 14.16104 42.58550 5.303146

18 0.048201 0.265924 35.67046 14.94663 43.27811 5.838877

19 0.048655 0.256591 33.84735 15.66853 43.84283 6.384695

20 0.049081 0.248024 32.18814 16.32878 44.29878 6.936276

21 0.049481 0.240437 30.67703 16.93010 44.66291 7.489519

22 0.049858 0.233983 29.29962 17.47564 44.95013 8.040618

23 0.050216 0.228776 28.04281 17.96887 45.17344 8.586110

24 0.050555 0.224907 26.89475 18.41336 45.34408 9.122906

o efeito pass-through da taxa de cÂmbio para os...

Documents