EFEITOS DA POLÍTICA MONETÁRIA SOBRE PREÇOS AGRÍCOLAS E
INDUSTRIAIS: UMA ANÁLISE EMPÍRICA PARA O BRASIL PÓS-PLANO
REAL
GERALDO LOPES DE SOUZA JUNIOR1
MARIA ISABEL DA SILVA AZEVEDO ALVIM2
RESUMO
O trabalho investiga as relações empíricas entre política monetária, representada através
dos meios de pagamento (M1), e preços por atacado dos setores agrícola e industrial no
Brasil, no período compreendendo janeiro de 1995 a janeiro de 2009. Através da
metodologia de séries temporais, observou-se o grau de interação de curto e longo prazo
entre política monetária e preços. Os resultados demonstraram que as variáveis não
possuem um relacionamento de equilíbrio no longo prazo. No curto prazo foi detectada
relações causais entre elas, sendo que alterações na oferta monetária (M1) precederam
as modificações nos preços. Esse resultado evidenciou a exogeneidade da oferta
monetária em relação aos preços aqui considerados. Na análise de respostas a impulsos,
os preços agrícolas reagiram mais intensamente a choques em M1 e sua trajetória foi
mais comportada quando comparada com os preços industriais. Em relação à interação
entre os preços, os agrícolas influenciaram os industriais de maneira mais intensa
quando comparada com a recíproca.
Palavras-chaves: política monetária, preços agrícolas, preços industriais, séries
temporais.
1. INTRODUÇÃO
Este trabalho analisa o processo de transmissão monetária para preços agrícolas
e industriais no Brasil pós Plano Real. Buscou-se identificar as relações entre as
variáveis de política monetária, representada pela oferta monetária (M1), e os índices de
preços agrícolas e industriais, através da estimação de relações de curto e longo prazo.
A metodologia utilizada baseou-se em análise de séries temporais, através de um
modelo de cointegração e análise de causalidade de Granger. Posteriormente, foi
estimado um modelo VAR para relacionar as variáveis consideradas.
Para atingir os objetivos propostos, este trabalho foi estruturado da seguinte
maneira: na segunda seção encontra-se uma revisão literária sobre as várias interações
entre política monetária e economia, enfatizando a abordagem entre política monetária e
1
2
Economista da Universidade Federal de Juiz de Fora (UFJF).
Profª associada da Faculdade de Economia da Universidade Federal de Juiz de Fora (UFJF).
Revista de História Econômica & Economia Regional Aplicada – Vol. 4 Nº 7 Jul-Dez 2009
inflação. A terceira seção analisa o processo de alteração na relação entre preços
agrícolas e industriais, através da verificação de como alguns autores tratam como um
choque de demanda influencia de forma diferenciada os preços de ambos os setores. A
quarta seção traz a formalização da estratégia empírica adotada para a verificação das
relações propostas. A quinta seção traz os resultados empíricos, através de estimações
tanto a curto quanto a longo prazo. Por fim, na última seção, têm-se as considerações
finais deste trabalho.
2. INTERAÇÕES ENTRE POLÍTICA MONETÁRIA E ECONOMIA
As discussões referentes aos canais através dos quais a política monetária pode
ser transmitida para a economia real e para o nível de preços ainda é bastante polêmica,
sendo considerada por autores como Bernanke e Gertler (1995), carente de melhores
explicações.
Grande parte dos estudos referente a investigação de relações entre política
monetária e variáveis econômicas se refere à economia dos Estados Unidos. Em relação
à política monetária, sua mudança é associada a mudanças no estoque de moeda, na taxa
básica de juros e nível de reservas. Para o objetivo proposto nesse trabalho, a variável
utilizada foi o estoque de moeda.
O primeiro estudo enfatizando choques de política monetária é de Friedman e
Schwartz (1963). Os autores analisam períodos de choques de política monetária na
economia norte americana entre 1867 e 1960, os quais foram identificados como
movimentos não usuais, dado o desenvolvimento econômico, ou seja, são aqueles
movimentos que não teriam ocorrido em outros períodos ou em outras circunstâncias,
dado o padrão de atividade real.
Diferentemente de Friedman e Schwartz, que utilizaram uma definição muito
ampla do que constitui um choque de política, excluindo alguns choques negativos e
incluindo fatores não monetários, Romer e Romer (1989) investigaram os choques de
política monetária dos Estados Unidos no período pós Segunda Guerra Mundial. Os
autores identificaram os choques monetários como os períodos em que o Banco Central
tenta exercer uma influência restritiva na economia no sentido de reduzir a inflação.
Em se tratando do método utilizado para a análise empírica de choques de
política monetária, os modelos de Vetores Auto Regressivos (VAR) são os mais
utilizados. Tais modelos consistem em um sistema de equações em que uma
determinada variável é explicada pelos seus valores defasados e pelos valores defasados
26
Revista de História Econômica & Economia Regional Aplicada – Vol. 4 Nº 7 Jul-Dez 2009
de outras variáveis componentes do sistema. A partir disso, obtém-se as funções
impulso resposta, as quais demonstram os efeitos de um choque em uma variável do
sistema sobre as demais variáveis componentes desse sistema.
Utilizando vetores auto-regressivos Marques e Pina (2003) estudaram a
causalidade e relações entre moeda – preços na área do Euro. Seus resultados,
diferentemente dos obtidos em Trecroci e Vega (2000), que aceitam a hipótese da
inexistência de causalidade de moeda para preços, rejeitam a hipótese de não
causalidade entre ambas as variáveis. Na estimação do modelo VAR a transmissão à
inflação começa a ocorrer cerca de um ano e meio após a elevação na quantidade
monetária.
Alguns trabalhos se destacam na análise dos efeitos da política monetária na
economia brasileira. Matsumoto (2000) verificou os efeitos de choques monetários
sobre a economia brasileira, através de um modelo VAR, considerando as seguintes
variáveis: PIB real, taxa de inflação e taxa de juros do mercado monetário. Os
resultados encontrados pelo autor mostraram que o PIB cai, no máximo, 0,24 pontos
percentuais e este efeito ocorre três trimestres após o choque de redução na quantidade
de moeda. Quanto à taxa de inflação, os resultados demonstram que os efeitos ocorrem
com uma defasagem de seis meses atingindo sua contração máxima cinco meses após o
choque.
Ao relacionar política monetária e inflação, no período 1994 – 2000, Minella (2001) não
chega a resultados conclusivos. Tanto o IPCA quanto o IGP-DI apresentam oscilações
ora positiva ora negativa após uma elevação no estoque monetário.
Arquete e Jayme Jr. (2001) analisam o impacto da taxa SELIC, utilizada como
indicador de política monetária, em várias variáveis econômicas, entre elas o IPCA.
Como principal resultado, os autores verificam que um choque na taxa SELIC de 1
ponto percentual provoca um aumento no IPCA de 0,51 pontos percentuais no quarto
mês após o choque.
Focalizando o desempenho do regime de metas inflacionárias no Brasil, e sua
repercussão, Ferreira (2004), através do modelo VAR, verifica que o Banco Central
utiliza a taxa de juros como instrumento de política monetária. O autor constata que
modificações nas taxas de juros, objetivando conter pressões inflacionárias, podem
provocar efeitos opostos aos desejados. Como explicação argumenta que a elevação nas
taxas, eleva os custos de produção, através da elevação do custo de capital. Assim, os
empresários, para defenderem suas taxas de lucro, aumentam seus preços.
27
Revista de História Econômica & Economia Regional Aplicada – Vol. 4 Nº 7 Jul-Dez 2009
Silva e Maia (2004), através da estimação de um modelo VAR, utilizam duas
variáveis monetárias, taxa SELIC e o agregado M1, para verificar seus efeitos sobre a
economia, incluindo o IPCA. Os resultados indicam que os choques monetários
provocam somente reduções temporárias no índice inflacionário. Este fato pode estar
relacionado aos efeitos negativos de choque monetários sobre a taxa de câmbio,
indicando que as valorizações cambiais induzem à queda na taxa de inflação.
Brandão (1985) investigou as relações entre a variável monetária M1 e os preços
na agricultura e na indústria em um ambiente de elevada inflação, através da análise de
séries temporais. Os resultados obtidos verificam que a política monetária afeta o termo
de troca entre agricultura-indústria, no sentido de que os preços agrícolas são mais
influenciados que os industriais. Além do maior efeito sobre os preços agrícolas, o
tempo de ajustamento ao choque da oferta monetária leva em média 12 meses. O autor
explica esses resultados devido a maior defasagem existente na produção agrícola
relativamente à produção industrial, ou seja, uma menor elasticidade no curto prazo da
oferta agrícola aliada a menor possibilidade de estocagem destes produtos.
O trabalho de Brandão analisa a relação entre política monetária e preços em um
ambiente altamente inflacionário, caracterizado pelo fenômeno da inércia inflacionária,
o qual a inflação presente é uma função da inflação passada. Deve-se à inércia
inflacionária a resistência que os preços de uma economia oferecem às políticas de
estabilização que atacam as causas primárias da inflação. Em um ambiente de inflação
sob controle, a influência da política monetária sobre a inflação é mais nítida e
distinguível dos outros fatores que afetam a inflação. Por essa razão, o período
escolhido para análise empírica, após o Plano Real, pode evidenciar tal relação de forma
mais clara sem a influência de outros fatores sobre a inflação.
3. ALTERAÇÕES NA RELAÇÃO DE PREÇOS AGRÍCOLAS E INDUSTRIAIS
O setor agrícola é apontado como um dos principais responsáveis pela dispersão
de preços relativos entre os setores da economia, ocasionado muitas vezes por políticas
econômicas expansionistas, como por exemplo, a política monetária. As freqüentes
oscilações nos preços dos produtos agrícolas em relação aos preços dos produtos
industriais, decorrentes do elevado grau de sensibilidade frente a choques na economia,
motivaram afirmações de que estes produtos alavancavam os índices gerais de preços.
Simonsen (1985) analisando a evolução dos preços no Brasil aponta em vários períodos,
28
Revista de História Econômica & Economia Regional Aplicada – Vol. 4 Nº 7 Jul-Dez 2009
os preços agrícolas como os maiores responsáveis pela aceleração dos índices de preços,
fazendo com que houvesse uma maior dispersão entre preços deste setor e os
industriais.
Segundo Margarido (2000) choques de demanda como alterações nas alíquotas
de importação, taxa de câmbio e política monetária influenciam os preços agrícolas de
maneira mais intensa que os preços de outros produtos. De maneira específica, uma
política monetária expansiva tende a reduzir a taxa de juros, podendo expandir a
disponibilidade de crédito agrícola, elevando os níveis de estoques e, consequentemente
diminuindo os preços agrícolas, o que piora o termo de troca entre preços agrícolas e
industriais.
Após o Plano Real, a estabilização de preços não foi acompanhada pela
estabilização da relação de preços agrícolas e industriais. A redução radical da taxa de
inflação criou condições para avaliar de maneira mais segura os impactos de políticas
expansionistas, como a política monetária, sobre a relação de preços. O gráfico 1 a
seguir mostra a evolução dos preços agrícolas e industriais após a estabilização
inflacionária. Fica evidenciado que não foi a inflação a causa principal do
distanciamento nos preços agrícolas e industrial, pois mesmo com o nível geral de
preços sob controle, suas relações ainda se modificaram de forma intensa.
GRÁFICO 1 – Evolução dos índices de preços agrícolas e industriais no atacado
(1995:01 – 2009:01)
300
250
200
preços agrícolas
preços industriais
150
100
50
19
95
1 9 .0 1
95
1 9 .0 7
96
1 9 .0 1
96
1 9 .0 7
97
1 9 .0 1
97
1 9 .0 7
98
1 9 .0 1
98
1 9 .0 7
99
1 9 .0 1
99
2 0 .0 7
00
2 0 .0 1
00
2 0 .0 7
01
2 0 .0 1
01
2 0 .0 7
02
2 0 .0 1
02
2 0 .0 7
03
2 0 .0 1
03
2 0 .0 7
04
2 0 .0 1
04
2 0 .0 7
05
2 0 .0 1
05
2 0 .0 7
06
2 0 .0 1
06
2 0 .0 7
07
2 0 .0 1
07
2 0 .0 7
08
2 0 .0 1
08
2 0 .0 7
09
.0
1
0
Fonte: IPEADATA
29
Revista de História Econômica & Economia Regional Aplicada – Vol. 4 Nº 7 Jul-Dez 2009
Vários trabalhos analisam as relações entre preços agrícolas e industriais, sendo
que não existe um consenso quanto a verdadeira relação entre essas duas variáveis. Para
Fava e Cyrillo (1999) não existe um padrão de relação entre elas. No entanto outros
trabalhos atestam a relação positiva entre política monetária expansionista e dispersão
dos preços relativos. Razão para isto pode estar em Abdallah, Maciel e Teixeira (1990),
pois, a não competitividade do mercado de insumos agrícolas e a concentração do
mercado atacadista agrícola, são apontados como os maiores responsáveis pela elevação
de preços em relação aos outros setores.
Entretanto, para Vieira e Teixeira (1989) os preços do setor industrial não são
determinados pelos mecanismos de oferta e demanda, sendo assim, não estão sujeitos a
modificações de políticas de expansão de demanda, como por exemplo, uma política
monetária expansionista. Tal fato está relacionado às estruturas de mercado do setor
industrial, que são tipicamente oligopolistas, o que o leva a possuir poder de mercado,
desvinculando seus preços de mudanças de políticas econômicas. Já o setor agrícola é
perfeitamente competitivo, produzindo bens homogêneos cujos preços variam de acordo
com o mercado.
A próxima seção apresenta a metodologia adotada baseada na construção de um
modelo de vetores auto-regressivos, a qual permite uma adequada investigação empírica
de acordo com a proposta neste trabalho.
4. MODELO EMPÍRICO: vetores auto-regressivos (VAR)
Os modelos VAR, uma alternativa aos modelos estruturais multiequacionais,
tem sido muito utilizados na economia desde que foram propostos por Sims (1980). Sua
principal característica consiste em tratar todas as variáveis de forma simétrica, ou seja,
sem distinção entre variáveis endógenas e exógenas. Nestes modelos especifica-se um
conjunto de variáveis que se interagem, exigindo apenas que as variáveis se relacionem
dentro do sistema e determine o número de defasagens necessárias para captar a
dinâmica de interações entre as variáveis do modelo.
Esses modelos oferecem a possibilidade de obter o tempo de reação de respostas
a choques; direção, padrão e duração das respostas e intensidade das respostas a
choques, através da obtenção da função de impulso-resposta k períodos à frente. Outro
mecanismo consiste na decomposição da variância dos erros de previsão k períodos à
frente em percentagens a serem atribuídas às variáveis componentes do sistema e, deste
modo, verificar se uma variável tem poder de explicação sobre as demais.
30
Revista de História Econômica & Economia Regional Aplicada – Vol. 4 Nº 7 Jul-Dez 2009
Neste trabalho o modelo VAR será utilizado para analisar a resposta das
interações entre oferta monetária, representada pelo agregado M1, índice de preços
agrícola e industrial. O sistema VAR a ser estimado pode ser representado da seguinte
forma:
M 1t = b10 + b11M 1t − k + b12 PAGRt −i + b13 PINDt −i + ε1t
PAGRt = b20 + b21M 1t −i + b22 PAGRt − k + b23 PINDt −i + ε 2t
PINDt = b30 + b31M 1t −i + b32 PAGRt −i + b33 PINDt − k + ε 3t
k = 1, 2, 3, . . ., p
i = 0, 1, 2, 3, . . ., p
A variável M 1 é a quantidade de moeda, compreendendo o papel moeda em
poder do público mais os depósitos à vista, PAGR é o índice de preços no atacado do
setor agrícola, PIND é o índice de preços no atacado do setor industrial. As variáveis
ε1 , ε 2 e ε 3 são distúrbios ruído branco, que representam choques (inovações puras)
relacionados a M 1 , PAGR , PIND , respectivamente. A estimação usa dados mensais
do período de janeiro de 1995 a janeiro de 2009 coletados junto ao Instituto de
Pesquisas Econômicas (IPEA) e estão especificados em números índices (2000:01 =
100).
O sistema acima não pode ser estimado por mínimos quadrados ordinários, pois
permite que os choques possam ter efeitos contemporâneos diretos e indiretos sobre as
variáveis (viés de equação simultânea). Para contornar este problema, transformou-se
este sistema primitivo em uma forma chamada de forma padrão. Enders (1995) sugere
transformar o sistema de equações em um vetor auto-regressivo da seguinte forma:
p
Bxt = Γ 0 + ∑ Γi xt −i + ε t
i =1
B representa a matriz dos parâmetros das variáveis no tempo t, Γ 0 é um vetor de
interceptos, Γi é a matriz dos parâmetros das variáveis do tempo t – i (i = 1, 2, . . ., p).
Pré multiplicando a equação anterior por B −1 obtém-se o modelo VAR na forma
padrão:
p
xt = A0 + ∑ Ai xt −i + et
i =1
31
Revista de História Econômica & Economia Regional Aplicada – Vol. 4 Nº 7 Jul-Dez 2009
em que A0 = B −1Γ 0 , Ai = B −1Γi e et = B −1ε t . xt é um vetor (n x 1) contendo as variáveis
a serem incluídas no VAR, A0 é um vetor (n x 1) de interceptos, Ai são matrizes (n x n)
e et é um vetor (n x 1) de termos de erros com média zero, variância constante e nãocorrelacionados.
Dado que dentre os objetivos da estimação do VAR a função de impulsoresposta descreve os impactos dos choques nas variáveis estudadas, utilizou-se a
decomposição de Choleski para identificar os distúrbios no vetor ε t . Esta estrutura
recursiva mostra que os choques na primeira variável da ordenação afetam
contemporaneamente todas as outras variáveis, porém os choques nestas outras
variáveis não afetam contemporaneamente a primeira variável. A segunda variável na
ordenação afeta contemporaneamente a terceira variável, mas não é afetada por ela.
A ordenação do modelo VAR a ser estimado assumirá a estabelecida através do
teste de causalidade de Granger. Assim, se através das estimações estabelecer que uma
variável causa Granger as demais, esta assumirá o primeiro lugar na ordenação, e assim
por diante.
Para construir a função de impulso-resposta do VAR, é necessário que se
represente a série auto-regressiva em um modelo em termos de médias móveis (VMA).
Essa conversão de um VAR para um VMA é possível desde que o sistema seja estável,
respeitando a propriedade de invertibilidade de Box-Jenkins, ou seja, todas as raízes da
matriz dos coeficientes tenham módulo menor que 1. Dito de outra forma, o modelo:
yt = a0 + a1 yt −1 + et exige que a1 seja menor que 1 em módulo, apresentando assim, a
condição de estacionariedade.
Um modelo vetorial representado por médias móveis é descrito como:
∞
−1
xt = µ + ∑ Φ i ε t −i , em que µ = ( I − A) v ;
i =1
com todas as raízes de A1 menores que 1 em módulo. Os coeficientes de Φ i são os
coeficientes da função impulso-resposta, observados a partir de choques ε it nas
variáveis do modelo considerado (MAIA, 2001).
Uma importante fase na construção e identificação do modelo VAR está
relacionada ao número de defasagens a ser incluída no sistema. Tal definição é feita
experimentalmente, partindo de uma escolha arbitrária de 18 defasagens e de forma
32
Revista de História Econômica & Economia Regional Aplicada – Vol. 4 Nº 7 Jul-Dez 2009
decrescente, analisando-as com base no critério de informação de Akaike (AIC) e
Bayesiano de Schwarz (SBC).
5. PROCEDIMENTOS ECONOMÉTRICOS
Com o objetivo de se realizar uma análise empírica, a metodologia se inicia com
o emprego de testes de raiz unitária nas séries consideradas. A segunda parte é
composta pelos testes de co-integração entre as variáveis. Por fim, na terceira parte,
realiza-se os testes de causalidade de Granger.
•
•
•
Para determinar a ordem de integração das variáveis foi utilizado o teste de raiz
unitária Dickey-Fuller ampliado (ADF), conforme apresentado em Dickey e
Fuller (1979; 1981). Os valores críticos para o teste de raiz unitária foram
obtidos em Mackinnon (1981).
Para captar a inter-relação entre as variáveis econômicas foi utilizado o teste de
cointegração de Johansen, conforme Johansen (1995).
Para verificar o sentido da direção causal entre as variáveis foi utilizado o teste
Granger-causalidade, conforme Granger (1969).
5.1. Teste de raiz unitária
A presença de tendência em séries de tempo compromete a aplicação de boa
parte do instrumental econométrico. Os modelos de regressão linear só têm suas
propriedades asseguradas se todas as variáveis neles contidas forem estacionárias, ou
seja, se suas média e variância se apresentam constantes ao longo do tempo e o valor da
covariância entre dois períodos de tempo depender apenas da distância entre os dois
períodos. Além do mais, em modelos econométricos que incluem variáveis não
estacionárias, as estatísticas t e F usuais podem não ser úteis.
A questão de uma série temporal ser estacionária ou não estacionária tem
implicações tanto estatísticas quanto econômicas. Para uma série temporal não
estacionária, o efeito de qualquer choque é permanente. Considere o exemplo:
yt = yt −1 + ε t
onde ε t é um processo estacionário de média zero. Suponha que em algum período,
digamos yt , haja um aumento C em ε t . Então, todos yt , yt +1 , yt + 2 , . . . , aumentam em
C. Logo, o efeito do choque C, é permanente. No entanto, se tivermos o modelo:
yt = α yt −1 + ε t
| α |< 1
33
Revista de História Econômica & Economia Regional Aplicada – Vol. 4 Nº 7 Jul-Dez 2009
O efeito do choque termina com o tempo, começando em yt , que aumenta em C,
valores sucessivos de yt , se elevarão em Cα, Cα2, . . . (MADALLA, 1992).
Do ponto de vista estatístico, o problema surge devido à não estacionariedade
das séries, dado que possibilita a identificação de relações espúrias entre elas, e assim
obtemos estimadores inconsistentes. Além disso, em modelos econométricos que
incluem variáveis não-estacionárias, as estatísticas t e F usuais podem não ser úteis.
Logo, faz-se necessária a estacionariedade das séries para que o comportamento entre
elas não seja espúrio, e os seus estimadores sejam consistentes.
Neste trabalho foi utilizado o teste de raiz unitária Dickey-Fuller ampliado para
testar a presença de raiz unitária em cada série temporal. Se a série tem uma raiz
unitária, diz-se que esta é não estacionária e, portanto, sua ordem de integração é maior
do que zero. O teste ADF utilizado para cada variável consistiu em estimar, por
mínimos quadrados, a seguinte equação:
m
∆yt = β1 + β 2t + φ yt −1 + ϕ ∑ ∆yt −i + ut
i =1
onde ∆yt −1 = yt −1 − yt − 2 , ∆yt − 2 = yt − 2 − yt −3 , ∆yt −i = yt −i − yt −i −1
A hipótese nula do teste ADF é que φ é igual a zero. No caso de aceitação da
hipótese nula, tem-se um problema de raiz unitária, uma situação de nãoestacionariedade. Se o valor da estatística ADF for maior do que o valor crítico, rejeitase a hipótese de que a série temporal seja estacionária, fazendo-se necessário testar a
presença de raiz unitária para a primeira diferença desta série temporal.
O número de termos diferença defasados incluídos em cada regressão foi
determinado de forma a tornar o termo de erro não-correlacionado serialmente, ou seja,
apresenta ruído branco. Os critérios de AIC e SBC foram considerados na determinação
do número dos termos de diferença defasados.
5.2. Teste de cointegração
Um dos objetivos da econometria é avaliar empiricamente teorias econômicas
que em geral, pressupõem relação de equilíbrio de longo prazo entre variáveis. A
averiguação das teorias econômicas pode ser feita com base em séries temporais que,
em sua maioria, apresentam algum tipo de tendência.
34
Revista de História Econômica & Economia Regional Aplicada – Vol. 4 Nº 7 Jul-Dez 2009
A existência de tendência pode levar à regressões espúrias, ou seja, à aceitação
de relação entre as variáveis geradas por processos inteiramente independentes. A
análise de cointegração vem, portanto, averiguar se existe uma combinação linear entre
as variáveis, ou seja, verifica se no longo prazo as variáveis do modelo convergem para
relação de equilíbrio. Para a confirmação da relação de longo prazo entre as variáveis
realiza-se o teste de cointegração proposto por Johansen (1995) e Johansen e Juselius
(1990)3.
5.3. Teste de causalidade de Granger
A análise de regressão na econometria lida com a dependência de uma variável
em relação à outra(s). Segundo Carneiro (1997), uma relação estatística entre duas ou
mais variáveis nunca pode estabelecer uma relação causal entre elas. A convicção a
respeito de qualquer relação de causalidade deve-se originar de fora da estatística,
baseando-se fundamentalmente em alguma teoria já estabelecida. Entretanto, pode-se
estatisticamente identificar uma relação de causa e efeito entre duas variáveis X e Y
quando existe uma relação de precedência temporal entre as duas variáveis.
O conceito de causalidade de Granger (1969) é apresentado como: se X causa Y,
então variações em X deveriam preceder variações em Y. Para dizer que “X causa Y” é
preciso que sejam cumpridas duas condições. Primeiro, X deveria ajudar a prever Y;
isto é, em uma regressão de Y em relação a valores passados de Y o acréscimo de
valores passados de X como variáveis explicativas deveria contribuir significativamente
para aumentar o poder explanatória da regressão. Segundo, Y não deveria ajudar a
prever X. A razão é que se X ajuda a prever Y e também Y ajuda a prever X, o mais
provável é que uma ou mais variáveis estejam de fato causando as mudanças observadas
tanto em X como em Y.
3
Johansen (1995) e Johansen e Juselius (1990) apresentaram os testes do
k
λtraco (r ) = −T ∑ ln 1 − λˆi
t = r +1
(
e do
λmax :
)
λmax (r , r + 1) = −T ln 1 − λˆt +1
(
λtraço
)
onde λ̂ são os valores estimados das raízes características obtidas da matriz Π estimada e T é o número
de observações. A hipótese nula do primeiro teste é de que o número de vetores de co-integração distintos
são iguais ou inferiores a r , a hipótese alternativa é que o número de vetores de co-integração é maior do
que r . No segundo teste, a hipótese nula é de que o número de vetores de co-integração é igual a r ,
enquanto que a hipótese alternativa é de que existe r + 1 vetores de co-integração.
35
Revista de História Econômica & Economia Regional Aplicada – Vol. 4 Nº 7 Jul-Dez 2009
Para avaliar se cada uma dessas duas condições é cumprida, deve-se testar a
hipótese nula de que uma variável não ajuda a prever a outra. Por exemplo, para testar a
hipótese nula de que “X não causa Y”, estima-se uma regressão de Y em relação a
valores defasados de Y bem como a valores defasados de X (a regressão irrestrita) e em
seguida estima-se uma regressão de Y apenas em relação a valores defasados de Y (a
regressão restrita). Um simples teste F pode ser usado então para determinar se os
valores defasados de X contribuem significativamente para o poder explicativo da
primeira regressão4. Em caso afirmativo, pode-se rejeitar a hipótese nula e concluir que
os dados são consistentes com X como causa de Y. A hipótese nula de que “Y causa X”
é então testada da mesma maneira.
Para testar se X causa Y, o procedimento é da maneira que se segue. Primeiro
testamos a hipótese nula “X não causa Y”, com a estimativa de duas regressões:
m
m
i =1
i =1
Regressão irrestrita: Y = ∑ α iYt −i + ∑ β i X t −i + ε t
m
Regressão restrita: Y = ∑ α iYt −i + ε t
i =1
Utilizando a soma de quadrados dos resíduos de cada regressão para calcular a
estatística F e testar se o grupo de coeficientes é significativamente diferente de zero.
Em caso afirmativo, podemos rejeitar a hipótese de que “X não causa Y”.
Segundo, testa a hipótese nula “Y não causa X” pela estimativa das mesmas
regressões mencionadas, mas trocando de lugar X com Y e testando se os valores
defasados de Y são significativamente diferentes de zero. Para concluir que X causa Y,
temos de rejeitar a hipótese de que “X não causa Y” e aceitar a hipótese “Y não causa
X”.
Na escolha do número de defasagens “m” Carneiro (1997) sugere que se inicie
por um número grande de defasagens e se vá paulatinamente as reduzindo, até
minimizar a estatística de Schwarz.
4
A estatística F é a seguinte:
F = (N – k) (SQRR – SQR IR)/q(SQRIR), em que SQRR e SQR IR são a soma de quadrados dos resíduos nas
regressões restrita e irrestrita, respectivamente, N é o número de observações, k é o número de parâmetros
estimados na regressão irrestrita, e q é o número de restrições de parâmetros.
36
Revista de História Econômica & Economia Regional Aplicada – Vol. 4 Nº 7 Jul-Dez 2009
6. RESULTADOS
6.1. Teste de raiz unitária
Os testes de raiz unitária realizados consideram os processos geradores das
séries constituídos, por constante, por constante e tendência, e sem constante e
tendência, tendo como hipótese nula a existência de raiz unitária, o que indica que a
série é não estacionária.
A tabela 1 a seguir sumariza os resultados dos testes de raiz unitária: o termo
entre parênteses é o número de termos de diferença defasados incluídos em cada
regressão de forma a tornar o termo de erro não-correlacionado serialmente. O teste de
Dickey-Fuller ampliado (ADF) evidencia que as variáveis são não estacionárias em
nível, sendo necessário defasá-las para que os erros se tornem ruído branco. Contudo, ao
extrair a primeira diferença das séries, pode-se aceitar a hipótese da estacionariedade.
Novamente, apresenta-se o problema quanto ao erro não ruído branco das estimativas,
que pode ser solucionado através de defasagens das séries. Deste modo, os testes de raiz
unitária sugerem que todas as variáveis são integradas de primeira ordem, ou seja,
apenas a primeira diferença destas variáveis é estacionária.
Tabela 1 – Resultados dos testes de raiz unitária de Dickey-Fuller ampliado
Modelo 1**
Modelo 2***
τ
Variáveis 1995:01
τ*
τµ
ττ
2009:01
M1
-1,771
-2,904
1,832
-3,075
(14)
(14)
(16)
(12)
PAGR
-0,538
-1,969
1,782
-3,971
(3)
(3)
(7)
(6)
PIND
-0,743
-1,531
1,870
-2,713
(4)
(5)
(5)
(4)
Fonte: dados da pesquisa.
6.2. Teste de cointegração
Após verificar que as variáveis são integradas de mesma ordem, procedeu-se a
estimação dos modelos a fim de verificar a possível presença de alguma relação de
longo prazo entre as variáveis. Como dito anteriormente, o significado econômico de
cointegração é que, se duas variáveis cointegram, é possível afirmar que elas possuem
um relacionamento estável e constante a longo prazo e, então, convergem ao equilíbrio
de longo prazo.
37
Revista de História Econômica & Economia Regional Aplicada – Vol. 4 Nº 7 Jul-Dez 2009
O resultado obtido do teste de cointegração de Johansen para as variáveis
componentes do modelo estimado está presente na tabela 2. O número de defasagens
utilizado (cinco) foi definido de acordo com os critérios SBC para uma versão
multiequacional. Os testes do máximo auto valor (λmax) e do traço (λtraço) não
apresentaram valores significativos a partir das hipóteses nulas, para as variáveis
componentes do modelo, fazendo concluir que não há vetores co-integrados. Em suma,
os resultados mostram que não há relação de equilíbrio de longo prazo entre as
variáveis.
Tabela 2 – Resultados dos testes de co-integração de Johansen
λtraço
λmáximo
Teste do maior
Teste do traço
autovalor
H0
H1
H0
H1
Valor
Valor crítico
Valor
Valor crítico
observado
95%
observado
95%
r=0
r>0
r=0
r=1
12,917
20,97
21,355
29,68
r≤1
r>1
r=1
r=2
4,906
14,07
8,438
15,41
r≤2
r>2
r=2
r=3
3,531
3,76
3,531
3,76
Fonte: dados da pesquisa.
6.3. Teste de causalidade de Granger
Pelos resultados apresentados na tabela 3, a seguir, verifica-se que a relação
causal entre oferta monetária e preços no atacado do setor agrícola ocorre da primeira
para a segunda variável, ou seja, variação na oferta monetária precede a mudança no
índice de preços agrícola. Tal resultado pode refletir a importância da oferta monetária
na determinação dos preços agrícolas.
No relacionamento entre oferta monetária e preços industriais a direção causal
se dá conforme a estabelecida anteriormente, ou seja, uma medida de política monetária
afeta ambos os índices de preços, sendo que o sentido inverso não apresenta evidência
empírica. Assim pode-se afirmar que de acordo com a metodologia apresentada, o teste
de causalidade de Granger indica a exogeneidade da moeda em sua relação com preços
agrícolas e industriais.
Ao considerar o processo de interação entre os preços aqui considerados, o teste
de causalidade de Granger evidencia que a relação causal se estabelece em ambos os
sentidos, ou seja, uma determinação recíproca entre preços agrícolas e industriais. Deste
38
Revista de História Econômica & Economia Regional Aplicada – Vol. 4 Nº 7 Jul-Dez 2009
modo não se pode estabelecer uma direção causal única nesta relação. Como afirma
Carneiro (1995) a presença de bicausalidade ou simultaneidade é um indicativo de que
uma ou mais variáveis exógenas ao modelo estejam causando mudanças tanto no índice
de preços agrícola quanto no industrial. Desde já fica como sugestão uma investigação
mais aprofundada sobre a relação entre ambas as variáveis.
Tais resultados se comparados com os encontrados com Brandão (1985)
apresentam algumas semelhanças e divergências. Em Brandão a oferta de moeda era
exógena, preços agrícolas também exógenos, e o preço na indústria causado (no sentido
de Granger) pela oferta de moeda. Desta forma, a principal distinção dos resultados aqui
apresentados e os de Brandão diz respeito aos preços agrícolas, os quais, para o autor
eram exógenos, enquanto neste trabalho são afetados pela oferta monetária e pelos
preços industriais.
As principais justificativas dos resultados da causalidade de Granger entre os
preços divergirem dos resultados encontrados por Brandão, podem estar na mudança de
comportamento do consumidor brasileiro e na mudança da estrutura política e
econômica, pois este trabalho compreende uma época de estabilização monetária,
enquanto o de Brandão abrange um período de crescente inflação, 1969 a 1984.
Entretanto os motivos dessa mudança não foram objetos de investigação neste trabalho,
mas é de se esperar que os preços industriais influenciem os preços agrícolas em virtude
do desenvolvimento do meio rural brasileiro nas duas últimas décadas, ter se tornando
mais dependente da tecnologia industrial como o uso cada vez mais freqüente de
tratores, fertilizantes, sistemas de irrigação, etc.
No modelo VAR a estimação das funções impulso-resposta, em que choques em
uma determinada variável repercutem sobre as demais componentes do sistema, se dará
obedecendo aos resultados encontrados no teste de causalidade de Granger, como
observado na tabela 3 abaixo. Assim, o modelo estimado captará os efeitos de choques
na oferta monetária e seus efeitos sobre os índices de preços e os efeitos de impulso em
um índice e seu efeito sobre o outro índice.
39
Revista de História Econômica & Economia Regional Aplicada – Vol. 4 Nº 7 Jul-Dez 2009
Tabela 3 – Teste de causalidade de Granger
Hipótese nula
Defasagens Estatística F
Valor - P
M1 não causa
7
2,748
0,0208
PAGR
PAGR não causa
7
1,020
0,4078
M1
M1 não causa
7
2,453
0,0359
PIND
PIND não causa
7
0,591
0,7067
M1
PAGR não causa
5
2,218
0,0551
PIND
PIND não causa
5
2,602
0,0273
PAGR
Fonte: dados da pesquisa.
Conclusão
Rejeita-se a
hipótese nula
Aceita-se a
hipótese nula
Rejeita-se a
hipótese nula
Aceita-se a
hipótese nula
Rejeita-se a
hipótese nula
Rejeita-se a
hipótese nula
6.4. Modelo de vetores auto-regressivos
Uma vez observado a presença de não estacionariedade nas séries em nível e a
posterior estacionariedade nas séries em primeira diferença, tornando-as integradas de
primeira ordem, além da ausência de co-integração entre as variáveis, esta seção trata
primeiramente da escolha do número de defasagens a serem incluídas no modelo VAR.
Considerou-se o número máximo de dezoito defasagens para cada variável e aplicaramse os critérios de informação AIC e bayseano SBC na escolha das defasagens. Vale
ressaltar que o teste foi realizado somente naquelas estatísticas que não apresentaram
autocorrelação dos resíduos com probabilidade superior a 10%. Através desses critérios
observou-se que, para o modelo VAR estimado, o número de defasagens apropriado foi
igual a cinco.
Concluída a etapa de identificação do modelo, passa-se a análise das funções
impulso-resposta, observando o impacto dos choques na oferta monetária sobre os
preços agrícola e industrial, assim como os efeitos recíprocos de choques tanto no preço
agrícola quanto no preço industrial.
Uma primeira verificação da função de resposta a impulso deve ser feita em
relação ao comportamento da trajetória do nível de preços, uma segunda análise deve
ser realizada em relação ao tempo de ajustamento pós-choque.
No gráfico 2 a seguir encontram-se os resultados obtidos. Ao observar os
choques em M1 e seus efeitos sobre os preços, verifica-se que o índice de preços
agrícola é afetado mais intensamente quando comparado com o índice da indústria,
40
Revista de História Econômica & Economia Regional Aplicada – Vol. 4 Nº 7 Jul-Dez 2009
prevalecendo na maioria dos períodos subseqüentes efeitos positivos. O efeito sobre os
preços industriais se inicia de forma negativa, alternando efeitos negativos e positivos,
porém, não estabelecendo uma direção bem definida. Como argumenta Simonsen
(1985) os preços agrícolas são os maiores responsáveis pela aceleração do índice geral
de preços, fazendo com que choques de demanda entre os quais, política monetária,
influenciem os preços agrícolas de maneira mais intensa que os industriais. Tais
resultados, para um período de baixa inflação, se assemelham ao obtido por Brandão
(1985) ao analisar os efeitos da política monetária sobre os mesmos índices de preços,
porém abrangendo um período de elevada inflação.
Os efeitos de choques recíprocos em ambos os índices de preços demonstram
um padrão de resposta. Os preços reagem de forma positiva, sendo que a resposta dos
preços industriais tem um comportamento mais definido como evidencia o gráfico.
Gráfico 2 - Funções de Impulso-Resposta
Resposta de PAGR a choque em M1
0.004
0.003
0.0015
0.002
0.0010
0.001
0.0005
0.000
0.0000
- 0.001
- 0.002
1
Resposta de PIND a choque em PAG R
0.0020
-0.0005
2
3
4
5
6
7
8
9 10 11 12 13 14 15
-0.0010
2
Resposta de PIND a choque em M1
0.0010
4
6
8
10
12
14
Resposta de PAG R a choque em PIND
0.006
0.004
0.0005
0.002
0.0000
0.000
- 0.0005
-0.002
- 0.0010
1
2
3
4
5
6
7
8
9 10 11 12 13 14 15
-0.004
2
4
6
8
10
12
14
Fonte: dados da pesquisa.
41
Revista de História Econômica & Economia Regional Aplicada – Vol. 4 Nº 7 Jul-Dez 2009
7. CONSIDERAÇÕES FINAIS
O objetivo deste trabalho foi verificar os inter-relacionamentos entre política
monetária, representada pelo agregado monetário M1, e índices de preços agrícola e
industrial na economia brasileira no período 1995 – 2009. Visto que as variáveis não
são co-integradas, ou seja, não possuindo relacionamento de longo prazo, estimou-se
um VAR(5) e observou-se os gráficos de impulso-resposta. Com base no teste de
causalidade de Granger se estabeleceu que as relação causais se dão da oferta monetária
(M1) para os preços e causalidade simultânea, ou bicausalidade, entre preços agrícola e
industrial. Assim a estimação das funções impulso-resposta, o choque partiu da oferta
monetária (M1) com efeitos nos preços, além de choques em um preço e resposta em
outro.
A análise dos gráficos de impulso-resposta mostrou que: i) choque dado a partir
da oferta monetária tem efeito positivo sobre o índice de preços agrícolas, atingindo sua
maior intensidade no segundo e terceiro mês após o choque, se estabilizando dozes
meses após. O efeito negativo a partir do sétimo mês é suplantado pelas respostas
positivas iniciais; ii) choque sobre a oferta monetária gera uma resposta negativa do
índice de preços industriais no mês do choque, se alterando a partir daí até o sétimo
mês, a partir do qual o preço sofreu queda prolongada por mais de quatorze meses; iii)
efeitos de choques recíprocos nos preços apresentam comportamento semelhante.
Quando o choque parte dos preços agrícolas, a resposta dos preços industriais se dá de
forma positiva com duração de nove meses. Já as respostas dos preços agrícolas a
choque nos preços industriais não é tão bem comportada, sofrendo variações positivas e
negativas, contudo, sobressai efeitos positivos.
Com respeito à relação entre os preços, os resultados obtidos atestaram que uma
política monetária expansiva modifica a relação entre preços, ampliando a razão entre
os preços agrícolas e industriais. Apesar de alguns períodos de queda do índice de
preços industrial, o efeito do choque monetário eleva o índice agregado de ambos os
setores, o qual é alavancado pela elevação sofrida pelo índice de preços agrícolas.
De forma geral, conclui-se que, os resultados empíricos dão suporte ao poder de
influência da política monetária na formação de preços agrícola e industrial. De maneira
mais específica, dado o atual contexto e perspectivas de expansão vigenciada pelo setor
agrícola, surge a necessidade de políticas monetárias conduzidas de maneira a manter a
estabilidade de seus preços, objetivando à formação de expectativas a longo prazo,
42
Revista de História Econômica & Economia Regional Aplicada – Vol. 4 Nº 7 Jul-Dez 2009
gerando condições para investimentos e rentabilidade sinalizada pela formação de
preços no mercado interno agrícola.
8. REFERÊNCIAS
ARQUETE, L. C. dos R. ; JAYME JÚNIOR, F. G. Política monetária, preços e
produto no Brasil (1994- 2002): uma aplicação de vetores auto-regressivos. Anais
do XXXI Encontro Nacional de Economia 2003. Disponível em
<http://www.anpec.org.br/encontro2003/artigos/B45.pdf > Acesso em: 15 jun. 2005.
BERNANKE, B. S.; GERTLER, M. Inside the black box: the credit channel of
monetary policy transmission. The Journal of Economic Perspectives, v. 9, n. 4, 1995.
BRANDÃO, A. S. P. Moeda e preços relativos: evidência empírica. Revista de
Econometria, Rio de Janeiro, v. 5, n. 2, p. 33-80, nov. 1985.
CARNEIRO, F. G. A Metodologia dos Testes de Causalidade em Economia.
Brasília: Departamento de Economia, UnB, 1995 (Série Textos Didático n. 20).
DICKEY, D. A.; FULLER, W. A. Distribution of the estimators for autoregressive time
series with unit root. Journal of the American Statistical Association, v. 74, n. 366, p.
427 – 431, june 1979.
______. Likelihood ratio statistics for autoregressive time series with a unit root.
In: Econometrica, Illinois, v. 49, n. 4, p. 1057 – 1079, july 1981.
ENDERS. W. Applied econometric time series. New York: John Wiley & Sons, 1995.
FERREIRA, A. B. Metas para a inflação e vulnerabilidade externa: um estudo do
Brasil. Belo Horizonte, 2004. 163 p. Dissertação (Mestrado em Economia) – Centro de
Desenvolvimento e Planejamento Regional da Faculdade de Ciências Econômicas,
Universidade Federal de Minas Gerais.
FRIEDMAN, M.; SCHWARTZ, A. J. A Monetary History of the United States, 1867
– 1960. Princeton: Princenton University Press, 1963.
GRANGER, C. W. J. Investigating causal relations by econometric models and crossspectral methods. Econometrica, v. 37, p. 424-438, 1969.
IPEADATA http://ipeadata.gov.br Acesso em: 3, 4, 5 mar. 2009.
JOHANSEN, S. Likelihood- based inference in cointegrated vector autoregressive
models. New York: Oxford University Press, 1995.
MADDALA, G. S. Introduction to Econometrics, 2nd edition, Nova York, MacMillan,
1992.
43
Revista de História Econômica & Economia Regional Aplicada – Vol. 4 Nº 7 Jul-Dez 2009
MAIA, S. F. Modelos de vetores autoregressivos: uma nota introdutória. Maringá:
Universidade Estadual de Maringá (Texto para Discussão n. 60), 2002.
MARQUES, C. R.; PINA, J. Causalidade moeda – preços na área do Euro. Banco de
Portugal, Boletim econômico, set. 2003.
MATSUMOTO, K. Efeitos reais da transmissão de política monetária: comparação
empírica entre Brasil e Argentina. Rio de Janeiro. 2000. 70 p. Dissertação (Mestrado
em Economia) – Escola de Pòs-Graduação em Economia, Fundação Getúlio Vargas.
MINELLA, A. H. Monetary, credit and (other) transmission process: a monetarist
perspective. Journal of Economy Perspectives, v. 9, n. 4, p. 49 – 72, 1995.
ROMER, C.; ROMER, D. Does monetary police matter? A new test in the spirit of
Friedman and Schwartz. NBER Working Paper n. 2966, p. 1-45, may 1989.
SILVA, E. K. da; MAIA, S. F. Política monetária no Brasil (1994-2002): uma análise
utilizando vetores auto regressivos. p. 1-18, 2004. Disponível em
<http://www.dce.sebrae.com.br/bte/bte.nsf/0/17470e185e05fa3f03256ff2004216e8/$FI
LE/NT000A6FAA.pdf> Acesso em: 01 ago. 2005.
SIMS, C. A. Macroeconomics and reality. Econometrica, v. 48, n. 1, p. 1 – 48, jan.
1980.
TRECROCI, C.; VEJA, J. L. The information content of M3 for future inflation.
ECB Wordingo Paper n. 33, 2000.
44