Medindo o efeito do Teto de Gastos sobre o juro neutro

O juro neutro é aquele que equilibra poupança e investimento em uma economia com hiato do produto nulo e inflação igual à meta (Blinder, 1999). Em uma pequena economia aberta sem restrições a mobilidade de capital e com ativos substitutos, a taxa de juros doméstica é igual a taxa internacional (Barbosa et al., 2015). Quando não é o caso, deve-se adicionar à taxa de juros internacional (r_t^{*}), o risco país (\gamma_t) e o risco cambial (\tau_t), de modo que:

(1)   \begin{align*} \bar{r_t} = r_t^{*} + \gamma_t + \tau_t  \end{align*}

Com base em 1, procuramos nesse exercício verificar o impacto da emenda constitucional 95 sobre o juro de equilíbrio da economia brasileira. Para isso, vamos estimar o seguinte modelo:

(2)   \begin{align*} \bar{r_t} = \beta_0 + \beta_1 r_t^{*} + \beta_2 \gamma_t + \beta_3 \tau_t + \beta_4 D_{Teto} + \varepsilon_t,  \end{align*}

onde D_{Teto} é uma dummy que assume 1 a partir de dezembro de 2016 e 0 nos meses anteriores da amostra. \varepsilon_t é supostamente um ruído branco. Para estimar 2, vamos utilizar uma amostra entre janeiro de 2004 e outubro de 2019, totalizando 190 observações. Vamos considerar como proxy para o juro neutro, o juro estrutural implícito nas expectativas do boletim Focus, com base em BCB (2019). O juro internacional será representado pela taxa de juros efetiva praticada nos Estados Unidos (fed funds), para o risco país vamos considerar o CDS de 5 anos e para o risco cambial vamos considerar o cupom cambial, que leva em consideração a expectativa de desvalorização/valorização cambial dos agentes. Ademais, para estimar 2, vamos considerar o método de mínimos quadrados ordinários (OLS), mínimos quadrados em dois estágios (TSLS) e o método dos momentos generalizado (GMM). Os instrumentos utilizados são as quatro defasagens de cada uma das variáveis utilizadas. As variáveis utilizadas são mostradas abaixo.

Uma matriz de correlação entre as variáveis é colocada abaixo.

A tabela a seguir, por fim, resume a estimação de 2 pelos três métodos especificados.

Efeito do Teto de Gastos sobre o Juro Neutro brasileiro
Variável Dependente: Juro Neutro
OLS TSLS GMM
(1) (2) (3)
Intercepto 3.64*** (0.18) 3.56*** (0.24) 4.02*** (0.28)
Juro Internacional 0.39*** (0.04) 0.39*** (0.04) 0.15* (0.08)
Risco País 0.01*** (0.0005) 0.01*** (0.001) 0.004*** (0.001)
Risco Cambial 0.02 (0.02) 0.02 (0.02) 0.01 (0.01)
DTeto -1.54*** (0.15) -1.54*** (0.16) -1.08*** (0.22)
J-Test 12.5
J-Test (p-valor) 0.19
Observations 190 186 186
R2 0.65 0.65
Adjusted R2 0.65 0.64
Residual Std. Error 0.80 (df = 185) 0.80 (df = 181)
F Statistic 87.31*** (df = 4; 185) 82.33*** (df = 4; 181)
Nota: *p<0.1; **p<0.05; ***p<0.01

Os resultados encontrados sugerem que houve uma queda de até 1,54 ponto percentual em relação ao juro de equilíbrio médio da economia a partir da aprovação do teto de gastos, considerando os diferentes métodos utilizados para estimar a equação 2.

Todos os códigos utilizados para gerar o exercício estarão disponíveis amanhã na Edição 71 do Clube do Código. Ainda não é assinante? Tenha acesso a todas as 71 edições do Clube do Código, mais comentários de conjuntura, códigos para apresentações RMarkdown, Beamer/Latex e muito mais. 

_________________________

Barbosa, F. H., F. D. Camêlo, and I. C. João. 2015. “A Taxa de Juros Natural E a Regra de Taylor No Brasil: 2003-2015.” Revista Brasileira de Economia 70 (4): 399–417.
BCB. 2019. “Proxy Da Taxa de Juros Estrutural Implícita Nas Expectativas Da Pesquisa Focus.” Relatório de Inflação Trimestral, no. Dezembro.
Blinder, A. S. 1999. Bancos Centrais: Teoria E Prática. São Paulo: Editora 34.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Análise regional do mercado de trabalho com dados do CAGED usando Python

Os microdados dos CAGED fornecem informações detalhadas a nível de cidade, sexo, raça, nível de instrução, idade, salário e outras sobre os trabalhadores formais do Brasil, possibilitando ricas análises regionais de dados. Neste artigo mostramos como acessar, processar e analisar estes dados utilizando o Python.

Transfer Learning: mostrando porque o Python está na ponta do desenvolvimento

A aprendizagem por transferência (transfer learning) é o reuso de um modelo pré-treinado em um novo problema. Portanto, sua utilização torna-se um avanço enorme para a previsão de diferentes tipos de variáveis, principalmente para aquelas ordenadas no tempo. Mostramos nesta postagem o uso do Transfer Learning com o Python para o caso de Séries Temporais.

como podemos ajudar?

Preencha os seus dados abaixo e fale conosco no WhatsApp

Boletim AM

Preencha o formulário abaixo para receber nossos boletins semanais diretamente em seu e-mail.