Laura Carvalho vs. Ilan Goldfajn: quem tem razão?

[et_pb_section admin_label="section"][et_pb_row admin_label="row"][et_pb_column type="1_2"][et_pb_text admin_label="Texto" background_layout="light" text_orientation="justified" text_font="Verdana||||" text_font_size="18" use_border_color="off" border_color="#ffffff" border_style="solid"]

Todos os anos, o Banco Central publica em seu Relatório Trimestral de março uma decomposição da inflação ocorrida no ano anterior. Isto é, ele busca ilustrar a contribuição de alguns "fatores" para a inflação no período. Laura Carvalho, professora da FEA-USP, utilizou esse exercício para refutar a "tese" do presidente da autoridade monetária, para quem a mudança na equipe econômica teria "quebrado a espinha dorsal da inflação". Nesse embate, quem está certo: Laura ou Ilan?

[/et_pb_text][/et_pb_column][et_pb_column type="1_2"][et_pb_image admin_label="Imagem" src="https://analisemacro.com.br/wp-content/uploads/2017/09/cliqueaqui.png" show_in_lightbox="off" url="https://analisemacro.com.br/cursos-de-r/" url_new_window="off" use_overlay="off" animation="left" sticky="off" align="center" force_fullwidth="off" always_center_on_mobile="on" use_border_color="off" border_color="#ffffff" border_style="solid"]

[/et_pb_image][/et_pb_column][/et_pb_row][et_pb_row admin_label="Linha"][et_pb_column type="4_4"][et_pb_text admin_label="Texto" background_layout="light" text_orientation="justified" text_font="Verdana||||" text_font_size="18" use_border_color="off" border_color="#ffffff" border_style="solid"]

Em sua coluna de ontem na Folha, Laura teve o cuidado de não fazer menção ao aumento da inércia inflacionária entre 2015 e 2016, mostrado no mesmo exercício do Banco Central. Certamente, porque isso causaria embaraços à sua narrativa. Nesse post, explico os motivos. Antes, por suposto, é de bom tom dizer ao leitor que a inflação no curto prazo pode ser explicada conforme a seguinte equação

(1) $\begin{equation*} \pi_t = \alpha_0 + \alpha_1 \pi_{t-1} + \alpha_2 E_t \pi_{t+1} + \alpha_3 h_t + \alpha_4 \Delta e_t + \varepsilon_t \end{equation*}$

onde $\pi_t$ é a inflação, $E_t \pi_{t+1}$ é a expectativa de inflação para o próximo período, $h_t$ é o hiato do produto, $\Delta e_t$ é a primeira diferença da taxa de câmbio e $\varepsilon_t$ um termo de erro, supostamente um ruído branco. Isso dito, observemos a inflação acumulada em 12 meses medida pelo IPCA nos últimos anos no gráfico abaixo.

Além da inflação, o gráfico também traz a média dos cinco núcleos construídos e divulgados pelo Banco Central mensalmente. A ideia de um núcleo de inflação é basicamente retirar fatores idissiocráticos, concentrando-se na tendência de longo prazo da inflação. O que fica nítido no gráfico acima, por suposto, é que a inflação medida pelo IPCA encontrava-se em elevação desde 2010, distanciando-se assim da meta, ilustrada pela linha azul.

Esse comportamento da inflação, diga-se, tem nítidos efeitos sobre os agentes econômicos. O mais óbvio é que a meta de inflação deixa de ser uma âncora, bem como a inflação passada ganha importância na determinação da taxa de crescimento dos preços. Isso, a propósito, pode ser capturado pela estimação da equação (1). Acaso o leitor interessado fizer o exercício, irá verificar que o coeficiente do componente regressivo $\pi_{t-1}$ , isto é, da inflação passada, passará a ter maior importância para explicar o crescimento dos preços. O gráfico abaixo ilustra, no exercício que fizemos no Clube do Código sobre assunto.

O aumento da inércia torna a desinflação do organismo econômico muito mais custosa, em termos de hiato do produto e, portanto, de taxa de desemprego. É justamente por isso que é prejudicial desviar de forma rotineira da meta de inflação, dado que isso contribui inexoravelmente para o aumento da inércia inflacionária. Isso dito, o que podemos dizer sobre as alegações de Laura Carvalho em relação ao que disse o presidente do BC?

Laura Carvalho se baseia no exercício de decomposição da inflação do Banco Central para confrontar o que disse Ilan, mas isso faz pouco sentido se considerarmos os parágrafos anteriores. O presidente da autoridade monetária fez referência justamente à quebra da inércia, medida pela convergência das expectativas de inflação para a meta. Laura, por seu turno, se concentra em uma avaliação contábil da inflação, deixando cuidadosamente de lado o aumento da inércia no período.

Isso não é correto, uma vez que esse aumento da inércia está associado justamente aos erros de condução da política econômica no período anterior a Ilan. Dentre esses erros, cabe mencionar o controle dos preços administrados de forma paralela à redução forçada da taxa de juros. Em outras palavras, em algum momento entre 2011-2013, o governo resolveu acreditar em mecanismos não monetários de controle da inflação, levando a mesma à tendência crescente ilustrada no primeiro gráfico.

A volta aos cânones da profissão, patrocinada pela nova equipe econômica, fez com que a inflação efetiva convergisse de forma mais rápida para a meta, como pode ser visto na área hachurada do primeiro gráfico. Certamente, a inflação cederia, dada a abertura do hiato do produto, mas provavelmente não com a velocidade verificada, uma vez que era preciso romper com o aumento da inércia dos últimos anos e, ademais, a taxa de câmbio dificilmente teria se valorizado do jeito que se valorizou com a equipe econômica anterior.

Em assim sendo, leitor, não me parece que a professora da FEA USP tenha refutado o presidente da autoridade monetária, dado que cuidadosamente evitou discorrer sobre o aumento da inércia inflacionária nos últimos anos. Talvez fosse o caso de fazê-lo em sua próxima coluna... 🙂

[/et_pb_text][/et_pb_column][/et_pb_row][et_pb_row admin_label="Linha" make_fullwidth="off" use_custom_width="off" width_unit="on" use_custom_gutter="off" padding_mobile="off" allow_player_pause="off" parallax="off" parallax_method="off" make_equal="off" parallax_1="off" parallax_method_1="off" column_padding_mobile="on"][et_pb_column type="4_4"][et_pb_text admin_label="Texto" background_layout="light" text_orientation="justified" text_font="Verdana||||" text_font_size="18" use_border_color="off" border_color="#ffffff" border_style="solid"]

_____________________________________________________________________

Apêndice: Código no R que gerou o gráfico "Inflação medida pelo IPCA vs. Núcleos de Inflação".

## Importar séries do Banco Central diretamente para o R
library(BETS)
series = c(433, 4466, 11426, 11427, 16121, 16122)
dates = seq(as.Date('2006-02-01'), as.Date('2017-05-01'), by='1 month')
data = matrix(NA, nrow=length(dates), ncol=length(series))
colnames(data) = c('ipca', 'n1', 'n2', 'n3', 'n4', 'n5')

for(i in 1:length(series)){

  data[,i] = BETS.get(series[i], from = '2006-02-01', to='2017-05-01')
  
}

data = ts(data, start=c(2006,02), freq=12)

## Acumular em 12 meses
fator = 1+data/100
acumulado = (fator*lag(fator,-1)*lag(fator,-2)*lag(fator,-3)*
                lag(fator,-4)*lag(fator,-5)*lag(fator,-6)*lag(fator,-7)*
                lag(fator,-8)*lag(fator,-9)*lag(fator,-10)*lag(fator,-11)
              -1)*100
colnames(acumulado) = colnames(data)

## Fazer o gráfico
library(forecast)
library(ggplot2)
library(scales)

nucmean = rowMeans(acumulado[,2:6])
dates = seq(as.Date('2007-01-01'), as.Date('2017-05-01'), by='1 month')
df = data.frame(time=dates, ipca=acumulado[,1], nucmean=nucmean)
ggplot(df, aes(x=time))+
  geom_line(aes(y=ipca, colour='Inflação IPCA'), size=.8)+
  geom_line(aes(y=nucmean, colour='Média dos Núcleos'), size=.8)+
  geom_hline(aes(yintercept=4.5, colour='Meta'), size=.8)+
  scale_colour_manual('', values=c('Inflação IPCA'='black',
                                   'Média dos Núcleos'='red',
                                   'Meta'='blue'))+
  theme(legend.position = 'top')+
  xlab('')+ylab('% a.a.')+
  labs(title='Inflação medida pelo IPCA vs. Núcleos de Inflação')+
 scale_x_date(breaks = date_breaks('1 years'),
 labels = date_format('%Y'))+
 annotate('rect', fill = 'orange', alpha = 0.5, 
 xmin = as.Date('2016-08-01'), 
 xmax = as.Date('2017-05-01'),
 ymin = -Inf, ymax = Inf)

[/et_pb_text][et_pb_image admin_label="Imagem" src="https://analisemacro.com.br/wp-content/uploads/2017/09/cliqueaqui.png" show_in_lightbox="off" url="https://analisemacro.com.br/cursos-de-r/cursos-de-econometria/" url_new_window="off" use_overlay="off" animation="off" sticky="off" align="center" force_fullwidth="off" always_center_on_mobile="on" use_border_color="off" border_color="#ffffff" border_style="solid"]

[/et_pb_image][/et_pb_column][/et_pb_row][/et_pb_section]

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

El Niño e IPCA: mensurando impactos climáticos sobre a inflação de alimentos

Coletando dados do Google Trends no R e no Python

Contribuição para a Volatilidade [Python]

Inflação de Serviços vs. Desemprego

Modelo de previsão para grupos do IPCA

Text mining dos comunicados do FOMC: prevendo mudanças na política

Outros artigos relacionados

El Niño e IPCA: mensurando impactos climáticos sobre a inflação de alimentos

Será que o El Niño impacta o preço do feijão com arroz no prato dos brasileiros? Para responder esta pergunta estimamos um modelo VAR(p) utilizando dados do Oceanic Niño Index (ONI) e investigamos a decomposição histórica dos choques estruturais.

Coletando dados do Google Trends no R e no Python

Como acompanhar e antecipar tendências de mercado? Independentemente da resposta final, os dados são o meio. Neste artigo, mostramos como obter dados do Google Trends em tempo quase real, utilizando as linguagens de programação R e Python.

Contribuição para a Volatilidade [Python]

A contribuição para a volatilidade fornece uma decomposição ponderada da contribuição de cada elemento do portfólio para o desvio padrão de todo o portfólio. Em termos formais, é definida pelo nome de contribuição marginal, que é basicamente a derivada parcial do desvio padrão do portfólio em relação aos pesos dos ativos. A interpretação da fórmula da contribuição marginal, entretanto, não é tão intuitiva, portanto, é necessário obter medidas que possibilitem analisar os componentes. Veremos portanto como calcular os componentes da contribuição e a porcentagem da contribuição. Vamos criar as respectivas medidas usando a linguagem de programação Python.