Meta de Inflação e Expectativas dos Agentes

Vamos investigar a atratividade da meta de inflação em relação às expectativas dos agentes privados no Brasil. Em outras palavras, verificaremos se a meta de inflação definida pelo Conselho Monetário Nacional (CMN) tem sido uma variável importante para explicar o comportamento das expectativas de inflação dos agentes econômicos. Para isso, nos basearemos em Carvalho e Minella (2012) e Bevilaqua, Mesquita e Minella (2008) para construir um modelo explicativo para as expectativas de inflação. A estimação será feita via Mínimos Quadrados Ordinários e Mínimos Quadrados em 2 Estágios (TSLS) com instrumentos. Faremos o uso do Python para realizar a coleta e tratamento dos dados, bem como o ajuste do modelo.

A hipótese de expectativas racionais, elaborada por MUTH (1961), teve grande impacto sobre a teoria de política monetária. Por um lado, influenciou o desenvolvimento de ampla literatura sobre qual seria a melhor forma de conduzir a política monetária: se por meio de regras ou de forma discricionária. Por outro, é responsável tanto pelo comprometimento com metas explícitas para inflação quanto pela maior transparência nas ações de Bancos Centrais ao redor do mundo.

A contribuição seminal de KYDLAND and PRESCOTT (1977) usou a hipótese de expectativas racionais para mostrar que políticas discricionárias são inconsistentes intertemporalmente. Tentar manter a taxa de desemprego abaixo daquela considerada natural gerará apenas mais inflação nos períodos seguintes. BARRO and GORDON (1983a) e BARRO and GORDON (1983b), por seu turno, mostraram que em um ambiente onde existe predisposição inflacionária por parte dos Bancos Centrais e inconsistência intertemporal, a busca por reputação ou credibilidade tem um papel importante no relacionamento entre autoridade monetária e o público.

Uma literatura significativa foi desenvolvida a partir desses dois trabalhos. Nela, buscou-se inferir qual seria a melhor forma de conduzir a política monetária. Enquanto a discrição estava sujeita à inconsistência intertemporal, seguir uma regra muito rígida comprometia a estabilização do produto em um ambiente econômico cercado de incerteza. Dentre as várias formas de enfrentar o trade-off entre comprometimento e flexibilidade, o regime de metas explícitas para inflação tem sido utilizado por diversos países atualmente. Esse regime, em sua abordagem flexível, serve tanto para ancorar as expectativas dos agentes privados como dá a possibilidade do policymaker acomodar ou reagir a choques sobre a estrutura econômica.

Metodologia e Variáveis

Estimamos os determinantes das previsões de inflação seguindo a abordagem em Bevilaqua et al. (2008). A escolha das variáveis a serem incluídas na regressão se baseia na suposição de que o mercado acredita que a dinâmica da inflação seja retratada por uma curva de Phillips básica. Em outras palavras, variáveis que normalmente são encontradas empiricamente ou teoricamente como determinantes da inflação são testadas para explicar o comportamento das expectativas de inflação. Em particular, incluímos o hiato do produto, a inflação passada, a variação da taxa de câmbio e a variação do preço das commodities no conjunto de regressores. A meta de inflação também entra como um regressor, pois espera-se que ele funcione como uma âncora para as expectativas de inflação. A equação estimada é a seguinte:

(1)   \begin{equation*} E_t \pi_{t,t+11} = \beta_1 + \beta_2 \bar{\pi}_{t,t+11} + \beta_3 \pi_{t-12,t-1} + \beta_4 (e_{t-1} - e_{t-7}) + \beta_5 (p_{t-1}^{c} - p_{t-7}^{c}) + \beta_6 h_{t-2} + \varepsilon_{t}  \end{equation*}

onde E_t \pi_{t,t+11} é a expectativa de inflação para os próximos 12 meses, \bar{\pi}_{t,t+11} é a meta de inflação para os próximos 12 meses, \pi_{t-12,t-1} é a inflação acumulada nos últimos 12 meses, e_t é a taxa de câmbio R$/US$, p_{t}^{c} é o índice IC-br e h_{t} é o hiato do produto obtido a partir do PIB mensal do IBRE/FGV via Filtro de Hamilton.

Com base na equação, verificaremos se a meta de inflação continua sendo importante para explicar o comportamento das expectativas. Importamos abaixo as variáveis utilizadas para estimar a equação, além da taxa de juros Selic, que será utilizada como instrumento.

Para obter todo o código em R e Python para os exemplos abaixo, faça parte do Clube AM, o repositório de códigos da Análise Macro, contendo exercícios semanais.

Comparação de Modelos

Realizamos uma comparação dos coeficiente estimados de ambos os modelos abaixo:

Código
                     Model Comparison                     
==========================================================
                                   OLS                2SLS
----------------------------------------------------------
Dep. Variable             ipca_exp_12m        ipca_exp_12m
Estimator                          OLS             IV-2SLS
No. Observations                   252                 252
Cov. Est.                       kernel              kernel
R-squared                       0.6617              0.6617
Adj. R-squared                  0.6548              0.6548
F-statistic                     70.019              68.934
P-value (F-stat)             1.016e-13           1.708e-13
===================     ==============      ==============
Intercept                       0.2020              0.1111
                              (0.1815)            (0.1008)
meta_lead_12                    0.6336              0.6556
                              (2.7413)            (2.8141)
inflacao_shift_1                0.3377              0.3369
                              (8.0084)            (7.6719)
delta_dol_shift_1               1.1527              1.1542
                              (2.4494)            (2.5072)
delta_ic_shift_1               -0.0067             -0.0065
                             (-1.3123)           (-1.2793)
hiato_shift_2                   0.0469              0.0474
                              (2.7599)            (2.7978)
===================== ================ ===================
Instruments                              meta_lead_shift_2
                                          inflacao_shift_1
                                          inflacao_shift_2
                                         delta_dol_shift_1
                                         delta_dol_shift_2
                                          delta_ic_shift_1
                                             hiato_shift_2
                                             selic_shift_1
                                             selic_shift_2
----------------------------------------------------------

Rolling Regression

De forma a compreender a relação dinâmica entre as variáveis, estimamos uma regressão em janelas deslizantes de 48 meses de forma a obter o coeficiente beta de cada variável. Abaixo, os coeficientes estimado via OLS.

___________________________________
Quer aprender mais?

Seja um aluno da nossa trilha de Macroeconomia Aplicada  e aprenda a criar projetos voltados para a Macroeconomia.

Referências

BARRO, R. J., and D. B. GORDON. 1983a. “A Positive Theory of Monetary Policy in a Natural Rate
Model.” The Journal of Political Economy 91 (4): 589–610.
———. 1983b. “Rules, Discretion and Reputation in a Model of Monetary Policy.” Journal of Monetary
Economics 12 (7): 101–21.
Bevilaqua, A. S., M. Mesquita, and A. Minella. 2008. “Brazil: Taming Inflation Expectations.” Bank
for International Settlements (Ed.), Transmission Mechanisms for Monetary Policy in Emerging Market
Economies, no. 35: 139–58.
Carvalho, F. A., and A. Minella. 2012. “Survey Forecasts in Brazil: A Prismatic Assessment of
Epidemiology, Performance and Determinants.” Journal of International Money and Finance 31:
1371–91.
KYDLAND, F. E., and E. C. PRESCOTT. 1977. “Rules Rather Than Discretion: The Inconsistency of
Optimal Plans.” The Journal of Political Economy 85 (3): 473–92.
MUTH, J. F. 1961. “Rational Expectations and the Theory of Price Movements.” Econometrica 29 (3):
315–35.

Pastore, A. C. 2015. Inflação E Crises - O Papel Da Moeda. Editora Campus.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

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.

Como selecionar variáveis para modelos de previsão no Python?

Em oposição à crença popular, grande parte dos modelos de machine learning não produzem previsões magicamente. É papel do cientista de dados executar uma boa engenharia de variáveis para não cair no clássico problema de “garbage in, garbage out” (GIGO) em aprendizado de máquina. Neste sentido, aprender a fazer uma boa seleção de variáveis é fundamental e neste artigo exploramos algumas possibilidades práticas usando o Python.

Resultado IPCA-15 - Novembro/2024

A Análise Macro apresenta os resultados do IPCA-15 de Novembro de 2024, com gráficos 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.

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.