Agricultura e Desenvolvimento
O efeito dos preços dos globais de commodities agrícolas na inflação agrícola
Gabriel Tabacow Hidal
Introdução e Revisão da Literatura
Durante os últimos anos a inflação sobre alimentos tem sido persistentemente superior a
inflação total quando medido pelo IPCA. No ano de 2015 quando a inflação ultrapassou sua meta
ao atingir 10.7% a inflação de alimentos estava em 12%. Nos noticiários e jornais a alta nos
preços dos alimentos é frequentemente designada como uma das grandes causas inflacionárias.
Diante da importância da alimentação para a cesta de consumo do brasileiro cabe discutir qual o
impacto dos preços dos commodities agrícolas sobre a inflação no Brasil e compreender sua
dinâmica.
Os primeiros trabalhos neste assunto buscaram identificar uma ligação causal entre os
preços de commodities e inflação identificando as commodities como bons indicadores de
antecedência. O argumento de Cody e Mills (1991) é de que os commodities são negociados em
mercados de leilões e por isso reagem instantaneamente a novas informações enquanto o
mercado final de bens possui uma resposta mais lenta, devido a contratos e custos de cardápio.
Dessa forma um aumento nos preços dos commodities pode afetar a inflação por meio de
expectativas, visto que se os novos níveis de preços forem vistos como estáveis a demanda por
salários maiores pode ocorrer e provocar um aumento no nível geral de preços. Ademais o
aumento desses preços pode em si refletir um aumento da demanda na economia real e assim
indicar inflação futura.
Furlong e Ingenito (1996) ao analisar o impacto do preço de commodities (sem petróleo)
na inflação americana encontraram grande significância estatística para nos anos 1970 e começo
dos anos 1980 mas pouca significância depois deste período. Os autores argumentam que os
commodities eram bons indicadores antecedentes quando refletiam os efeitos de fatores
causadores da inflação como câmbio e alto poder de barganha no mercado de trabalho, todavia
nos períodos mais recentes suas variações estavam mais ligadas a choques idiossincráticos.
Outro motivo seria o fato dos commodities comporem cada vez menos o produto total
(Bloomberg e Harris, 1995).
Para caso brasileiro vale ressaltar a relação entre inflação, câmbio e o preço dos
commodities. Uma depreciação do real tem o efeito de aumentar o preço de bens importados e
com isso impacta a inflação positivamente, como mostra o estudo de Araújo e Modensi (2010)
que encontram um repasse de inflação de 7% para o câmbio. Ademais, além do efeito direto de
câmbio e preço de commodities sobre a inflação há também um efeito indireto entre estes
últimos.
Esperamos de economias exportadores de commodities como o Brasil variações cambiais
quando ocorrem variações nos preços dos commodities exportados, pois há um efeito direto no
saldo da balança comercial (Rossi,2010). Sob essa ótica um aumento no preço dos commodities
poderia indicar um impacto positivo sobre a inflação diretamente por meio do aumento de preços
dos alimentos e também negativo ao provocar uma apreciação cambial.
Souza, Annegues e Maia (2015) encontram grande importância no preço dos alimentos
como determinante para inflação no Brasil, respondendo por mais de 40% da variação do IPCA
no longo prazo. O estudo de Souza (2014) identificou que ao incluir fatores contidos nos índices
de commodities foi possível aumentar o poder preditivo de um modelo para inflação. Curatola e
Mello (2010) ao analisar o impacto de choques de commodities internacionais na inflação
brasileira encontrou um menor repasse após 2005, quando a taxa de câmbio brasileira se tornou
mais sensível aos preços de commodities.
Kalhuhl(2014) avaliou a transmissão dos preços internacionais de commodities nos
preços domésticos de alimentos. Os autores identificaram que 90 % da população pobre mundial
vivem em países cujos preços respondem rapidamente aos preços internacionais, chegando a
haver 30% até três meses após as variações de preços internacionais. Imai, Gaiha e Thapa (2008)
analisaram o a transmissão de preços globais de commodities para preços domésticos na China e
India e encontraram uma forte transmissão e atribuem a transmissão incompleta a políticas
governamentais.
Objetivo
O objetivo deste trabalho consiste em avaliar o efeito de choques nos preços de
commodities agrícolas na inflação de alimentos e de preços agrícolas no Brasil e debater sobre a
forma como essa dinâmica de repasse se dá.
Metodologia
A metodologia a ser usada neste trabalho consiste em estimações de modelos VAR com
as variáveis selecionadas. Após a melhor especificação dos modelos analisarei as funções
impulso respostas das variáveis para entender como a inflação e preços domésticos de
commodities reagem a choques ceteris paribus dos preços internacionais dos commodities
agrícolas. Por meio da análise decomposição da variância poderei também identificar qual a
importância dos preços dos commodities na explicação da variância total após um choque.
Estimarei dois modelos, um com o IPCA – Alimentos , taxa de câmbio e preço dos
commoditities e outro igual mas usando um índice próprio que calculuei com base numa sexta de
commodities.
Um índice de preços próprio foi calculado com base nos preços do principais
commodities agrícolas produzidos no país. A motivação para este índice é que espera-se que o
ajuste de preços de uma variação no preço global de commodities seja lenta e possivelmente
pequena nos preços finais ao consumidores (que é medido pelo IPCA), mas este ajuste seria em
teoria mais rápido e mais intenso nos preços ao produtores.
Deste forma usou-se os preços ao produtores do Açúcar,Arroz, Café, Milho, Soja,Trigo e Boi
Gordo para construir um índice de preços. Os preços obtidos estavam em reais e o índice foi
ponderado com base na produção média destas commodities entre 2012 e 2014 vezes seu preço
médio dos commodities.
Dados
As estimações se darão para o período mais recente da economia brasileira e, portanto,
utilizaremos dados de 2006 até 2015. Utilizamos o IPCA-Alimentos como medida de inflação
por ser o índice mais utilizado e por refletir a inflação de forma nacional e também um índice
construído pelo autor. Para o câmbio usamos a média mensal em relação ao dólar. Por fim para
medir o preço das commodities utilizamos a série FAO Price Index medido pela FAO por medir
o preço de commodities agrícolas em dólares (evitando problemas de endogeneidade) e por ser
composto por vários grupos de alimentos diferentes de acordo com seu peso na exportação
mundial.
Ponderação para índice calculado pelo autor.
Soja
35.9%
Milho
14.1%
Arroz
3.1%
Trigo
1.4%
Açucar
14.1%
Café Arabica
5.0%
Carne Bovina
26.4%
Variável
Variável
coletada
Fonte
Período
Inflação de
Alimentos
IPCA-
Alimentos e
Bebidas
IBGE
2006-2015
Índice
Construído de
Commodities
Preço ao
Produtor:
Açúcar, Arroz,
Trigo, Milho,
Soja, Café, Boi
Gordo
CEPEA-ESALQ
2006-2015
Preço dos
commodities
agrícolas
FAO Food
Price Index
FAO
2006-2015
Taxa de
Câmbio
BRL/USD
Commercial
Média Mensal
BCB
2006-2015
Resultados
Para a estimação do modelo VAR primeiro todas as séries foram transformadas em seus
logaritmos e depois foram testadas para identificar se eram processo estacionários ou não em seu
nível. Através do teste Augmented Dickey Fuller foi possível identificar que todas as variáveis se
tornam estacionárias apenas após uma diferença, logo o modelo foi estimado com as variáveis
em primeira diferença.
Realizou se estimações com lags diferentes para analisar os critérios de Akaike, Schwarz,
Hannan Quinn, FPE e LR, o teste de LM para autocorrelação dos resíduos para definir o número
final de defasagens. No primeiro modelo foi estimado um VAR com as diferenças dos
logaritmos de câmbio, IPCA e FAO Food Index, além de dummys para controlar sazonalidade.
No segundo VAR usou-se apenas a diferença do logaritmo do FAO Food Index e o índice de
preços agrícolas construído.
Critério de seleção de defasagens para o modelo 1
Lag LogL LR FPE AIC SC HQ
0 437.2435 NA 1.41e-06 -7.797046 -7.194003 -7.552630 1 469.1421 55.37123 8.35e-07* -8.323436* -7.619886* -8.038283* 2 471.6320 4.228127 8.60e-07 -8.294943 -7.490886 -7.969055 3 474.3555 4.521990 8.83e-07 -8.270858 -7.366294 -7.904233 4 476.8157 3.992020 9.11e-07 -8.241805 -7.236734 -7.834444 5 478.7394 3.048951 9.51e-07 -8.202630 -7.097052 -7.754533 6 486.0351 11.28771* 8.97e-07 -8.264814 -7.058728 -7.775980 7 488.2361 3.322208 9.32e-07 -8.230869 -6.924277 -7.701300 8 489.3003 1.566220 9.90e-07 -8.175477 -6.768378 -7.605172 9 492.6140 4.751768 1.01e-06 -8.162529 -6.654922 -7.551488 10 495.4354 3.939229 1.04e-06 -8.140290 -6.532176 -7.488513 11 499.6375 5.708497 1.04e-06 -8.144103 -6.435482 -7.451590 12 501.6448 2.651243 1.09e-06 -8.106506 -6.297378 -7.373257 13 506.4610 6.179254 1.09e-06 -8.121906 -6.212270 -7.347920
Resultado do Teste LM de autocorrelação dos resíduos para uma defasagem
Lags LM-Stat Prob
1 4.490543 0.3437 2 4.186121 0.3814 3 7.226197 0.1244 4 0.257035 0.9924 5 10.50077 0.0328 6 9.024172 0.0605 7 2.161656 0.7061 8 2.633969 0.6208 9 3.319810 0.5058 10 4.936306 0.2939 11 3.748282 0.4411 12 7.631605 0.1060 13 5.455844 0.2436
Probs from chi-square with 4 df.
Resultado do Teste de autocorrelação dos resíduos para 6 defasagens
Lags LM-Stat Prob
1 3.362238 0.4991 2 0.526133 0.9709 3 2.017046 0.7326 4 3.875904 0.4231 5 3.311324 0.5071 6 1.519418 0.8232 7 3.808185 0.4326 8 2.024249 0.7313 9 4.520063 0.3402 10 4.411441 0.3532 11 3.933427 0.4151 12 4.900893 0.2976 13 3.577790 0.4661
Probs from chi-square with 4 df.
Com base nesses resultados o ideal seria estimar um modelo com apenas uma defasagem
visto o resultado da maior dos critérios. Os resultados dos testes de autorcorrelação LM indicam
que os resíduos possuem autocorrelação para defasagens 5 e 6 para o modelo com uma
defasagem mas não possuem para o modelo com 6 e por isso o VAR será estimado com 6
defasagens.
Critério de seleção de defasagens para o modelo 2
VAR Lag Order Selection Criteria
Endogenous variables: DIPCA DLFAO DLCAMBIO
Exogenous variables: C @SEAS(1) @SEAS(2) @SEAS(3) @SEAS(4) @SEAS(5) @SEAS(6) @SEAS(7) @SEAS(8) @SEAS(9) @SEAS(10) @SEAS(11)
Date: 05/06/16 Time: 02:23 Sample: 2006M01 2015M12 Included observations: 106
Lag LogL LR FPE AIC SC
0 837.3654 NA 5.46e-11 -15.12010 -14.21554 1 889.7275 89.90479 2.42e-11 -15.93826 -14.80755* 2 905.0208 25.39266 2.15e-11 -16.05700 -14.70015 3 915.7929 17.27599* 2.10e-11 -16.09043 -14.50745 4 926.2737 16.21560 2.06e-11* -16.11837* -14.30924 5 931.5743 7.900892 2.23e-11 -16.04857 -14.01330 6 935.3421 5.402817 2.49e-11 -15.94985 -13.68844 7 939.3684 5.545711 2.78e-11 -15.85601 -13.36846 8 945.9714 8.720932 2.97e-11 -15.81078 -13.09709 9 954.6504 10.97148 3.06e-11 -15.80472 -12.86489 10 962.3277 9.270759 3.23e-11 -15.77977 -12.61379 11 968.1747 6.729572 3.55e-11 -15.72028 -12.32816 12 972.8500 5.116385 4.01e-11 -15.63868 -12.02042 13 984.1591 11.73583 4.02e-11 -15.68225 -11.83785
* indicates lag order selected by the criterion
LR: sequential modified LR test statistic (each test at 5% level) FPE: Final prediction error
AIC: Akaike information criterion SC: Schwarz information criterion HQ: Hannan-Quinn information criterion
Resultado do Teste de autocorrelação dos resíduos para uma defasagem.
Lags LM-Stat Prob
1 24.57631 0.0035 2 19.31508 0.0226 3 25.06092 0.0029 4 21.39424 0.0110 5 4.596820 0.8679 6 11.13851 0.2663 7 9.400849 0.4011 8 6.652138 0.6733 9 24.00338 0.0043 10 10.91196 0.2818 11 4.102651 0.9045 12 14.02694 0.1214 13 10.38648 0.3201
Probs from chi-square with 9 df.
Resultado do Teste de autocorrelação dos resíduos para três defasagens.
] Lags LM-Stat Prob
1 17.48159 0.0417 2 14.53762 0.1044 3 17.39421 0.0429 4 26.23810 0.0019 5 3.886396 0.9187 6 4.144036 0.9017 7 9.174343 0.4213 8 4.467975 0.8780 9 16.02093 0.0664 10 9.019509 0.4355 11 4.038868 0.9088 12 10.52342 0.3098 13 15.12693 0.0875
Resultado do Teste de autocorrelação dos resíduos para quatro defasagens.
Lags LM-Stat Prob
1 9.535918 0.3893 2 5.439077 0.7945 3 7.496770 0.5855 4 9.664531 0.3783 5 12.57338 0.1829 6 3.682296 0.9311 7 10.18434 0.3358 8 5.281454 0.8091 9 12.62220 0.1805 10 10.50096 0.3115 11 3.126892 0.9591 12 9.970742 0.3529
Probs from chi-square with 9 df.
No caso do modelo 2 (IPCA, FAO e Câmbio) os critérios de defasagem sugeriram um,
três e quatro defasagens. O modelo de quatro defasagens foi escolhido por ser o com maiores
critérios e não possuir indícios de autocorrelação nos resíduos.
Evolução das três medidas de preços
Fonte: FAO, IBGE, CEPEA-ESALQ. Elaborado pelo autor.
O gráfico acima mostra a variação das três medias de preços ao longo do período
analisado. Observa-se que por alguns anos o índice construído e o índice da FAO parecem seguir
tendências semelhantes.
A partir das estimações dos VARs podemos analisar parcialmente os resultados deste
estudo. No modelo 1 percebe-se na Função Impulso Resposta que a variável a diferença do
logaritmo do índice não teve impulso estatisticamente significante para um choque da diferença
do logaritmo do índice da FAO, exceto na defasagem 6 que indicou um impulso positivo como
esperado. Por outro lado se analisarmos o choque inverso, o impulso da diferença do logaritmo
do índice FAO ao índice construído, observou-se um choque positivo estatisticamente
significantes para os primeiros do períodos e também visível na função acumulada.
Possivelmente pelo peso do Brasil na produção global de certas commodities, a variação de
preços domésticos pode acabar sendo também responsável pela mudança de preços globais e não
só o contrario.
80,0
100,0
120,0
140,0
160,0
180,0
200,0
220,0
240,0
260,0
280,0
jan
/0
6
jun/
06
nov/
06
ab
r/0
7
set/
07
fev
/08
jul/08
dez
/0
8
mai
/0
9
out
/0
9
mar
/10
ag
o/
1
0
jan
/1
1
jun/
11
nov/
11
ab
r/1
2
set/
12
fev
/13
jul/13
dez
/1
3
mai
/1
4
out
/1
4
mar
/15
ag
o/
1
5
Para o modelo 2 a função impulso resposta da diferença do logaritmo do IPCA
Alimentos em relação a um choque do índice da FAO foi significante apenas para a defasagem 4
mas a função acumulada obteve alta significância após esta defasagem, possivelmente
corroborando a hipótese de que uma alta nos preços internacionais repercutiria na inflação de
alimentos doméstica, embora apenas 4 meses depois.
Na análise da decomposição da variância dos erros de previsão, a partir dos resultados
obtidos na Função Impulso Resposta decidiu-se estimar a variância assumindo tanto um choque
inicial dos preços locais medido pelo índice construído, como também um choque inicial dos
preços internacionais medidos pelo índice da FAO. No caso de um choque iniciado por preços
internacionais a decomposição indica que a variação dos preços locais poder ser explicada
somente por 1% pela variação dos preços internacionais dois meses após o choque mas até
10.5% 10 meses depois. Se assumirmos que os preços locais realizam o choque primeiro, temos
que os preços locais podem contribuir por 16% da variação dos preços internacionais após um
mês, chegando até 18.3% 10 meses após. Desta forma observamos que estatisticamente os preços
locais teriam uma influência muito mais rápida expressiva nos preços internacionais do que o
contrário.
No caso do modelo 2 a decomposição da variância dos erros de previsão a variação dos
preços internacionais pode explicar 9.6% da variação do IPCA Alimentos, chegando a 11.3% ao
final de 10 meses. Estes resultados de algo forma indica um impacto moderado dos preços
internacionais da inflação, que possuem uma defasagem de 4 meses como observado pela função
impulso resposta. Interessantemente, observa-se também que nos primeiros 4 meses o impacto de
um choque dos preços internacionais é superior ao impacto do câmbio na inflação, que depois se
torna mais significante.
Conclusão
A partir dos resultados obtidos pode-se ter uma visão mais clara do impacto dos preços
internacionais de alimentos sobre a inflação e preços locais de alimentos. No caso do impacto
dos preços internacionais sobre os preços locais de alimentos encontramos uma reação com
pouca significância no curto prazo e depois disso ainda bastante moderada. Esperava-se que os
preços locais de commodities teriam um ajuste rápido aos preços internacionais pois eles são
negociados em mercados internacionais. Esta situação pode estar sendo provocada por alguma
política governamental que busca estabilizar os preços desses commodities localmente.
Embora não fosse objetivo da pesquisa originalmente, a possibilidade do preço local de
commodities ter um forte impacto sobre o preço internacional aparente ser plausível devido aos
resultados. A grande importância do Brasil na produção de commodities de grande peso no
mercado internacional pode ser um motivo pelo qual nos resultados encontrou-se maior
significância para essa proposição.
No caso do efeito dos preços internacionais sobre a inflação de alimentos o fato da
significância destas variações ocorreram com certa defasagem e ainda assim de forma moderada,
confirma suspeitas de que o ajuste de preços aos consumidores é lento e com um pass-through
limitado.
Bibliografia
ARAUJO, E. ; MODENESI, A. A importância ia do Setor Externo na Evolução do IPCA
(1999-2010): uma análise com base em um modelo SVAR. XXXVIII Encontro Nacional de Economia.
Salvador, dezembro, 2010.
BLOOMBERG, S. Brock.; HARRIS, Ethan S.“The Commodity-Consumer Prices Connection:
Fact or Fable?” Federal Reserve Bank of New York Economic Policy Review, 1 (3),p. 21–38
.Out.1995.
CODY, Brian J.; MILLS, Leonardo O. The role of commodity prices in formulating monetary
policy. Rev. Econ. Stat, v. 73, no. 2, , p.358-365, Maio, 1991
CURATOLA e MELLO, Alisson. Análise do impacto de choque nos preços internacionais dos
commodities sobre a inflação brasileira, 2010, 62p. Dissertação. UNB.
FURLONG, Fred.; INGENITO, Robert. “Commodity Prices and Inflation”, FRBSF Economic
Review 2 (1996), 27–47.
IMAI, K; GAIHA, R; THAPA, G. Transmission of world commodity prices to domestic
commodity prices in India and China. BWPI Working Paper 45. Jun.2008.
KALKUHL, M. How strong do global commodity prices influence domestic food prices
? A
global price transmission.
AAEA Annual Meeting, Minneapolis, Jul. 2014.
SOUZA, R. G. ; ANÁLISE DA DINÂMICA ENTRE PREÇOS DAS COMMODITIES E
INFLAÇÃO NO BRASIL UTILIZANDO FATORES COMUNS E PREVISÕES FORA DA
AMOSTRA PARA O PERÍODO DE 2003:02 À 2014:02. 2014. (Encontro ANPEC 2014)
SOUZA, W. P. S. F. ; ANNEGUES, A. C. ; MAIA. S. F. . Preços de alimentos e dinâmica
inflacionaria no Brasil: uma aplicação do Modelo de Vetores Autoregressivos. In: 51º Congresso
da SOBER, 2013, Belém. 51º Congresso da Sober. Brasília, 2013.
ANEXOS
Estimação VAR modelo 2 (IPCA, FAO, Câmbio)
Vector Autoregression Estimates Date: 05/06/16 Time: 02:29
Sample (adjusted): 2006M06 2015M12 Included observations: 115 after adjustments Standard errors in ( ) & t-statistics in [ ]
DIPCA DLFAO DLCAMBIO
DIPCA(-1) 0.630540 -0.954723 0.959653 (0.09889) (0.62273) (0.80013) [ 6.37642] [-1.53312] [ 1.19938] DIPCA(-2) -0.224856 0.692654 -0.660423 (0.11867) (0.74732) (0.96021) [-1.89480] [ 0.92685] [-0.68779] DIPCA(-3) -0.218272 -0.494177 0.459406 (0.11875) (0.74780) (0.96083) [-1.83813] [-0.66084] [ 0.47814] DIPCA(-4) 0.161149 -1.223243 1.059052 (0.09507) (0.59870) (0.76925) [ 1.69506] [-2.04317] [ 1.37674] DLFAO(-1) 0.019055 0.456371 -0.280702 (0.01823) (0.11479) (0.14749) [ 1.04535] [ 3.97571] [-1.90319] DLFAO(-2) 0.009544 0.059231 -0.272322 (0.01994) (0.12558) (0.16136) [ 0.47857] [ 0.47165] [-1.68771] DLFAO(-3) 0.066526 0.109380 0.121124 (0.02007) (0.12637) (0.16237) [ 3.31524] [ 0.86556] [ 0.74599] DLFAO(-4) 0.018906 0.035623 -0.151107 (0.01923) (0.12107) (0.15556) [ 0.98341] [ 0.29423] [-0.97137] DLCAMBIO(-1) -0.001521 -0.106354 0.342984 (0.01429) (0.08999) (0.11562) [-0.10644] [-1.18187] [ 2.96639] DLCAMBIO(-2) 0.039736 -0.009098 -0.221188 (0.01485) (0.09353) (0.12017) [ 2.67557] [-0.09728] [-1.84062] DLCAMBIO(-3) 0.014108 0.069104 -0.091321 (0.01530) (0.09637) (0.12382) [ 0.92189] [ 0.71706] [-0.73751] DLCAMBIO(-4) 0.044203 -0.000604 -0.051629 (0.01553) (0.09783) (0.12569) [ 2.84556] [-0.00617] [-0.41076]
C 0.004559 0.002305 0.008690 (0.00157) (0.00991) (0.01273) [ 2.89718] [ 0.23259] [ 0.68260] @SEAS(1) 0.003112 0.015181 -0.027566 (0.00198) (0.01244) (0.01599) [ 1.57491] [ 1.22007] [-1.72416] @SEAS(2) -0.004302 0.022640 -0.021615 (0.00200) (0.01258) (0.01616) [-2.15456] [ 1.80041] [-1.33776] @SEAS(3) 0.003741 0.004581 -0.006319 (0.00203) (0.01281) (0.01646) [ 1.83841] [ 0.35748] [-0.38382] @SEAS(4) -0.001089 0.026096 -0.051395 (0.00216) (0.01358) (0.01745) [-0.50516] [ 1.92199] [-2.94604] @SEAS(5) -0.001355 0.013279 -0.014211 (0.00216) (0.01363) (0.01752) [-0.62604] [ 0.97410] [-0.81135] @SEAS(6) -0.001858 0.011385 -0.018396 (0.00197) (0.01239) (0.01592) [-0.94440] [ 0.91893] [-1.15563] @SEAS(7) -0.003417 0.017233 -0.026701 (0.00202) (0.01269) (0.01631) [-1.69568] [ 1.35782] [-1.63739] @SEAS(8) -0.002334 0.000640 0.002072 (0.00200) (0.01258) (0.01616) [-1.16852] [ 0.05090] [ 0.12821] @SEAS(9) -0.001924 0.011393 0.000859 (0.00197) (0.01238) (0.01591) [-0.97850] [ 0.92035] [ 0.05400] @SEAS(10) 0.000165 0.004621 -0.013838 (0.00194) (0.01220) (0.01568) [ 0.08498] [ 0.37870] [-0.88268] @SEAS(11) 0.000900 0.011918 0.000414 (0.00192) (0.01211) (0.01556) [ 0.46798] [ 0.98413] [ 0.02663] R-squared 0.662172 0.475593 0.412813 Adj. R-squared 0.576786 0.343050 0.264403 Sum sq. resids 0.001529 0.060639 0.100108 S.E. equation 0.004099 0.025814 0.033168 F-statistic 7.755109 3.588228 2.781571 Log likelihood 482.4341 270.8173 241.9920 Akaike AIC -7.972767 -4.292474 -3.791166 Schwarz SC -7.399912 -3.719619 -3.218310 Mean dependent 0.006893 0.001766 0.005003 S.D. dependent 0.006301 0.031849 0.038672
Determinant resid covariance (dof adj.) 9.83E-12
Log likelihood 1008.237
Akaike information criterion -16.28238
Schwarz criterion -14.56382
Função Impulso Resposta do Modelo 2
-.002 .000 .002 .004 .006 1 2 3 4 5 6 7 8 9 10
Response of DIPCA to DLFA O
-.002 .000 .002 .004 .006 1 2 3 4 5 6 7 8 9 10
Response of DIPCA to DLCA MBIO
-.002 .000 .002 .004 .006 1 2 3 4 5 6 7 8 9 10
Response of DIPCA to DIPCA
-.02 -.01 .00 .01 .02 .03 1 2 3 4 5 6 7 8 9 10
Response of DLFA O to DLFA O
-.02 -.01 .00 .01 .02 .03 1 2 3 4 5 6 7 8 9 10
Response of DLFA O to DLCA MBIO
-.02 -.01 .00 .01 .02 .03 1 2 3 4 5 6 7 8 9 10
Response of DLFA O to DIPCA
-.04 -.02 .00 .02 .04 1 2 3 4 5 6 7 8 9 10
Response of DLCA MBIO to DLFA O
-.04 -.02 .00 .02 .04 1 2 3 4 5 6 7 8 9 10
Response of DLCA MBIO to DLCA MBIO
-.04 -.02 .00 .02 .04 1 2 3 4 5 6 7 8 9 10
Response of DLCA MBIO to DIPCA
Função Impulso Resposta Acumulada do Modelo 2
-.004 .000 .004 .008 .012 1 2 3 4 5 6 7 8 9 10A ccumulated Response of DIPCA to DIPCA
-.004 .000 .004 .008 .012 1 2 3 4 5 6 7 8 9 10
A ccumulated Response of DIPCA to DLCA MBIO
-.004 .000 .004 .008 .012 1 2 3 4 5 6 7 8 9 10
A ccumulated Response of DIPCA to DLFA O
-.050 -.025 .000 .025 .050 .075 .100 1 2 3 4 5 6 7 8 9 10
A ccumulated Response of DLCA MBIO to DIPCA
-.050 -.025 .000 .025 .050 .075 .100 1 2 3 4 5 6 7 8 9 10
A ccumulated Response of DLCA MBIO to DLCA MBIO
-.050 -.025 .000 .025 .050 .075 .100 1 2 3 4 5 6 7 8 9 10
A ccumulated Response of DLCA MBIO to DLFA O
-.08 -.04 .00 .04 .08 1 2 3 4 5 6 7 8 9 10
A ccumulated Response of DLFA O to DIPCA
-.08 -.04 .00 .04 .08 1 2 3 4 5 6 7 8 9 10
A ccumulated Response of DLFA O to DLCA MBIO
-.08 -.04 .00 .04 .08 1 2 3 4 5 6 7 8 9 10
A ccumulated Response of DLFA O to DLFA O
Decomposição da Variância de Cholesky para o Modelo 2
Varian ce Decom positio n of DIPCA :Period S.E. DIPCA DLFAO DLCAMBIO
1 0.004099 97.39917 2.259670 0.341165 2 0.004913 94.77304 4.943474 0.283484 3 0.005091 89.71560 5.145465 5.138936 4 0.005514 79.69079 9.571925 10.73728 5 0.005929 70.95026 10.83718 18.21256 6 0.005987 69.58674 11.46768 18.94559 7 0.006018 69.29384 11.36726 19.33890 8 0.006075 68.00549 11.23063 20.76388 9 0.006104 67.70678 11.24813 21.04508 10 0.006123 67.79577 11.28681 20.91742 Varian ce Decom positio n of DLFA O:
Period S.E. DIPCA DLFAO DLCAMBIO
1 0.025814 0.000000 100.0000 0.000000 2 0.029225 1.746555 96.88318 1.370261 3 0.030555 1.948290 95.90444 2.147273 4 0.031560 2.288638 95.67970 2.031661 5 0.032407 5.992124 92.04724 1.960639 6 0.033264 10.14679 87.59441 2.258804 7 0.033814 12.19241 84.87043 2.937162 8 0.034130 12.57208 83.32721 4.100715 9 0.034477 12.41192 81.85590 5.732181 10 0.034702 12.30366 80.97899 6.717347 Varian ce Decom positio n of DLCA MBIO:
Period S.E. DIPCA DLFAO DLCAMBIO
1 0.033168 0.000000 18.09596 81.90404 2 0.036852 1.109812 24.38666 74.50352 3 0.038567 1.336304 30.33537 68.32833 4 0.038824 1.645832 30.35643 67.99773 5 0.039161 3.027603 29.96001 67.01239 6 0.039707 5.429887 29.22501 65.34510 7 0.040214 6.959780 28.49428 64.54594
8 0.040458 7.069808 28.16567 64.76452 9 0.040663 7.001129 27.97287 65.02600 10 0.040793 6.957263 27.93968 65.10306 Chole sky Orderi ng: DLFA O DLCA MBIO DIPCA
Estimação VAR modelo 1 (Índice, FAO)
Vector Autoregression Estimates Date: 05/06/16 Time: 02:45
Sample (adjusted): 2006M08 2015M12 Included observations: 113 after adjustments Standard errors in ( ) & t-statistics in [ ]
DLINDEX DLFAO DLINDEX(-1) 0.350555 -0.000512 (0.11185) (0.09810) [ 3.13415] [-0.00521] DLINDEX(-2) -0.101742 0.070676 (0.11916) (0.10451) [-0.85386] [ 0.67626] DLINDEX(-3) 0.144032 -0.055940 (0.11977) (0.10505) [ 1.20253] [-0.53250] DLINDEX(-4) -0.078336 0.051753 (0.11843) (0.10387) [-0.66144] [ 0.49822] DLINDEX(-5) -0.207242 -0.221381 (0.11689) (0.10252) [-1.77295] [-2.15932] DLINDEX(-6) 0.065926 0.204964 (0.11107) (0.09742) [ 0.59355] [ 2.10394] DLFAO(-1) 0.134839 0.594885 (0.12863) (0.11282) [ 1.04826] [ 5.27286] DLFAO(-2) -0.047651 0.021153 (0.14525) (0.12739) [-0.32807] [ 0.16605] DLFAO(-3) -0.153203 0.101024 (0.14509) (0.12725) [-1.05593] [ 0.79387] DLFAO(-4) 0.129881 -0.098281 (0.14757) (0.12943) [ 0.88012] [-0.75932] DLFAO(-5) 0.298731 0.166541 (0.15331) (0.13446)
[ 1.94857] [ 1.23856] DLFAO(-6) -0.383384 -0.181287 (0.13350) (0.11709) [-2.87178] [-1.54826] C -0.010303 -0.009133 (0.01067) (0.00936) [-0.96543] [-0.97571] @SEAS(1) 0.021732 0.013922 (0.01480) (0.01298) [ 1.46875] [ 1.07276] @SEAS(2) 0.002755 0.019071 (0.01449) (0.01271) [ 0.19007] [ 1.50021] @SEAS(3) 0.011849 0.000363 (0.01529) (0.01341) [ 0.77499] [ 0.02705] @SEAS(4) 0.005867 0.015976 (0.01512) (0.01326) [ 0.38801] [ 1.20456] @SEAS(5) 0.007826 0.003242 (0.01532) (0.01344) [ 0.51072] [ 0.24121] @SEAS(6) 0.022992 0.013298 (0.01538) (0.01349) [ 1.49470] [ 0.98563] @SEAS(7) 0.016842 0.008438 (0.01490) (0.01307) [ 1.13051] [ 0.64580] @SEAS(8) 0.029217 0.002960 (0.01484) (0.01302) [ 1.96891] [ 0.22745] @SEAS(9) 0.026613 0.011333 (0.01443) (0.01265) [ 1.84451] [ 0.89553] @SEAS(10) 0.019870 0.004850 (0.01412) (0.01238) [ 1.40744] [ 0.39170] @SEAS(11) 0.034515 0.019101 (0.01422) (0.01247) [ 2.42760] [ 1.53177] R-squared 0.377652 0.445687 Adj. R-squared 0.216821 0.302438 Sum sq. resids 0.082964 0.063822 S.E. equation 0.030532 0.026779 F-statistic 2.348124 3.111269 Log likelihood 247.4054 262.2256 Akaike AIC -3.954078 -4.216383 Schwarz SC -3.374810 -3.637114
Mean dependent 0.007992 0.001602
S.D. dependent 0.034500 0.032063
Determinant resid covariance (dof adj.) 5.62E-07
Determinant resid covariance 3.48E-07
Log likelihood 519.4739
Akaike information criterion -8.344671
Schwarz criterion -7.186135
Função Impulso Acumulada Resposta do Modelo 1
-.04 -.02 .00 .02 .04 .06 .08 1 2 3 4 5 6 7 8 9 10
Accumulated Response of DLINDEX to DLFAO
-.04 -.02 .00 .02 .04 .06 .08 1 2 3 4 5 6 7 8 9 10
Accumulated Response of DLINDEX to DLINDEX
.00 .04 .08 .12
1 2 3 4 5 6 7 8 9 10
Accumulated Response of DLFAO to DLFAO
.00 .04 .08 .12
1 2 3 4 5 6 7 8 9 10
Accumulated Response of DLFAO to DLINDEX Accumulated Response to Cholesky One S.D. Innovations ± 2 S.E.
Função Impulso Resposta do Modelo 1
-.02 -.01 .00 .01 .02 .03 .04 1 2 3 4 5 6 7 8 9 10Response of DLINDEX to DLFAO
-.02 -.01 .00 .01 .02 .03 .04 1 2 3 4 5 6 7 8 9 10
Response of DLINDEX to DLINDEX
-.01 .00 .01 .02 .03 1 2 3 4 5 6 7 8 9 10
Response of DLFAO to DLFAO
-.01 .00 .01 .02 .03 1 2 3 4 5 6 7 8 9 10
Response of DLFAO to DLINDEX Response to Cholesky One S.D. Innovations ± 2 S.E.
Decomposição da Variância de Cholesky para o Modelo 1 – Especificação 1
Varian ce Decom positio n of DLFA O:Period S.E. DLINDEX DLFAO
1 0.030532 15.98799 84.01201 2 0.033025 15.97079 84.02921 3 0.033117 17.64801 82.35199 4 0.033341 17.70128 82.29872 5 0.033363 18.09799 81.90201 6 0.034664 17.89869 82.10131 7 0.035024 17.96483 82.03517 8 0.035291 18.34732 81.65268 9 0.035315 18.34708 81.65292 10 0.035456 18.33669 81.66331 Varian ce Decom positio n of DLIND EX:
Period S.E. DLINDEX DLFAO
1 0.026779 100.0000 0.000000 2 0.031156 98.99571 1.004287 3 0.033065 98.65121 1.348790 4 0.034376 97.93083 2.069174 5 0.034781 97.85567 2.144329 6 0.035397 91.81518 8.184820 7 0.035440 91.32138 8.678620 8 0.035523 90.01844 9.981556 9 0.035525 89.98865 10.01135 10 0.035565 89.52065 10.47935 Chole sky Orderi ng: DLIND EX DLFA O
Decomposição da Variância de Cholesky para o Modelo 1 – Especificação 2
Varian ce Decom positio n of DLIND EX:Period S.E. DLINDEX DLFAO
1 0.030532 100.0000 0.000000 2 0.033025 98.99571 1.004287 3 0.033117 98.65121 1.348790 4 0.033341 97.93083 2.069174 5 0.033363 97.85567 2.144329 6 0.034664 91.81518 8.184820 7 0.035024 91.32138 8.678620 8 0.035291 90.01844 9.981556 9 0.035315 89.98865 10.01135 10 0.035456 89.52065 10.47935 Varian ce Decom positio n of DLFA O:
Period S.E. DLINDEX DLFAO
1 0.026779 15.98799 84.01201 2 0.031156 15.97079 84.02921 3 0.033065 17.64801 82.35199 4 0.034376 17.70128 82.29872 5 0.034781 18.09799 81.90201 6 0.035397 17.89869 82.10131 7 0.035440 17.96483 82.03517 8 0.035523 18.34732 81.65268 9 0.035525 18.34708 81.65292 10 0.035565 18.33669 81.66331 Chole sky Orderi ng: DLIND EX DLFA O
