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)
D_Teto	-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

Comente o que achou desse artigo

Boletim AM

Encontre o seu conteúdo

Categorias

Artigos mais acessados

Regimes inflacionários com Modelo Oculto de Markov usando Python

Regimes da Política Monetária Brasileira com Markov Switching no Python

Como criar janelas móveis de séries temporais usando o Python

Como incorporar choques em cenários de previsão?

Como preparar os dados para um modelo preditivo?

Transfer Learning para Previsão de Séries Temporais com o Python

Outros artigos relacionados

Regimes inflacionários com Modelo Oculto de Markov usando Python

Neste exercício, utilizamos Python para aplicar um Modelo Oculto de Markov (HMM) na identificação e análise de regimes inflacionários no Brasil, com base na série temporal do IPCA mensal.

Regimes da Política Monetária Brasileira com Markov Switching no Python

Este exercício analisa a política monetária brasileira utilizando modelos de Markov Switching Regression. O objetivo é identificar diferentes regimes de política monetária e como eles influenciam a taxa Selic, a meta de inflação e o hiato do produto. Usamos a linguagem de programação Python para o processo de coleta, tratamento, análise e modelagem dos dados.

Como criar janelas móveis de séries temporais usando o Python

Janelas Móveis/Deslizantes, ou Rolling Windows, são termos frequentes na análise de séries temporais. Mas o que são e como aplicá-las no Python? Neste tutorial, mostramos como essa ferramenta é essencial para a análise de dados utilizando como exemplo a correlação móvel de ações brasileiras.

Boletim AM

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

Boletim AM

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