O canal do crédito bancário na economia portuguesa: análise econométrica do período de 1977 a 1998

(1)

T

EXTO PARA

D

ISCUSSÃO

DGE-01/2002

A admissibilidade teórica do canal do balanço

José Alberto Fuinhas

Junho 2002

Departamento de Gestão e Economia (DGE) Universidade da Beira Interior

Pólo das Ciências Sociais e Humanas Estrada do Sineiro

6200 – 209 Covilhã PORTUGAL

TLF: 275 319 600 / FAX: 275 319 601 http://www.dge.ubi.pt

(2)

José Alberto Fuinhas Universidade da Beira Interior Departamento de Gestão e Economia

jfuinhas@alpha2.ubi.pt Janeiro de 2002

Resumo: Neste artigo propomo-nos estudar o canal do crédito bancário, na economia portuguesa, no

período de 1977 a 1998, com base em dados trimestrais e outra informação estatística disponível. Analisamos as condições necessárias à presença do canal do crédito bancário. Abordamos algumas insuficiências dos indicadores da política monetária. A aplicação econométrica inicia-se com o estudo da existência de relações de causalidade entre os indicadores de política monetária e o nível de actividade medido pelo produto real. Investiga-se, ainda, a possibilidade de se verificarem outros canais de transmissão da política monetária. O artigo termina com o estudo das relações de cointegração e a aplicação de um modelo tipo VAR, de molde a tentar determinar a importância do canal do crédito bancário na economia portuguesa.

Palavras chave: transmissão monetária, canal do crédito bancário, política monetária. Keywords: transmission mechanisms, bank lending channel, and monetary policy.

Introdução

O objectivo da análise empírica que aqui vamos encetar, tem uma dupla vertente: primeiro, testar a existência de um canal específico de transmissão da política monetária ao sector real, no qual o crédito desempenhe um papel relevante; segundo, testar dois agregados de crédito e proceder a uma avaliação do seu impacto no produto real. Mais precisamente, procuraremos verificar em que medida se transmitem os impulsos da política monetária, através do crédito bancário, e em que grau a transmissão monetária depende do agregado de crédito escolhido. O nosso estudo analisa um período suficientemente longo, respectivamente, do primeiro trimestre de 1977 ao último trimestre de 1998, para permitir captar a existência de tendências na economia.

O estudo empírico do canal do crédito bancário é complexo (ver, entre outros, Fuinhas, 2001, pp. 163-187). Autores como Oliner e Rudebusch (1996) e Bellando e Pollin (1996) têm alertado para a possibilidade de os testes aplicados não serem conclusivos quando se utilizam variáveis agregadas. O objectivo deste estudo resume-se simplesmente a testar em que medida se pode admitir a existência de um canal do crédito bancário, para a economia portuguesa, no período de 1977 a 1998, com base em dados trimestrais e noutra informação estatística

(3)

disponível. Importa alertar que as variáveis (estatísticas) utilizadas são meras proxies das variáveis económicas e que, como tal, devem ser acauteladas as interpretações dos resultados econométricos a que se chegar.

O método que iremos utilizar apoia-se em séries temporais e os testes efectuados baseiam-se directamente nos dados agregados obtidos a partir das séries estatísticas monetárias e não sobre variáveis construídas para o efeito.1_{Não ignoramos as numerosas críticas feitas a este}

tipo de abordagem, designadamente as que aparecem sumariadas em Bernanke e Gerteler (1995); contudo, como as soluções alternativas apresentadas até agora não tem provado ser superiores consideramos válida a opção avançada (Cfr. Goux, 1996, p. 657). Por outro lado, a análise integra o contributo de novas técnicas da análise que vão da cointegração aos modelos VAR - para testar determinadas hipóteses subjacentes ao nosso modelo.

Na primeira secção deste artigo procedemos a clarificações úteis para a análise do nosso objecto de estudo, nomeadamente para a política monetária. Na segunda secção, procuramos determinar a profundidade do canal do crédito bancário em Portugal. Na última secção, tentamos determinar a importância do canal do crédito bancário neste país.

Todos os cálculos foram efectuados com o programa RATS (versão 4.30) da Estima. Recorreu-se também ao CATS in RATS e a diversos "procedimentos" disponibilizados pela Estima.2

1 - A política monetária

No nosso estudo partimos da hipótese que os impulsos da política monetária se transmitem à actividade económica real, quer através dos movimentos nos encaixes monetários, quer através da disponibilidade do crédito. A abordagem referida utiliza valores reais, uma vez que esta, ao privilegiar a análise dos choques sobre a procura, sem esquecer os choque sobre a oferta, permite considerar o peso real do endividamento. Além disso, a análise econométrica usada, para além de revelar-se mais simples, permite ultrapassar os inconvenientes de uma abordagem nominal, que poderia propiciar interpretações pouco racionais, de tipo ilusão monetária.

1_{Recorremos no nosso estudo à metodologia proposta por Goux (1996), num estudo aplicado à economia}

francesa.

(4)

1.1 – Os instrumentos e as variáveis indicativas da política monetária

No caso português, existem poucos instrumentos de política monetária susceptíveis de ser considerados para todo o período da amostra. As reservas obrigatórias funcionaram de forma muito diversa para poderem ser utilizadas. As intervenções quantitativas, do tipo enquadramento do crédito, não existem desde o início da década de noventa e podem levantar problemas na sua medida. As taxas de juro, como indicador do custo de acesso à moeda do banco central, perdem o seu significado na presença do enquadramento do crédito.

Surge, por isso, como solução ideal utilizar uma taxa de juro representativa da política do Banco de Portugal, do tipo de uma taxa de redesconto ou de uma taxa directora, e não uma taxa de juro do mercado financeiro influenciada pela procura. Aliás, entre nós teria sentido utilizar a taxa de juro do mercado monetário, como reflectindo o rigor da política monetária do Banco de Portugal; contudo, como pretendemos utilizar um período de tempo suficientemente longo (1977 a 1998), por esta via não teríamos dados ou eles seriam inconsistentes para os primeiros anos.

Para ultrapassar os problemas anteriores optámos por recorrer a uma taxa de juro de curto prazo e a outra de longo prazo, cientes que elas apenas traduzem de modo indirecto o rigor da política monetária. Mais precisamente, utilizamos os valores tomados pela variável "taxa de juro

das operações activas dos bancos - empresas privadas não financeiras (média ponderada relativa ao último mês de cada trimestre)", valores esses calculados pelo Banco de Portugal.

Com isto não queremos insinuar que esta taxa de juro seja o verdadeiro ou único instrumento da política monetária sobre todo o período; contudo parece-nos um bom reflexo; a este nível, podemos considera-lo como um objectivo operacional. Esta hipótese significa que se considera que os movimentos da taxa de juro podem reflectir satisfatoriamente as diversas modalidades da política monetária, incluindo o enquadramento do crédito.

A taxa de juro pode ser utilizada de vários modos. Podemos, por exemplo, considera-la um valor nominal ou um valor real, tal como a taxa nominal menos a taxa de inflação média do trimestre calculado em média anual, procurando reter a importância atribuída às expectativas inflacionistas e à percepção do custo do endividamento por parte dos agentes económicos. O valor da taxa de juro nominal ou real não traduz de forma perfeita, o carácter mais ou menos restritivo da política monetária. Assim, os mesmos níveis das taxas de juro, aparentemente elevados, podem ser considerados como pouco limitativos, no caso de as outras taxas de juro do mercado financeiro serem igualmente altas e rigorosas e se as outras taxas de juro forem baixas. Deste ponto de vista, o desvio em relação às taxas de juro praticadas no mercado obrigacionista,

(5)

seria um bom indicador do "grau de tensão" da política monetária. As taxas de juro de longo prazo, desempenham um papel de referência ou de variável de escala e permitem ter igualmente em conta as antecipações da inflação sobre os mercados financeiros. Os diferenciais (spreads) das taxas de juro (isto é, a diferença entre as taxas de juro de curto prazo do mercado interbancário e a taxa de juro das obrigações a 10 anos) podem ser interpretados como uma forma simples de corrigir a taxa de juro nominal ou mesmo a taxa de juro real. Estas duas últimas variáveis não são directamente controladas pelas autoridades monetárias, uma vez que uma entra em linha de conta com a inflação antecipada e a outra com a taxa de juro de longo prazo. A utilização desta metodologia apresenta, contudo, uma limitação: é que no início da amostra, o mercado obrigacionista é demasiado irrelevante e fortemente condicionado, no que respeita ao funcionamento dos mecanismos de mercado, para poder ser utilizada.

1.2 - A selecção do indicador da tensão da política monetária

A selecção das variáveis indicador da tensão da política monetária, será feita tendo em consideração o seu poder explicativo sobre o nível de actividade económica. Se a influência directa do indicador de política monetária enfraquecer a sua capacidade explicativa, na presença de agregados monetários ou de crédito, isso poderá indiciar a possibilidade de existirem outros canais de transmissão da política monetária.

A escolha do indicador do nível de actividade económica será feita, considerando variáveis o mais latas possível, dentro das séries que cobrem o período em análise. No nosso estudo, consideraremos que o PIBpm real é um bom indicador do nível da actividade económica.

O quadro 1, a seguir apresentado, identifica as variáveis utilizadas no estudo econométrico.

Quadro 1 - Séries estatísticas utilizadas Variável Descrição

PIBR PIBpm a preços constantes de 1995 a

M1R _{Agregado monetário M1- deflacionado pelo índice de preços no consumidor,}3_nacional,

total excepto habitação, base 100=1995, saldos em fim de mês b

CIR Crédito interno deflacionado pelo índice de preços no consumidor, nacional, total excepto habitação, base 100=1995, saldos em fim de mês b

CSNFPR Crédito a sociedades não financeiras e particulares deflacionado pelo índice de preços no consumidor, nacional, total excepto habitação, base 100=1995, saldos em fim de

(6)

mês b

RCP Taxa de juro das operações activas dos bancos – operações de 181 dias a 1 ano – empresas privadas não financeiras - média ponderada b, c

RLP Taxa de juro das operações activas dos bancos – operações a mais de 5 anos – empresas privadas não financeiras - média ponderada b, c

iCP RCP deflacionada pelo índice de preços no consumidor, nacional, total excepto habitação, base 100=1995, saldos em fim de mês b, c

iLP RLP deflacionada pelo índice de preços no consumidor, nacional, total excepto habitação, base 100=1995, saldos em fim de mês b, c

Fonte: a_{INE - Contas Nacionais Trimestrais.}

b_{Banco de Portugal - Boletim Trimestral (e Suplementos) e Boletim Estatístico.}

c Para efeitos de cálculo serão utilizadas os factores de capitalização, nomeadamente:

(

RCP100

)

1+ ; 1+

(

RLP100

)

; 1+

(

iCP100

)

; e 1+

(

iLP100

)

.

Para simplificar a leitura, doravante as transformações das variáveis são assinaladas (no início) por L, para representar o logaritmo natural das variáveis, e por D, para representar as primeiras diferenças das variáveis.4

O período em análise foi marcado por uma profunda transformação do sistema financeiro (ver, entre outros, Fuinhas, 2001, pp. 191-247): de uma fase de profundo centralismo, em que o Banco de Portugal utilizou uma política monetária fortemente restritiva, fixando taxas de juro e enquadrando o crédito, para controlar os graves desequilíbrios nos mercados financeiros, provocados pelo descontrolo orçamental do Estado, passou-se de forma gradual, a partir de 1984, e depois de modo muito intenso, a partir de 1986, para um sistema financeiro de mercado, embora pouco sofisticado, e, após 1992, aberto ao exterior (Cfr. Neves, 1997, pp. 94-95). O período em análise termina com o sector bancário a atingir um grau de desempenho idêntico ao dos outros países da União Europeia.

As séries estatísticas utilizadas enfermam, também, de problemas relacionados com as frequentes alterações na metodologia de recolha e tratamento da informação e da falta de publicação de valores definitivos para alguns anos. Os resultados alcançados devem, por conseguinte, ser analisados tendo em consideração estas limitações atribuíveis às fontes estatísticas.

Dos vários agregados monetários possíveis, escolhemos M1− que é, apesar do fenómeno

da inovação financeira, aquele que mais reteve as características de meio de pagamento (Cfr.

4_{Por exemplo, a variável LPIBR é o logaritmo natural da variável PIBR e DLPIBR são as primeiras}

(7)

Andrade, 1993b, p. 31). A utilização de M2−,5 que já se reveste das características dos agregados

monetários latos, está sujeita a que as variações nas taxas de juro possam provocar apenas alterações na sua composição e não na sua dimensão.

Os agregados de crédito foram escolhidos de modo a podermos cotejar um agregado de crédito lato e um agregado de crédito que fosse próximo das taxas de juro utilizadas.

As taxas de juro foram seleccionadas por terem consistência ao longo do período em análise. O recurso a taxas de juro de muito curto prazo, para o período em análise, não foi possível dado que, durante parte deste período, essa taxas de juro ou não existem ou se existem foram fortemente reguladas.

1.2.1 – Análise da estacionaridade das séries

A metodologia a que vamos recorrer para estudar a influência (directa e indirecta) do indicador de política monetária é baseada em testes de causalidade que requerem que as variáveis sejam estacionárias (média, variância e autocovariâncias independentes do tempo), para que os teste efectuados não sejam espúrios.

1) Descrição da metodologia teórica

O processo mais comum para obter séries estacionárias consiste em aplicar logaritmos e proceder à sua diferenciação sucessiva.

Baseamos as nossas decisões nos resultados dos testes D.F. (Dickey Fuller) e A.D.F. (Dickey Fuller aumentado), para detectar a existência de raízes unitárias. Estes testes indicam-nos para que grau de integração as variáveis podem ser tomadas como estacionárias.

Formalmente os testes D.F. partem dos modelos seguintes: (1) ∆_X_t=β_X_t₋₁+ε_t

(2) _∆_X_t=α+β_X_t₋₁+_ε_t (3) ∆_X_t=α+β_X_t₋₁+γT+ε_t

e os testes A.D.F. dos modelos seguintes: (4) ∆Xt=βXt−1+δ(L)∆Xt−1+εt período anterior (t-1). 5_{O agregado monetário} 2 −

M e composto por M mais os depósitos a prazo e de poupança, os depósitos 1−

em moeda estrangeira, os certificados de depósito, os acordos de recompra, as obrigações reembolsáveis a menos de 2 anos e as outras responsabilidades quase monetárias.

(8)

(5) _∆_X_t=α+β_X_t₋₁+δ(L)_∆_X_t₋₁+_ε_t (6) _∆_X_t=α+β_X_t₋₁+γT+δ(L)_∆_X_t₋₁₊_ε_t

onde: ∆ significa as diferenças de ordem um (ordinárias) da variável, (L) representa o operador de desfasamentos, T é a tendência ou variável temporal e εt é uma variável aleatória que se supõe

white noise (média nula e variância constante).

Os testes D.F. e A.D.F. consistem em testar a hipótese _H₀:β=0 nas equações anteriores, contra a hipótese alternativa de estacionaridade (_H₁:β<0). Se a hipótese nula não for rejeitada, isso é consistente com a série possuir uma raiz unitária, isto é, a série não é estacionária. Os valores críticos para estes testes estão tabelados em Fuller (1976, p. 373, tabela 8.5.2).

2) Resultados empíricos obtidos

Nos testes A.D.F. foram considerados até 6 desfasamentos6_{para ultrapassar a}

possibilidade de autocorrelação dos erros. Para evitar a possibilidade de sobrediferenciação7

(overdifferencing), as variáveis foram em primeiro lugar convertidas em logaritmos (naturais) e testadas em nível, no caso de acusarem a presença de uma raiz unitária, são calculadas e testadas as primeiras diferenças (ordinárias) das variáveis; caso voltem a acusar a presença de uma raiz unitária, são obtidas e testadas as segundas diferenças. Diferenças de ordem superior à segunda, devido à sua difícil interpretação económica, não são aconselhadas. Serão os resultados obtidos com os testes D.F e A.D.F. que determinarão a pertinência da inclusão da tendência. O quadro 2 resume os principais resultados obtidos com a aplicação dos testes D.F. e A.D.F..

6_{A inclusão de desfasamentos reduz a potência do teste de rejeição da hipótese nula ao consumir graus de}

liberdade. O recurso a um número elevado de desfasamentos é particularmente desaconselhado na presença de amostras de reduzida dimensão.

7_{Apud Charemza e Deadman (1997, p. 103):}

"Overdifferencing normally results in a very high positive (instead of negative) value of DF test accompanied by a very high coefficient of determination for the fitted regression.".

(9)

Quadro 2 - Testes D.F e A.D.F.

VARIÁVEL MODELO SEM CONSTANTE

t _χ₁2 _n.s. _Desf. DLPIBR -10,4079 0,2944 0,5874 1 DLRCP -3,5185 0,1443 0,7040 2 DLRLP -5,9513 0,1293 0,7192 1 DLiCP -7,0276 0,8634 0,3528 1 DLiLP -11,7037 0,3407 0,5594 0 DLM1R -11,4949 0,5743 0,4486 0 DLCIR -10,3574 0,0295 0,8636 0 DLCSNFPR* - - - -

VARIÁVEL MODELO COM CONSTANTE

t _χ₁2 _n.s. _Desf. DLPIBR - - - - DLRCP -3,5827 0,2472 0,6191 2 DLRLP -5,9972 0,1042 0,7469 1 DLiCP -7,0666 0,9459 0,3308 1 DLiLP -11,7205 0,3321 0,5644 0 DLM1R -11,5675 0,7789 0,3775 0 DLCIR -11,3958 1,1219 0,2895 0 DLCSNFPR* -3,2734 3,6231 0,0570 1

VARIÁVEL MODELO COM CONSTANTE E TREND

t _χ₁2 _n.s. _Desf. DLPIBR - - - - DLRCP -3,7261 0,2931 0,5882 2 DLRLP -12,3956 1,0570 0,3039 0 DLiCP -7,6291 1,0203 0,3125 1 DLiLP -12,1277 0,3909 0,5318 0 DLM1R -12,0224 2,0443 0,1528 0 DLCIR -11,5496 1,9334 0,1644 0 DLCSNFPR* - - - -

* Período compreendido entre o último trimestre de 1979 e o último trimestre de 1998.

O t refere-se ao coeficiente β dos modelos 1 a 6 expostos anteriormente; e o _χ2_{é o valor tomado pela} estatística do teste LM dos desvios do modelo;8_{n.s. é o nível de significância da estatística do teste LM}

dos desvios do modelo; e Desf. é o número de desfasamentos do modelo. Os valores críticos para o modelo sem constante são, respectivamente, para 1%, 5% e 10%: -2,62; -1,95; e -1,61. Os valores críticos para o modelo com constante são, respectivamente, para 1%, 5% e 10%: -3,58; -2,93; e -2,60. Os valores críticos para o modelo com constante e trend são, respectivamente, para 1%, 5% e 10%: 4,15; 3,50; e -3,18.

8_{Para testar a autocorrelação de primeira ordem dos desvios utilizamos o teste LM (multiplicador de}

LaGrange). Este teste é extremamente poderoso quando rejeita a possibilidade de autocorrelação dos erros. Quanto menor for o valor do χ2, maior será a rejeição da hipótese de haver autocorrelação dos erros.

(10)

Para efeitos da análise econométrica subsequente, consideraremos que todas as variáveis são integradas de ordem um, apesar do teste KPSS, ao contrário dos testes A.D.F., t de Phillips-Perron e R1 de Sargan-Bhargava não confirmar essa integração para a variável DLCSNFPR.9

1.2.2 - A influência directa

A presença de outros canais de transmissão da política monetária, será investigada da seguinte forma: fazendo um teste clássico da hipótese nula, X é causa à Granger (1969) de Y. Se Y puder ser melhor previsto a partir dos valores passados de Y e de X, do que só a partir dos valores passados de Y, isso indicia que X é causa à Granger de Y.

Formalmente, parte-se de um modelo do tipo (7) seguinte: (7) Yt= +α β( )L Yt−1+γ( )L Xt−1+εt

onde Yt é a variável endógena, Xt−1 é a variável exógena, (L) representa o operador de desfasamentos e εt é uma variável aleatória que se supõe white noise (média nula e variância constante).

Se na expressão (7), pelo menos um dos coeficientes de γ(L) for significativamente diferente de zero, então não se rejeita a hipótese nula de X causar Y (no sentido grangeriano).

Nestes testes, a especificação do modelo é crucial. Um dos elementos fundamentais dessa especificação é o número óptimo de desfasamentos para cada variável; para o fixar utilizaremos o critério informativo de Akaike (AIC), segundo o qual o desfasamento óptimo é aquele que minimiza a expressão AIC=N⋅lnRSS+2⋅K.10

Para testar a presença de causalidade pode ainda utilizar-se o modelo (8). Este modelo difere do anterior por incluir a tendência (trend) como variável explicativa.

(8) Yt= +α β( )L Yt−1+γ( )L Xt−1+δT+εt

9_{Por precaução foram efectuados, ao nível de significância de 5%, os testes: 1) t de Phillips-Perron; 2)} Sargan-Bhargava (R1); e 3) Kwiatowski-Phillips-Schmidt-Shin (KPSS). O teste KPSS, ao contrário dos anteriores, tem como hipótese nula a estacionaridade. Apenas a variável CSNFPR (diferenças ordinárias dos logaritmos naturais desta variável) não passou no teste KPSS.

10_{Onde N é o número de observações, RSS é o somatório do quadro dos desvios e K é o número de} coeficientes de regressão. O valor de AIC é calculado, no RATS, do seguinte modo: AIC=%NOBS*LOG(%RSS)+%NREGS*2.0.

(11)

onde T é a tendência ou variável temporal.

Utilizando as transformações necessárias para tornar as séries estacionárias, passamos ao estudo das relações de causalidade.11_{Limitámos a nossa investigação a seis trimestres para os} desfasamentos. Aplicámos a metodologia de Granger, começando por determinar, com base no critério de Akaike (AIC), qual a estrutura de desfasamentos da variável dependente, que mais informação contém sobre ela mesma. Feito isto, investigámos, com base no mesmo critério, qual a melhor estrutura de desfasamentos para a variável independente. A não rejeição da hipótese da causalidade entre as variáveis, será tomada com base no nível de significância da estatística t, para cada coeficiente da regressão. Desde que exista pelo menos um coeficiente que apresente uma estatística t, com um nível de significância inferior a 5%, não se rejeita a hipótese de existência de causalidade a este nível de significância. Atendendo a que, por vezes, o somatório dos desfasamentos apresenta uma estatística t, com um nível de significância inferior a 5%, sem que qualquer dos seus elementos tomados isoladamente o apresente, investigámos essa possibilidade.12

Os quadros 3, 4 e 5 apresentam os resultados dum primeiro conjunto de testes, sem hipóteses particulares, sobre a natureza das antecipações ou da neutralidade da política monetária. Os dois primeiros apresentam um resumo dos resultados da aplicação do teste t (causalidade à Granger) às variáveis.

Quadro 3 - Causalidade directa à Granger

Sentido da causalidade Decisão Obs.

DLPIBR → DLRCP Não rejeição (1)

DLRCP → DLPIBR Rejeição

DLPIBR → DLRLP Rejeição

DLRLP → DLPIBR Não rejeição (2)

DLPIBR → DLiCP Não rejeição (3)

DLiCP → DLPIBR Rejeição

DLPIBR → DLiLP Não rejeição (4)

DLiLP → DLPIBR Rejeição

As decisões de não rejeição da hipótese de existência de causalidade, do quadro 3, foram

11_{Os resultados a que chegamos, com e sem trend, não apresentam diferenças significativas, pelo que nas} relações de causalidade não utilizamos o trend.

(12)

tomadas com base na informação constante do quadro 4 (ter em atenção o número da observação no quadro 3).

Quadro 4 - Decisões de não rejeição da causalidade

Obs. Desfasamento t n. s. (1) 3 1 a 2 -2,008 2,101 0,048 0,039 (2) 5 -2,489 0,015 (3) 1 a 2 2,395 0,019 (4) 1 a 2 2,136 0,036

O número do desfasamento refere-se apenas ao coeficiente e não ao conjunto dos desfasamentos. Assim, a obs. (2) diz-nos que o coeficiente de regressão de X_t−5 apresenta uma estatística t igual a -2,489 não se rejeitando a hipótese nula a partir do nível de significância de 1,5% e rejeitando-se abaixo desse valor.

No quadro 5, apresentamos os valores da aplicação do teste F de Fisher para verificar a hipótese nula de não significância global dos coeficientes de X, em relação a Y e reciprocamente, para 2, 3, 4, 5 e 6 desfasamentos. Devemos ter sempre presente que os resultados obtidos, com a ajuda destes testes, não facultam mais do que uma presunção de

causalidade, presunção que se fundamenta num conteúdo de informação considerado como

"causal" porque é anterior no tempo (o futuro não pode explicar o passado). Os testes devem considerar as reservas habituais: post hoc, ergo propter hoc.

O quadro 5, apresenta os valores obtidos pala estatística F de Fisher, necessário ao estudo da causalidade. Foi considerado o mesmo número de desfasamentos para ambas as variáveis em cada regressão.

Quadro 5 - Testes de causalidade baseados no teste F de Fisher

Sentido da causalidade 2 desf. 3 desf. 4 desf. 5 desf. 6 desf. Decisão DLPIBR → DLRCP 0,520 0,076 0,075 0,276 0,465 Rejeição

DLRCP → DLPIBR 0,195 0,461 0,375 0,574 0,171 Rejeição DLPIBR → DLRLP 0,374 0,093 0,091 0,346 0,638 Rejeição

DLRLP → DLPIBR 0,330 0,345 0,181 0,063 0,029 Não rejeição DLPIBR → DLiCP 0,174 0,152 0,033 0,044 0,271 Não rejeição

DLiCP → DLPIBR 0,501 0,897 0,421 0,385 0,244 Rejeição DLPIBR → DLiLP 0,127 0,125 0,100 0,103 0,036 Não rejeição

DLiLP → DLPIBR 0,822 0,951 0,834 0,284 0,243 Rejeição Os valores do quadro indicam o nível de significância mínimo para não rejeitar a hipótese de nulidade global dos coeficientes do vector β na equação (7). Um valor próximo de zero (inferior a 5%) indica que o risco de rejeitar a hipótese nula é pouco elevado e que a causalidade "pode ser aceite".

A análise dos resultados do quadro 5 não nos permite rejeitar a hipótese da presença de uma relação de causalidade entre a taxa de crescimento da taxa de juro nominal de longo prazo e

(13)

a taxa de crescimento do produto real. É de salientar, também, a não rejeição da hipótese de existência de causalidade, entre a taxa de crescimento do produto e as taxas de crescimento das taxas de juro reais de curto e de longo prazo. A causalidade das taxas de crescimento do produto real para a taxa de crescimento da taxa de juro nominal de curto prazo não se confirma, quando se recorre aos testes de causalidade que usam a estatística F de Fisher.

1.2.3 - A influência indirecta

Com o estudo da influência directa pretendemos ver se uma variável representativa da política monetária (taxa de juro), que tenha um efeito directo elevado, diminui a sua capacidade explicativa na presença de agregados monetários ou de crédito. Se a situação anterior se verificar, significa que estamos na presença de um efeito indirecto e que a política monetária se transmite por outros canais.

O teste aplicado é um teste F de Fisher sobre a hipótese nula de não significância dos coeficientes das variáveis explicativas β(L), γ(L), δ(L) e ω(L), na presença de uma constante, nas equações (9) a (24):

(9) _DLPIBR_t=α+β(L)_DLPIBR_t₋₁+γ(L)_DLM₁_R_t₋₁+δ(L)_DLCIR_t₋₁+ω(L)_DLRCP_t₋₁+_ε_t (10) _DLPIBR_t=α+β(L)_DLPIBR_t₋₁+γ(L)_DLM₁_R_t₋₁+δ(L)_DLCIR_t₋₁+ω(L)_DLRLP_t₋₁+ε_t (11) _DLPIBR_t=α+β(L)_DLPIBR_t₋₁+γ(L)_DLM₁_R_t₋₁+δ(L)_DLCIR_t₋₁+ω(L)_DLiCP_t₋₁+ε_t (12) _DLPIBR_t=α+β(L)_DLPIBR_t₋₁+γ(L)_DLM₁_R_t₋₁+δ(L)_DLCIR_t₋₁+ω(L)_DLiLP_t₋₁+_ε_t (13) _DLM₁_R_t=α+β(L)_DLPIBR_t₋₁+γ(L)_DLM₁_R_t₋₁+δ(L)_DLCIR_t₋₁+ω(L)_DLRCP_t₋₁+ε_t (14) _DLM₁_R_t=α+β(L)_DLPIBR_t₋₁+γ(L)_DLM₁_R_t₋₁+δ(L)_DLCIR_t₋₁+ω(L)_DLRLP_t₋₁+_ε_t (15) _DLM₁_R_t=α+β(L)_DLPIBR_t₋₁+γ(L)_DLM₁_R_t₋₁+δ(L)_DLCIR_t₋₁+ω(L)_DLiCP_t₋₁+_ε_t (16) _DLM₁_R_t=α+β(L)_DLPIBR_t₋₁+γ(L)_DLM₁_R_t₋₁+δ(L)_DLCIR_t₋₁+ω(L)_DLRiLP_t₋₁+ε_t (17) _DLCIR_t=α+β(L)_DLPIBR_t₋₁+γ(L)_DLM₁_R_t₋₁+δ(L)_DLCIR_t₋₁+ω(L)_DLRCP_t₋₁+_ε_t (18) _DLCIR_t=α+β(L)_DLPIBR_t₋₁+γ(L)_DLM₁_R_t₋₁+δ(L)_DLCIR_t₋₁+ω(L)_DLRLP_t₋₁+_ε_t (19) _DLCIR_t=α+β(L)_DLPIBR_t₋₁+γ(L)_DLM₁_R_t₋₁+δ(L)_DLCIR_t₋₁+ω(L)_DLiCP_t₋₁+ε_t (20) _DLCIR_t=α+β(L)_DLPIBR_t₋₁+γ(L)_DLM₁_R_t₋₁+δ(L)_DLCIR_t₋₁+ω(L)_DLiLP_t₋₁+_ε_t (21) _DLRCP_t=α+β(L)_DLPIBR_t₋₁+γ(L)_DLM₁_R_t₋₁+δ(L)_DLCIR_t₋₁+ω(L)_DLRCP_t₋₁+_ε_t (22) _DLRLP_t=α+β(L)_DLPIBR_t₋₁+γ(L)_DLM₁_R_t₋₁+δ(L)_DLCIR_t₋₁+ω(L)_DLRLP_t₋₁+ε_t

(14)

(23) _DLiCP_t=α+β(L)_DLPIBR_t₋₁+γ(L)_DLM₁_R_t₋₁+δ(L)_DLCIR_t₋₁+ω(L)_DLiCP_t₋₁+_ε_t (24) _DLiLP_t=α+β(L)_DLPIBR_t₋₁+γ(L)_DLM₁_R_t₋₁+δ(L)_DLCIR_t₋₁+ω(L)_DLiLP_t₋₁+_ε_t

Os quadros 6, 7 e 8 facultam os valores obtidos para todas as variáveis envolvidas com respectivamente 2, 4 e 6 desfasamentos. Os valores dos quadros indicam o nível de significância mínimo, para não rejeitar a hipótese de nulidade global dos coeficientes das variáveis em coluna, em relação às variáveis em linha. Um valor próximo de zero (inferior a 5%), indica que o risco de rejeição da hipótese nula é muito reduzido e podemos aceitar a relação de causalidade como aceitável. Para as variáveis DLPIBR, DLM1R e DLCIR, a primeira linha resulta de uma regressão com DLRCP, a segunda com DLRLP, a terceira com DLiCP e a quarta com DLiLP. Quadro 6 - Nível de significância dos indicadores de política económica considerando 2

desfasamentos

DLPIBR DLM1R DLCIR DLRCP DLRLP DLiCP DLiLP

DLPIBR 0,000 0,000 0,932 0,441 0,000 0,000 0,924 0,989 0,000 0,000 0,910 0,760 0,000 0,000 0,789 0,852 DLM1R 0,000 0,093 0,618 0,002 0,000 0,363 0,411 0,016 0,000 0,747 0,757 0,479 0,000 0,724 0,681 0,797 DLCIR 0,000 0,449 0,807 0,372 0,000 0,371 0,766 0,427 0,000 0,518 0,384 0,697 0,000 0,425 0,536 0,126 DLRCP 0,733 0,970 0,305 0,011 DLRLP 0,999 0,021 0,497 0,007 DLiCP 0,881 0,492 0,012 0,698 DLiLP 0,482 0,841 0,217 0,767

(15)

Quadro 7 - Nível de significância dos indicadores de política económica considerando 4 desfasamentos

DLPIBR 0,000 0,039 0,502 0,570 0,000 0,078 0,605 0,536 0,000 0,054 0,514 0,669 0,000 0,032 0,427 0,802 DLM1R 0,093 0,000 0,561 0,000 0,322 0,000 0,234 0,000 0,445 0,000 0,773 0,811 0,373 0,000 0,791 0,981 DLCIR 0,041 0,547 0,938 0,378 0,017 0,092 0,835 0,082 0,027 0,387 0,599 0,851 0,018 0,266 0,562 0,135 DLRCP 0,422 0,573 0,339 0,037 DLRLP 0,600 0,449 0,573 0,008 DLiCP 0,014 0,133 0,000 0,004 DLiLP 0,060 0,112 0,013 0,950

Quadro 8 - Nível de significância dos indicadores de política económica considerando 6 desfasamentos

DLPIBR 0,000 0,656 0,637 0,479 0,000 0,576 0,549 0,167 0,000 0,356 0,383 0,298 0,000 0,329 0,435 0,218 DLM1R 0,065 0,000 0,420 0,000 0,204 0,000 0,253 0,001 0,870 0,000 0,564 0,480 0,791 0,000 0,628 0,707 DLCIR 0,109 0,797 0,991 0,888 0,013 0,122 0,970 0,049 0,074 0,539 0,670 0,430 0,023 0,059 0,188 0,005 DLRCP 0,871 0,442 0,861 0,223 DLRLP 0,624 0,132 0,722 0,145 DLiCP 0,024 0,153 0,005 0,006 DLiLP 0,103 0,004 0,028 0,173

Da análise dos quadros 6, 7 e 8 e da sua comparação com o quadro 5, podemos constar que a capacidade explicativa (da taxa de crescimento) da taxa de juro nominal de longo prazo, diminui na presença dos agregados monetários e de crédito, resultado que é compatível com a possível existência de outros canais de transmissão da política monetária.

(16)

crescimento do produto real para as taxas de crescimento das taxas de juro reais, já detectada na secção anterior (influência directa), se reforça na presença das taxas de crescimento dos agregados monetários e de crédito, em especial, quando consideramos um desfasamento de quatro trimestres.

2 - A profundidade do canal do crédito bancário

Os resultados precedentes indiciam a presença de um canal das taxas de juro,13_{mas são} menos conclusivos quanto à existência de um canal do crédito. Para esclarecer este aspecto iremos, num primeiro momento, testar diferentes variantes do canal do crédito, ou por outras palavras, a profundidade do canal do crédito e, num segundo, determinar a importância do efeito assim transmitido.

Determinar a profundidade do canal do crédito, consiste em avaliar as diferentes categorias de créditos no processo de transmissão da política monetária. Por uma questão de simplicidade, iremos reter duas categorias de créditos:

- o crédito a sociedades não financeiras e particulares; - o crédito interno.

Estes dois níveis de crédito, incluídos um no outro, permitem-nos verificar se o canal do crédito bancário, se reduz aos créditos bancários às empresas privadas não financeiras e particulares ou se é necessário ter em consideração outros agregados de crédito que incluam um leque mais alargado de agentes económicos.

Para determinar se uma parte dos efeitos da política monetária se transmitem através do canal do crédito bancário, utilizaremos dois métodos complementares: um teste clássico de causalidade, sem hipóteses particulares sobre a natureza das antecipações ou da neutralidade da política monetária; e um teste mais elaborado, baseado na decomposição ortogonal da variância do erro de previsão do PIB real, que permite determinar a percentagem desta atribuível às inovações, isto é, às variações não antecipadas das variáveis. Suporemos, neste segundo caso, que os agentes económicos são capazes de antecipar os efeitos da política monetária e dos seus choques não antecipados.

13_{Embora com base na (taxa de crescimento) da taxa de juro real de longo prazo e na (taxa de} crescimento) da taxa de juro nominal de curto prazo.

(17)

2.1 - Testes de causalidade

O objectivo do teste de causalidade que vamos efectuar é seleccionar, com a ajuda de um teste F de Fisher, os agregados de crédito que surgem como mais significativos para explicar o PIBpm real, em simultâneo com uma influência reduzida da taxa de juro. Os métodos e as hipóteses são idênticos aos utilizados na secção anterior.

Por uma questão de consistência das séries, usaremos dados relativos ao período compreendido entre o último trimestre de 1979 e o último trimestre de 1998.14

Quadro 9 - Significância do canal de transmissão da política monetária para diferentes agregados de crédito considerando 2 desfasamentos

DLPIBR 0,000 0,000 0,658 0,280

0,000 0,000 0,698 0,751

0,000 0,000 0,784 0,923

0,000 0,000 0,650 0,893

DLPIBR DLM1R DLCSNFPR DLRCP DLRLP DLiCP DLiLP

DLPIBR 0,000 0,000 0,601 0,256

0,000 0,000 0,578 0,499

0,000 0,000 0,604 0,682

0,000 0,000 0,665 0,916

DLPIBR 0,000 0,164 0,639 0,812

0,000 0,275 0,660 0,625

0,000 0,074 0,590 0,914

0,000 0,075 0,475 0,863

DLPIBR 0,000 0,139 0,535 0,875

0,000 0,160 0,494 0,248

0,000 0,042 0,437 0,786

0,000 0,046 0,372 0,872

14_{As séries dos agregados de crédito foram "importadas" do site do Banco de Portugal} (www.bportugal.pt).

(18)

DLPIBR 0,000 0,609 0,734 0,748

0,000 0,832 0,612 0,271

0,000 0,356 0,383 0,298

0,000 0,329 0,435 0,218

DLPIBR 0,000 0,035 0,041 0,503

0,000 0,335 0,118 0,557

0,000 0,055 0,027 0,517

0,000 0,039 0,036 0,351

A análise dos quadros 9, 10 e 11 mostra que, em ambos os casos, a influência indirecta das taxas (de crescimento das taxas) de juro sobre o (a taxa de crescimento do) produto real não se verifica na presença (das taxas de crescimento) dos agregados monetário e de crédito.

A utilização da variável (taxa de crescimento do) crédito interno ou (da taxa de crescimento) do crédito a sociedades não financeiras e particulares não apresenta diferenças significativas, relativamente às (taxas de crescimento das) taxas de juro utilizadas. No entanto, quando consideramos as variáveis com 4 desfasamentos, o agregado monetário passa a ser significativo na presença (das taxas de crescimento) das taxas de juro reais (curto e longo prazos), no modelo que utiliza a variável do crédito a sociedades não financeiras e particulares. Na presença de variáveis com 6 desfasamentos e no modelo que utiliza o crédito a sociedades não financeiras e particulares, a taxa de crescimento do agregado monetário só é significativo na presença da taxa (de crescimento da taxa) de juro nominal de curto prazo, enquanto que o agregado de crédito é significativo na presença da taxa de juro nominal de curto prazo e na presença das taxas de juro reais.

Tendo em consideração a constatação de que em ambos os modelos, as taxas de juro não são estatisticamente significativas, concluímos que não existe uma razão de fundo para preferirmos, à partida, o agregado credito interno ou o agregado crédito a sociedades não financeiras e particulares. Sendo a série do crédito interno a mais longa, optaremos por considerar este agregado de crédito nas análises doravante realizadas.

2.2 - O modelo VAR

Na perspectiva em que nos colocamos, os modelos VAR permitem, por um lado, efectuar uma decomposição da variância que pode ser utilizada para elaborar grafos de causalidade entre

(19)

as variáveis e, por outro lado, efectuar a análise dos impulsos da política monetária.

Já antes verificamos que as séries em logaritmos são integradas de ordem um.

O nosso propósito actual é começar por estudar um modelo vectorial autorregressivo (modelo VAR) com a seguinte especificação:

µ ∑ δ ∑ γ ∑β ∑ σ ∑ α + + + + + = ₋ = − = − = − = = t j 1t k 1 j 1j j t k 1 j 1j j t k 1 j 1j j t k 1 j 1j d 1 h 1h h,t t D LPIBR LM1R LCIR LRCP LPIBR µ ∑ δ ∑ γ ∑β ∑ σ ∑ α + + + + + = ₋ = − = − = − = = t j 2t k 1 j 2j j t k 1 j 2j j t k 1 j 2j j t k 1 j 2j d 1 h 2h h,t t D LPIBR LM1R LCIR LRCP R 1 LM µ ∑ δ ∑ γ ∑β ∑ σ ∑ α + + + + + = ₋ = − = − = − = = t j 3t k 1 j 3j j t k 1 j 3j j t k 1 j 3j j t k 1 j 3j d 1 h 3h h,t t D LPIBR LM1R LCIR LRCP LCIR µ ∑ δ ∑ γ ∑β ∑ σ ∑ α + + + + + = ₋ = − = − = − = = t j 4t k 1 j 4j j t k 1 j 4j j t k 1 j 4j j t k 1 j 4j d 1 h 4h h,t t D LPIBR LM1R LCIR LRCP LRCP

onde: Dh são variáveis determinísticas (constante e dummies sazonais [centradas]), k é o número

de desfasamentos, LPIBR, LM1R, LCIR e LRCP são os logaritmos naturais das variáveis apresentadas no quadro 1, LPIBRt-j, LM1Rt-j, LCIRt-j e LRCPt-j são as mesmas variáveis

desfasadas j períodos e µ1t, µ2t, µ3t e µ4t são variáveis aleatórias não correlacionadas de média

nula e variância constante.

Antes de iniciar a aplicação do modelo temos que determinar o desfasamento óptimo do modelo e verificar a existência de eventuais relações de cointegração.

O número óptimo de desfasamentos é determinado utilizando o rácio de verosimilhança proposto por Sims (1980) e Doan (1992). Para isso recorremos ao rácio de máxima verosimilhança que usa a estatística (25):

(25) (T c− )

(

logΣr −logΣu

)

onde: T é o número de observações, c é um factor de correcção15_{que se obtém multiplicando o}

número de variáveis pelo número de desfasamentos +1, Σr e Σu são, respectivamente, os determinantes das matrizes das covariâncias com e sem restrições.16_{Segundo este critério,}

selecciona-se o valor de K (desfasamentos) que maximizar o valor do rácio (25).

15_{O número de parâmetros estimados em cada equação do sistema não restringido.}

16 _log _{∑ r} _e_log _{∑ u} _{são, respectivamente, o logaritmo natural dos determinantes das matrizes}_{∑ r}_e

(20)

A aplicação do rácio de máxima verosimilhança conduziu aos seguintes resultados: Quadro 12 – Rácio de máxima verosimilhança

Desfasamentos Rácio de máxima verosimilhança 8 e 6 Logaritmos dos determinantes: -35,44372 -34,84727

χ2

8 = 14,314844 com um nível de significância de 0,07391932

6 e 4 Logaritmos dos determinantes: -34,79878 -34,16131 χ2

Face a estes resultados exclui-se o modelo de oito desfasamentos em proveito do modelo com seis desfasamentos.

Sendo a selecção do número de desfasamentos óptimo bastante delicada recorremos, também, aos critérios multivariados AIC 17_{(Akaike Information Criterion) e SBC}18_(Schwarz

Bayesian Criterion), segundo os quais se selecciona o desfasamento que minimiza qualquer destas medidas.

Foram obtidos os seguintes resultados para os critérios AIC e SBC: Quadro 13 – Critérios multivariados AIC e SBC

Desfasamentos AIC SBC 8 6 -2405.72263 -2424.39229 -2070.09703 -2163.35016 6 4 -2490.30467 -2504.58219 -2226.35328 -2316.04548 4 2 -2559.25788 -2559.63195 -2368.69575 -2445.29467

Os critérios AIC e SBC apontam para um número de desfasamentos óptimo mais baixo do que o indicado pelo rácio de máxima verosimilhança. Em função disso, passaremos a utilizar o modelo de dois desfasamentos.

A cointegração será analisada em conformidade com o método de Johansen (1988) e Johansen e Juselius (1990 e 1992). As variáveis foram testadas com até seis desfasamentos e a

17_{Calculado na sequência do sistema VAR do seguinte modo (RATS): compute aic =}

%nobs*%logdet+2*N onde N é o número de equações vezes o número de lags mais uma constante e três dummies (sazonais) por cada equação.

18_{Calculado na sequência do sistema VAR do seguinte modo: compute sbc =}

(21)

decisão acerca do número de vectores de cointegração foi tomada conjugando os valores das estatísticas do traço,19_{com a análise dos resíduos. Os resultados apontaram para a selecção de}

quatro desfasamentos, a presença de uma constante na relação de cointegração e uma só relação de cointegração.20_{Os testes de cointegração e de autocorrelação constam dos quadros 14 e 15.}

Essa relação de cointegração pode ser identificada como uma restrição de equilíbrio entre a moeda e as suas contrapartidas.

Quadro 14 - Testes de cointegração ∧

λ λmax TRAÇO HO: r p - r TRAÇO 95%

0,4092 44,21 76,60 0 4 53,42

0,2249 21,40 32,39 1 3 34,80

0,0670 5,83 10,99 2 2 19,99

0,0596 5,16 5,16 3 1 9,13

Quadro 15 - Testes de autocorrelação

TESTES DE AUTOCORRELAÇÃO

L-B (21) χ2₂₈₄=321,690 n.s. = 0,06

LM(1) χ₁₆2 =14,496 n.s. = 0,56

LM(4) χ₁₆2 =14,095 n.s. = 0,59

L-B (21) é a estatística de Ljung-Box para a hipótese conjunta de todos os 21 coeficientes de autocorrelação serem simultaneamente iguais a zero; LM é a estatística LM (multiplicador de LaGrange) para a autocorrelação de ordem 1 [LM(1)] e ordem 4 [LM(4)].

Devido à existência desta relação de longo prazo e de modo a não perder esta informação, o VAR com correcção dos erros a estimar pode ser escrito do seguinte modo:

(26) y B yt s yt 1 Dt ut k 1 s s t = ∆ +Π +b+Ψ + ∆ ₋ ₋ = ∑

onde: y é um vector de n variáveis; B_s é uma matriz nxn de coeficientes; k é o número de desfasamentos; Π é uma matriz de ordem r determinada pelo número de relações de

19_{Optamos por privilegiar a estatística do traço, em detrimento da estatística do valor próprio máximo,} tendo em consideração os resultados obtidos por Cheung e Lai (1993). De acordo com estes autores, quando as amostras são finitas e os desvios não seguem uma distribuição normal, o teste do traço é mais robusto que o teste do valor próprio máximo.

20_{Os valores críticos foram consultados em Hansen e Juselius (1995, p. 80) e referem-se aos valores} críticos obtidos por Johansen e Nielson (1993).

(22)

cointegração; b é um vector de constantes; ψ é uma matriz nxf de coeficientes (f é o número de variáveis mudas (dummies) sazonais centradas); D é um vector de variáveis mudas e, u, um vector de resíduos aleatórios de média nula e variância constante. Do ponto de vista económico, os resíduos ou inovações correspondem aos choques não antecipados, pois o resto da relação pode ser antecipado racionalmente pelos agentes económicos.

Este modelo pode ser representado sob a forma de um processo de média móvel, metodologia que apresenta a vantagem de permitir determinar directamente o efeito dos choques sobre as diferentes variáveis do modelo.

(27) ∆ _t _s s t s t y = A u +aX = ∞ − ∑ 0

onde: aXt é a parte determinística de yt; ut s− é o processo de inovação de y.

Não utilizamos o modelo nesta forma dado que as inovações (os ut) não são com frequência independentes, já que muitas vezes existem relações de causalidade entre as variáveis.

A relação de longo prazo (em logaritmos naturais e com 4 desfasamentos) estimada foi: (28) _LPIBRt=−18,939+1,067_LM₁_Rt+0,627_LCIR_t+4,735_LRCP_t

O primeiro elemento da matriz α é positivo (0,111 com um t igual a 6,104), como podemos ver no quadro 16, o que põe em causa a interpretação deste vector cointegrante como tendo um mecanismo de correcção dos erros.

As estatísticas t da matriz α∧ (quadro 16) e da matriz Π∧ (não transcrita), não restringida, correspondentes à equação da taxa de juro, indicam que os correspondentes coeficientes não são significantes. Face a estes resultados, testámos se a taxa de juro é fracamente exógena, relativamente aos parâmetros de longo prazo do modelo. Isto corresponde a testar a hipótese

0 : H0 α4,1= . Quadro 16 – Matriz α∧ DLPIBR DLM1R DLCIR DLRCP ∧ α 0,111 0,071 0,083 -0,017 t 6,104 2,126 2,414 -1,704

Quadro 17 – Exógeneidade fraca

LR χ₁2=2,55 n.s. = 0,11

(23)

O nível de significância do teste de máxima verosimilhança não é muito elevado e os resultados do modelo restrito, conduziram a uma perda de significância da moeda e do crédito, nas matrizes α∧ e Π∧ e não melhorou a autocorrelação dos resíduos. Por este motivo não utilizamos o modelo restrito.

Dado que os coeficientes de longo prazo não devem ser sensíveis ao número de desfasamentos das variáveis, testamos, também, a relação anterior para dois desfasamentos; tendo obtido a seguinte relação de longo prazo:

(29) _LPIBRt=−15,960+1,037_LM₁_Rt+0,486_LCIR_t+3,936_LRCP_t

Nesta estimação o primeiro elemento da primeira linha da matriz α é positivo (0,051 com um t = 1,490). Os coeficientes de longo prazo são relativamente próximos dos obtidos com quatro desfasamentos, mas não susceptíveis de levantar reservas quanto à especificação do modelo como VAR(4).21

O VAR estimado (em nível) conduziu a impulsos, nas diferentes variáveis, que resultam de choques sobre cada uma delas, não convergentes, pelo que passámos a utilizar as primeiras diferenças das variáveis. O VAR em primeiras diferenças (de logaritmos), conduziu aos seguintes resultados para o rácio de máxima verosimilhança:

Quadro 18 - Rácio de máxima verosimilhança

Desfasamentos Rácio de máxima verosimilhança

8 = 16,962436 com um nível de significância de 0,03050262 6 e 4 Logaritmos dos determinantes: -34,58641 -34,01338

χ2

8 = 28,078146 com um nível de significância de 0,00045962 4 e 2 Logaritmos dos determinantes: -34,03905 -33,20430

χ2

Face a estes resultados, devemos optar por um modelo com mais desfasamentos em detrimento dos modelos com poucos desfasamentos.

A utilização dos critérios de AIC e SBC proporcionaram os seguintes resultados:

21_{Cfr. Charemza e Deadman (1997, p. 192). Estes autores sugerem que a obtenção de coeficientes de} longo prazo, dependentes do número de desfasamentos e o conflito na interpretação do vector cointegrante como mecanismo de correcção dos erros, indiciam uma má especificação dinâmica do modelo. Neste caso, é provável que o número de desfasamentos deva ser de ordem superior. O problema de utilizar um grande número de desfasamentos prende-se com a dificuldade da sua interpretação do ponto de vista económico.

(24)

Quadro 19 – Critérios multivariados AIC e SBC Desfasamentos AIC SBC 8 6 -2396.47951 -2405.16722 -2062.76122 -2145.60855 6 4 -2439.15322 -2459.03042 -2176.64701 -2271.52598 4 2 -2529.08475 -2527.13956 -2339.52892 -2413.40607

Os critérios AIC e SBC apontam para um número óptimo de quatro desfasamentos no caso do critério de Akaike ou de dois desfasamentos no caso do critério de Schwarz. Passaremos a utilizar o modelo de quatro desfasamentos.

3 - A relevância do canal do crédito bancário

Os resultados obtidos levam-nos a não excluir a possibilidade de existência do canal do crédito, mas não nos indicam a sua importância. Com o intuito de determinar essa importância ou dimensão vamos, em primeiro lugar, marcar o grau de transmissão das inovações das diferentes variáveis entre elas, utilizando para esse efeito a decomposição ortogonal e, numa segunda fase, analisar a resposta do sistema dinâmico, representado pelo VAR, a um choque não antecipado da política monetária, de amplitude de um desvio padrão.

3.1 - A transmissão das inovações

Estimámos o modelo, utilizando a ortogonalização de Choleski, de modo a podermos determinar as respostas das diferentes variáveis às inovações nos erros das equações estimadas do modelo. A decomposição ortogonal permite determinar a percentagem da variação motivada pela introdução de uma inovação. Deve ter-se em atenção que um valor elevado indica uma posição preponderante e, consequentemente, uma presunção de causalidade elevada.

Procedendo como se referiu, obtivemos a decomposição da variância das variáveis, para um período de 6 anos (24 trimestres), que apresentamos no quadro 20, quadro que como se vê, se encontra dividido em quatro grandes partes correspondentes, cada uma delas, a cada uma das variáveis DLPIBR, DLM1R, DLCIR e DLRCP. A primeira coluna de cada um destes quatro quadros indica o trimestre (de 1 a 24), a segunda dá o valor do erro de previsão de uma das quatro variáveis e as quatro colunas seguintes dão as proporções (%) das variâncias do termo de erro de previsão cuja fonte são as variáveis que enunciam cada coluna. Assim, a segunda coluna do quadrante superior esquerdo dá, na linha 4, por exemplo, um valor para o erro de previsão da

(25)

variável DLPIBR 0,015318721, cuja fonte de erro é 85,81% da própria variável DLPIBR, em 5,63% da variável DLM1R, em 5,52% pela variável DLCIR e nos restantes 3,03% da variável DLRCP.

(26)

Quadro 20 – Decomposição da variância das séries Decomposição da variância da série DLPIBR

Passo S. E. DLPIBR DLM1R DLCIR DLRCP 1 0.013564620 100.00000 0.00000 0.00000 0.00000 2 0.014136278 96.93799 0.67931 1.11155 1.27115 3 0.014752479 91.26784 6.03925 1.43435 1.25856 4 0.015318721 85.81208 5.63204 5.52102 3.03485 5 0.016885765 85.88862 4.66057 4.99058 4.46023 6 0.017251916 85.33614 4.75120 5.18753 4.72512 7 0.017524254 83.91505 6.27535 5.21558 4.59402 8 0.017682188 83.37384 6.18093 5.82765 4.61758 9 0.018022773 82.85140 6.11800 6.10128 4.92931 10 0.018228384 82.97934 6.01809 6.02134 4.98123 11 0.018313258 82.46426 6.53410 6.03524 4.96640 12 0.018368309 82.44651 6.49794 6.08252 4.97302 13 0.018440949 82.15603 6.52918 6.20098 5.11381 14 0.018524731 82.27998 6.47247 6.16192 5.08563 15 0.018549037 82.09370 6.61173 6.18813 5.10644 16 0.018572395 82.11501 6.60476 6.18116 5.09907 17 0.018589116 81.99614 6.62693 6.23594 5.14098 18 0.018618518 82.05194 6.60650 6.21662 5.12495 19 0.018625587 81.98974 6.64155 6.22990 5.13881 20 0.018635009 81.99784 6.64448 6.22374 5.13395 21 0.018639153 81.96139 6.65153 6.24094 5.14614 22 0.018648372 81.97627 6.64688 6.23520 5.14165 23 0.018650931 81.95906 6.65397 6.24004 5.14693 24 0.018654305 81.95955 6.65726 6.23803 5.14516

Decomposição da variância da série DLM1R

Passo S. E. DLPIBR DLM1R DLCIR DLRCP 1 0.024747810 0.62886 99.37114 0.00000 0.00000 2 0.025310202 2.88781 95.09569 0.16397 1.85253 3 0.028159569 5.47020 78.31140 6.84477 9.37362 4 0.029711873 5.72392 70.95167 6.79002 16.53439 5 0.030941398 5.32715 71.28143 6.89375 16.49768 6 0.031283467 5.21129 70.20165 6.78158 17.80547 7 0.031668644 5.33483 68.72828 6.61763 19.31926 8 0.031948564 5.29384 67.52922 6.91192 20.26503 9 0.032206270 5.71891 67.02282 6.82906 20.42921 10 0.032265803 5.84423 66.85415 6.84302 20.45860 11 0.032291324 5.83597 66.75072 6.85412 20.55918 12 0.032350462 5.92083 66.51684 6.94792 20.61441 13 0.032401969 6.15829 66.32880 6.95314 20.55977 14 0.032411786 6.20817 66.29258 6.95120 20.54805 15 0.032414333 6.20730 66.28596 6.96081 20.54594 16 0.032426254 6.24134 66.24894 6.97707 20.53266 17 0.032436350 6.29555 66.20840 6.97412 20.52193 18 0.032438010 6.29780 66.20162 6.97341 20.52718 19 0.032439170 6.29834 66.20079 6.97426 20.52660 20 0.032441312 6.30511 66.19541 6.97543 20.52406 21 0.032443024 6.31216 66.18850 6.97474 20.52461 22 0.032443644 6.31230 66.18602 6.97483 20.52685 23 0.032444145 6.31352 66.18528 6.97478 20.52643 24 0.032444494 6.31482 66.18434 6.97475 20.52609 Decomposição da variância da série DLCIR

Passo S. E. DLPIBR DLM1R DLCIR DLRCP 1 0.025929969 6.94546 12.65660 80.39793 0.00000 2 0.026854756 11.54315 12.33524 76.04999 0.07163 3 0.027773505 15.78319 12.05111 71.12275 1.04295 4 0.028052251 15.62910 11.82544 70.37464 2.17081 5 0.028618058 16.48081 13.20891 68.22444 2.08583 6 0.028691979 16.49995 13.20708 68.21195 2.08102 7 0.029050252 18.25026 12.88450 66.54448 2.32076 8 0.029206558 18.30265 12.90922 66.14212 2.64602 9 0.029393626 18.82685 13.21511 65.30292 2.65511 10 0.029412117 18.80625 13.21933 65.27573 2.69869 11 0.029496249 19.16320 13.16050 64.92450 2.75181 12 0.029555446 19.27205 13.15951 64.75512 2.81332 13 0.029606896 19.47055 13.19336 64.53037 2.80572 14 0.029615822 19.46652 13.19000 64.51669 2.82679 15 0.029640910 19.55253 13.18639 64.42821 2.83286 16 0.029661787 19.62751 13.18178 64.35400 2.83670 17 0.029674773 19.66654 13.19312 64.30041 2.83992 18 0.029679681 19.67819 13.18880 64.28459 2.84842 19 0.029686482 19.69540 13.19204 64.26216 2.85041 20 0.029693359 19.72763 13.18772 64.23481 2.84984 21 0.029696505 19.73106 13.19194 64.22380 2.85320 22 0.029699096 19.74172 13.18978 64.21385 2.85465 23 0.029700869 19.74376 13.19145 64.20895 2.85584 24 0.029703166 19.75595 13.18946 64.19917 2.85543

Decomposição da variância da série DLRCP

Passo S. E. DLPIBR DLM1R DLCIR DLRCP 1 0.007170198 0.00727 25.07772 2.82403 72.09099 2 0.007348744 0.48307 27.16267 3.68693 68.66733 3 0.007920003 1.27030 26.46414 6.91136 65.35421 4 0.008347640 2.49457 25.51918 6.22152 65.76474 5 0.008507013 3.12023 24.64681 7.70716 64.52581 6 0.008733866 4.61153 24.58757 7.36461 63.43628 7 0.008782054 4.71923 24.50379 7.77945 62.99754 8 0.008800483 4.76775 24.40225 7.85893 62.97107 9 0.008842702 5.18797 24.16994 7.92834 62.71375 10 0.008876410 5.73874 24.00870 8.00867 62.24390 11 0.008880503 5.82168 23.98830 8.00133 62.18869 12 0.008884180 5.82146 23.98160 8.05284 62.14410 13 0.008894415 5.97254 23.94450 8.08175 62.00121 14 0.008900064 6.07873 23.91520 8.07160 61.93447 15 0.008900808 6.07812 23.91232 8.07075 61.93881 16 0.008901802 6.07679 23.92087 8.07530 61.92704 17 0.008903542 6.10561 23.91546 8.07426 61.90468 18 0.008904416 6.11353 23.91096 8.07318 61.90232 19 0.008904923 6.11654 23.90934 8.07268 61.90144 20 0.008905164 6.11710 23.91157 8.07296 61.89837 21 0.008905456 6.12207 23.91036 8.07246 61.89512 22 0.008905635 6.12194 23.90963 8.07320 61.89524 23 0.008905861 6.12556 23.90868 8.07297 61.89279 24 0.008905913 6.12579 23.90910 8.07303 61.89208 onde S. E. é o erro de previsão.

(27)

Vamos começar por estabelecer um grafo de causalidade, considerando um horizonte de dois anos.22_{A orientação das setas dá a direcção de causalidade e o valor indica a percentagem} da variância dos erros de previsão da variável, atribuível à inovação da variável causal, interpretada aqui como peso da causalidade.23_{Neste grafo, DLPIBR, DLM1R, DLCIR e} DLRCP, designam as origens das inovações (origem da seta) e os valores associados às setas dão os erros de previsão sobre a variável indicada (destino da seta). Assim, uma inovação com origem na variável DLRCP, têm associado um erro de previsão de 20,27% na variável DLM1R, ao fim de oito trimestres.

Figura 1

ESQUEMA DE CAUSALIDADE PARA 8 TRIMESTRES

DLM1R DLCIR DLRCP DLPIBR_12,91 _6,91 6,18 5,29 20,27 24,40 7,86 5,83 18,30

Passemos agora para um horizonte de seis anos,24_{correspondente no nosso modelo à} estabilização dos efeitos. O grafo correspondente pode ver-se na figura 2, onde cada valor continua a indicar o erro de previsão provocado pela introdução de uma inovação na variável indicada como origem da seta, ao fim de 24 trimestres.

22_{Valor temporal geralmente aceite como sendo suficiente para se materializarem os efeitos das variáveis} de natureza financeira sobre as variáveis reais.

23_{A causalidade é admitida no caso de um contributo significativo na variância do erro de previsão. Só} foram considerados os valores superiores a 5%.

(28)

Figura 2

ESQUEMA DE CAUSALIDADE PARA 24 TRIMESTRES

DLCIR DLPIBR DLRCP DLM1R 6,97 5,15 6,31 8,07 20,53 19,76 6,24 23,91 13,19 6,66 6,13

Tendo presente que os valores não são directamente comparáveis, podemos contudo tecer alguns considerandos sobre as relações de causalidade que se estabelecem entre as variáveis. Assim, o canal do crédito não se manifesta directamente, uma vez que as variações na taxa de crescimento da taxa de juro não causam directamente a taxa de crescimento do crédito. Na segunda fase (24 trimestres), o canal das taxas de juro está presente com uma contribuição de 5,15% das inovações da taxa de crescimento da taxa de juro sobre a taxa de crescimento do produto. O canal do crédito está presente indirectamente através da taxa de crescimento da massa monetária. É de realçar a existência de dependência da taxa de crescimento do crédito, 19,76%, relativamente à taxa de crescimento do produto.

3.2 - Os impulsos da política monetária

O método das funções impulso ou IRF (Impulse Response Function),25_{mede o efeito de} uma única variação positiva, igual ao desvio tipo dos resíduos da equação do modelo estrutural mais elevado, representando um choque não antecipado de política monetária. A figura 3, mostra que o efeito é oscilatório e convergente sobre a taxa de crescimento do produto real. São

(29)

necessários dois anos para que se verifique o efeito máximo. Podemos ver que a taxa de crescimento do crédito real tem um perfil de comportamento simétrico ao da taxa de crescimento do produto real. Os choques de política monetária não apresentam um efeito cremalheira (ratchet

effect) e esgotam-se completamente no tempo. Por outro lado, a taxa de crescimento da massa monetária responde de modo mais pronunciado que a taxa de crescimento do crédito, aos choques na taxa de crescimento da taxa de juro, embora apresentem perfis idênticos.

Figura 3

RESPOSTA A UM ÚNICO CHOQUE DE UM DESVIO TIPO NO PERÍODO ZERO

RESPOSTAS A DLRCP 0 2 4 6 8 10 12 14 16 18 20 22 -0.36 -0.18 0.00 0.18 0.36 0.54 0.72 0.90 DLPIBR DLM1R DLCIR DLRCP

Obs.: A escala das ordenadas é medida em fracções do desvio-tipo da variável considerada. Em abcissas temos o número de trimestres indicando o desfasamento da reacção.

(30)

Conclusão

O estudo procurou analisar a hipótese de existência de um canal do crédito bancário, recorrendo a um período suficientemente longo para captar relações estruturais para a economia portuguesa. As variáveis foram seleccionadas de modo a respeitarem os fundamentos da teoria económica e a apresentarem consistência durante o período temporal em investigação. A análise econométrica foi efectuada respeitando as práticas usuais no tratamento de séries temporais, de modo a evitar a ocorrência de regressões espúrias.

O estudo das relações de causalidade apontam para a existência de causalidade das variáveis indicadoras da política monetária para o produto real. Conclui-se que a influência directa das variáveis de política monetária enfraquece a sua capacidade explicativa na presença de agregados de moeda e crédito, conduzindo à não rejeição da hipótese de existência de outros canais de transmissão da política monetária.

A análise da profundidade do canal do crédito bancário desempenha um papel importante na identificação do agregado de crédito, que tenha uma maior relação com o nível de actividade. A utilização do crédito interno ou do crédito a empresas privadas não financeiras e particulares não apresentou, contudo, diferenças significativas.

O estudo das relações de cointegração não permitiu rejeitar a hipóteses de existência de uma relação de cointegração. No entanto, o estudo da relação de longo prazo apresentou-se pouco conclusivo e os modelos VAR, com as variáveis em nível, revelaram-se não convergentes. A análise prosseguiu com a aplicação do modelo VAR às taxas de crescimento das variáveis.

A dimensão do canal do crédito bancário foi estudada avaliando o grau de transmissão das inovações das diferentes variáveis, sujeita à decomposição ortogonal de Choleski. A apreciação dos esquemas de causalidade conduziu a uma leitura em que o canal do crédito bancário apenas se manifesta indirectamente, através das variações na taxa de crescimento da massa monetária. O canal das taxas de juro está presente na segunda fase (24 trimestres) e com um valor para a relação de causalidade diminuto (5,15%).

O método das funções impulso permite concluir que são necessários cerca de três trimestres para que se verifique o efeito máximo e pouco mais de dois anos para que os efeitos estabilizem.

É importante determinar os limites da análise efectuada. O recurso a séries temporais, com dados agregados, enferma do problema da identificação. A escolha da taxa de crescimento do produto real, para ter em consideração os factores do lado da procura, pode não ser adequada.

(31)

Foi ignorado o papel desempenhado pelas antecipações dos agentes económicos acerca do comportamento da autoridade monetária, e a formação das expectativas são provavelmente, à medida que as economias se vão tornando mais sofisticadas, um dos principais impulsos da política monetária.

Bibliografia

Andrade, João de Sousa (1993a), Análise Econométrica - Uma Introdução para Economistas e Gestores, Texto Editora.

Andrade, João de Sousa (1993b), Estabilização e Política Monetária, Coimbra, Separata do Boletim de Ciências Económicas, vol. XXXVI.

Banco de Portugal, Boletim Trimestral e Suplementos, vários números. Banco de Portugal, Boletim Estatístico, vários números.

Bellando, Raphaëlle e Pollin, Jean-Paul (1996), "Le canal du crédit en France depuis la déréglementation financière", in Revue Économique, vol. 47, n.º 3, Mai, pp. 731-743. Bernanke, Ben S. e Gertler, Mark (1995), "Inside the Black Box: The Credit Channel of

Monetary Policy Transmission", in Journal of Economic Perspectives", vol. 9, n.º 4, Fall, pp. 27-48.

Charemza, Wojciech W. e Deadman, Derek F. (1997), New Directions in Econometric Practice - General to Specific Modelling, Cointegration and Vector Autorregression, 2ª ed., Edward Elgar.

Cheung, Y. W. e Lai, K. S. (1993), "Finite-sample sizes of Johansen's likelihood ratio tests for cointegration", in Oxford Bulletin of Economics and Statistics, vol. 55, n.º 3, pp. 313-328.

Doan, Thomas A. (1992), Rats User's Manual Version 4, Estima.

Fuinhas, J. A. (2001), O Canal do Crédito – Admissibilidade Teórica e Implicações para a Política Monetária, Departamento de Gestão e Economia, Universidade da Beira Interior. Fuller, W. A. (1976), Introduction to Statistical Time Series, New York, John Wiley & Sons, p.

373.

Goux, Jean-François (1996), "Le canal étroit du crédit en France, Essai de vérification macro-économique 1970-1994", in Revue D'Économie Politique, vol. 106, n.º 4, juillet-août, pp. 655-681.

Granger, C. W. J. (1969), "Investigating Causal Relations by Econometric Models and Cross-Spectral Methods", in Econometrica, vol. 37, n.º 3, July, pp. 424-438.

Hansen, Henrik e Juselius, Katarina (1995), CATS in RATS - Cointegration Analysis of Time Series, Estima.

Instituto Nacional de Estatística, Contas Nacionais Trimestrais, vários números.