Estimando a Sensibilidade da Política Monetária sobre a atividade econômica no Brasil

A política monetária tem um papel importante na economia moderna, dispondo de diferentes instrumentos para alcançar a estabilidade estabilidade econômica, mantendo o controle sobre a inflação. A principal autoridade monetária do país utiliza desses artifícios, proporcionando mudanças através dos “canais de transmissão”, que são meios pelos quais a taxa básica de juros — a Selic — afeta outras variáveis macroeconômicas relevantes. Mas como saber o efeito dessa transmissão para a atividade econômica?

Artigo baseado no post “Como está a potência da política monetária no Brasil?”.

Aprenda a coletar, processar, analisar e modelar dados macroeconômicos no curso de Macroeconometria usando o Python.

Os instrumentos dispostos pela política monetária objetivam alcançar como metas finais o controle da inflação, a estabilidade do nível de atividade econômica, o gerenciamento da taxa de desemprego, bem como outras metas.

Isso é realizado através dos canais de transmissão, que são afetados por tais instrumentos, e consequentemente em segunda instância por mudanças na taxa básica de juros, a Selic. Entre os principais canais, temos: Consumo e investimento, Canal do Crédito, Expectativas, entre outros.

Mas como saber o efeito da tais mudanças da taxa de básica de juros sobre a atividade econômica? Na macroeconomia moderna é utilizada a chamada “curva IS” realizar essa comparação. Mais especificamente, a curva IS é uma equação que representa o lado da demanda agregada da economia e relaciona uma estimativa do hiato do produto com a taxa de juros real e outras variáveis.

O hiato do produto representa o componente cíclico da atividade econômica, ou seja, reflete condições conjunturais da economia, como choques de demanda/oferta, incentivos de política econômica, condições climáticas, choques externos, incertezas políticas, etc.

Sendo assim, para avaliar a transmissão da política monetária do canal da taxa de juros para a atividade econômica é necessário estimar uma curva IS. Neste exercício o objetivo é verificar se a relação esperada na teoria econômica (-) é encontrada com os dados brasileiros, além de verificar a evolução e a magnitude dessa relação ao longo do tempo.

Para tanto, estimamos uma Curva IS, baseando-se no Modelo Semiestrutural de pequeno porte do BCB (RI2021T2) para obter a sensibilidade da política monetária sobre a atividade econômica no Brasil.

Estimamos uma Curva IS que possui a seguinte forma:

    \[h_t = \beta_1 h_{t-1} + \beta_2 \hat{r}_{t-1} + \beta_3 \hat{rp}_t + \beta_4 \hat{ie}_t + \epsilon^h_t\]

onde:

h_t = hiato do produto, medido como (\text{Produto} / \text{Produto potencial} - 1) * 100

\hat{r}_{t} = desvio do juro real ex ante, medido pela aplicação da equação de Fisher sobre a taxa dos contratos de swaps DI de 1 ano pela expectativa do IPCA no mesmo horizonte, em relação ao seu equilíbrio, medido como i^e_{t,t+4|t} - \pi^e_{t,t+4|t} - r^{eq}_t

\hat{rp}_t é uma medida do resultado primário do governo central
corrigido pelo ciclo econômico e por outliers, e representado pelo desvio de sua tendência.

\hat{ie}_t desvio da incerteza da economia, medida pelo IIE-Br, em relação ao seu equilíbrio.

\epsilon^h_t = representa um choque aleatório de demanda.

Como foi realizado a estimação?

Para a construção do exercício seguimos o processo comum na análise de dados, que consiste da coleta e tratamento de dados, visualização, criação do modelo e comunicação dos resultados.

Os dados utilizados para cada variável foram:

Hiato do Produto: o hiato é uma variável não observável, portanto, é necessário realizar da estimação da mesma, seja por filtros estatísticos ou função de produção. Tem sido um desafio nos últimos anos providenciar uma estimativa do hiato que seja um consenso entre as diferentes instituições, portanto, o presente exercício compara a utilização de duas estimativas, o Hiato produzido pela IFI, com resultado positivo nos trimestres de 2023 e o Hiato produzido pelo BCB, com resultado negativo nos trimestres 2023.

Desvio do juro real ex ante: para a taxa real fora utilizado a taxa dos contratos de swaps DI de 1 ano e a expectativa do IPCA no mesmo horizonte produzida pelo Focus. Para a taxa neutra (taxa de equilíbrio) fora utilizado as expectativas da Selic e do IPCA produzidos pelo Focus.

Resultado primário do governo central: utilizamos o Resultado Fiscal Estrutural produzido pela Secretária de Política Econômica.

Incerteza da Economia: IIE-br, produzida pela FGV.

A amostra dos dados segue 2002T2 até 2022T4 para a estimação do Hiato da IFI, e 2004T2 até 2022T4 para a estimação do Hiato do BCB.

Identificamos abaixo todas as variáveis representadas no modelo.

 

Em relação ao modelo utilizado, estimamos a Curva IS usando GMM com as defasagens de cada variável como instrumentos. Para encontrar a sensibilidade da política monetária sobre a atividade econômica, focamos na estimativa de \beta_2, que espera-se ser negativa. Quanto mais negativo o valor de \beta_2, mais potente é a política monetária.

Produzimos um modelo "estático", isto é, com toda amostra, e um modelo em "janela móvel" com uma amostra em janelas deslizantes de 56 trimestres, com o objetivo de encontrar as mudanças de \beta_2 ao longo dos trimestres, e compreender a mudança da sensibilidade do coeficiente em diferentes períodos.

Resultados Econométricos

Os resultados estatísticos de ambas as especificações encontram-se nas tabelas abaixo. Vemos que o Modelo com Hiato do BCB apresentou uma relação de R² maior que o Modelo com Hiato da IFI, bem como os coeficientes estimados do primeiro modelos mostraram-se mais significantes. Entretanto, pela análise dos resíduos dos modelos, verificamos que o Modelo com Hiato da IFI apresentou-se melhor, em virtude da não presença de autocorrelação e uma distribuição menos assimétrica, em virtude de um grau menor de choques, ao contrário dos resíduos apresentados pelo Modelo com Hiato do BCB.

Em relação aos coeficientes dos \betas, obtivemos resultados satisfatórios e esperados:

  • Hiato (+)
  • Hiato do Juros (-)
  • IIE-br (-)
  • Resultado Fiscal Estrutural (+)

Em relação a "potência" da política monetária, isto é, a magnitude do valor negativo do Hiato do Juros, verificamos um valor mais considerável no Modelo com Hiato do BCB.

Modelo com Hiato do BCB

IV-GMM Estimation Summary
Dep. Variable: hiato_bcb R-squared: 0.9633
Estimator: IV-GMM Adj. R-squared: 0.9612
No. Observations: 75 F-statistic: 2868.7
Date: Fri, Jan 05 2024 P-value (F-stat) 0.0000
Time: 13:50:42 Distribution: chi2(4)
Cov. Estimator: robust
Parameter Estimates
Parameter Std. Err. T-stat P-value Lower CI Upper CI
hiato_bcb_lag1 0.8217 0.0534 15.383 0.0000 0.7170 0.9264
hiato_juros_lag1 -0.1845 0.0347 -5.3177 0.0000 -0.2526 -0.1165
iie_diff -0.0193 0.0097 -2.0006 0.0454 -0.0383 -0.0004
sup 0.5336 0.0919 5.8081 0.0000 0.3535 0.7136

Endogenous: hiato_bcb_lag1, hiato_juros_lag1, iie_diff, sup
Instruments: hiato_bcb_lag2, hiato_juros_lag2, iie_diff_lag1, sup_lag1
GMM Covariance
Debiased: False
Robust (Heteroskedastic)

Análise dos Resíduos (Modelo BCB)

Modelo com Hiato da IFI

Código
IV-GMM Estimation Summary
Dep. Variable: hiato_ifi R-squared: 0.7927
Estimator: IV-GMM Adj. R-squared: 0.7822
No. Observations: 83 F-statistic: 337.58
Date: Fri, Jan 05 2024 P-value (F-stat) 0.0000
Time: 13:50:42 Distribution: chi2(4)
Cov. Estimator: robust
Parameter Estimates
Parameter Std. Err. T-stat P-value Lower CI Upper CI
hiato_ifi_lag1 0.7576 0.1289 5.8760 0.0000 0.5049 1.0103
hiato_juros_lag1 -0.1218 0.0578 -2.1067 0.0351 -0.2352 -0.0085
iie_diff -0.0126 0.0361 -0.3488 0.7272 -0.0833 0.0581
sup 0.4195 0.3491 1.2018 0.2295 -0.2647 1.1037

Endogenous: hiato_ifi_lag1, hiato_juros_lag1, iie_diff, sup
Instruments: hiato_ifi_lag2, hiato_juros_lag2, iie_diff_lag1, sup_lag1
GMM Covariance
Debiased: False
Robust (Heteroskedastic)

Análise dos Resíduos (Modelo IFI)

Comparação dos Modelos

Model Comparison
BCB IFI
Dep. Variable hiato_bcb hiato_ifi
Estimator IV-GMM IV-GMM
No. Observations 75 83
Cov. Est. robust robust
R-squared 0.9633 0.7927
Adj. R-squared 0.9612 0.7822
F-statistic 2868.7 337.58
P-value (F-stat) 0.0000 0.0000
================== =========== ===========
hiato_bcb_lag1 0.8217
(15.383)
hiato_juros_lag1 -0.1845 -0.1218
(-5.3177) (-2.1067)
iie_diff -0.0193 -0.0126
(-2.0006) (-0.3488)
sup 0.5336 0.4195
(5.8081) (1.2018)
hiato_ifi_lag1 0.7576
(5.8760)
==================== ================== ==================
Instruments hiato_bcb_lag2 hiato_ifi_lag2
hiato_juros_lag2 hiato_juros_lag2
iie_diff_lag1 iie_diff_lag1
sup_lag1 sup_lag1

Modelo Econométrico em Janelas Móveis

Abaixo é apresentado os resultados do coeficiente \beta_2 ao longo de janelas móveis de 56 trimestres. Vemos que a magnitude tem se apresentado diferente entre os dois modelos, entretanto, há dois pontos em comum: o aumento da potência pós-covid, e a perda da mesma no fim de 2022.

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

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Resultado PIMPF - Novembro/2024

Resumo A Análise Macro apresenta os resultados da PIMPF de Novembro de 2024, com gráficos elaborados em Python para coleta, tratamento e visualização de dados.

Resultado PIB - 3° Trimestre/2024

A Análise Macro apresenta os resultados da PIB 3º trimestre de 2024, com gráficos e tabelas elaborados em Python para coleta, tratamento e visualização de dados.

Todo o conteúdo, disponível exclusivamente no Clube AM, foi desenvolvido com base nos métodos ensinados nos cursos da Análise Macro, permitindo aos assinantes acesso aos códigos e replicação das análises.

Como treinar e selecionar os melhores modelos de previsão no Python?

Em previsão, há uma infinidade de modelos que podem ser usados. O processo de escolha do(s) modelo(s) deve ser empírico-científico, usando métodos que visem avaliar a generalização dos algoritmos para dados novos. Neste artigo, mostramos como implementar a metodologia de validação cruzada com algoritmos de machine learning no Python, exemplificando para a previsão do IPCA.

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!

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.