Em quanto um choque cambial afeta a inflação? Analisando funções impulso-resposta no VAR

É conhecido na macroeconomia que variações na taxa de câmbio são repassadas para o nível de preços ao consumidor, o efeito “pass-through”. Isso significa que um aumento repentino na taxa de câmbio, de um desvio padrão por exemplo, tende a afetar os preços da cesta de produtos e serviços ao consumidor, aumentando assim a taxa de inflação nos próximos períodos. Quantificar este repasse cambial é, portanto, importante para compreender a dinâmica da inflação na economia.

Este exercício quantifica o repasse cambial sobre a inflação para a economia brasileira sob a ótica de um modelo VAR. Usando dados recentes, estimamos as funções de impulso resposta para analisar choques na variação do câmbio e a resposta ao longo do tempo sobre a inflação de preços livres.

Modelo

Com o propósito de quantificar o repasse cambial, nos inspiramos em BCB (2018) representando uma Curva de Phillips para a inflação de preços livres estimada por um modelo VAR, como abaixo:

$y_t = \sum_{i\ge0}^p A_p y_{t-p} + z_t + \varepsilon_t$

onde:

$y_t = (\pi_t^L, E_t \pi_{t+i}, \pi_t, \Delta e_t, h_t)$
$\pi_t^L$ é a inflação de preços livres do IPCA
$E_t \pi_{t+i}$ é a inflação esperada no momento $t$ para o IPCA $i$ momentos à frente
$\pi_t$ é a inflação do IPCA
$\Delta e_t$ é a variação da taxa de câmbio nominal (R$/US$)
$h_t$ é uma medida de hiato do produto
$z_t$ é uma variável de controle que pode incluir constante, tendência e/ou dummies sazonais

Aprenda mais sobre modelos VAR, SVAR, VECM, SVEC, ARIMA e outros através do curso de Análise de Séries Temporais da Análise Macro.

Funções impulso resposta

As funções impulso resposta (FIR) respondem a seguinte pergunta:

Qual é a resposta ao longo do tempo em uma variável endógena de um modelo VAR para um choque em outra variável, assumindo que os choques de outras variáveis são nulos?

Dessa forma, a FIR permite isolar o efeito de um choque em termos de sinal e magnitude ao longo do tempo, mantendo tudo o mais constante.

Para calcular FIR, considere um simples modelo VAR com apenas uma defasagem, tal como:

$y_t = A y_{t-1} + \varepsilon_t$

(1)

Para encontrar, por exemplo, o efeito do j-ésimo elemento do vetor de choques $\varepsilon$ sobre o i-ésimo elemento do vetor de variáveis endógenas $y$ após dois períodos, que é uma resposta ao impulso específica, primeiro reescreva a equação acima com uma defasagem, tal como:

$y_{t-1} = A y_{t-2} + \varepsilon_{t-1}$

(2)

Substituindo (1) em (2), obtemos:

$y_t = A^2 y_{t-2} + A \varepsilon_{t-1} + \varepsilon_t$

Então repetimos o processo usando duas defasagens da (1) para obter:

$y_t = A^3 y_{t-3} + A^2 \varepsilon_{t-2} + A \varepsilon_{t-1} + \varepsilon_t$

Dessa forma, o efeito do j-ésimo elemento de $\varepsilon_{t-2}$ sobre o i-ésimo elemento de $y_t$ é o i, j elemento da matriz $A^2$ .

Dados

Utilizamos uma amostra de dados do quarto trimestre de 2003 ao quarto trimestre de 2023. Os dados em frequência trimestral são expostos no gráfico abaixo:

Para obter o código deste exercício faça parte do Clube AM e receba toda semana os códigos em R/Python, vídeos, tutoriais e suporte completo para dúvidas.

Algumas das variáveis selecionadas apresentam visualmente comportamento não estacionário, o que é problemático para a modelagem VAR.

Exploração

Confirmamos a ordem de integração das séries através de testes de estacionariedade ADF, PP e KPSS com constante e com tendência. Como são 3 testes e 2 especificações possíveis, foram aplicados 6 testes individualmente para cada variável. Abaixo reportamos a ordem de integração mais frequentemente reportada entre os testes para cada variável:

# A tibble: 5 × 3
  variavel ordem_integracao     n
  <chr>               <dbl> <int>
1 delta_e                 0     6
2 e_pi_t4                 0     4
3 h                       1     6
4 pi                      0     6
5 pi_l                    0     6

Encontramos que o hiato do produto é integrado de ordem 1 e as demais são de ordem 0. Neste cenário, prosseguimos investigando se há cointegração entre as séries temporais usando o teste de Johansen. Abaixo reportamos os resultados para o teste do máximo autovalor:


###################### 
# Johansen-Procedure # 
###################### 

Test type: maximal eigenvalue statistic (lambda max) , without linear trend and constant in cointegration 

Eigenvalues (lambda):
[1] 5.710011e-01 3.608327e-01 2.625436e-01 7.659799e-02 5.079090e-02
[6] 3.155246e-16

Values of teststatistic and critical values of test:

          test 10pct  5pct  1pct
r <= 4 |  4.01  7.52  9.24 12.97
r <= 3 |  6.14 13.75 15.67 20.20
r <= 2 | 23.45 19.77 22.00 26.81
r <= 1 | 34.46 25.56 28.14 33.24
r = 0  | 65.17 31.66 34.40 39.79

Eigenvectors, normalised to first column:
(These are the cointegration relations)

              pi_l.l4        h.l4  e_pi_t4.l4       pi.l4 delta_e.l4
pi_l.l4     1.0000000  1.00000000  1.00000000  1.00000000  1.0000000
h.l4        0.1259625 -0.04214096 -0.08210039 -0.30625473 -0.1702272
e_pi_t4.l4 -2.9525718  0.85707996  0.57965592  6.16931502 -9.8621368
pi.l4       0.3550030 -1.15098817  0.61460879  0.09763306  0.3651735
delta_e.l4  1.7231035 -0.24761985 -2.78132276  2.19154376 -1.3483273
constant    0.4647494 -0.26844156 -0.92374229 -2.97502445  2.8674561
              constant
pi_l.l4      1.0000000
h.l4         0.5449363
e_pi_t4.l4 -30.7206454
pi.l4        1.5061414
delta_e.l4  -0.9496715
constant    13.4237085

Weights W:
(This is the loading matrix)

               pi_l.l4        h.l4   e_pi_t4.l4        pi.l4   delta_e.l4
pi_l.d     0.007250229 -0.70346355 -0.226205481 -0.010183368  0.009074012
h.d       -0.103567765  0.66620508 -0.222536824  0.089788517  0.098207292
e_pi_t4.d  0.087292358 -0.03856738 -0.008233752 -0.005005917  0.003069083
pi.d       0.069897003  0.17836622 -0.300326881 -0.009456894 -0.006626427
delta_e.d -0.085935885 -0.16150921  0.096104858 -0.098732276 -0.015202148
               constant
pi_l.d     1.177799e-16
h.d        7.575553e-17
e_pi_t4.d -6.436822e-18
pi.d      -2.680789e-17
delta_e.d -2.027300e-16

Modelagem

Encontramos cointegração com posto da matriz igual a 3 e, dessa forma, estimamos um modelo VECM usando defasagens definidas por critérios de informação e representamos este modelo em um modelo VAR em nível:


Coefficient matrix of lagged endogenous variables:

A1:
            pi_l.l1        h.l1  e_pi_t4.l1        pi.l1 delta_e.l1
pi_l     0.11359649  0.27648329 -0.04885710  0.152824045 0.35369089
h        0.09670218  1.92995563 -0.11577871 -0.057150208 0.46655568
e_pi_t4  0.01536299  0.02953131  0.05858063 -0.001075209 0.05106807
pi      -0.08599410  0.22082484  0.47869099  0.411764874 0.43878381
delta_e -0.13738973 -0.05444054 -0.15960449  0.050324088 0.38010592


A2:
              pi_l.l2         h.l2  e_pi_t4.l2       pi.l2  delta_e.l2
pi_l    -0.0863798960 -0.393198417 -0.03968366  0.08455109  0.29341342
h        0.0407470234 -1.477829208  0.43938049 -0.63063005 -0.53765115
e_pi_t4 -0.0005530933  0.008831046 -0.02024436 -0.02036030  0.05034806
pi      -0.3483048832 -0.254758642  0.20689618  0.07109025  0.32182343
delta_e  0.1622069015  0.223482451  0.01567441 -0.14534048  0.07018108


A3:
             pi_l.l3        h.l3  e_pi_t4.l3      pi.l3  delta_e.l3
pi_l     0.151278230  0.24039833 -0.11771027 0.38373642  0.15769032
h        0.397916551  0.71400935 -0.04265780 0.03239136  0.22898160
e_pi_t4 -0.008578893 -0.02245598  0.07285092 0.03978171  0.03748562
pi       0.195131424  0.04357508 -0.67397395 0.35730231 -0.05625527
delta_e -0.393850640 -0.19731941  0.31032972 0.30254400  0.25505530


A4:
            pi_l.l4         h.l4   e_pi_t4.l4       pi.l4  delta_e.l4
pi_l    -0.10091363 -0.074553751 -0.549201643  0.05211263  0.01104026
h       -0.19526526 -0.188985596  0.466843520 -0.28494522  0.11763701
e_pi_t4  0.03426022 -0.002609558  0.593247781  0.05197292  0.04396279
pi       0.18710390  0.016303549 -0.239201288 -0.20522475  0.20722677
delta_e  0.21769324  0.016368714  0.004613678  0.00692698 -0.08072448


Coefficient matrix of deterministic regressor(s).

           constant         sd1         sd2          sd3
pi_l     0.40116396  0.34594712  0.42124556  0.192130120
h       -0.02140351 -0.13177088 -0.06531445  0.006733912
e_pi_t4  0.05852802  0.03048884  0.04007619  0.014466184
pi       0.26202832  0.25838184  0.16530165  0.038009354
delta_e -0.08535899 -0.02161966 -0.08057569 -0.020466100

Como pode ser visto, os coeficientes de $\Delta_e$ na equação de $\pi^L$ são todos positivos. De modo a avançar, diagnosticamos a especificação do modelo representado em VAR com os testes de autocorreção, normalidade e heterocedasticidade, conforme resultados abaixo:

# Teste de autocorrelação

    Portmanteau Test (asymptotic)

data:  Residuals of VAR object modelo_var
Chi-squared = 306.63, df = 305, p-value = 0.4629

# Teste de normalidade

Skewness

    Skewness only (multivariate)

data:  Residuals of VAR object modelo_var
Chi-squared = 13.738, df = 5, p-value = 0.01736


$Kurtosis

    Kurtosis only (multivariate)

data:  Residuals of VAR object modelo_var
Chi-squared = 50.445, df = 5, p-value = 1.124e-09

# Teste para heterocedasticidade


    ARCH (multivariate)

data:  Residuals of VAR object modelo_var
Chi-squared = 1080, df = 1125, p-value = 0.8283

Os resíduos do modelo são homocedásticos e não autocorrelacionados, porém não são normalmente distribuídos. As séries temporais apresentam outliers, característico de dados econômicos. Dessa forma, mesmo com transformações e/ou dummies é um desafio atingir a normalidade destas variáveis. Ignoraremos este problema aqui, enfatizando que intervalos de confiança calculados a partir deste modelo podem ser imprecisos.

Análise de impulso resposta

Com este modelo, calculamos as funções impulso resposta dando um choque na variação do câmbio para obter a resposta na inflação de preços livres nos próximos 8 períodos (trimestres). Intervalos de confiança de 95% são gerados usando bootstrapping. O gráfico de resultado é exposto abaixo:

Os principais resultados são os seguintes:

Choques cambiais não são repassados instantaneamente para o nível de preços;
O efeito dos choques cambiais sobre a inflação de preços livres tende a ser positivo;
Um choque de um desvio padrão na variação da taxa de câmbio tem um efeito inicial pequeno, mas persistente ao longo do tempo, ficando não significativo após 7 trimestres;
Considerando intervalos de confiança, o repasse cambial varia de 0,003 p.p até 0,11 p.p. sobre a inflação de preços livres do trimestre em questão;
Em termos acumulados, espera-se um aumento de 0,34 p.p na inflação de preços livres após 6 trimestres do choque inicial na variação da taxa de câmbio.

Conclusão

Referências

BANCO CENTRAL DO BRASIL (2018). Repasse cambial sob a ótica de um modelo semiestrutural. Box do Relatório de Inflação de Setembro de 2018.

Quer aprender mais?

Clique aqui para fazer seu cadastro no Boletim AM e baixar o código que produziu este exercício, além de receber novos exercícios com exemplos reais de análise de dados envolvendo as áreas de Data Science, Econometria, Machine Learning, Macroeconomia Aplicada, Finanças Quantitativas e Políticas Públicas diretamente em seu e-mail.

Compartilhe esse artigo

Comente o que achou desse artigo

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais
e conteúdos exclusivos sobre Análise de Dados!

Assinar

Encontre o seu conteúdo

Categorias

Artigos mais acessados

Propensity Score com Múltiplas Variáveis no R

Análise regional da inflação com dados do IBGE usando Python

Como coletar dados do Banco Central do Chile usando a API com o Python?

Como analisar a relação de risco-retorno de ações?

Retropolando a série do desemprego no Brasil

Variáveis Instrumentais no R: qual o impacto do gasto de segurança no crime?

Outros artigos relacionados

Propensity Score com Múltiplas Variáveis no R

O escore de propensão é provavelmente a maneira mais comum de agregar múltiplas variáveis de correspondência em um único valor que pode ser correspondido, ou seja, muito útil para a realização de pareamento.

O escore de propensão é a probabilidade estimada de que uma determinada observação teria sido tratada. A correspondência de escore de propensão muitas vezes significa selecionar um conjunto de observações de controle correspondidas com valores semelhantes do escore de propensão.

Análise regional da inflação com dados do IBGE usando Python

Os dados desagregados do IPCA fornecem informações detalhadas sobre o comportamento de preços no Brasil a nível de região metropolitana e município, possibilitando ricas análises regionais de dados. Neste artigo mostramos como acessar, processar e analisar estes dados utilizando o Python.

Como coletar dados do Banco Central do Chile usando a API com o Python?

Neste artigo mostramos como pesquisar e como coletar os dados do portal do Banco Central do Chile através do sistema de API usando a linguagem Python. Este processo permite automatizar rotinas de extração de dados, eliminando trabalho manual e repetitivo de atualização de bases de dados econômicos.