Análise do efeito pass-through cambial para a
formação dos índices de preços no Brasil (1999 - 2011)
Gabrielito Menezes
∗Rodrigo Nobre Fernandez
†26 de março de 2012
Resumo
O presente trabalho tem como objetivo conhecer a relação entre as variações nos índi-ces de preços e as variações na taxa de câmbio, analisando o efeito pass-through cambial. Para tanto, utilizou-se variáveis no horizonte temporal de janeiro de 1999 a dezembro de 2011 e, a partir de métodos econométricos, estimou-se um Vetor Auto-Regressivo (VAR) inferindo o impulso resposta, decomposição da variância, assim como o teste de causali-dade de Granger. Com base nos resultados encontrados, acredita-se que o câmbio afeta os preços domésticos, comprometendo de forma mais contundente os preços por atacado. Também foi evidenciado que o efeito pass-through é, de fato, transmitido no sentido câm-bio para índices de preços.
Palavras-chave: pass-through cambial, índice de preços, Vetor Auto-Regressivo. Classificação do JEL: E31, C01, C5.
Área Temática: Econometria.
∗Doutorando em Economia Aplicada pelo Programa de Pós-Graduação em Economia da Universidade
Federal do Rio Grande do Sul - PPGE / UFRGS. E-mail: gabrielito.menezes@ufrgs.br
†Doutorando em Economia Aplicada pelo Programa de Pós-Graduação em Economia da Universidade
Abstract
The current work aims to know the relationship between the variations of prices index and the exchange rate. For that, it used variables in the temporal horizon from August’s 1999 to December’s 2011 and starting of econometric models, it calculated the Vector Autoregressions (VAR) inferring the impulse response, decomposition of variance, such as, the Granger’s causality test. According with the results, it believes that the exchange rate affects the domestic prices, committing more forceful the wholesale prices. Also it has seen that the pass-through in fact is passed to exchange rate in sense of price index.
Keywords: Exchange pass-through, Prices Index, Vector Autoregressions. JEL Classification: E31, C01, C5.
Thematic Area: Econometrics.
1
Introdução
Com a implantação do plano Real em 1994 e a paridade garantida pelo governo bra-sileiro em relação ao dólar, foi possível remover a memória inflacionária acumulada pelas políticas econômicas anteriores. Assim, em 1999 o regime cambial foi alterado para o flutuante, mesmo que ainda em alguns períodos houvesse a intervenção do Banco Central (flutuação suja) ou a aplicação das bandas cambiais.
Dessa forma, é importante observar o pass-through cambial, ou seja, a transmissão (repasse) da variação da taxa de câmbio para os índices de preços. Esse fato é dependente, principalmente, da elasticidade dos produtos que constituem esses índices. De modo geral, quanto maior for a sensibilidade, maior será o repasse, a variação do índice de preços dependerá da composição dele e da forma como o setor afetado reagiu à variação cambial. Acreditamos que em virtude do grau de abertura comercial apresentado pela economia brasileira, o qual no período de 1999 a 2010 teve média de 9,2%1 , este efeito vigorará na
relação de preços à medida que ocorrerem os choques cambiais. No entanto, o grau de repasse não é instantâneo, porque a transmissão não é completa e varia significativamente. Neste sentido, utilizamos séries de dados mensais de janeiro de 1999 a dezembro de 2011 da taxa de câmbio e mais três índices de preços, sendo estes, o IPCA, o IGP-M e IPA-M com o intuito de verificar como se dá repasse das variações cambiais. Para isso empregamos a metodologia de Vetor Auto-Regressivo (VAR), bem como, a função impulso resposta, a decomposição da variância e o teste de causalidade de Granger.
Com este propósito, este estudo foi estruturado em cinco seções iniciando-se por esta introdução. Seguimos com o referencial teórico em que apresentamos a teoria econômica, a qual aborda o pass-through cambial tendo como foco em algumas discussões empíricas para
a economia brasileira. Posteriormente, expomos a metodologia adotada e em sequência debatemos os resultados encontrados. Por fim, realizamos as considerações finais.
2
Referencial Teórico
A expressão “exchange rate pass-through” é utilizada para referir-se aos efeitos nas variações da taxa de câmbio em relação as alterações nos preços dos bens para os consumidores, aos investimentos, aos volumes de comércio e aos preços das importações e exportações.
Esta passagem ou repasse foi analisada por Goldfan e Welang (2000) utilizando a metodologia de dados em painel para 71 países com dados mensais de 1980 a 1998, em-pregando como variáveis para o modelo econométrico: o ciclo de negócios, taxa de câmbio real, ambiente inflacionário e o grau de abertura econômica de cada país. A principal conclusão do trabalho é que a transmissão sobre índices de preço ao produtor cresce com o tempo e o grau da transmissão é maior em economias emergentes.
Nesta mesma perspectiva, McCarthy (2000) investigou o impacto da variação cambial nos preços de importação e domésticos para países industrializados, através de um mo-delo VAR. A análise das funções de resposta ao impulso e da decomposição da variância evidenciam uma correlação positiva do efeito pass-through com o grau de abertura do país.
Sob outro prisma, Belaish (2003) avalia que o efeito de repasse no Brasil caiu em relação aos países da América Latina. Na verdade, esse índice seria comparável aos países pertencentes ao G-7, embora os efeitos nos preços brasileiros apareçam mais rápido. O choque nos preços aos consumidores é bastante limitado, porém é rápido. O modelo sugerido pela autora mostra que após um ano o efeito sobre os preços é de 17%. Já o impacto sobre os preços no atacado é maior e ocorre mais rapidamente, a transmissão é realizada no mesmo bimestre e pode chegar a 100% em um ano. O índice geral de preços reage no mesmo ano sobre metade da variação da taxa de câmbio.
Dentro deste escopo, Vieira e Cardoso (2004) corroboram que a experiência dos países desenvolvidos na transição de regimes cambiais mais rígidos para mais flexíveis inclui alguns aspectos desfavoráveis entre eles a inflação. Nesse sentido, além da inflação, Maciel (2006) considera vários fatores como responsáveis pelos repasses das oscilações cambiais nos índices de preços, sendo estes: o grau de abertura da economia, o quão aquecida está a demanda interna, a participação de insumos importados na produção de bens internos e o desvio padrão da taxa de câmbio em relação a seu nível de equilíbrio. Numa análise para a economia brasileira no período de 2000 a 2005, o mesmo autor constatou que os bens comercializáveis sofreram um impacto mais imediato, em relação às variações do câmbio, e os bens não comercializáveis possuíram um menor efeito de repasse.
Na perspectiva da análise dos índices de preços, Guillén e Araújo (2006) utilizaram dados mensais de janeiro de 1995 a dezembro de 2005 referentes a índices de preço (IPCA, IGP-M, IPA-DI, IPI) e a taxa de câmbio mensal. Visto que as séries eram cointegradas os pesquisadores utilizaram modelos de séries em diferença e dois vetores de cointegração e um vetor de ciclo para analisar as tendências de longo prazo entre as variáveis. Os resultados encontrados por eles se mostraram alinhados com outros trabalhos realizados para diferentes países, isto é, que as transmissões das variações cambiais não são
comple-tamente repassadas para índices de preços. Em suma, as reações do IGP-M e do IPA-DI são mais rápidas e intensas a choques da taxa de câmbio que o IPCA.
Dentro deste escopo, Al-Abri e Goodwin (2009), fazem uma avaliação do efeito pass-through para dezesseis países da OCDE2. Eles propuseram técnicas de estimação
não-linear para verificar o grau de repasse nos preços das importações de cinco setores (alimen-tos e produ(alimen-tos agrícolas, energia, bens industrializados e não industrializados e matérias primas). Ao utilizarem esta técnica de estimação os preços das importações respondem mais rapidamente aos choques na taxa de câmbio nominal.
No âmbito de países em desenvolvimento, Holland e Pillatti (2009) acreditam que há nações que possuem um elevado grau de repasse cambial e que também possuem um alto grau de absorção das variações cambiais pelos preços domésticos. Se este nível de repasse é alto a taxa de juros pode ser usada para prevenir depreciações cambiais e pode então limitar o uso da política monetária. Dessa forma, quanto mais alta é a absorção dos movimentos cambiais pelos preços, maior será pressão inflacionária e maior será o controle dos movimentos cambiais.
O efeito destes deslocamentos, nas taxas de câmbio, pode ser determinante para ex-plicar o comportamento dos índices de preços. Nesta perspectiva, Devereux e Yetman (2010) desenvolvem um modelo teórico para uma pequena economia aberta, onde consta-tam que o repasse é determinado pelas características estruturais da economia, tais como a persistência de choques, e o grau de rigidez dos preços.
Dessa forma, viu-se que o pass-through possui bastante relevância para os estudos de economias abertas sob o regime de câmbio flutuante. A seguir, apresenta-se a metodologia para a análise deste efeito na formação dos índices de preços no Brasil.
3
Metodologia e Dados
A investigação empírica dos efeitos que a taxa de câmbio exerce sobre os índices de preços domésticos se baseia na análise de séries de tempo, especificamente, na análise de funções de resposta a impulso e decomposição da variância, fornecidas por um Vetor Auto-Regressivo (VAR) padrão. Através dele é possível expressar modelos econômicos complexos com diversas variáveis, este procedimento é uma extensão dos modelos univa-riados para um espaço multivariado.
De acordo com Enders (2010), o modelo VAR é útil para analisar as inter-relações entre múltiplas séries temporais, partindo do pressuposto que todas as variáveis são determi-nadas dentro de um sistema de equações. Nessa perspectiva, este procedimento permite aperfeiçoar o nível da previsão de uma série temporal por considerar a possibilidade que as variáveis sejam mutuamente influenciadas uma pela outra.
Dessa maneira, quando trabalhamos com séries temporais é necessário realizar alguns testes, sendo o principal deles, o teste para a verificação da raiz unitária. Esse proce-dimento é utilizado para verificar a estacionaridade3 da série. Portanto, este conceito é de extrema importância, porque sua constatação permite que possam ser feitas inferên-cias estatísticas sobre os parâmetros estimados, com base na realização de um processo estocástico (BUENO, 2008).
2Organização para a Cooperação e Desenvolvimento Econômico.
3Série que se desenvolve no tempo aleatoriamente ao redor de uma média constante, refletindo alguma
Com esse intuito, no presente estudo são utilizados os testes de raiz unitária de
Dickey-Fuller Aumentado (ADF) (1979) e de Philips-Perron (PP) (1988), sob a hipótese nula de
que as variáveis são integradas de primeira ordem I(1), isto é, apresentam raiz unitária. A seguir apresentamos o modelo econométrico VAR.
3.1
Modelo VAR(p)
Podemos expressar um modelo VAR de ordem p por um vetor com n variáveis endó-genas, Xt, que estão conectadas entre si por uma matriz A, assim tem-se que:
AXt= B0+ p X i=1 BiXt−1+ εt (3.1) Onde:
i. A é uma matriz (n x n) que define as restrições contemporâneas entre as variáveis que constituem o vetor Xt;
ii. Xté um vetor (n x 1 ) de variáveis econômicas de interesse no instante t; B0,é um
vetor de constantes (n x 1 );
iii. Bté uma matriz (n x n) de coeficientes, com i= 0,....,p;
iv. εt, um vetor (n x 1 ) de perturbações aleatórias não correlacionadas entre si
con-temporânea ou temporalmente, isto é,εt∼ i.i.d(0, In).
A equação (3.1) é uma expressão de um modelo VAR estrutural, pois descreve a interação de variáveis endógenas de um modelo econômico teoricamente estruturado. Os choques εt são denominados choques estruturais porque afetam, individualmente, cada
uma destas variáveis. Estes elementos são considerados independentes entre si, visto que suas inter-relações são captadas indiretamente pela matriz A. Assim, a independência dos choques ocorre sem perda de generalidade (BUENO, 2008).
De acordo com Enders (2010), as hipóteses assumidas para o modelo são: (i) as variáveis que compõem o vetor são estacionárias; (ii) os choques aleatórios são ruídos branco com média zero e variância constante(εt∼ N (0, σ)) ; os choques são ruído branco
não auto-correlacionados Cov(εt, εj) .
3.2
Ordem de Defasagem do VAR
O principal fato a ser usado para determinar a odem de defasagem do modelo é a parcimônia, isto é, buscar utilizar a maioria das variáveis econômicas da forma mais razoável, já que defasagens muito elevadas ou baixas podem prejudicar o poder do teste estatístico (ENDERS, 2010).
Neste sentido, há versões multivariadas dos critérios de informação dos modelos uni-variados, os quais podem ser utilizados para a metodologia VAR, tais como: Critério
de Informação de Akaike (AIC); Critério de Informação Schwarz4 (BIC); Critério de
Informação de Hannan-Quinn (HQ) e Erro de Predição Final (FPE).
4O critério informação de Schwarz, também é conhecido como critério de informação Bayesiano e tem
3.3
Teste de Causalidade de Granger
O teste de causalidade de Granger (1969) supõe que as informações relevantes para previsão das respectivas variáveis Y e X estejam contidas exclusivamente nos dados das séries temporárias destas variáveis. O teste envolve a estimação das seguintes regressões:
Yt= n X i=1 αiYt−i+ n X j=1 βjXt−j+ u1t (3.2) Xt = n X i=1 λiXt−i+ n X j=1 δjYt−j+ u2t (3.3)
Onde se admite que as perturbações u1t e u2t não tenham correlação. A equação (3.2)
postula que se relaciona com seus próprios valores defasados e com os valores defasados de Xt , o procedimento é inverso, porém análogo para a equação (3.3). Para que estas
relações se confirmem, os coeficientes estimados sobre Xt defasado (i. e., os βj), e sobre
Yt defasados (i. e., δj ) nas equações (3.2) e (3.3) de modo respectivo, devem ser, em
conjunto, significativamente diferentes de zero. O procedimento usado para verificar se há causalidade no sentido de Granger é o Teste F convencional.
3.4
Função Resposta ao Impulso
O modelo VAR, de um modo geral, não permite identificar todos os parâmetros da forma estrutural, a menos que sejam impostas restrições adicionais. A solução pode ser um sistema recursivo, impondo-se alguns coeficientes iguais a zero, definidos por argumentos econômicos (BUENO, 2008).
Por outro lado, Enders (2010), salienta que através do instrumental de impulso-resposta, é possível visualizar a resposta de uma determinada variável a um choque específico nas inovações ou resíduos do modelo, enquanto os demais choques permane-cem constantes. Ademais, é possível observar em quanto tempo o choque se dissipa para retornar a trajetória estável de longo prazo.
3.5
Decomposição de Variância
Outro modo de analisar os resultados do modelo é através da decomposição da va-riância. Esta técnica mostra que porcentagem da variância do erro de previsão decorre de cada variável endógena ao longo do tempo de previsão. De tal modo, a mesma for-nece informações relevantes relacionadas à importância de uma determinada variável nas alterações de outra variável do modelo (BUENO, 2008).
3.6
Dados
A fim de realizar as estimativas, optou-se por selecionar conjunto de dados, que abrange o período pós-desvalorização, formados por observações mensais cambial de janeiro de 1999 a dezembro de 2011. O vetor de variáveis que será utilizado nos testes econométricos é composto por:
- Taxa de Câmbio, é a média do mês da taxa de câmbio livre (R$/US$), obtida na página do Banco Central do Brasil;
- IPCA, Índice Nacional de Preços ao Consumidor Amplo, (% a.m.) - IBGE;
- IGP-M, Índice Geral de Preços - Mercado (% a.m.) - FGV/Conj. Econômica. Esse índice compreende o período entre os dias 20 do mês de referência e 21 do mês anterior. Registra o ritmo evolutivo de preços como medida síntese da inflação nacional. É composto pela média ponderada do Índice de Preços por Atacado (IPA) (60%), Índice de Preços ao Consumidor (IPC-FGV) (30%) e Índice Nacional de Preços da Construção Civil (INCC) (10%);
- IPA-M, Índice de Preços por Atacado – Mercado (% a.m.) – FGV /Conj. Econ. Compreende o período entre os dias 20 do mês de referência e 21 do mês anterior. Registra o ritmo evolutivo de preços como medida síntese da inflação nacional.
4
Resultados Empíricos
5Foram realizados os testes de Dickey-Fuller Aumentado (ADF) e Phillips-Perron (PP) sob a hipótese nula de que as variáveis possuem raiz unitária. Os resultados estão visíveis na tabela 1, a seguir.
Tabela 1: Testes de Raiz Unitária – (ADF) e (PP)
Valor Crítico Valor Crítico
Variáveis Defasagens n ADF 1% 5% PP 1% 5%
Câmbio 1 154 -9.706655 -3.473096 -2.880211 -9.932636 -3.473096 -2.880211
IGP-M 0 155 -4.708634 -3.472813 -2.880088 -4.984989 -3.472813 -2.880088
IPA-M 0 155 -4.880726 -3.472813 -2.880088 -4.880726 -3.472813 -2.880088
IPCA 0 155 -5.842088 -3.472813 -2.880088 -5.855770 -3.472813 -2.880088
Fonte: Elaborado pelos autores.
Conforme os resultados obtidos, a variável câmbio necessitou de uma defasagem para ficar estacionária. As demais variáveis (IGP-M, IPA-M e IPCA) não apresentam raiz unitária, ou seja, estacionárias em nível.
Após realizarmos o teste de estacionaridade, para a escolha da ordem de defasagem a ser utilizada na estimação do modelo VAR, levamos em conta a indicação dos critérios estatísticos de seleção apresentados na seção 3.2. Cabe destacar que a defasagem do VAR é escolhida quando indicada por todos os testes ou por sua maioria.
Tabela 2: Seleção da ordem de defasagem do modelo VAR (Câmbio – IGP-M – IPCA)
FPE AIC BIC HQ Defasagem utilizada
Lag 2 2 1 2 2
Fonte: Elaborado pelos autores.
Notas: cada teste foi realizado considerando o nível de significância de 5%
Tabela 3: Seleção da ordem de defasagem do modelo VAR (Câmbio – IPA-M – IPCA)
FPE AIC BIC HQ Defasagem utilizada
Lag 4 4 1 1 4
Fonte: Elaborado pelos autores.
Notas: cada teste foi realizado considerando o nível de significância de 5%
Além disso, é importante verificar a estabilidade do VAR. O teste de estabilidade per-mite analisar se todas as raízes são, em módulo, menores que um, ou seja, se estão dentro do círculo unitário. Neste contexto a figura 1 apresenta os resultados que corroboram com a condição de estabilidade.
Figura 4.1: Teste de Estabilidade do VAR
Fonte: Elaborado pelos autores.
Ademais, foi feito o teste de causalidade de Granger com duas defasagens. Como podemos observar na tabela 4, não podemos rejeitar a hipótese de que os índices de inflação não Granger causa Câmbio, mas rejeitamos a hipótese de que Câmbio não Granger causa inflação. Portanto, podemos perceber que ocorre causalidade de Granger unidirecional do Câmbio para a inflação e não ao contrário, como esperávamos.
Tabela 4: Teste de Causalidade de Granger
Hipótese nula n Estatística F Probabilidade IGP-M does not Granger Cause CÂMBIO 153 1.67969 0.1900 CÂMBIO does not Granger Cause IGP-M 12.2880 1.E-05 IPA-M does not Granger Cause CÂMBIO 153 1.51080 0.2241 CÂMBIO does not Granger Cause IPA-M 12.9654 6.E-06 IPCA does not Granger Cause CÂMBIO 153 1.14891 0.3198 CÂMBIO does not Granger Cause IPCA 13.1700 5.E-06
Fonte: Elaborado pelos autores.
Com base nesses resultados, derivaram-se as funções de resposta ao impulso das prin-cipais variáveis de interesse. O objetivo desse tipo de função é mostrar como as variáveis endógenas do VAR se comportam quando há um choque em uma variável endógena espe-cífica. A tabela 5 representada abaixo mostra o comportamento das variáveis, dado um choque de inovação na taxa de câmbio livre (R$/US$).
Nessa perspectiva, para determinar as funções resposta ao impulso6, deve-se especificar
uma ordem plausível das variáveis, destacamos aqui que tal ordenação é importante na decomposição de Cholesky. Adotamos as mesmas ordens propostas por Guillén e Araújo (2005), as funções dos modelos estimados seguem a seguinte classificação:
Modelo 1: Câmbio → IGP-M → IPCA Modelo 2: Câmbio → IPA-M → IPCA
Na tabela 5, a segunda e terceira coluna exibem os resultados da análise impulso-resposta para o primeiro modelo (Câmbio → IGP-M → IPCA). Constatamos que a reação do IGP-M é mais rápida e forte a choques na taxa de câmbio do que a do IPCA. No primeiro período 11,88% do choque é repassado para IGP-M, porém notamos que o ponto máximo é dado no segundo período, onde cerca de 30% do choque é transmitido ao IGP-M, em seguida, temos um movimento de queda. Ao considerarmos o IPCA, há uma pequena redução no primeiro período, observamos que 10% do choque é transmitido no terceiro período e posteriormente ocorre uma nova redução.
6Em anexo estão as estimativas dos modelos VAR 1 e 2, bem como os gráficos das funções de
Tabela 5: Função Resposta ao Impulso
(Câmbio - IGP-M - IPCA) (Câmbio - IPA-M - IPCA)
Período IGP-M IPCA Perído IPA-M IPCA
1 0.118885 -0.04885 1 0.159179 -0.07197 2 0.298357 0.080884 2 0.390951 0.054414 3 0.287163 0.106759 3 0.433784 0.10711 4 0.226097 0.098287 4 0.268541 0.106054 5 0.150865 0.075212 5 0.250351 0.084172 6 0.087123 0.050849 6 0.205431 0.082884 7 0.041634 0.030472 7 0.163825 0.07329 8 0.01297 0.015621 8 0.085836 0.053105 9 -0.0027 0.00599 9 0.025387 0.033855 10 -0.00951 0.000486 10 -0.00684 0.018672 11 -0.011 -0.00214 11 -0.03214 0.006197 12 -0.00976 -0.00297 12 -0.05272 -0.00406 13 -0.00748 -0.00284 13 -0.06139 -0.01143 14 -0.00511 -0.00227 14 -0.06087 -0.01544 15 -0.00313 -0.00161 15 -0.05501 -0.0168 16 -0.00166 -0.00103 16 -0.04609 -0.01639 17 -0.00069 -0.00058 17 -0.03557 -0.01463 18 -0.00013 -0.00027 18 -0.02443 -0.01197 19 0.000155 -7.76E-05 19 -0.01402 -8.92E-03 20 0.000258 2.31E-05 20 -0.00529 -5.90E-03 21 0.00026 6.53E-05 21 0.001524 -3.18E-03 22 0.000215 7.32E-05 22 0.006377 -9.04E-04 23 0.000157 6.40E-05 23 0.009322 8.36E-04 24 0.000102 4.84E-05 24 0.010599 2.02E-03
Fonte: Elaborado pelos autores.
Dentro deste escopo, expomos os resultados da análise de impulso resposta para o modelo dois (Câmbio → IPA-M → IPCA). nas colunas quarta e quinta da tabela 5. Verificamos um comportamento similar ao modelo um, mas a variável IPA-M reage com maior intensidade aos choques na taxa de câmbio quando comparada ao IGP-M. Isto é, após o primeiro mês, 15,91% deste choque é repassado para o IPA-M. Neste sentido observamos que o ponto máximo ocorre no terceiro período, em que cerca de 43,4% do choque é transmitido ao IPA-M, reiterando o que ocorre no resultado anterior, em que a partir deste período começa um movimento de queda. Assim como analisamos o IPCA, os resultados são parecidos com o conjunto anterior, há uma pequena redução no primeiro momento e o ápice de 10,6% ocorre no terceiro período seguido por uma queda.
Posteriormente, realizamos a análise da decomposição da variância7em que utilizamos
a variância do erro de previsão para vinte quatro meses sumarizados em intervalos entre
7Conforme o método de Cholesky de fatorização de matrizes. Ver Hamilton (1994). A decomposição
de variância fornece informação sobre a importância relativa das inovações aleatórias sobre as variáveis do presente estudo.
seis períodos após o choque. Optamos por este procedimento, uma vez que nos períodos posteriores a parcela de explicação de cada variável sobre as demais não sofre alterações significativas.
Apresentamos as tabelas 6 e 7, onde verificamos que o percentual da variância prevista do IGP-M, IPA-M e IPCA em relação às inovações da taxa de câmbio são consideráveis. Observamos que os resultados da decomposição de variância corroboram com resultados de resposta a impulso.
Tabela 6: Decomposição de Variância (Câmbio - IGP-M - IPCA)
Período Câmbio IGP-M IPCA
Câmbio IGP-M IPCA Câmbio IGP-M IPCA Câmbio IGP-M IPCA
1 100.0000 0.0000 0.0000 5.9056 94.0944 0.0000 2.7671 37.3104 59.9225 6 96.4861 2.2654 1.2485 36.2063 58.8889 4.9048 22.3085 36.0252 41.6664 12 96.4548 2.2884 1.2569 36.0856 58.2574 5.6570 22.6935 35.5741 41.7323 18 96.4543 2.2885 1.2572 36.0919 58.2497 5.6584 22.7004 35.5722 41.7274 24 96.4543 2.2885 1.2572 36.0919 58.2497 5.6584 22.7003 35.5722 41.7275
Fonte: Elaborado pelos autores.
Dessa forma, a tabela 6 apresenta a relação da decomposição da variância do modelo 1. Em suma, damos um choque em uma destas variáveis e acompanhamos o efeito do mesmo por vinte quatro meses na variância da primeira e das outras que compõe o sistema.
Nessa perspectiva, constatamos que para o Câmbio a maior parte de sua variância é devida a própria variável (96,45%) seguida pelo IGP-M (2,28%) e pelo IPCA (1,25%). Já ao avaliar o IGP-M, o fenômeno se repete sendo que a maior parte de sua variância é devida ela mesma (58,24%), seguida pelo Câmbio (36,09%), e pelo IPCA (5,65%). Por fim, através do mesmo procedimento para o IPCA, observamos que a maior parte de sua variância é devida à própria variável (41,72%) seguida pelo IGP-M (35,57%) e pelo câmbio (22,07%).
Tabela 7: Decomposição de Variância (Câmbio - IPA-M - IPCA)
Período Câmbio IGP-M IPCA
Câmbio IGP-M IPCA Câmbio IGP-M IPCA Câmbio IGP-M IPCA
1 100.0000 0.0000 0.0000 5.5208 94.4792 0.0000 6.1513 25.0788 68.7699 6 89.9842 4.5667 5.4492 38.1600 57.9295 3.9105 26.7522 28.9473 44.3005 12 88.6263 4.9884 6.3853 37.4894 53.4046 9.1060 29.4110 26.6207 43.9683 18 88.4447 4.9888 6.5665 37.9357 52.9265 9.1378 29.7375 26.5152 43.7473 24 88.4211 4.9976 6.5813 37.9104 52.8594 9.2302 29.7520 26.4736 43.7743
Ademais, a tabela 7 apresenta a decomposição de variância do modelo 2(Câmbio -
IPA-M - IPCA), a forma adotada é equivalente a anterior. Assim, para a variável Câmbio,
constatamos que a maior parte de sua variância é devida a si mesma (88,42%), seguida pelo IPA-M (4,99%), e pelo IPCA (6,58%). Em relação ao IPA-M também verificamos que a maior parte de sua variância ocorre devido à própria variável (52,85%), acompanhada respectivamente pelo Câmbio (37,91%), e pelo IPCA (9,23%). No mesmo patamar o IPCA, a maior parte de sua variância (43,77%) é decorrente dela mesma, em sequência temos o câmbio (29,75%), e o IPA-M (26,47%).
5
Considerações Finais
O presente artigo teve como objetivo entender o efeito do repasse cambial, pass-through para a formação do índice de preços para a economia brasileira no período de 1999 a 2011. O grau de transmissão é uma importante variável para os policymakers, pois podem implicar em políticas anti-inflacionárias menos custosas para o país.
O instrumental econométrico utilizado é baseado no modelo de Vetor Auto-Regressivo (VAR) para cada conjunto de dados, funções de resposta ao impulso e também à utilização da decomposição de variância para cada variável analisada.
Os resultados estão alinhados com outros trabalhos empíricos, bem como, Belaish, (2003), Maciel (2006) e Guillén e Araújo (2006), realizados para o Brasil e outros países, no sentido que a transmissão das mudanças cambiais não é inteiramente repassada para índices de preços. Constatamos que as reações do IGP-M e do IPA-M são mais intensas a choques da taxa de câmbio que o IPCA.
Ao considerar os resultados da decomposição de variância, percebe-se que o percentual da variância prevista do IGP-M, IPA-M e IPCA, devido a inovações na taxa de câmbio não são desprezíveis, isto é, há uma importância relativa da variância do câmbio para explicar a variância nos índices de inflação.
Por fim, para uma nova agenda de pesquisa é interessante identificar como o grau de transmissão afeta outros índices de preços, ou seja, ampliando mais o debate do efeito
pass-through para promover uma melhor orientação aos policymakers.
6
Referências
AL-ABRI, A. S.; GOODWIN, B. K. Re-examining the exchange rate pass-through into import prices using non-linear estimation techniques: Threshold cointegration, Internati-onal Review of Economics & Finance, Elsevier, vol. 18, 142-161, 2009.
BELAISCH, A. Exchange rate pass-through in Brazil, IMF working papers, n. 141, Julho, 2003.
DEVEREUX, M. B.; YETMAN, J. Price adjustment and exchange rate pass-through, Journal of International Money and Finance, Vol.29, 2010.
BUENO, R., Econometria de Séries Temporais. Ed. Cengage Learning, 2008.
DICKEY, D. A.; FULLER, W. A. Distribution of the estimator for auto-regressive time series with a unit root. Journal of the American Statistical Association, 74:427-31, 1979.
ENDERS, W., Applied econometric time series. New York: John Wiley and Sons.Press, forthcoming, 2010.
FRAGA, G. J. et al. O pass-through das variações da taxa de câmbio para os preços de exportação de soja. In: XLIV Congresso Brasileiro de Economia e Sociologia Rural, 2006, Fortaleza. XLIV SOBER, 2006.
GRANGER, C. W. J. Investigating Causal Relations by Econometric Models and Cross-Spectral Methods. Econometrica, 37, 424–438, 1969.
GOLDFAJN, I. ; WERLANG, S.R.C. The Pass-Through from Depreciation to Inflation: A Panel Study, Working Paper 5, Banco Central do Brasil, 2000.
GUILLÉN, O. T. C. ; ARAÚJO, C.H.V. . O mecanismo de transmissão da taxa de câmbio para índices de preços: uma análise VECM para o Brasil. In: XXXIII Encontro Nacional de Economia, 2005, Natal, RN. Anais do XXXIII Encontro Nacional de Economia, 2005. GUILLÉN, O. T. C. ; ARAÚJO, C.H.V. . O mecanismo de transmissão da taxa de câmbio para índices de preços: uma análise VECM para o Brasil. In: XI Reunión de la Red de Investigadores de Bancos Centrales, 2006, Buenos Aires. Anais do XI Reunión de la Red de Investigadores de Bancos Centrales. México, D.F. : CEMLA, 2006 .
HAMILTON, J. Time Series Analysis. Princeton University Press, Princeton, 1994. HOLLAND, M. ; PILLATTI, C. . Regimes cambiais e intervenções no mercado de câm-bio: uma abordagem a partir da experiência brasileira. Revista Produção Online, v. IX, p. 361-382, 2009.
MACIEL, L. F. P. Pass-Through Cambial: Uma Estimação para o Caso Brasileiro. 2007. Dissertação (Mestrado em Economia) - Fundação Getúlio Vargas - RJ.
MCCARTHY, J. Pass-through of exchange rates and import prices to domestic inflation in some industrialized economies, Staff Reports 111, Federal Reserve Bank of New York, 2000.
MORETTIN, P. A. Econometria Financeira: Um curso em séries temporais financeiras. São Paulo: Blucher, 2006.
PHILLIPS, P.C.B; PERRON, P. Testing for a Unit Root in Time Series Regressions. Bi-ometrika 75, 335-346, 1988.
SIMS, C. A.; STOCK, J. H.; WATSON, M. W. Inference in Linear Time Series Models with Some Unit Roots. Econometrica, Econometric Society, v. 58. n.1, p. 113-144, Jan. 1990.
TEJADA, C. A. O. ; FRITZ FILHO, L. F. ; COSTA, T. V. M. . O pass-through das variações da taxa de câmbio para os preços das exportações agropecuárias do Rio Grande do Sul 2002.
TEJADA, César A. O. ; SILVA, A. G. . O pass-through das variaçôes da taxa de câmbio para os preços dos principais produtos exportados pelo Brasil. Revista de Economia e
Sociologia Rural, v. 46, p. 171-205, 2008.
VIEIRA, F. V. ; CARDOSO, C. A. Transição de Regimes Cambiais no Brasil: Uma Análise de Modelos de Vetores Auto-Regressivos (VAR) e Causalidade. In: IX Encontro Regional de Economia, 2004, Fortaleza. CD - Anais do IX Encontro Regional de Econo-mia, 2004. p. 1-24.
WATSON, M. W. Vector Auto-Regression and Co-Integration. In: Engle, R. F.; McFad-den, D. L. (Ed.). Handbook of Econometrics. Elsevier, 1994. v. 4, p. 2844-2915.
ANEXO
Tabela 8: Estimativa do Modelo VAR (Câmbio - IGP-M - IPCA)
DCAMB IGP-M IPCA
DCAMB(-1) 0.352196 2.603269 1.083332 (-0.0903) (-0.46639) (-0.27993) [ 3.90048] [ 5.58178] [ 3.86996] DCAMB(-2) 0.05382 -0.660435 -0.065628 (-0.09289) (-0.47979) (-0.28798) [ 0.57939] [-1.37650] [-0.22789] IGP_M(-1) -0.029083 0.631264 0.052758 (-0.02013) (-0.10397) (-0.0624) [-1.44485] [ 6.07171] [ 0.84544] IGP_M(-2) 0.025156 0.11569 0.08434 (-0.01828) (-0.09443) (-0.05668) [ 1.37603] [ 1.22519] [ 1.48810] IPCA(-1) 0.014192 0.476197 0.573153 (-0.03394) (-0.17532) (-0.10523) [ 0.41810] [ 2.71609] [ 5.44651] IPCA(-2) -0.041532 -0.677014 -0.188502 (-0.03405) (-0.17587) (-0.10556) [-1.21976] [-3.84955] [-1.78574] C 0.017134 0.279219 0.228317 (-0.014) (-0.07231) (-0.0434) [ 1.22377] [ 3.86116] [ 5.26019] R-squared 0.135187 0.686886 0.516227 F-statistic 3.803766 53.38075 25.96576
Fonte: Elaboração própria a partir de dados da pesquisa.
Nota: Os valores entre parênteses e colchetes se referem ao desvio padrão e estatística t, respec-tivamente.
Tabela 9: Estimativa do Modelo VAR (Câmbio - IPA-M - IPCA)
DCAMB IPA-M IPCA
DCAMB(-1) 0.348041 3.509896 0.870981 (-0.09015) (-0.67899) (-0.29084) [ 3.86069] [ 5.16932] [ 2.99473] DCAMB(-2) 0.116092 -0.242912 0.074706 (-0.09876) (-0.74382) (-0.31861) [ 1.17552] [-0.32657] [ 0.23448] DCAMB(-3) 0.05992 -1.159878 0.276781 (-0.09846) (-0.7416) (-0.31766) [ 0.60855] [-1.56402] [ 0.87132] DCAMB(-4) -0.053762 0.771157 0.013464 (-0.09356) (-0.70467) (-0.30184) [-0.57463] [ 1.09435] [ 0.04461] IPA_M(-1) -0.015873 0.675564 0.081279 (-0.01359) (-0.10234) (-0.04384) [-1.16817] [ 6.60116] [ 1.85414] IPA_M(-2) -0.005897 0.04507 -0.000796 (-0.01571) (-0.11836) (-0.0507) [-0.37527] [ 0.38078] [-0.01570] IPA_M(-3) 0.015605 0.114299 0.011175 (-0.01529) (-0.11514) (-0.04932) [ 1.02084] [ 0.99273] [ 0.22660] IPA_M(-4) 0.008874 -0.027353 0.018267 (-0.0115) (-0.0866) (-0.03709) [ 0.77184] [-0.31586] [ 0.49246] IPCA(-1) 0.019545 0.44866 0.512239 (-0.03151) (-0.23734) (-0.10166) [ 0.62025] [ 1.89040] [ 5.03872] IPCA(-2) -0.048806 -0.887294 -0.236588 (-0.03346) (-0.25203) (-0.10796) [-1.45852] [-3.52054] [-2.19151] IPCA(-3) 0.074434 0.141647 0.205087 (-0.03492) (-0.26301) (-0.11266) [ 2.13152] [ 0.53856] [ 1.82042] IPCA(-4) -0.112827 -0.116762 -0.047853 (-0.03161) (-0.23806) (-0.10197) [-3.56968] [-0.49048] [-0.46929] C 0.034832 0.377899 0.213561 (-0.01601) (-0.1206) (-0.05166) [ 2.17532] [ 3.13349] [ 4.13413] R-squared 0.242107 0.708226 0.552427 F-statistic 3.67365 27.914 14.19416
Fonte: Elaboração própria a partir de dados da pesquisa.
Nota: Os valores entre parênteses e colchetes se referem ao desvio padrão e estatística t, respec-tivamente.
Figura 6.1: Função Resposta ao Impulso do Modelo VAR (Câmbio – IGP-M - IPCA)
Figura 6.2: Função Resposta ao Impulso do Modelo VAR (Câmbio - IPA-M - IPCA)