Proposta de Indicador de Incerteza Política...Assim, um método de Vetores Autoregressivos (VAR) é utilizado para estudar melhor a dinâmica do IIP na atividade econômica, seguindo

Proposta de Indicador de Incerteza Política

Christiano Lo Bianco Clementino

Projeto de Graduação apresentado ao Curso de

Engenharia de Produção da Escola Politécnica,

Universidade Federal do Rio de Janeiro, como

parte dos requisitos necessários à obtenção do

título de Engenheiro.

Orientador: Roberto Ivo da Rocha Lima Filho,

D.Sc.

Rio de Janeiro

Setembro de 2017

iii

Lo Bianco Clementino, Christiano

Incerteza Política/ Christiano Lo Bianco Clementino – Rio

de Janeiro: UFRJ/ Escola Politécnica, 2017.

xi, 43 p.: il.; 29,7 cm.

Orientador: Roberto Ivo da Rocha Lima Filho

Projeto de Graduação – UFRJ/ POLI/ Curso de Engenharia

de Produção, 2017.

Referências Bibliográficas: p. 42-43

1. Incerteza Política. 2.Indicador de Incerteza Política.

Lima Filho, Roberto Ivo da Rocha II. Universidade

Federal do Rio de Janeiro, UFRJ, Curso de Engenharia de

Produção.

iv

AGRADECIMENTOS

Minha formação não seria possível se não fosse por minha mãe Anna Carolina

Lo Bianco Clementino e meu pai Marcus Viana Clementino.

À minha família na Finlândia, Bernardo Clementino e Emma Luode, por todos

os melhores momentos que passei durante a graduação.

Não teria o interesse que tenho pela academia se não fosse pelo mundo da

simulação, representado na minha vida pelos Gloriosos Theo Nery, Gaia Nery, Stefano

D'angello, Elias Couto e Almeida Junior, Marcos Paulo Britto, Carlos Henrique

Nascimento Barbosa, Victor Pimenta Bueno, Guilherme Migliora, Lucas Carvalho

Moreira e Verônica Sales.

Á pessoas e amigos que foram muito importantes para mim como Pedro Victor

Sansoldo, André Teixeira, Ananda Petrucci, Maria Forner, Rebeca Belchior, Julia

Carapiá, Elena Funcia Lemme, Tiago Roberti Sampaio, Eduardo Zech, Julia Vianna

Nascimento, Pedro Barusco, Pedro Castro, Bruna Leticia Fusco Gonzales, Julia Feu Rosa,

Isadora Schroder, Pedro Bruschi, Maria Ramiro e Leonardo Pignatari.

É claro que não teria conseguido me formar se não fosse pela paciência, suporte,

apoio intelectual e amizade do Dream Team da Equipe de Macroeconomia do Banco

BBM, Tiago Souza, Roberta Olivieri, Leandro Rothmuller e Felipe Pinto que me

mostraram que há possibilidade de se trabalhar feliz quando há paixão pelo que se faz.

Ao meu orientador Roberto Ivo, à CAPES e ao CNPq pelas bolsas que recebi

durante esse período.

À coordenadora de Engenharia de Produção Maria Alice Ferruccio Rainho.

v

Resumo do Projeto de Graduação apresentado à Escola Politécnica/ UFRJ como parte dos

requisitos necessários para a obtenção do grau de Engenheiro de Produção.

PROPOSTA DE INDICADOR DE INCERTEZA POLÍTICA


Setembro/2017

Orientador: Roberto Ivo da Rocha Lima Filho, D. Sc.

Curso: Engenharia de Produção

O modelo político brasileiro já foi caracterizado como sendo um “presidencialismo de

coalisão”. A possível ocorrência do fim da coalisão presidencial formada no Congresso é

retratado na literatura como capaz de gerar a perda da autoridade presidencial - o que, no

presente trabalho, é interpretado como fonte geradora de incerteza política. Para que se

tenha um entendimento melhor da política brasileira e de seus efeitos sobre a economia,

é utilizada a metodologia de Análise Multivariada que extrai informações sobre a

disposição dos políticos do Congresso e uma medida do alinhamento desse com o poder

executivo é criada. Por último, métodos econométricos são usados com essa nova métrica

de incerteza política para testar seu impacto na economia do país.

Palavras-chave: Incerteza Política, Análise Multivariada, Congresso Nacional

vi

Abstract of Undergraduate Project presented to POLI/UFRJ as a partial fulfillment of the

requirements for the degree of Industrial Engineer.

PROPOSAL FOR A POLITICAL UCERTAINTY INDEX


September/2017

Advisor: Roberto Ivo da Rocha Lima Filho, D. Sc.

Course: Industrial Engineering

Brazilian political style can be defined as “coalition presidentialism”. The possible

occurrence of the end of presidential coalition in Congress is depicted in the literature as

a potential source of reduction in presidential authority – which, in this paper, is

interpreted as a source of political uncertainty. For a better understanding of Brazilian

politics and its effects in economy, Multivariate Analysis methodology is adopted in order

to extract information about politicians’ inclinations in Congress. A measure of the

relationship of the congressmen with executive power is created. Finally, econometric

methods are used with this new measure of political uncertainty to test its impact in the

national economy.

Keywords: Political Uncertainty, Multivariate Analysis, Congress

vii

SUMÁRIO

INTRODUÇÃO ............................................................................................................... 1

1 FUNDAMENTAÇÃO TEÓRICA.................................................................... 3

1.1 INCERTEZA ....................................................................................................... 3

1.2 RELAÇÃO DO PODER EXECUTIVO COM LEGISLATIVO ........................ 4

2 METODOLOGIA ............................................................................................. 5

2.1 DADOS ............................................................................................................... 5

2.2 ANÁLISE FATORIAL ....................................................................................... 6

2.3 SÉRIE TEMPORAL ........................................................................................... 8

3 ANÁLISE GRÁFICA E VISUAL DO CONGRESSO ................................. 11

3.1 GOVERNO LULA NO AUGE DA AVALIAÇÃO DE GOVERNO .............. 12

3.2 IMPEACHMENT DE DILMA ROUSSEFF .................................................... 14

3.3 GOVERNO DE MICHEL TEMER .................................................................. 17

4 ANÁLISE DA SÉRIE TEMPORAL ............................................................. 18

4.1 SÉRIE DE ALINHAMENTO DO CONGRESSO NACIONAL...................... 18

4.2 OUTRAS MEDIDAS DE INCERTEZA DE POLÍTICA PARA O BRASIL .. 19

4.3 ESCOLHA DE VARIÁVEIS PARA ANÁLISE .............................................. 21

4.4 MODELAGEM E ANÁLISE DE ROBUSTEZ ............................................... 22

4.5 RESULTADO DA MODELAGEM ................................................................. 34

5 CONCLUSÃO ................................................................................................. 41

REFERÊNCIAS BIBLIOGRÁFICAS ........................................................................ 43

viii

LISTA DE FIGURAS

Figura 1 – Primeiras 6 colunas e 11 linhas da tabela mãe geradora das janelas. 6

Figura 2 – Primeiras 7 colunas e 7 linhas da matriz de janela ........................... 7

Figura 3 – primeiras 7 linhas e colunas da matriz de correlação de uma única

janela ................................................................................................................................. 7

Figura 4 – Série temporal de primeiros autovalores e segundos autovalores. ... 9

Figura 5 – Indicador de Incerteza Política (IIP) ............................................... 10

Figura 6 – Avaliação dos presidentes brasileiros a partir de 86 ....................... 12

Figura 7 – Disposição do Congresso Nacional em 04/08/2010 ....................... 13

Figura 8 – Mapa de calor de matriz de correlação organizada por soma ......... 14

Figura 9 – Mapa de calor de matriz de correlação do congresso no final de 2015

........................................................................................................................................ 15

Figura 10 – Organização do Congresso Nacional no Início de 2015 ............... 16

Figura 11 – Organização do Congresso Nacional no início de 2016 ............... 17

Figura 12 – Congresso Nacional no Governo Temer (05/07/2017) ................. 18

Figura 13 – Série temporal do IIE-BR ............................................................. 20

Figura 14 – Série temporal de incerteza criada por Bloom, Davis e Baker. .... 21

Figura 15 – Matriz de correlação entre as 5 variáveis ...................................... 23

Figura 16 – Teste ADF para o IIP .................................................................... 23

Figura 17 – Resultado do teste ADF para variável confiança do empresário .. 24

Figura 18 – Resultado do teste ADF para a Taxa Selic .................................... 24

Figura 19 – Resultado do teste ADF para investimento ................................... 25

Figura 20 – Resultado do teste ADF para o IIE-BR......................................... 25

Figura 21 –Teste de cointegração entre Investimento e IIE-BR ...................... 26

Figura 22 – Teste de cointegração entre Taxa Selic e Investimento ................ 27

Figura 23 – Teste da Taxa Selic com IIE-BR .................................................. 28

Figura 24– Resultado dos modelos de critério de informação ......................... 28

Figura 25 – Resultado do Teste de Correlação Serial dos resíduos do VAR ... 29

Figura 26 – Teste JB para resíduos do componente da confiança do empresário.

........................................................................................................................................ 30

Figura 27 – Teste JB depois da remoção de um ponto. .................................... 30

Figura 28 – Distribuição dos resíduos do componente do IIP ......................... 31

Figura 29 – Teste JB para os resíduos do componente do IIP. ........................ 31

ix

Figura 30 – Teste JB depois da remoção de três pontos. ................................. 32

Figura 31 – Teste JB resíduos da equação do investimento. ............................ 32

Figura 32 – Teste JB resíduos da equação da Selic .......................................... 33

Figura 33 – Teste JB dos erros do componente do IIE-BR .............................. 33

Figura 34 – Teste JB dos erros do componente de incerteza da FGV removendo

3 outliers ......................................................................................................................... 34

Figura 35 – Resultado da raiz do polinômio característico .............................. 34

Figura 36 – Resposta de investimento ao IIE-BR ............................................ 35

Figura 37 – Resposta de investimento ao impulso no IIE-BR ......................... 36

Figura 38 – Resposta de investimento a impulso no IIE-BR ........................... 37

Figura 39 – Resposta de confiança do empresário à investimento................... 37

Figura 40 – Resposta de investimento a impulso na Taxa Selic ...................... 38

Figura 41 – Resposta da confiança do empresário à Taxa Selic ...................... 39

Figura 42 – Resposta da taxa Selic à Confiança do Empresário ...................... 39

Figura 43 – Resposta de investimento ao IIP ................................................... 40

Figura 44 – Resposta de confiança do empresário ao IIP ................................ 41

x

LISTA DE SIGLAS

ADF Augmented Dickey-Fuller

DSGE Equilíbrio Geral Estocástico e Dinâmico

FGV Fundação Getúlio Vargas

FIR Função Impulso Resposta

IBC-BR Produto Interno Bruto mensal do Banco Central IBGE Instituto Brasileiro de Geografia e Estatística

IIE-BR Indicador de Incerteza da Economia-Brasil IIP Indicador de Incerteza Política

JB Jarque-Bera

OCDE Organização para a Cooperação e Desenvolvimento Econômico

PIB Produto Interno Bruto

PIM Pesquisa Industrial Mensal

TAC Taxa de Alinhamento com o Congresso VAR Vetor Autoregressivo

1

INTRODUÇÃO

O objetivo dessa pesquisa foi estudar um método capaz de transmitir e sintetizar

informações sobre a situação política brasileira. Uma boa pergunta para se responder é

“quão unida está a maioria no Congresso Nacional do Brasil?” ou “Qual o inserção do

executivo sobre o poder legislativo?”. Durante o período de crise fiscal do Brasil de 2015,

saber a capacidade do Congresso Nacional de adotar uma agenda capaz de aprovar

medidas foi crucial para a retomada do crescimento. Uma análise capaz de extrair

conclusões de dados utilizando o método científico geralmente acaba sendo mais valiosa

do que uma interpretação subjetiva sobre determinado tema. Por isso, esse trabalho é

baseado em observações através dos votos de todos os políticos da Câmara dos Deputados

de 20047 a 2017, disponível no site da instituição.

Com essas votações, componentes principais são extraídos utilizando

metodologia de análise fatorial e, com as informações derivadas desse processo, cria-se

um indicador do comportamento conjunto dos políticos ao longo do tempo chamado de

Indicador de Incerteza Política (IIP). Assim, com esse indicador será possível entender as

dinâmicas do Congresso Nacional em determinado período de tempo. Um dos resultados

que esse indicador poderá trazer é o quão unido está o Congresso. É esperado que, quando

nenhuma agenda política forte entra em pauta e há pulverização, a capacidade de

resolução de controvérsias do parlamento acaba ficando comprometida. Portanto, é

esperado um impacto negativo na atividade econômica mediante expectativas dos

agentes, uma vez que a incerteza política acaba aumentando.

A metodologia utilizada para o indicador a ser criado no presente trabalho dará

como output outros dados que permitam visualizar em duas dimensões como os políticos

estão votando. A visualização gráfica dos políticos dará noção da organização do

Congresso em blocos e é complementar a uma análise da situação da Câmara naquele

momento.

Assim, um método de Vetores Autoregressivos (VAR) é utilizado para estudar

melhor a dinâmica do IIP na atividade econômica, seguindo a literatura de econometria e

incerteza vigente. Portanto, o IIP é testado para avaliar se ele afeta significativamente o

fluxo de formação bruta de capital fixo (investimento). Para isso, é necessário fazer

análise dinâmica conjunta com outras séries temporais que também afetam o

2

investimento. Por último, uma função impulso resposta (FIR) é criada para que essa

dinâmica possa vir a ser observada.

No capítulo 1 será feita uma análise da fundamentação teórica. No capítulo 2,

será apresentada a metodologia de análise fatorial. No capítulo 3, será feita uma análise

gráfica de momentos relevantes da política e como o Congresso estava disposto nesses

momentos. Por último, no capítulo 4 são feitos testes estatísticos do impacto do IIP nas

variáveis de atividade econômica.

3

1 FUNDAMENTAÇÃO TEÓRICA

1.1 INCERTEZA

No dicionário Aurélio (1999), a definição de risco é uma “situação em que há

probabilidades mais ou menos previsíveis de perda ou ganho” e, por outro lado, incerteza

é definida como sendo “falta de certeza; hesitação; indecisão, perplexidade, dúvida”.

Essas palavras, na academia, tiveram suas definições mais bem trabalhadas por KNIGHT

(1921), que tratou desse assunto em seu livro Risk, Uncertainty and Profit. Ele determina

uma diferença conceitual detalhada entre risco e incerteza. Segundo o autor, o que

determina o risco e a incerteza é a capacidade de mensuração da realização de um evento

mediante utilização da teoria da probabilidade. O risco trata da possibilidade de

mensuração de um evento com a utilização da metodologia de probabilidade. Por outro

lado, a incerteza não é mensurável. KEYNES (1921), em seu livro A treatise on

probability, também trazia uma visão semelhante quando afirmava que a incerteza não

pode ser medida.

Porém, essa interpretação sobre a incerteza foi revista quando do surgimento da

interpretação bayesiana de probabilidade, através dos trabalhos de DE FINETTI et al.

(apud ARTHMAR, 2014) os quais rejeitam essa visão de incerteza indeterminada. Trata-

se aí da interpretação subjetiva de probabilidade conforme afirma SAVAGE (1971). No

âmbito de medição de incerteza afetando a macroeconomia, ORLIK et al. (2015) utilizam

a abordagem bayesiana para mostrar como choques de incerteza – capazes de serem

medidos – afetam a macroeconomia.

Depois da crise de 2008, uma série de tentativas apareceram para tentar medir a

incerteza da situação econômica. STOCK et al. (2012) afirmaram que a crise de subprime

de 2007 a 2009 nos Estados Unidos da América vieram não apenas de choques

financeiros, mas também de choques de incerteza. ZHEN et al. (2012) mostram que a

natureza de um impulso de incerteza atua como um choque agregado de demanda, e

testam um choque de incerteza em um modelo de Equilíbrio Geral Estocástico e Dinâmico

(DSGE). Já NAKAMURA et al. (2012) mostram – através de uma análise em 16 países

diferentes – que existe uma grande diferença entre um choque idiossincrático de incerteza

e um choque global de incerteza. O segundo tem dinâmica mais duradoura nas taxas de

crescimento do país e em indicadores de volatilidade, comparado com o primeiro.

4

Na abordagem de incerteza política, um dos papers de maior impacto na literatura

é apresentado em Measuring Economic Policy Uncertainty (BAKER et al., 2016). Esse

trabalho mede a incerteza através da quantidade de vezes que palavras–chaves

relacionadas com incerteza aparecem nos jornais americanos. Os autores utilizam a

contagem de artigos com características específicas: era necessário possuir uma palavra

de cada um de três conjuntos. O primeiro conjunto contém as notícias com as palavras

"incerteza" e "incerto". O segundo grupo reúne as palavras “economia” e “econômico”.

Por último, no terceiro grupo, estavam as palavras de cunho temático específico como

"legislação", "deficit", "Casa Branca", "regulação" e "Banco Central". A partir dessa

contagem foi possível montar uma série temporal, e o trabalho mostra como ela está

relacionada com fatores relevantes da economia, principalmente na percepção de

investimento dos agentes (PINDYCK, 1990, BLOOM et al., 2007, KNOTEK, 2011,

BERNANKE, 1983, BASU et al., 2012).

1.2 RELAÇÃO DO PODER EXECUTIVO COM LEGISLATIVO

Os Estados, na maioria dos países do mundo, seguiram a mesma fórmula definida

na Revolução Francesa com as ideias iluministas (FEHÉR, 1990). Mais adiante, a maioria

deles adotaram a democracia e acabaram dividindo os poderes do Estado em unidades

diferentes, cada uma com propósito específico, o que já havia sido estudado por

MONTESQUIEU (1748). A divisão adotada no Brasil é a separação entre poder

executivo, poder legislativo e poder judiciário.

Uma análise bastante importante para compreender os papeis do executivo no

Estado brasileiro foi exposta por ABRANCHES (1988), que define o modelo brasileiro

cunhando o termo “presidencialismo de coalizão”. Em seu paper, o autor Abranches

mostra como o rompimento do poder executivo com a sua aliança no Congresso faz com

que a autoridade presidencial seja desestabilizada. Essa análise permite que se veja como

– no Brasil – uma medida de união do poder executivo com suas alianças no Congresso

é capaz de capturar, conforme Abranches, a estabilidade do presidente.

Outros autores também corroboram essa visão. MORAES (2001), por exemplo,

em análise entre o poder legislativo e executivo pós constituição de 1988 afirma que a

instabilidade das coalizões governamentais pode gerar um aumento na probabilidade de

paralização da tomada de decisão – podendo mesmo gerar uma “ruptura da ordem

política”.

5

A política como evento incerto afetando a economia é bastante estudado na

literatura. No relatório da Organização para a Cooperação e Desenvolvimento Econômico

(OCDE) para o Brasil (OCDE, 2017), a instituição deixa claro que um possível

crescimento na incerteza política poderá reverter um cenário de recuperação da confiança

no país no ano de 2017.

Como pode ser observado na metodologia do indicador de incerteza proposto por

BAKER et al. (2016), diversas palavras como “legislação”, “déficit”, “casa Branca” e

“regulação” estão bastante relacionadas com o poder executivo e, na grande maioria das

vezes, relacionada também com a capacidade deste de se alinhar com o Congresso

Nacional para uma resolução de controvérsias.

2 METODOLOGIA

2.1 DADOS

O congresso nacional é bicameral, composto pela Câmara dos Deputados e o

Senado Federal. No total, são 594 integrantes, com 513 na primeira câmara e 81 na

segunda. Por ter mais membros na Câmara dos Deputados do que no Senado, é mais

difícil para o poder executivo gastar capital político convencendo a Câmara dos

Deputados como um todo do que o Senado Federal. Portanto, espera-se que quando o

poder executivo aprova uma lei na Câmara dos Deputados, é natural que ela seja aprovada

no Senado. Dessa forma, dada essa relação, uma análise na Câmara dos Deputados já

consegue responder as questões das dinâmicas políticas do Congresso Nacional de forma

suficiente.

Foram coletados os votos dos políticos da Câmara dos Deputados desde 2004,

sendo necessário extrair 719.683 dados de votos de políticos de arquivo de textos

disponibilizados pelo Congresso Nacional que ocorreram de 2004 até 2017. Um

Deputado Federal pode ter seu voto classificado em 7 casos. Os mais clássicos são "Sim",

"Não" e "Abstenção". Para conseguir capturar divergência e convergência em opiniões

de forma matemática, o voto "Sim" foi substituído por 1, o voto "Não" por -1 e todos os

outros são substituídos por zero. A Câmara dos Deputados sempre possui 513 deputados

em cada momento do tempo. De 2004 até 2017 por volta de 1900 matérias foram votadas.

Vale ressaltar que, quando um político é substituído pelo seu suplente, a série de votos do

político é interrompida e um novo político entra na análise com novos votos.

6

2.2 ANÁLISE FATORIAL

A metodologia adotada na análise dos dados é a de análise multivariada, que

trata do estudo de interdependência entre variáveis.

Primeiramente, são analisados os dados das votações. Os políticos são listados

em uma tabela-mãe, cuja coluna é composta pelo nome dos políticos e as linhas

compostas pelas votações. O número identificador das votações analisadas vai de 2192

até 4168. Já as colunas possuem 1544 políticos que estavam presentes durante o período

analisado. Essa tabela inclui todos os políticos de 2004 até 2017 e todas as votações

durante o mesmo período. Quando um político não está presente durante a votação, ele

fica sem valor nessa tabela. Como é possível observar na Figura 1, Abelardo Lupion

estava presente no período inicial da análise (início de 2004), enquanto Acelino Popo não

estava presente.

Figura 1 – Primeiras 6 colunas e 11 linhas da tabela mãe geradora das janelas.

Fonte: Elaboração Própria

Com essa matriz será gerada uma outra de correlação dos votos dos políticos em

janelas. Foram testadas janelas contendo 60 votações, 30 votações e 20 votações. As de

20 e 30 formaram resultados muito voláteis, por isso decidiu-se utilizar a janela de 60.

Ou seja, a primeira janela formada dessa tabela-mãe terá as linhas da votação 2192 até a

votação 2192 mais 60, que é 2252. A segunda janela terá linhas 2193 até 2253, a terceira

2194 até 2254 e assim sucessivamente.

Quando as 60 linhas são selecionadas, cada janela ainda possuiria 1544 colunas,

com apenas 513 colunas preenchidas – uma vez que cada votação só possui 513 políticos

presentes. Para isso, as colunas com dados sem valores são excluídas. Assim, a matriz de

cada janela ficará como a Figura 2.

7

Figura 2 – Primeiras 7 colunas e 7 linhas da matriz de janela


A partir de cada uma dessas janelas, é feita uma matriz de correlação para os

políticos (Figura 3). Essa matriz contém todas as relações entre os políticos nesse período.

Figura 3 – primeiras 7 linhas e colunas da matriz de correlação de uma única janela


Uma matriz de correlação A, por definição de matriz de correlação, possui as

seguintes características

𝑎𝑖𝑗 = 1, ∀ 𝑖 = 𝑗

𝑎𝑖𝑗 = 𝑎𝑗𝑖, ∀ 𝑖 ≠ 𝑗

ou seja, a matriz de correlação dos políticos nas últimas 60 votações mostra que o político

i teve correlação com o político j com o valor 𝑎𝑖𝑗, por isso a diagonal principal possui

valor 1, pois a correlação de votos de um político com ele mesmo é sempre 1. Com essa

matriz de correlação de todos os políticos, que é quadrática de tamanho 𝑁𝑥𝑁 – em que N

é o número de políticos que não foram removidos por falta de dados – pode-se fazer uma

análise gráfica utilizando métodos de clusterização.

Aqui será apresentada uma metodologia trivial e simples que soma as correlações

da matriz de covariância e organiza a matriz de correlação em ordem, explicada abaixo.

Com esse método, será possível fazer análise de blocos do Parlamento. Seja uma matriz

de correlação A que, por definição, é quadrática de tamanho N, o valor de seus termos

𝑎𝑖𝑗 representam a correlação do político i com o político j. Assim, esse trabalho propõe

uma Taxa de Alinhamento com o Congresso (TAC) 𝑡𝑖, definida por,

𝑡𝑖 = ∑ 𝑎𝑖𝑗

𝑁

𝑖=1

= ∑ 𝑎𝑖𝑗

𝑁

𝑗=1

obtém-se a soma das correlações de um político com todos os outros do Congresso. Ou

seja, 𝑡𝑖 mais negativa significa que o político está menos alinhado com a Casa de forma

8

geral, enquanto o político que tiver maior correlação com os demais terá taxa de

alinhamento mais positiva. Compreender essa simples taxa é essencial para perceber

como esses dados já estão orientados para medir a maioria e a minoria no Parlamento. Ou

seja, é natural interpretar que um político com TAC positiva sempre estará junto com a

maioria do congresso e, além disso, junto com seus correligionários.

Agora, com essa análise, pode-se reorganizar a matriz A por ordem decrescente

de TAC. Temos, assim, um método de clusterização de matriz de correlação que, apesar

de trivial, resume em uma imagem toda a informação de união dos políticos com o todo

em determinado período.

Se x é um vetor aleatório com média 𝝁 e matriz de correlação 𝚺, a transformação

de componente principal é a transformação (MARDIA, 1979)

𝑥 → 𝑦 = Γ′(𝑥 − 𝜇)

Em que Γ é ortogonal, Γ′ Σ Γ = Λ é diagonal e 𝜆1 ≥ 𝜆2 ≥ ⋯ ≥ 𝜆𝑛 ≥ 0. Em que 𝜆𝑖é o i-

ésimo autovalor. O objetivo da presente análise não é utilizar os componentes principais,

mas sim extrair exatamente os autovalores e autovetores da matriz de correlação 𝚺. A

análise em gráfico de dispersão será feito com os primeiros e segundos autovetores

enquanto a série temporal será feita com os primeiros e segundos autovalores de cada

matriz de correlação.

2.3 SÉRIE TEMPORAL

Ao tirar os autovalores e autovetores das matrizes de correlação compostos por

janelas de 60 votações no Congresso, obtém-se informações relevantes não apenas sobre

como cada político está votando comparado com outros, mas também como eles estão

votando como um todo. Através dos primeiros dois autovalores pode-se ter informação

de o quanto os dois primeiros fatores explicam as votações do Congresso. Assim, com as

milhares de janelas e suas respectivas matrizes de correlação pode-se extrair os

autovalores e criar uma série temporal (Figura 4). Essa série é a média de todas as

participações dos primeiros e segundos autovalores das janelas cuja votação mais recente

das 60 votações ocorreu no mês de referência.

9

Figura 4 – Série temporal de primeiros autovalores e segundos autovalores.


O tamanho da participação do primeiro autovalor pode ser interpretada como

sendo o tamanho da maior fonte de variabilidade da Câmara dos Deputados. O sistema

democrático e processual do Congresso permite que, quem determina a agenda do

Congresso é sempre, necessariamente, a maioria. Essa maioria é que implementa as suas

leis e vota de acordo com sua agenda. Por isso, é coerente dizer que o primeiro

componente principal trata do poder da agenda da maioria. A partir da primeira, em teoria,

os próximos fatores que geram motivação nos votos estão relacionados com fatores

ideológicos. Por exemplo, um político da bancada ruralista, que é socialista e que é

evangélico, votará, para cada votação em pauta, junto com políticos que defendem essas

causas especificamente. Ou seja, cada uma dessas visões que motiva o político e que

move os seus votos, em teoria, pode ser extraída via componentes principais – cada

componente representando uma posição política.

Ou seja, basta observar a composição do primeiro componente principal – através

de análise dos autovetores – para avaliar melhor do que trata esse primeiro componente.

No caso desse trabalho, os políticos de maior peso sempre são os mais alinhados com o

Governo e os de menor peso sempre são considerados como sendo de oposição. Como a

grande maioria da série temporal é do Governo do PT, ver os políticos e os partidos foi

fácil para que se constatasse quem estava mais alinhado com o Congresso Nacional.

Para realizar essa avaliação, e avaliar se os políticos de maior peso eram alinhados

com o poder executivo, realiza-se uma amostragem sistemática – método que consiste em

amostrar observações coletadas pulando-se uma quantidade fixa da população. Portanto,

a cada 20 janelas, computou-se a abertura dos outputs dos autovetores para ver se os

10

políticos que detinham a maioria ainda eram do PT ou não. Assim, de 1900 janelas,

aproximadamente 100 janelas foram analisadas para saber se a composição ainda era PT,

PCdoB e PMDB de um lado contra DEM e PSDB do outro, ou se isso havia se invertido.

Essa análise mostrou que no governo Dilma Rousseff o cenário se inverteu. Os partidos

com mais peso eram DEM e PSDB, enquanto PT e PCdoB estavam na ponta contrária.

Isso mostra que a maior força do Congresso estava vindo a partir de políticos da oposição

e não do Governo.

Por isso, uma série temporal que apresenta apenas a participação do primeiro

componente (primeiro autovalor) é incapaz de medir se o poder executivo está alinhado

com o Congresso Nacional. Portanto, essa quebra estrutural – em que o governo acaba

tomando lugar da minoria e a oposição toma lugar da maioria – deve ser levada em

consideração na construção da série temporal. O método para levar isso em consideração

na série temporal adotada no presente trabalho é, no momento em que o poder executivo

perde a maioria no Congresso, os valores da participação do primeiro autovalor são

desconsiderados e substituídos pela participação do segundo autovalor (Figura 5).

Figura 5 – Indicador de Incerteza Política (IIP)


Assim, é possível perceber que, na série, tanto a perda quanto a retomada da

maioria, geram uma grande variação. Consequentemente, a série é penalizada durante a

perda e o oposto acontece quando o executivo consegue o controle da maioria.

11

A inversão de maioria para minoria ocorreu 4 vezes nesse intervalo. A primeira

no início de 2015, quando Dilma Rousseff perdeu a maioria no Congresso pela primeira

vez. Logo mais, no meio desse mesmo ano, Dilma consegue retomar a maioria por um

breve tempo, mas acaba perdendo logo em seguida. A última inversão ocorre quando a

oposição vira governo, em que o PT deixa de ser referência e o PMDB e o DEM viram

referência de governo, uma vez que Michel Temer assume a presidência.

3 ANÁLISE GRÁFICA E VISUAL DO CONGRESSO

O método de análise fatorial explicitado na metodologia permite obter uma série

de informações relevantes sobre como o Congresso brasileiro se organizou em um

determinado período. Nesse capítulo, análises pontuais sobre períodos da política

brasileira serão observados com as imagens do Congresso gerado pelos dados.

Uma análise pontual interessante é que, na primeira matriz contendo as primeiras

60 informações da base de dados, tomando-se os 6 políticos mais contrários ao Congresso

Nacional – que estava alinhado com Lula – encontram-se os nomes de Eneas, Elimas

Maximo Damasceno, Jair Bolsonaro, Carlos Melles, Luiz Carlos Hauly e Eduardo Cunha.

Os mais distantes do Congresso inteiro eram os dois políticos do PRONA, que é um

resultado bastante coerente com informações a priori. O PRONA sempre fez oposição

forte ao PT. Um fator interessante é que dois personagens presentes em 2017 também

podem ser observados. Tanto Jair Bolsonaro quanto Eduardo Cunha – grandes figuras da

política atual – estavam entre os 6 políticos mais contrários ao governo do PT. Eduardo

Cunha teve participação muito forte contra o PT recentemente, pois foi quem aceitou o

processo de impeachment de Dilma Rouseff. Jair Bolsonaro, por outro lado, faz duras

críticas ao PT e está sendo cotado no próximo pleito presidencial.

Para complementar essas análises pontuais e gráficas, a Figura 6 mostra pela

pesquisa do CNI e IBOPE como estavam as avaliações dos presidentes ao longo do

tempo. É possível notar que Lula ao longo do seu governo teve uma curva ascendente de

avaliações Bom e Ótimo. Por outro lado, Dilma Rouseff acabou perdendo sua

popularidade do início do seu governo até o final. Michel Temer, na ponta do gráfico,

está apresentando menor nível da série histórica da nova república.

12

Figura 6 – Avaliação dos presidentes brasileiros a partir de 86

Fonte: CNI/IBOPE

3.1 GOVERNO LULA NO AUGE DA AVALIAÇÃO DE GOVERNO

O ex-presidente Lula bateu recorde de popularidade na série temporal apresentada

na Figura 6. Cid Gomes, governador do Ceará de 2007 até 2015, durante sua entrevista

no Roda Viva em 30/09/2013, ressaltou a diferença no comportamento político de Lula e

de Dilma. Segundo Gomes, Lula era um político nato, que sempre ouvia todos os players

relevantes do Brasil, com objetivo de conversar, ouvir e ajudar. Já Dilma, por outro lado,

sempre teve dificuldade de se relacionar com esses outros tat e Gomes nota que isso

ocorreu por Dilma não ter feito carreira política e não ter, assim, esse perfil.

13

Figura 7 – Disposição do Congresso Nacional em 04/08/2010


Na Figura 7, é possível ver como o Congresso Nacional estava organizado no

auge da popularidade de Lula e no seu maior nível de autovalores observado na série

temporal do IIP. Os políticos do PT, mais espalhados à direita, estão dispersos entre

diversos outros membros do Congresso. É possível observar que o PMDB, apesar de no

eixo X estar levemente abaixo do PT, mostrando que no 1º componente ele ainda não está

alinhado totalmente com o PT, no eixo Y, a maioria do Congresso está em linha com o

PT. Isso significa que no segundo componente, o Congresso está votando em conjunto e

em unidade com o PT, que é o partido do presidente nesse período. Vale observar que o

PSDB e o DEM estão em um bloco separado no canto inferior da imagem, representando

a oposição do Congresso Nacional.

Já na Figura 8, é possível observar uma matriz de correlação com mapa de calor.

A diagonal principal possui valor 1 e é o maior valor da matriz, por isso está pintado de

verde escuro. O verde claro mostra correlação positiva, o amarelo mostra correlação

próxima de zero e o vermelho mostra correlação negativa. Como foi apresentado

anteriormente, ao organizar a matriz de correlação baseado na TAC, obtemos os primeiros

políticos como sendo os mais alinhados com o congresso e os últimos menos alinhados.

Esse simples método de clusterização criado gera dois quadrados em torno da diagonal

14

principal da matriz. O primeiro quadrado, do canto superior direito, mostra políticos que

votam com a maioria do congresso. Por outro lado, os políticos de correlação mais

positiva no canto inferior esquerdo votam contra o congresso. Ao observar o nome dos

políticos nesse período, observamos que os políticos do PT estavam em posições bem

alinhadas com a maioria do congresso – pois nomes do partido aparecem tendo maior

TAC. Por outro lado, as últimas são de membros do DEM e do PSDB.

Esse método nos permite visualizar o poder e tamanho da maioria e da minoria

em forma de imagem, pelo tamanho e cor dos quadrados verdes.

Figura 8 – Mapa de calor de matriz de correlação organizada por soma


3.2 IMPEACHMENT DE DILMA ROUSSEFF

Extraindo uma matriz de correlação do governo da Dilma Rousseff no final de

2015 – 6 meses antes da votação do impeachment – e reorganizando conforme os valores

da TAC, obtém-se a seguinte matriz de correlação (Figura 9). Analisando a composição

de políticos do governo Dilma, observa-se que o quadrado verde maior possui políticos

do PSDB – que era oposição ao governo Dilma – enquanto o quadrado verde menor

possui políticos do PT. Isso demonstra de forma gráfica como Dilma perdeu o poder do

Congresso ao final de 2015.

15

Figura 9 – Mapa de calor de matriz de correlação do congresso no final de 2015


Em seguida, é apresentada uma interessante análise que permite ver a dinâmica

dos políticos do Congresso Nacional durante um ano antes da votação do impeachment

da presidente. Nesse momento, durante as últimas 60 votações no Congresso Nacional,

tem-se uma fotografia da Câmara dos Deputados na Figura 10. Como é possível perceber,

o conjunto de pontos do PT parece estar até certo ponto iniciando um processo de

isolacionismo, tanto no eixo X quando no eixo Y. É possível perceber que o DEM e o

PSDB estão formando um grupo do lado oposto ao do PT enquanto todo o resto do

congresso está no meio desses dois polos. Isso corrobora o IIP, que mostra o governo

Dilma perdendo poder no Congresso Nacional durante esse período.

16

Figura 10 – Organização do Congresso Nacional no Início de 2015


Porém, esse isolacionismo do governo do PT acaba piorando ao realizar-se uma

análise no final de 2015 (Figura 11). Nesse período, além de ter perdido a maioria dos

políticos no congresso nacional para a oposição, é possível ver como o PT (em mostarda

escuro) estavam mais isolado. Por outro lado, os pontos que representaram o PSDB e

DEM estão muito mais inseridos na massa dos políticos da Câmara dos Deputados. Esse

período ilustra como os políticos do poder executivo estavam isolados, fomentando a

abertura de um processo de impeachment.

17

Figura 11 – Organização do Congresso Nacional no início de 2016


3.3 GOVERNO DE MICHEL TEMER

O governo Michel Temer se mostrou sólido no Congresso. Logo depois do

impeachment de Dilma Rousseff, no mês de junho, uma base sólida já havia se formado

no Congresso conforme a Figura 11.

A fotografia mais recente do governo Temer, realizado na amostragem

sistemática, das últimas 60 votações que ocorreram antes do dia 05/07/2017, torna

possível a observação de como o governo está bastante sólido em torno de uma mesma

região enquanto a oposição, representada por políticos do PT, está isolada em uma outra

parte do plano.

18

Figura 12 – Congresso Nacional no Governo Temer (05/07/2017)


4 ANÁLISE DA SÉRIE TEMPORAL

4.1 SÉRIE DE ALINHAMENTO DO CONGRESSO NACIONAL

Conforme explicado na metodologia, a série temporal criada é exatamente

composta geralmente pela participação percentual do primeiro autovalor da matriz de

correlação da janela das últimas 60 votações. Essa série assume valores da participação

percentual do segundo autovalor quando a maioria do congresso não possui políticos do

poder executivo.

Durante a perda de maioria por parte do Governo Dilma, conforme demonstra a

série temporal criada no presente trabalho, se articula a concepção de “Pauta Bomba”, em

2015, bem explicada pela matéria “Saiba o que são as pautas-bomba nas mãos do

Congresso contra o governo” da Folha de São Paulo, publicado 05/08/2015 às 09:47 de

São Paulo, sem autor:

“A corrosão do apoio à presidente Dilma Rousseff tem gerado uma

rebelião do Congresso por meio das chamadas "pautas-bomba", com

potencial de ampliar a crise pela qual o governo passa. Elas são projetos

de lei como ajustes salariais, ou o bloqueio de novas formas de

19

arrecadação que dificultam que se coloque a economia nos trilhos,

poupe gastos e atinja a meta fiscal.”

Assim, o IIP criado no presente trabalho não só está em linha com os eventos que

ocorreram em 2015, mas também com o processo de impeachment de Dilma Rousseff, o

qual levou a oposição ao governo do PT ao poder executivo.

4.2 OUTRAS MEDIDAS DE INCERTEZA DE POLÍTICA PARA O BRASIL

4.2.1 Indicador de Incerteza da FGV

O indicador de incerteza divulgado pela FGV chamado de Indicador de Incerteza

da Economia-Brasil (IIE-BR) é a união de outros três indicadores de incerteza (Figura

13). Esses dados estão disponíveis no site da IBRE e são de frequência mensal.

O primeiro é extraído da mídia, que utiliza a metodologia de palavras chaves em

jornais impressos, jornais online e de contas do Twitter de jornais. Tanto o Valor

Econômico como a Folha de São Paulo – impresso e online – são utilizados para esse

indicador. Já no Twitter, são coletados dados dos jornais Correio Braziliense, Estado de

São Paulo, O Globo e Zero Hora. O segundo indicador de incerteza é gerado pelas

dispersões das expectativas de mercado divulgadas pelo Banco Central no Relatório

Focus. Já o terceiro é um indicador que mede a volatilidade dos preços no mercado

financeiro brasileiro, de renda variável.

Os autores apresentam os impactos dessa variável na economia real rodando um

VAR com variáveis da economia como taxa de juros real, taxa de câmbio, índice de

commodities, taxa de desemprego, PIB mensal do Banco Central (IBC-BR) e Indústria.

As variáveis que apresentaram resposta maior foram as variáveis ligadas com atividade

econômica, tanto a Pesquisa Industrial Mensal (PIM) divulgada pelo Instituto Brasileiro

de Geografia e Estatística (IBGE), quanto o IBC-BR.

20

Figura 13 – Série temporal do IIE-BR

Fonte: Adaptado de Ferreira et al. (2017)

4.2.2 Indicador de Incerteza do Bloom, Baker e Davis

O indicador de incerteza de Bloom, Baker e Davis para o Brasil é de frequência

mensal se baseia apenas nas notícias do jornal Folha de São Paulo desde 1991. O

indicador conta as matérias em que apareceram palavras como “Incerto”, “Incerteza”,

“Econômico” ou “Economia” e um ou mais de termos relevantes como “Regulação”,

“déficit”, “orçamento”, “imposto”, “banco central”, “alvorada”, “planalto”, “Congresso”,

“senado”, “câmara dos deputados”, “legislação”, “lei” e “tarifa” (Figura 14).

Esses dados são disponibilizados no site Economic Policy Uncertainty.

Comparado com o IIE-BR, essa série temporal é mais volátil, mas traz resultados

significativos para variáveis macroeconômicas conforme mostra LORENZO (2016).

21

Figura 14 – Série temporal de incerteza criada por Bloom, Davis e Baker.

Fonte: Adaptado de série disponível em http://www.policyuncertainty.com/

4.3 ESCOLHA DE VARIÁVEIS PARA ANÁLISE

Para analisar se um poder executivo sólido e influente no Congresso Nacional

afeta significativamente variáveis econômicas, será aplicado um modelo de Vetores

Autoregressivos (VAR). Seguindo a literatura já mencionada anteriormente, a variável

que é afetada pela incerteza de forma mais explícita é o investimento. Portanto, no modelo

aparecerá necessariamente o indicador de política criado aqui e o índice de fluxo de

Formação Bruta de Capital Fixo publicado nas Contas Nacionais pelo IBGE. Como essa

variável é publicada junto com o PIB, os dados são disponíveis apenas trimestralmente.

Portanto, para todas as variáveis que não são trimestrais será feita uma nova série

temporal composta pela média dos valores que estão dentro do trimestre de referência.

Agora, para que se realize uma análise efetiva com VAR, é necessário escolher

todas as variáveis que afetam o sistema. Isso deverá ser feito para que não ocorra omissão

de variável relevante. Portanto, em conjunto com as duas variáveis já escolhidas, outras

medidas de investimento devem ser escolhidas para compor essa análise.

Uma vez que investimento tem como objetivo único prover retornos ao

investidor, a taxa de juros da economia deverá ser utilizada como balizadora da opção de

investimento dos agentes econômicos. Por isso, uma medida de juros deveria entrar nessa

22

análise. A taxa Selic é capaz de capturar essa dinâmica: quando a taxa está alta, os

investidores irão preferir colocar seu dinheiro em títulos do tesouro que rendem juros

reais mais altos. Por outro lado, quando a taxa Selic está muito baixa, os investidores

colocarão seus recursos na economia real buscando maior rentabilidade.

Uma medida bastante importante que também pode influenciar no investimento

é a confiança do empresário. Essa medida é a união de três medidas de confiança

publicada pela FGV. As medidas de confiança separadas são de três setores específicos

da economia: serviço, indústria e comércio. Com essas três medidas de confiança, a FGV

pega os pesos desses setores na formação do PIB – publicados no IBGE – e faz a união

em uma única série temporal, chamando de confiança do empresário. É esperado que a

confiança do empresário seja balizadora e chave para o investimento. Quando as

condições econômicas não estão boas, a confiança do empresário tende a cair.

Por último, a série adicionada para capturar essa dinâmica é a medida de

incerteza criada pela FGV. É esperado que o IIP venha a medir a capacidade do Congresso

e do poder executivo de resolução de controvérsia, mas não seja capaz de medir o

surgimento de controvérsias, elas mesmas. Crises econômicas que aparecem e choques

exógenos que não afetam o poder presidencial no processo legislativo não são capturadas

pelo IIP. Ou seja, a medida de incerteza criada pela FGV é capaz de medir os eventos

incertos que aparecem, enquanto o IIP é capaz de medir a capacidade de resolução de

controvérsias pelo Estado. Por isso, essas duas variáveis, sendo diferentes, ainda assim

podem ser vistas de forma complementar.

4.4 MODELAGEM E ANÁLISE DE ROBUSTEZ

Para tentar medir uma causalidade significativa e forte, é necessário satisfazer

os pressupostos do VAR. Nesse sentido, o presente sub-tópico mostrará uma série de

testes do modelo em questão, validando os pressupostos do modelo. Abaixo, na Figura

15 encontram-se as correlações das variáveis e, como é possível observar, as referidas

variáveis são muito pouco correlacionadas, a não ser pela variável confiança do

empresário. Essa está, por sua vez, um pouco correlacionada com o IIP (60%) e o

investimento (63%). Por não ser muito alta essa correlação, tem-se evidências suficientes

de que não existe problema de multicolinearidade.

Vale ressaltar também que a medida de incerteza da FGV e o IIP têm correlação

zero, mostrando que as duas séries capturam dinâmicas de incerteza política diferentes e

possuem contribuições diferentes para a questão.

23

Figura 15 – Matriz de correlação entre as 5 variáveis


4.4.1 Estacionariedade

NELSON et al. (1982) descobriram e colocaram em pauta a importância da

estacionaridade nas séries temporais, principalmente em uma análise autoregressiva como

a realizada aqui. Uma série não estacionária, ao receber um choque, é alterada

permanentemente. Essa alteração permanente ao longo do tempo impede a captura de

algumas dinâmicas através de alguns métodos estatísticos, por isso a importância de

trabalhar com séries estacionárias (LIBANIO, 2005).

4.4.1.1 Indicador de Política

Abaixo, o teste de estacionariedade Augmented Dickey-Fuller (ADF) do IIP

mostra com probabilidade significativa que ele é estacionário. Tal característica já era até

certo ponto esperado, uma vez que o indicador é comportado e não possui tendência

(Figura 16).

Figura 16 – Teste ADF para o IIP


4.4.1.2 Confiança do Empresário

A confiança do empresário é um indicador de confiança, conhecido no mercado

por ter natureza estacionária. Apesar disso, o teste mostrou que o indicador é levemente

não estacionário para um nível de significância de 10% que, por estar próximo da região

de fronteira, leva a que se rejeite a hipótese nula, por se saber que a variável é limitada

(Figura 17).

24

Figura 17 – Resultado do teste ADF para variável confiança do empresário


4.4.1.3 Taxa SELIC

A Taxa SELIC se mostrou como não estacionária (Figura 18). Para corrigir esse

problema, tira-se a primeira diferença. Depois disso, a variável se tornou estacionária,

mostrando que ela é integrada de ordem 1.

Figura 18 – Resultado do teste ADF para a Taxa Selic


4.4.1.4 Investimento

O investimento, como era de se esperar, por subir ao longo do tempo e possuir

tendência é uma variável não estacionária, conforme o teste abaixo na Figura 19. Para

contornar esse problema, ao tirar a primeira diferença, tal variável se tornou estacionária,

mostrando que é uma variável integrada de ordem 1.

25

Figura 19 – Resultado do teste ADF para investimento


4.4.1.5 IIE-BR

O teste de estacionariedade no IIE-BR mostra que essa variável é não

estacionária (Figura 20). Portanto, foi tirada a primeira diferença dessa variável, que ficou

estacionária. Isso significa que ela é integrada de ordem 1.

Figura 20 – Resultado do teste ADF para o IIE-BR


4.4.2 Cointegração

Como foi observado no capítulo anterior, dado que 3 variáveis são não

estacionárias, é possível que se tenha cointegração entre essas variáveis. Para testar se

existe ou não cointegração, foi utilizado um teste de Cointegração de Johansen em cada

combinação dois a dois. É possível observar que para cada variável dois a dois foram

realizados dois testes, um é o Trace Test e o outro é o Max-eigenvalue test.

4.4.2.1 Teste de cointegração IIE-BR com Investimento

O teste de cointegração entre a medida de incerteza da FGV com o investimento

mostra que não existe cointegração entre essas duas variáveis, como é possível observar

na Figura 21.

26

Figura 21 –Teste de cointegração entre Investimento e IIE-BR


4.4.2.2 Teste de cointegração de Selic com Investimento

O teste de cointegração entre a Taxa SELIC com o investimento mostra que

pode-se assumir não existe cointegração entre essas duas variáveis, como é possível

observar na Figura 22.

27

Figura 22 – Teste de cointegração entre Taxa Selic e Investimento


4.4.2.3 Teste de cointegração de Selic e IIE-BR

O teste de cointegração entre a Taxa SELIC com o indicador de incerteza da

FGV mostra que pode-se assumir que não existe cointegração entre essas duas variáveis,

como é possível observar na Figura 23.

4.4.3 Teste de número de defasagens

É muito importante testar qual o número de defasagens a serem utilizadas para

rodar o VAR. Para isso, foram realizados 5 testes baseados em critérios de informação e

verossimilhança. Os testes foram teste LR, teste Final Prediction Error, teste Akaike

Information Criteria, teste Schwarz Information Criteria e teste Hannan-Quinn

information criteria, com o resultado disposto na Figura 24.

4.4.4 Teste de correlação serial

Ao se realizar um teste de correlação serial no VAR através do teste Lagrange

Multiplier, até 15 lags não se rejeita a hipótese nula de que não existe violação no

pressuposto de séries não autocorrelacionadas. Esse resultado está disponível na Figura

25.

28

Figura 23 – Teste da Taxa Selic com IIE-BR


Figura 24– Resultado dos modelos de critério de informação


29

Figura 25 – Resultado do Teste de Correlação Serial dos resíduos do VAR


4.4.5 Teste de Normalidade dos resíduos

É importante que os resíduos do VAR tenham dinâmica conjunta, comportando-

se como uma multivariada normal. Para testar isso, foi realizado um teste dos cinco

resíduos de forma separada. Caso eles separadamente tenham dinâmica normal, a

combinação dos cinco também será normal. O teste de normalidade Jarque-Bera (JB)

mostrará como os resíduos se comportam em cada um dos componentes.

Esse teste se baseia nas características de assimetria (skewness) e curtose

(kurtosis) da distribuição normal. Em todas as imagens abaixo, é possível ver o resultado

para a assimetria e a curtose das distribuições dos erros. Para a distribuição normal, é

esperado a distribuição seja simétrica em torno de zero. Portanto, o valor esperado para

assimetria é zero. Já o valor da curtose da normal é – pela definição utilizada nos testes –

como sendo 3.

4.4.5.1 Teste de normalidade dos resíduos da confiança do empresário

Um primeiro teste mostra que os erros não são normais (Figura 28),

principalmente pela assimetria assumir valor de 12. Porém, ao analisar um gráfico de

distribuição de frequências, essa série parece possuir um dado aberrante (outlier) no

30

período de dezembro de 2008, em que ocorreu um choque exógeno por causa da crise nos

Estados Unidos. Removendo apenas esse único ponto, o valor da assimetria vai para

próximo de zero e o teste não rejeita a hipótese nula de que essa distribuição dos resíduos

é normal (Figura 29).

Figura 26 – Teste JB para resíduos do componente da confiança do empresário.


Figura 27 – Teste JB depois da remoção de um ponto.


4.4.5.2 Teste de normalidade dos resíduos do IIP

O componente dos resíduos do VAR do IPP também apresenta uma cauda mais

grossa, distanciando a distribuição de uma normal (Figura 29). Porém, ao contrário do

exemplo anterior, a característica que distancia essa distribuição de erros de uma

distribuição normal não é a assimetria, e sim a curtose. Na Figura 30 é possível ver que

existe um primeiro outlier no ano de 2007 e, no início do período de 2014, a dinâmica

dos erros parece ter aumentado sua variância. Apesar desse resultado, pode-se, por outro

lado, ao remover as 3 observações mais discrepantes, obter um resultado do teste do JB

31

significativo, conforme figura 31. Vale ressaltar que de todos os testes do modelo

apresentado nesse trabalho, esse teste foi o que mais se distanciou do ideal.

Figura 28 – Distribuição dos resíduos do componente do IIP


Figura 29 – Teste JB para os resíduos do componente do IIP.


32

Figura 30 – Teste JB depois da remoção de três pontos.


4.4.5.3 Teste de normalidade dos resíduos do componente do investimento

O teste de normalidade dos resíduos da equação de investimentos não rejeita a

hipótese nula de normalidade dos resíduos, conforme a Figura 31.

Figura 31 – Teste JB resíduos da equação do investimento.


4.4.5.4 Teste de normalidade dos resíduos da Selic

O teste para normalidade dos resíduos da equação para a taxa Selic não rejeita a

hipótese nula de normalidade dos resíduos, conforme a Figura 32.

33

Figura 32 – Teste JB resíduos da equação da Selic


4.4.5.5 Teste de normalidade dos resíduos do componente do IIE-BR

O teste de normalidade de JB para os resíduos do componente do indicador de

incerteza da FGV mostra que a distribuição não é normal. Pela Figura 33 é possível

observar que a distribuição não é normal principalmente por erros pontuais em regiões de

caudas. Mais uma vez, removendo três observações mais distantes, o teste de JB acaba se

mostrando significativo para os resíduos desse componente, como pode ser observado na

Figura 34.

Figura 33 – Teste JB dos erros do componente do IIE-BR


34

Figura 34 – Teste JB dos erros do componente de incerteza da FGV removendo 3 outliers


4.4.6 Teste de raízes do polinômio característico

O teste de raiz unitária do polinômio característico mostrou que as raízes estão

dentro do círculo unitário. Isso significa que o modelo é estável e que a FIR pode ser

executada (Figura 35).

Figura 35 – Resultado da raiz do polinômio característico


4.5 RESULTADO DA MODELAGEM

Com os testes de robustez efetuados, pode-se realizar uma análise de impulso-

resposta e observar todas as dinâmicas significativas na modelagem. Os resultados que

35

aparecerem serão comentados e explicados, não só para verificar se o sinal está correto

mas também para comprovar que a dinâmica pode ser explicada com o que já se sabe

sobre relação entre essas variáveis. Essa etapa serve para validar o modelo e mostrar que

ele está em linha com o que é reportado pela literatura.

4.5.1 Impulso Resposta

O método de Impulso Generalizado é descrito por PESARAN et al. (1998) que

é capaz de construir um conjunto ortogonal de inovações que não dependem da ordem

das variáveis no VAR. Todas as 10 variações significativas estavam com sinal correto,

pois podem ser explicadas com conhecidas dinâmica da economia e resultados esperados.

Para interpretar os resultados apresentados na imagem, vale ressaltar que o traço

azul representa a média da variação no período, enquanto as linhas vermelhas representam

mais e menos dois erros padrões. Esses resultados são todos gerados a partir de um

impulso de apenas um desvio padrão.

4.5.1.1 Resposta do Investimento ao IIE-BR

Conforme o paper dos criadores do indicador (FERREIRA et al., 2017), um

impulso na incerteza nessa modelagem também atinge o investimento significativamente

para o lado negativo. Ou seja, em termos econômicos, são os agentes decidindo parar de

investir por causa de um choque positivo de incerteza (Figura 36).

Figura 36 – Resposta de investimento ao IIE-BR


36

4.5.1.2 Resposta da Selic ao indicador de Incerteza da FGV

Essa relação significativa é explicitada por COCHRANE (2001), que trata o juro

de equilíbrio da economia como sendo definido por 𝑟𝑡𝑓, 𝑐𝑡 é o consumo no tempo t, 𝛿 é a

impaciência dos agentes e o termo 𝜎𝑡2 representa a volatilidade das expectativas, que é

interpretada como a incerteza da economia.

𝑟𝑡𝑓

= 𝛿 + 𝛾𝐸𝑡(∆ ln 𝑐𝑡+1) −𝛾2

2𝜎𝑡

2(∆ ln 𝑐𝑡+1)

Portanto, um impacto positivo na incerteza, representado por 𝜎𝑡2 , gera um efeito

negativo no juro de equilíbrio da economia. Esse resultado (Figura 37) está em linha com

o que foi testado de forma empírica por uma modelagem DSGE por LEDUC et al. (2015).

Figura 37 – Resposta de investimento ao impulso no IIE-BR


4.5.1.3 Resposta da Confiança do Empresário ao IIE-BR

No momento em que se tem um cenário de incerteza acentuado, conforme já dito

anteriormente, o empresário acaba tendo sua expectativa afetada (Figura 38).

37

Figura 38 – Resposta de investimento a impulso no IIE-BR


4.5.1.4 Resposta da Confiança do Empresário ao investimento

Essa dinâmica é bastante coerente em termos econômicos. No momento em que

um impulso ocorre em investimento, existe maior estímulo da economia, o que aponta

para um maior fluxo de bens e serviços. Consequentemente, a confiança do empresário

aumenta (Figura 39).

Figura 39 – Resposta de confiança do empresário à investimento


38

4.5.1.5 Resposta do Investimento à taxa Selic

Essa é a dinâmica mais clássica de política monetária. Buscando controlar

preços, a autoridade do país responsável pelo controle de preços decide aumentar a taxa

Selic para exatamente reduzir investimentos da economia (Figura 40).

Figura 40 – Resposta de investimento a impulso na Taxa Selic


4.5.1.6 Resposta da Confiança do Empresário à taxa Selic

Outro efeito claro de política monetária, ocorre exatamente pelo mesmo motivo

pelo qual o investimento cai. Vale a pena ressaltar que esse impulso resposta está em linha

com os resultados de impulso resposta que relacionam confiança do empresário com

investimento e investimento com Selic. O caminho é um aumento de Selic afetando

negativamente o investimento que, por ter relação positiva com confiança do empresário,

faz com que a confiança do empresário caia depois de um aumento de Selic (Figura 41).

39

Figura 41 – Resposta da confiança do empresário à Taxa Selic


4.5.1.7 Resposta da Taxa Selic à Confiança do Empresário

Por outro lado, um impulso na confiança do empresário significa que a economia

está bem estimulada. Essa estimulação acaba gerando inflação por demanda. Isso fará

com que a autoridade que controla preços no país aumente a taxa Selic para conter esse

estímulo inflacionário gerado pela confiança do empresário (Figura 42).

Figura 42 – Resposta da taxa Selic à Confiança do Empresário


4.5.1.8 Resposta do Investimento ao IIP

Esse é o resultado principal desse trabalho e mostra como o IIP serve como um

indicador eficaz, permitindo medir a incerteza política presente no país e comprovando

40

estatisticamente o impacto significativo dessa incerteza nas variáveis econômicas (Figura

43).

Figura 43 – Resposta de investimento ao IIP


4.5.1.9 Resposta da Confiança do empresário ao IIP

O impulso resposta para o IIP e confiança do empresário mostra que esta é

afetada pela capacidade do governo executivo de realizar sua agenda. Ou seja, um choque

no IIP afeta o indicador de confiança do empresário significativamente.

Isso é bastante intuitivo. Uma vez que um presidente encontra condições

econômicas desfavoráveis, pode trabalhar em conjunto com o Congresso no sentido de

criar mecanismos legais para resolver as controvérsias econômicas. Consequentemente,

como o IIP mede a capacidade do presidente de aprovar leis no Congresso, indica também

41

as condições para que o empresário se sinta mais confiante por ver mudanças e a evolução

do sistema estatal gerada pelo poder executivo (Figura 44).

Figura 44 – Resposta de confiança do empresário ao IIP


4.5.2 Debate

Como foi possível observar na análise de robustez, todos os pressupostos foram

satisfeitos. Porém, de todos os testes realizados, vale ressaltar que o pressuposto mais

frágil é a distribuição multivariada normal dos resíduos. Apesar de obtermos diretamente

resultados normais para os resíduos de dois componentes, outros três possuíam

distribuição mais grossas nas caldas. Por outro lado, com implementação de outliers foi

possível observar resíduos normais.

O impulso resposta mostrou que o IIP tem papel significativo como medidor de

incerteza política, o que se torna altamente relevante se for considerado o impacto dessa

incerteza nas alterações significativas sobre o investimento e sobre a confiança do

empresário. Como o crescimento de uma economia é baseado em consumo e

investimento, um presidente sólido e com capital político – podendo de orientar a Câmara

dos Deputados a votar seus projetos – tem a capacidade de fazer o PIB subir com sua

capacidade de articulação política.

5 CONCLUSÃO

Esse estudo teve como objetivo extrair informações úteis dos votos dos políticos

no Congresso Nacional utilizando análise fatorial, um método que possui uma série de

recursos úteis para esse propósito. Desses dados foram feitas análises gráficas da

disposição dos políticos ao longo do tempo e criada uma série temporal.

42

Das análises gráficas, foi possível observar a disposição dos políticos em

determinados períodos do congresso nacional, dando uma noção de proximidade e

distância política entre grupos utilizando o primeiro e segundo autovetor da matriz de

correlação. Uma série de informações pontuais podem ser extraídas desses gráficos,

deixando claro dinâmicas interpartidárias e intrapartidárias. Esse método gráfico permite

ver as mudanças das disposições do Congresso ao longo do tempo, tornando possível uma

melhor compreensão de como os partidos estão organizados e como sua divisão em blocos

se efetua. Além disso, observar a matriz de correlação com mapas de calor nos permite

ver de forma resumida dois quadrados verdes, um representando a maioria e outro a

minoria da Câmara dos Deputados. O tamanho desses quadrados nos permite entender o

poder dessa minoria e da maioria e compreender melhor a situação que o congresso passa.

A série temporal criada com os autovalores mostra a capacidade de alinhamento

da Câmara dos Deputados com o poder executivo. É coerente que, quando um Congresso

Nacional está alinhado com o executivo, pela literatura que define nosso modelo político,

existe uma perda da autoridade presidencial. Essa perda, por sua vez, acaba deixando uma

vacância no poder que deveria ser exercido pelo presidente e impedindo uma agenda de

resolução de controvérsias. Esse indicador de alinhamento do poder executivo com o

poder legislativo se mostrou significativamente capaz de medir a incerteza política

presente no país, a qual afeta de forma definitiva a confiança do empresário e o fluxo de

investimentos. Ou seja, quando o presidente tem um enfraquecimento na sua autoridade

presidencial, os agentes da economia acabam tendo suas expectativas afetadas, gerando

redução do fluxo de investimento na economia.

43

REFERÊNCIAS BIBLIOGRÁFICAS

ABRANCHES, S.H.H., 1988, "Presidencialismo de Coalizão: O Dilema Institucional

Brasileiro". Revista de Ciências Sociais, Rio de Janeiro. Vol. 31, n. 1, 1988, pp. 5 a 34.

ARTHMAR, R., 2017, "De finetti-savage's and keynes-knight's approaches to probability and

uncertainty: A rejoinder to feduzi, runde and zappia". History of Economic Ideas

BAKER, S. R., BLOOM, N., DAVIS, S. J., 2016, "Measuring Economic Policy Uncertainty".

Quarterly Journal of Economics. Jul. 2016.

BASU, S., BRENT, B., 2012. “Uncertainty Shocks in a Model of Effective Demand.”

Disponível em: http://fmwww.bc.edu/ec-p/wp774.pdf. Acesso em 24/08/2017.

BERNANKE, B. S., 1983 "Irreversibility, Uncertainty, and Cyclical Investment". Quarterly

Journal of Economics. V. 98. pp. 85-106. Fev 1983.

BLOOM, N., BOND, S., VAN REENEN, J., 2007. "Uncertainty and Investment Dynamics".

Review of Economic Studies, v. 74, pp. 391-415, Apr 2007

COCHRANE, J.H., 2005, Asset Pricing. Princeton University Press. 1º ed.,

FEHÉR, F., 1990, The French Revolution and the Birth of Modernity.

FERREIRA, A. B. H., 2010 Dicionário da língua portuguesa. 5. ed. Curitiba: Positivo, 2010.

FERREIRA, P.C., OLIVEIRA, I.C.L., LIMA, L.F., BARROS, A.C.S., 2017 "Medindo a

Incerteza Econômica no Brasil". Economia Aplicada.

JARQUE, C.M., BERA, A.K., 1987, "A test for normality of observations and regression

residuals". International Statistical Review.

KEYNES, J.M., 1923, A treatise on probability. London: Macmillan & Co

KNIGHT, F.H., 1921, "Risk, Uncertainty and Profit". Courier Corporation.

KNOTEK, E. S., KHAN, S., 2011, "How Do Households Respond to Uncertainty Shocks?".

Federal Reserve Bank of Kansas City Economic Review. pp. 63-92.

LEDUC, S., LIU, Z., 2012, “Uncertainty Shocks are Aggregate Demand Shocks”. Federal

Reserve Bank of San Francisco.

LIBANIO, G.A. 2005 "Unit roots in macroeconomic time series: theory, implications, and

evidence". Nova econ., Belo Horizonte, v. 15, n. 3, pp. 145-176, Dez. 2005

LORENZO, M.F. 2016 "a Incerteza e o Impacto nas Variáveis Macroeconômicas"".

Departamento de Economia – PUC-Rio. Dez 2016.

MARDIA, K.V., KENT, J.T., BIBBY, J.M., 1979, Multivariate Analysis (Probability and

Mathematical Statistics). 1 ed. Academic Press Inc.

MONTESQUIEU, 1748, O Espírito das Leis.

44

NAKAMURA, E., SERGEYEV D., STEINSSON J., 2012, “Growth-Rate and Uncertainty

Shocks in Consumption: Cross-Country Evidence.” American Economic Journal:

Macreconomics.

NELSON, C., PLOSSER, C. "Trends and random walks in macroeconomic time series: some

evidence and implications". Journal of Monetary Economics, v. 10, p. 139-169, 1982.

OCDE, 2017, "Developments in individual OECD and Selected non-member economies".

Economic Forecast Summary Brazil OECD Economic Outlook. Jun 2017.

ORLIK, A., VELDKAMP, L., 2014. “Understanding Uncertainty Shocks and the Role of Black

Swans.” Disponível em: "http://people.stern.nyu.edu/lveldkam/pdfs/uncertaintyOV.pdf". Out.

2015.

PESARAN, M.H., YONGCHEOL S.,1998, “Impulse Response Analysis in Linear Multivariate

Models”. Economics Letters, 58, 17-29.

PINDYCK, R., 1990 "Irreversibility, uncertainty, and investment". NBER Working Paper.

SAVAGE, L.J., 1971, "Elicitation of Personal Probabilities and Expectations". Journal of the

American Statistical Association v. 66, n. 336, pp. 783-801

STOCK, J.H., WATSON, M.W., 2012, "Disentangling the Channels of the 2007-2009

Recession". Brookings Papers on Economic Activity.

Documents

Proposta de Indicador de Incerteza Política...Assim, um método de Vetores Autoregressivos (VAR) é utilizado para estudar melhor a dinâmica do IIP na atividade econômica, seguindo