Procedimentos Metodológicos

Para avaliar os efeitos das políticas setoriais sobre o desempenho da indústria automobilística serão analisadas as contribuições das principais variáveis apontadas pela literatura para a determinação das vendas1 _{de automóveis leves e comerciais leves.}

Uma revisão da literatura empírica sobre o setor de automóveis, sintetizada no quadro abaixo, revelou que existem basicamente dois tipos de modelos de análise: 1) aqueles que tratam os dados agregados, relacionando a quantidade de veículos vendidos, como variável dependente, com variáveis explicativas como preço, renda e crédito; e 2) aqueles que trabalham dados desagregados e que consideram a demanda de diferentes produtos dentro do setor como, por exemplo, a preferência por determinada marca ou modelo de veículo, sendo explicada pela função de utilidade de cada indivíduo.

1 _{Vale ressaltar que a revisão da literatura empírica baseada na utilização do modelo ECD aplicado à indústria}

automobilística utiliza a venda de veículos como proxy do desempenho do setor, em função da indisponibilidade de dados sobre faturamento e rentabilidade.

Agregados País Periodicidade Período

Suits (1958) EUA Anual 1929-1956

Dyckman (1965) EUA Anual 1929-1962

Hymans (1970) EUA Trimestral 1954-1968

Wykoff (1973) EUA Anual 1950-1970

Vianna (1988) Brasil 1967-1987

De Negri (1998) Brasil Mensal 1990-1996

Moraes e Silveira (2005) Brasil Mensal 1994-2003

IPEA/DIMAC (2009) Brasil Mensal 2003-2009

Alvarenga et al (2010) Brasil Mensal 2009

Gabriel (2013) Brasil Mensal 2000-2010

Desagregados

Johnson (1978) EUA Anual 1954-1972

Berry, Levinsohn e Pakes (1995) EUA Anual 1971-1990

McCarthy (1996) EUA Mensal 1989

De Negri (1998) Brasil Mensal 1990-1996

Fiuza (2001) Brasil Mensal 1989-1997

Fonte: Elaboração própria

Séries temporais

A revisão da literatura empírica contribuiu para a escolha dos procedimentos econométricos que serão utilizados no presente trabalho, que envolverão a análise de séries temporais multivariada que, segundo Bueno (2011), possibilita melhor analisar a interação entre as variáveis. Diferentes pesquisadores do setor automobilístico utilizam essa metodologia, como Moraes e Silveira (2005), Alvarenga et al (2010), já citados acima.

Uma série temporal é um conjunto de observações ordenadas ao longo do tempo, que pode apresentar uma característica determinística ou estocástica (aleatório), linear ou não linear, estacionária ou não estacionária. Bueno (2011) revela que, para a construção do modelo, o ideal é que as séries envolvidas apresentem um processo estocástico e que sejam estacionárias. É importante ressaltar que “o conceito de estacionaridade é a principal ideia que se deve ter para estimar uma série temporal” (BUENO, 2011, p. 16). A estacionaridade de uma série permite que haja inferências em relação aos parâmetros estimados, isso porque os comportamentos da variável, ao longo do tempo, como média, variância e covariância, se mantêm.

Ainda em relação à estacionariedade, existem duas formas de classificá-la: estrita (forte) e fraca. Assim, um processo estocástico Y(t) é estritamente estacionário se sua distribuição não varia com o tempo. Desse modo, um processo estocástico é fracamente estacionário se:

E(Yt) = µ (1)

Var(Yt) = E(Yt - µ)² = σ² (2)

Cov(Yt, Yt+k) = E(Yt - µ)( Yt+k - µ) = γk (3)

Sendo que a equação (1) diz respeito à média, a equação (2) à variância e a (3) à covariância. Entretanto, a grande maioria das séries possui algum tipo de tendência, o que implica diretamente mudança na média ao longo do tempo e, assim, a não-estacionaridade da variável.

Dessa forma, uma análise simples por meio do gráfico ajudará a notar rapidamente qual tipo de tendência que ocorre ao longo do tempo e se há a necessidade ou não de realização de diferenciação da série (nesse caso a variável dependente). Após a diferenciação, deve-se analisar os resíduos do teste realizado.

Nesse viés, deve-se realizar os testes para buscar a presença de raiz unitária na série. Para tanto, serão utilizados métodos que se complementam e garantem a estacionaridade da série: o teste Dickey-Fuller Aumentado –ADF (Dickey e Fuller, 1979), teste ADF-GLS (Elliott, Rothenberg e Stock, 1996) e o teste KPSS (Kwiatkowski, Phillips, Schimidt e Shin, 1972).

Teste de raiz unitária

O teste de raiz unitária ajudará a avaliar a estacionariedade da série. Uma série estacionaria é aquela que mantém suas características (média, variância, autocorrelação) ao longo do tempo. Séries temporais costumam ser não-estacionárias apresentado trend, ciclos, padrões sazonais dentre outros comportamentos não estacionários.

Assim, será testado a existência de raiz unitária no modelo que significará a existência de pelo menos uma raiz dentro do círculo unitário do modelo e, excluindo a possibilidade de uma regressão espúria através da escolha de variáveis explicativas previamente selecionadas, o

aleatório (estocástico).

Os testes de raiz unitário que serão utilizados são:

 Teste Dickey-Fuller Aumentado –ADF

o H0: tem raiz unitária (não é estacionária)

o H1: não tem raiz unitária (é estacionária)

Causalidade de Granger

O modelo proposto para o presente trabalho refere-se ao VAR, modelo de vetor auto regressivo. Modelo este que surgiu na década de 80 em resposta aos modelos que na época traziam dificuldades na sua composição estrutural, trazendo modelos mais dinâmicos com o mínimo de restrições (BCB, 2004). O VAR examina relações lineares entre cada variável impondo como restrição econômica somente o número de defasagens envolvidas na relação entre as variáveis.

A popularidade dos modelos VAR deriva, em grande medida, da percepção de que tais modelos permitem analisar as inter-relações entre múltiplas variáveis a partir de um conjunto mínimo de restrições de identificação – isto é, de restrições que permitam identificar o componente “exógeno” de cada variável, possibilitando a estimação do efeito de um “choque” nessa variável sobre as demais. (CAVALVCANTI, 2010, p. 251)

Este teste tem se mostrado bastante popular em estudos realizados no Brasil, popularizado por meio do econometrista Clive Granger. Este modelo assume que o futuro não pode causar o passado e nem o presente. Ou seja, dado evento A que ocorre posterior ao evento B, sabe-se que A não pode causar B. Do mesmo modo, se A ocorre antes de B, isso não significa que A cause B, necessariamente. Em suma, tem-se duas séries temporais e existe a necessidade de saber se A precede B ou se B precede A, ou se os fatores ocorrem simultaneamente.

Segundo Gujarati e Porter (2011, p. 647), “embora a análise de regressão lide com a dependência de uma variável sobre outras variáveis, ela não implica necessariamente em causação”. Aqui, pode-se notar que mesmo com a relação entre duas variáveis não se pode provar a existência de causalidade entre elas ou uma direção de influência.

O teste de Granger nasce através de perguntas feitas corriqueiramente dentre da macroeconomia, como: o PIB “causa” a oferta de moeda, ou será que a oferta de moeda “causa” o PIB? (Gujarati e Porter, 2011, 648). O teste pressupõe que as características preditivas estão contidas dentro da série temporal, que no exemplo, também retirado de Gujarati e Porter (2011, p. 648) são o PIB e a moeda (M). Assim:

𝑃𝐼𝐵𝑡𝑡 = ∑𝑛𝑖=1𝛼𝑖𝑀𝑡−𝑖 + ∑𝑛𝑗=1𝛽𝑗𝑃𝐼𝐵𝑡−𝑗 + 𝑢1𝑡 (4)

𝑀_𝑡 = ∑𝑛 𝜆_𝑖𝑀_𝑡−𝑖

𝑖=1 + ∑𝑛𝑗=1𝛿𝑗𝑃𝐼𝐵𝑡−𝑗 + 𝑢2𝑡 (5)

Sendo que os erros u1t e u2t não estejam correlacionados. O exemplo trata-se de uma

causalidade bilateral, por se referir a duas variáveis. Dessa forma, pode-se distinguir quatro casos sobre a análise de causalidade dessas regressões (GUJARATI e PORTER, 2011, p. 648): 1. Causalidade unidirecional de M para PIB: caso os coeficientes estimados das defasagens de M forem estatisticamente diferentes de zero como grupo e o conjunto de coeficientes estimados do PIB não for estatisticamente diferente de zero;

2. Causalidade unidirecional de PIB para M: caso exista o conjunto de coeficientes defasados na regressão para o PIB não estatisticamente diferente de zero e o conjunto para o PIB na equação estimada em M seja estatisticamente diferente de zero;

3. Feedback, ou causalidade bilateral: quando os conjuntos de coeficientes de M e PIB forem estatisticamente diferentes de zero nas regressões estimadas acima.

4. Independência: em nenhuma das regressões os conjuntos de coeficientes de M e PIB são estatisticamente significativos.

Cointegração Mínimos Quadrados Ordinários (MQO)

O modelo a ser utilizado é o MQO (Mínimos Quadrados Ordinários), atribuído a Carl Friedrich Gauss. A característica principal desse modelo é a utilização de estimadores obtidos por meio dos mínimos quadrados. Segundo Gujarati e Porter (2011, p. 80), “os estimadores de

Y. Portanto, podem ser calculados com facilidade”.

Assumindo a priori a relação entre as variáveis como lineares, de um modo geral tem- se:

𝑌 = 𝛽₀+ 𝛽₁𝑋₁+ ⋯ + 𝛽_𝑘𝑋_𝑘+ 𝜀 (6)

Onde, X1, …, Xk são as variáveis explicativas (independentes), não aleatórias. ε é a

variável aleatória no comportamento da variável Y que não pode ser explicada linearmente pelas variáveis X1, …, Xk.

Os parâmetros desconhecidos do modelo a serem estimados são β1, ..., βk, e por fim, Y

é a variável dependente a ser explicada.

O procedimento MQO se baseia na escolha dos parâmetros (β) de tal forma que a soma dos quadrados dos resíduos (SQR) ∑𝜀² seja a menor possível dentro do modelo.

𝑚𝑖𝑛 ∑ 𝜀² = ∑(𝑌 − 𝛽0− 𝛽1𝑋1− ⋯ − 𝛽𝑘𝑋𝑘)² (7)

Entretanto, em séries temporais, como a que é proposta pelo presente trabalho, existe a possibilidade de os erros estarem correlacionados entre si. Isso se torna um problema, pois através do método MQO, a intenção é minimizar somatório desses erros (ε). Tendo em vista isso será aplicado o teste de Durbin-Watson (estatística d de Durbin-Watson). Considere a equação (4), a autocorrelação autoregressiva de primeira ordem: AR(1)

𝑢𝑡 = 𝜌𝑢𝑡−1+ 𝜀𝑡 (8)

De quinta ordem (por exemplo): AR (5)

Assim,

𝑑 =∑𝑇𝑡=2(𝑒𝑡−𝑒𝑡−1)²

∑𝑇_𝑡=1𝑒_𝑡2

Onde et é o resíduo associado à i-ésima observação. Com isso o teste a ser feito com

base nas premissas abaixo:

Em amostras grandes d → 2-2ρ Sem autocorrelação d → 2 Autocorrelação positiva d → 0 Autocorrelação negativa d → 4

Antes de testar a raiz unitária do modelo e a análise da regressão em si, deve-se avaliar a presença de heterocedasticidade ou não. A suposição de homocedasticidade, que significa igual (homogêneo), implica que a variância dos erros é constante. Isso tem implicações diretas na análise do modelo, uma vez que se o erro não apresentar uma variância constante, a variância dos estimadores dos parâmetros do modelo podem ser viesados. Assim, o erro-padrão dos estimadores será afetado e, por consequência, os intervalos de confiança.

Teste de Cointegração de Engle e Granger

O teste de Engle e Granger tem por objetivo testar a existência de cointegração entre séries temporais. As hipóteses do teste são:

 H1: as séries temporais são cointegradas

O primeiro passo no teste é a verificação de estacionaridade das séries, isso será feito pelo teste de raiz unitária já citado. O método consiste em estimar a equação por MQO e verificar se os resíduos são estacionários (Kawamoto, 2009). Após o teste, o método Engle- Granger recomenda a realização do ADF e da estatística Durbin-Watson sobre o resíduo do modelo, sendo que a hipótese nula a ser testada (H0) é a de que as séries não são cointegradas.

As séries econômicas comumente apresentam relação entre si como, por exemplo, o PIB, taxa de juros, preços e inflação. Assim, por serem não-estacionárias diante da tendência no longo prazo, pode-se identificar um passeio aleatório.

As variáveis do presente trabalho foram escolhidas a partir de pesquisas nacionais e internacionais anteriormente realizadas. A correlação entre as variáveis é inerente por natureza de cada uma delas, como a redução do IPI, que impulsiona o consumo e por consequência a produção de automóveis, o crescimento da renda que motiva a compra por bens duráveis, e nível de concessão de empréstimos para a aquisição de automóveis novos. As séries são cointegradas, ou seja, existe um vetor β, não nulo, tal que 𝑢_𝑡 = 𝑌′_𝑡𝛽~𝐼(𝑑 − 𝑏), b > 0, onde Yt

é o vetor com as séries de interesse (Engle e Granger, 1987)

3.3. Resultados e Análise das Políticas Setoriais para a Indústria