Embed Size (px)
Citation preview
UNIVERSIDADE ESTADUAL DE CAMPINAS
INSTITUTO DE ECONOMIA
JOSÉ LUIZ CHABASSUS MAIA
POR DENTRO DA BOLHA IMOBILIÁRIA: UMA ANÁLISE
EMPÍRICA DAS INTERAÇÕES ENTRE RENDA, CRÉDITO E
TAXA DE JUROS E SEUS IMPACTOS SOBRE OS PREÇOS
DAS RESIDÊNCIAS NORTE-AMERICANAS
Campinas 2017
UNIVERSIDADE ESTADUAL DE CAMPINAS
INSTITUTO DE ECONOMIA
JOSÉ LUIZ CHABASSUS MAIA
POR DENTRO DA BOLHA IMOBILIÁRIA: UMA ANÁLISE
EMPÍRICA DAS INTERAÇÕES ENTRE RENDA, CRÉDITO E
TAXA DE JUROS E SEUS IMPACTOS SOBRE OS PREÇOS
DAS RESIDÊNCIAS NORTE-AMERICANAS
Profª. Drª. Rosângela Ballini - orientadora
Dissertação de Mestrado apresentada ao Programa de Pós-Graduação em Desenvolvimento Econômico do Instituto de Economia da Universidade Estadual de Campinas para obtenção do título de Mestre em Desenvolvimento Econômico, área de concentração: Desenvolvimento Econômico, Espaço Ambiente.
ESTE EXEMPLAR CORRESPONDE À VERSÃO FINAL DA DISSERTAÇÃO DEFENDIDA PELO ALUNO JOSÉ LUIZ CHABASSUS MAIA E ORIENTADO PELA PROFª. DRª. ROSÂNGELA BALLINI .
Campinas Setembro de 2017
Agência(s) de fomento e nº(s) de processo(s): Não se aplica.
Ficha catalográfica
Universidade Estadual de Campinas
Biblioteca do Instituto de Economia
Mirian Clavico Alves - CRB 8/8708
Maia, José Luiz Chabassus, 1964-
M28p MaiPor dentro da bolha imobiliária : uma análise empírica das interações entre
renda, crédito e taxa de juros e seus impactos sobre os preços das residências
norte-americanas / José Luiz Chabassus Maia. – Campinas, SP : [s.n.], 2017.
MaiOrientador: Rosângela Ballini.
MaiDissertação (mestrado) – Universidade Estadual de Campinas, Instituto de
Economia.
Mai1. Mercado imobiliário. 2. Crise financeira global, 2008-2009. 3. Política
monetária. 4. Taxas de juros. I. Ballini, Rosângela, 1969-. II. Universidade
Estadual de Campinas. Instituto de Economia. III. Título.
Informações para Biblioteca Digital
Título em outro idioma: Inside the real estate bubble : an empirical analysis of the
interactions between income, credit and interest rates and their impacts on the US home
prices
Palavras-chave em inglês:Real estate market
Global financial crisis, 2008-2009
Monetary policy
Interest rates
Área de concentração: Desenvolvimento Econômico, Espaço e Meio Ambiente
Titulação: Mestre em Desenvolvimento Econômico
Banca examinadora:Rosângela Ballini [Orientador]
Ana Rosa Ribeiro de Mendonça Sarti
Leandro dos Santos Maciel
Data de defesa: 20-09-2017
Programa de Pós-Graduação: Desenvolvimento Econômico
UNIVERSIDADE ESTADUAL DE CAMPINAS
INSTITUTO DE ECONOMIA
JOSÉ LUIZ CHABASSUS MAIA
POR DENTRO DA BOLHA IMOBILIÁRIA: UMA ANÁLISE
EMPÍRICA DAS INTERAÇÕES ENTRE RENDA, CRÉDITO E
TAXA DE JUROS E SEUS IMPACTOS SOBRE OS PREÇOS
DAS RESIDÊNCIAS NORTE-AMERICANAS
Defendida em 20/09/2017
COMISSÃO JULGADORA
Profª. Drª. ROSÂNGELA BALLINI Instituto de Economia / UNICAMP
Profª. Drª. ANA ROSA RIBEIRO DE MENDONÇA SARTI Instituto de Economia / UNICAMP
Prof. Dr. LEANDRO DOS SANTOS MACIEL UFRJ
Ata de Defesa, assinada pelos membros da Comissão Examinadora, consta no processo de vida acadêmica do aluno.
DEDICATÓRIA
Ao meu pai, José Olympio Ferreira Maia, que se foi quando eu ainda era muito
jovem, mas que deixou seus livros, plantou em mim a vontade de conhecer mais e me ensinou
que a perseverança nos leva longe. Obrigado, pai.
À minha mãe, Wilma Chabassus Maia, que esteve presente no início dessa jornada
e sempre me incentivou muito. Obrigado, mãe.
Aos meus amados filhos, João Cândido Cartocci Maia e Gabriel Cartocci Maia: que
o processo de aprendizagem, o conhecimento, a perseverança, a dedicação e o coração bondoso
continuem nos nossos caminhos.
À Cynthia César, minha esposa amada, que esteve incondicionalmente ao meu lado
nessa longa jornada.
AGRADECIMENTOS
Defender uma dissertação de mestrado aos 53 anos de idade não é tarefa fácil,
sobretudo quando o estudo e a pesquisa têm que ser conciliados com o trabalho e a família. Foi
uma longa jornada e muitas pessoas contribuíram de forma direta ou indireta.
Em primeiro lugar, gostaria de agradecer a minha orientadora, Professora Doutora
Rosangela Ballini. Seu apoio, dedicação e cuidado foram fundamentais. Seu grande
conhecimento sobre econometria e economia e a forma de me orientar sobre estas matérias
foram para mim um dos grandes legados deste mestrado.
Não poderia deixar de agradecer também a Professora Doutora Alejandra Caporale
Madi. A Professora Alejandra foi quem, com seu profundo conhecimento, me guiou
inicialmente na definição do tema de pesquisa. Além disso, esteve sempre à disposição durante
muito tempo para discutir o trabalho, contribuindo com sugestões relevantes.
Gostaria também de agradecer a Professora Doutora Ana Rosa Ribeiro de
Mendonça Sarti e ao Professor Doutor Giuliano Contento de Oliveira: suas sugestões foram
importantes para o aprimoramento do trabalho.
O Instituto de Economia da Unicamp me acolheu desde o início de braços abertos.
Não poderia deixar de agradecer os professores Lopreato e José Maria, que, sabendo da minha
necessidade de conciliar trabalho e mestrado, me indicaram sempre o melhor caminho para
cumprir minhas obrigações acadêmicas, contribuindo com sugestões importantes.
Ao longo do mestrado tive a grande oportunidade de estudar com excelentes
professores. Gostaria de agradecer a todos. Especialmente, gostaria de agradecer novamente as
professoras Rosangela Ballini e Alejandra Madi e os professores Wilson Cano, Ricardo
Carneiro e Mariano Laplane: uma parte importante da discussão que procurei conduzir na
dissertação de mestrado nasceu nas aulas desses professores.
Agradeço também a todo o pessoal do Instituo de Economia, especialmente da
secretaria da pós-graduação. Deixo um agradecimento especial à Marinete da Silva Correa, que,
mesmo antes de eu entrar no mestrado, foi sempre muito atenciosa e assim continuou até o fim,
me ajudando com toda a sorte de questões e dúvidas. O pessoal do xerox e da biblioteca,
especialmente a Alexandra, também merecem ser lembrados por todo o apoio e ajuda.
Agradeço ao Hugo Maciel de Carvalho pela cuidadosa revisão e pelo cumprimento
dos prazos sempre apertados.
Na graduação na PUC-SP tive professores que foram muito importantes para me
incentivar a cursar o mestrado. Gostaria de agradecer a professora Rosa Maria Vieira Berriel e
o professor Roland Veras Saldanha Júnior por toda a atenção e incentivo.
Trabalhando desde 2002 na LCA Consultores, tive a oportunidade de conviver com
economistas brilhantes no meu dia a dia. Muitos deles me ajudaram com dicas de onde
encontrar fontes de dados e com sugestões relevantes. Agradeço a todos com quem discuti
economia e o meu tema de pesquisa durante esses anos. Especialmente, gostaria de agradecer
aos economistas Luiz Suzigan, Bráulio Borges, Fábio Romão, Carlos Joaquim Paulino e Dario
Guerrero, que, além do incentivo, deram dicas e sugestões que me ajudaram muito.
Muitas pessoas me incentivaram a iniciar o mestrado, mas devo um agradecimento
especial ao Professor Roberto Vermulm, à economista Sandra Hollanda e ao Professor Luciano
Coutinho: vossas ajudas e indicações dos caminhos a seguir, além do entusiasmo, foram de
grande valor.
Devo agradecer também ao Joel Maia e ao Nélio Sacramento (in memoriam) por
me ajudarem, com muita sabedoria e sensibilidade, a iluminar os caminhos que trilhei.
Minha família merece um agradecimento especial. Primeiro, por reconhecerem o
valor do estudo e do esforço e por me incentivarem. Segundo, por terem convivido com minha
ausência sem cobranças: foram incontáveis finais de semana e feriados estudando e trabalhando
na dissertação. Por fim, por terem propiciado um ambiente cheio de amor e compreensão.
Minha esposa, Cynthia, meus filhos, João Cândido e Gabriel, e meus enteados, Gabriel e Luiza,
propiciaram, sempre, um ambiente acolhedor e continente para essa jornada.
A todos, meu sincero agradecimento!
RESUMO
Este trabalho tem como objetivo compreender qual foi a contribuição da renda das famílias, do
crédito hipotecário e da taxa de juros sobre os movimentos de preços dos imóveis residenciais
norte-americanos e como interagiram para a formação da bolha imobiliária dos anos 2000.
Adicionalmente, sugere-se avaliar os coeficientes de ajustamento de longo prazo para
compreender os desvios do equilíbrio de longo prazo do mercado imobiliário norte-americano.
Inicialmente, analisa-se o contexto macroeconômico dos vinte anos que antecederam a bolha
imobiliária norte-americana, enfatizando como o sistema de Inflation Targeting lidou com a
questão dos preços dos ativos. Em seguida, analisa-se a literatura sobre os preços dos imóveis,
concluindo-se que pouca importância foi dada à interação entre a renda das famílias, o crédito
hipotecário e os juros como causadores dos desalinhamentos de preços dos imóveis
residenciais. A hipótese deste trabalho é que a renda das famílias deveria funcionar como um
limitador do volume de crédito concedido, na medida em que este último precisa guardar
relação com a capacidade de pagamento das famílias. Para dar conta da análise, utilizando a
metodologia de Johansen, foram ajustados três modelos VEC. Por meio de testes de causalidade
de Granger, da análise dos resultados da função impulso-resposta e da análise da decomposição
da variância do erro de previsão, sugere-se que não houve equilíbrio entre a renda das famílias
e o crédito a partir dos anos 2000, ocasionando um significativo aumento dos preços das
residências, a formação da bolha imobiliária e seu posterior estouro. Sugere-se, também, que a
taxa de juros não foi capaz de desinflar a bolha imobiliária, como se previa no sistema de
Inflation Targeting. A partir da análise dos coeficientes de ajustamento de longo prazo dos
modelos VEC-M de períodos distintos — período em que houve equilíbrio versus período em
que houve desequilíbrio no mercado imobiliário —, é possível avaliar diferentes velocidades
de ajustamento. Essas diferentes velocidades de ajustamento podem indicar um maior ou menor
afastamento do equilíbrio de longo prazo do mercado imobiliário norte-americano, sugerindo a
identificação de bolhas imobiliárias ocasionadas por desequilíbrios entre as variáveis
examinadas.
Palavras-chave: Mercado imobiliário. Crise financeira global 2008-2009. Política monetária.
Taxas de juros.
ABSTRACT
The aim of this work is to understand what were the households’ income, mortgage credit and
interest rate contributions to the North American real property price movements and how they
interacted to build up the 2000’s housing bubble. Additionally, it is suggested to evaluate the
long-term adjustment coefficients to understand the deviations of the real estate market long-
term equilibrium between the variables examined. Initially, it analyzes the macroeconomic
environment over twenty years before the US housing bubble, emphasizing how the Inflation
Targeting system has dealt with asset prices issues. Then it analyzes the literature on real estate
prices, concluding that little importance was given to the interaction between household income
mortgage credit and interest rates as responsible for the misalignments of home prices. The
hypothesis of this study is that the household income should act as a boundary of the credit
volume to the extent that the latter would be related to the households’ payment capacity. To
account for the analysis, it was adjusted three VEC models using the Johansen’s methodology.
Through Granger causality tests, the impulse response function analysis and the forecast error
variance decomposition analysis it is suggested that there was no equilibrium between
households’ income and mortgage credit on the 2000’s, producing a significant increase in
home prices, the boom of the housing bubble and its subsequent burst. It is also suggested that
the interest rate was not able to deflate the real estate bubble, as predicted by the Inflation
Targeting system. Through the analysis of the long-term adjustment coefficients of the different
periods VEC-M models — the period in which there was equilibrium versus the period in which
there was imbalance in the real estate market —, it is possible to evaluate different adjustment
rates. These different velocities of adjustment may indicate a greater or lesser distance from the
long-term equilibrium, suggesting the identification of real estate bubbles caused by imbalances
between the variables examined.
Keywords: Real Estate Market. Global Financial Crisis 2008-2009. Monetary Policy. Interest
Rates.
LISTA DE SIGLAS
AIC Akaike information criterion
BC Banco Central
BEA Bureau of Economic Analysis
BIS Bank for International Settlements
CPI Consumer Price Index (Índice de Preços ao Consumidor – IPC)
CRDF Home Mortgage Flow (Crédito Imobiliário)
FED Federal Reserve System
FPE Final Prediction Error
FRB Federal Reserve Board
GDP Gross Domestic Product (Produto Interno Bruto – PIB)
HQ Hannan-Quinn information criterion
INC Total Disposable Personal Income (Renda das Famílias)
INT Interest Rate (Taxa de Juros)
IT Inflation Targeting
LR Likelihood-ratio test
LTCM Long-Term Capital Management
LTV Loan-To-Value Ratio
MCI Índice de Condições Monetárias
MQO Mínimos Quadrados Ordinários
OCDE Organização para a Cooperação e Desenvolvimento Econômico
PCE Personal Consumption Expenditure
RPP Residential Property Prices (Preços dos Imóveis Residenciais)
SC Schwarz information criterion
SIV Structured Investment Vehicles
VAR vetor autorregressivo
VEC vetor de correção de erros
LISTA DE ILUSTRAÇÕES
Gráficos:
Gráfico 1 - Índices de Preço dos Imóveis dos EUA ................................................................. 60
Gráfico 2 - Índice de Renda das Famílias dos EUA ................................................................. 61
Gráfico 3 - Índice de Crédito Imobiliário dos EUA ................................................................. 61
Gráfico 4 - Índice da Taxa de Juros dos EUA .......................................................................... 62
Gráfico 5 - Períodos analisados da série de preços dos imóveis residenciais, RPP ................. 64
Tabelas:
Tabela 1 - Estatísticas descritivas ............................................................................................. 62
SUMÁRIO
INTRODUÇÃO ........................................................................................................................ 14
1 INFLATION TARGETING: PROPOSIÇÕES E CRÍTICAS A ESSE SISTEMA ................. 16 1.1 O sistema IT: breve caracterização e a questão dos preços dos ativos ........................... 16 1.2 IT após a crise financeira de 2008 .................................................................................. 18
1.3 Preços dos ativos dentro do quadro do IT ....................................................................... 20 1.3.1 A principal referência do sistema IT: a variável preços dos ativos fica de fora do
escopo ................................................................................................................................ 20 1.4 Evolução das discussões sobre a inclusão dos preços dos ativos no sistema IT ............ 21
2 DISCUSSÕES SOBRE OS PREÇOS DOS IMÓVEIS ........................................................ 26
2.1 Preços dos imóveis e bolha imobiliária: de 1988 a 2004 ................................................ 26
2.2 Diante da bolha imobiliária ............................................................................................. 33
2.3 Comparativo entre as diferentes abordagens sobre os preços dos imóveis residenciais e
sobre a identificação de bolha imobiliária ............................................................................ 41
3 PROCURANDO COMPREENDER A BOLHA IMOBILIÁRIA ........................................ 43 3.1 Endividamento e capacidade de pagamento ................................................................... 43
3.1.1 Bolha imobiliária: momento Minsky? ..................................................................... 45 3.1.2 Crise subprime e bolha imobiliária .......................................................................... 46
3.2 Instabilidade financeira endógena .................................................................................. 48 3.3 Hipóteses sobre a relação de longo prazo entre os preços dos imóveis, a renda das
famílias, o crédito hipotecário e a taxa de juros ................................................................... 53
4 MODELOS, RESULTADOS E ANÁLISES PARA COMPREENDER A BOLHA
IMOBILIÁRIA ......................................................................................................................... 56
4.1 Variáveis ......................................................................................................................... 57 4.2 Analise das séries ............................................................................................................ 59
4.3 Definição dos períodos das séries ................................................................................... 63 4.4 Breve descrição metodológica ........................................................................................ 65 4.5 Estacionaridade das séries .............................................................................................. 65
4.5.1 Período T .................................................................................................................. 66 4.5.2 Período A ................................................................................................................. 66
4.5.3 Período B .................................................................................................................. 66 4.6 Identificação dos modelos .............................................................................................. 67
4.6.1 Autocorrelação residual ........................................................................................... 69
4.6.2 Teste de normalidade dos resíduos .......................................................................... 70 4.6.3 Testes de exogeneidade ............................................................................................ 71
4.7 Teste de causalidade de Granger..................................................................................... 73 4.7.1 Teste de causalidade de Granger: variável RPP (preços) ......................................... 74
4.7.2 Teste de causalidade de Granger: variável INC (renda) .......................................... 74 4.7.3 Teste de causalidade de Granger: variável CRDF (crédito) ..................................... 74 4.7.4 Teste de causalidade de Granger: variável INT (juros) ........................................... 75
4.8 Função impulso-resposta ................................................................................................ 76 4.8.1 Função Impulso-Resposta: período T ...................................................................... 76
4.8.2 Função Impulso-Resposta: períodos A e B .............................................................. 77 4.9 Decomposição da variância dos erros de previsão ......................................................... 78
4.9.1 Decomposição da variância dos erros de previsão: período T ................................. 78 4.9.2 Decomposição da variância dos erros de previsão: períodos A e B ........................ 79
4.10 Análise dos coeficientes de ajustamento de longo prazo .............................................. 82
CONSIDERAÇÕES FINAIS ................................................................................................... 84
REFERÊNCIAS ....................................................................................................................... 86
FONTES DE DADOS .............................................................................................................. 90
APÊNDICE: METODOLOGIA ............................................................................................... 91 1 Testes de raiz unitária ........................................................................................................ 91 2 Cointegração ...................................................................................................................... 92
3 Teste de causalidade de Granger ....................................................................................... 96 4 Função impulso-resposta ................................................................................................... 97 5 Decomposição da variância dos erros de previsão ............................................................ 99
ANEXOS ................................................................................................................................ 102 Anexo 1 - Quadro comparativo entre as diferentes abordagens sobre preços de imóveis
residenciais e bolha imobiliária .......................................................................................... 102 Anexo 2 - Testes de raiz unitária das séries do período T .................................................. 104
Anexo 3 - Testes de raiz unitária das séries do período A .................................................. 106 Anexo 4 - Testes de raiz unitária das séries do período B .................................................. 108 Anexo 5 - Seleção da Ordem do VAR ................................................................................ 110 Anexo 6 - Testes de Cointegração ...................................................................................... 113
Anexo 7 - Procedimento de Cointegração de Johansen ...................................................... 116 Anexo 8 - Teste de Cointegração de Johansen – Ajustamento de Curto Prazo .................. 119
Anexo 9 - Análise de Estabilidade ...................................................................................... 122 Anexo 10 - Correlograma dos Resíduos do VEC ............................................................... 124 Anexo 11 - Teste de Portmanteau de autocorrelação residual ............................................ 127
Anexo 13 - Teste de Normalidade ...................................................................................... 133 Anexo 14 - Testes de Exogeneidade ................................................................................... 136
Anexo 15 - Teste de Causalidade Conjunta de Granger ..................................................... 142 Anexo 16 - Função Impulso-Resposta: gráficos e tabelas dos períodos T, A e B .............. 145
Anexo 17 - Decomposição da Variância dos Erros de Previsão ......................................... 151
14
INTRODUÇÃO
A crise financeira iniciada nos Estados Unidos em 2008 não explicitou apenas a
fragilidade dos mercados financeiros em nível global, mas expôs também os pontos fracos da
abordagem macroeconômica que vinha sendo utilizada pelos formuladores e executores de
políticas econômicas. Houve mais de duas décadas de prevalência de um quadro teórico de
consenso, cuja maior expressão e aplicação foi o sistema de Inflation Targeting (IT). Embora o
IT tenha sido utilizado com diferentes graus de liberdade por diferentes países, houve consenso
de que operava superior framework of monetary police (ARESTIS; SAWYER, 2008); mais ou
menos explicitamente, as principais economias globais utilizaram e ainda utilizam esse sistema
como guia de política econômica.
As lacunas do sistema IT expostas pela crise propiciaram terreno fértil para a
revisão e reformulação dos instrumentos de política econômica. O espectro de tópicos a serem
examinados ou reexaminados, até hoje, é extenso, cobrindo vários pontos da política monetária,
da política fiscal e da regulação prudencial do sistema financeiro.
Dentre os aspectos que o sistema IT deixou de lado, certamente podemos citar a
falta de acompanhamento mais resoluto e/ou a subestimação dos efeitos dos preços dos ativos
sobre a economia. Embora alguns bancos centrais tenham feito um acompanhamento mais
sistemático da questão, políticas para lidar com a evolução desses preços ficaram à margem. A
crise financeira de 2008 é um indicador mais que suficiente para explicitar essa omissão. Nela,
ficou evidente o problema da bolha imobiliária dos EUA.
A análise crítica pré e pós-crise do sistema IT evidencia a importância de um
acompanhamento sistemático da evolução dos preços dos ativos, sobretudo dos preços das
ações e dos preços dos imóveis. Mais especificamente, parece haver consenso sobre a
necessidade de um instrumento de acompanhamento dos preços destes ativos que seja capaz de
sinalizar quando bolhas estão se formando. Nesse ponto, emergem os objetivos deste trabalho:
i. Avaliar quais foram os determinantes da bolha imobiliária dos EUA nos anos 2000.
Especificamente, queremos compreender qual foi a contribuição da renda das famílias,
do crédito hipotecário e da taxa de juros sobre os movimentos de preços dos imóveis
residenciais norte-americanos e como interagiram para a formação da bolha imobiliária
dos anos 2000.
ii. Avaliar os coeficientes de ajustamento de longo prazo de modelos VEC-M para
compreender os desvios do equilíbrio de longo prazo do mercado imobiliário residencial
15
norte-americano. Diferentes velocidades de ajustamento podem indicar um maior ou
menor afastamento do equilíbrio de longo prazo, sugerindo a identificação de bolhas
imobiliárias ocasionadas por desequilíbrios entre o preço dos imóveis, a renda das
famílias, o crédito imobiliário e a taxa de juros.
A construção das etapas deste trabalho obedeceu uma ordem de aproximação aos
objetivos: procuramos partir de uma análise mais macro para uma discussão mais próxima das
questões que nos propomos examinar aqui. Para dar conta destes objetivos, dividimos o trabalho
nos seguintes capítulos.
No capítulo 1, explorando uma abordagem teórica mais ampla, apresentamos
resumidamente o sistema IT e algumas críticas feitas a ele antes e depois da crise, destacando
a questão dos preços dos ativos. Consideramos essa contextualização necessária, uma vez que
nos interessa explicitar o ambiente teórico e crítico durante a evolução da bolha imobiliária.
No capítulo 2, com o objetivo de nos aproximarmos mais do tema, fazemos uma
revisão bibliográfica dos trabalhos associados à questão dos preços dos imóveis: apresentamos
as principais análises e modelagens desenvolvidas para tratar do assunto. Concluímos aqui que,
para compreender a bolha imobiliária, pouca atenção foi dada à interação entre os preços dos
imóveis residenciais, a renda das famílias, o crédito hipotecário e a taxa de juros.
No capítulo 3, já mais próximos do tema, procuramos delinear um quadro teórico
que auxilie na compreensão dos mecanismos que originaram a bolha imobiliária norte-
americana dos anos 2000 e seu estouro, provocando a crise financeira de 2008.
Especificamente, procuramos entender quais foram os mecanismos que ajudaram a criar a bolha
e a consequente fragilidade financeira desse período. Ainda nesse capítulo, delineamos as
hipóteses sobre quais foram os determinantes da bolha imobiliária norte-americana, tecendo
considerações sobre as relações entre renda das famílias, crédito e juros para a formação da
bolha.
O capítulo 4 expõe o trabalho empírico que empreendemos como respostas às
questões que levantamos: apresenta as variáveis de preços dos imóveis, renda das famílias,
crédito hipotecário e taxa de juros que utilizamos, uma breve descrição da metodologia
empregada (mais bem delineada em apêndice ao trabalho), os modelos VEC-M que ajustamos,
seus resultados e as análises que elaboramos. Após esse capítulo, fazemos nossas considerações
finais.
16
1 INFLATION TARGETING: PROPOSIÇÕES E CRÍTICAS A ESSE SISTEMA
1.1 O sistema IT: breve caracterização e a questão dos preços dos ativos
O sistema de Inflation Targeting foi adotado nas duas últimas décadas tanto pelos
países que compõem a Organização para a Cooperação e Desenvolvimento Econômico – OCDE
como por outros em transição ou em desenvolvimento. Essa adoção foi direta (quando o banco
central – BC persegue um objetivo de inflação por meio da manipulação da taxa de juros) ou
indireta (quando um país atrela sua taxa de câmbio à moeda de outro país que utiliza diretamente
o IT).
A ideia principal do sistema IT é que o BC adote uma função de reação que
direcione seu comportamento para responder a choques da economia, conduzindo-a para um
alvo de inflação explícito ou implícito (CARLIN; SOSKICE, 2006). A primeira tarefa da
função de reação é fornecer uma âncora nominal para o médio prazo, ou seja, define-se um alvo
de inflação ou nível de preços. A definição desse alvo tem como objetivo direcionar a taxa de
inflação de médio prazo, coordenando as expectativas sobre o futuro, sobre a formação de
preços. Dessa forma, se estabelece um compromisso com um ambiente de baixa inflação.
A segunda tarefa da função de reação é fornecer um guia aos agentes econômicos
de como o BC se comportará em virtude dos desvios da economia. Mediante o manejo da taxa
de juros — o instrumento de política do banco —, procura-se responder a diferentes choques
de forma que os objetivos de médio prazo de inflação sejam atingidos enquanto se minimiza a
flutuação do produto.
O modelo IT é descrito por um conjunto de três equações (ARESTIS; SAWYER,
2008). A primeira é a equação da demanda agregada ou do hiato do produto corrente,
determinado pelo hiato do produto passado e esperado, e pela taxa real de juros. A segunda
equação é a curva de Philips, com a inflação baseada no hiato do produto corrente e na inflação
passada e futura. A terceira equação é uma regra monetária, em que a taxa nominal de juros é
baseada na expectativa de inflação, no hiato do produto, nos desvios da inflação em relação ao
alvo e na taxa de juros de equilíbrio.
Embora o IT ainda seja amplamente utilizado, vem sofrendo muitas críticas. Mesmo
antes de a crise atingir seu ápice em novembro de 2008, Arestis e Sawyer (2008), por exemplo,
fizeram uma avaliação de alguns aspectos que acreditam ser cruciais para o desenvolvimento
dessa abordagem. São eles: (i) IT como ancora nominal, (ii) a separação entre fatores reais e
monetários, (iii) as causas da inflação segundo os seguidores do modelo IT e (iv) questões
17
ligadas aos preços dos ativos. Para o que nos interessa, em seguida discorreremos brevemente
sobre o último ponto formulado pelos autores.
Os autores argumentam que a questão dos preços dos ativos levanta argumentos
críticos ao modelo IT como sendo um guia incompleto para a política monetária. Isso ocorre
porque o modelo e as políticas implementadas não dão conta das desordens provocadas pelos
desarranjos nos preços dos ativos. Esses desequilíbrios, afirmam, têm maior probabilidade de
ocorrer no ambiente de hoje.
These imbalances are more likely to occur in today’s environment of
deregulated financial markets, essentially due to their ability to innovate. The
imbalances thereby created are not expected to have immediate effects on
inflation, but can have significant employment and output costs. These
disorders are asset price and debt bubbles, which IT cannot cure. The
implication being that additional policy measures are required; IT by itself
cannot achieve the objectives assigned to it.1 (ARESTIS; SAWYER, 2008)
Os autores concluem este ponto afirmando que, embora muitos países tenham
obtido sucesso no controle da inflação, não há garantia de que os preços dos ativos não sofram
variações importantes. Quando sua evolução foge do controle, argumentam, bolhas
especulativas são formadas e, com o estouro destas, os necessários ajustes dos preços da
economia impõem efeitos negativos ao emprego e ao nível de atividade.
O exemplo recente deste problema é a crise financeira que se iniciou nos Estados
Unidos e se alastrou pelo mundo a partir de setembro de 2008. O estouro da bolha imobiliária
norte-americana, o problema dos ativos financeiros tóxicos e as consequências em termos de
insolvência bancária, redução abrupta do crédito (devido ao aumento da aversão ao risco) e seus
impactos no emprego, na renda e no investimento vêm afetando profundamente a economia
mundial, tanto dos países desenvolvidos como dos em desenvolvimento. Embora quando
escreveram o artigo a crise financeira iniciada em setembro de 2008 ainda não tivesse atingido
seu ápice, Arestis e Sawyer (2008) comentaram que:
Yet the experience of many countries shows that successful control of CPI-
inflation does not guarantee low asset price inflation — witness the late 1990s
US experience, for example (Arestis and Karakitsos, 2004). When asset price
inflation gets out of control bubbles are built and while they grow they
1 Tradução livre: “Esses desequilíbrios são mais propensos a ocorrer no ambiente atual de mercados financeiros
desregulados, essencialmente devido à sua capacidade de inovar. Não se espera que os desequilíbrios assim criados
tenham efeitos imediatos sobre a inflação, mas podem ter custos significativos para os níveis de emprego e de
produção. Esses distúrbios são bolhas de preços ou de débitos, que o modelo IT não pode curar. A implicação
disso é que são necessárias políticas suplementares; o modelo IT, por si só, não pode atingir os objetivos a ele
atribuídos.”
18
generate a lot of euphoria. But bubbles have ultimately burst with devastating
consequences not only for the investors in the stock markets, but also for the
economy as a whole. The experience of the last twenty years shows that the
adverse consequences of the burst of a bubble hit not only weak economies,
but also strong economies such as the US and Japan. Monetary policy should,
therefore, target asset prices in addition to inflation (Dupor, 2002; Cecchetti
et al, 2000). Goodhart’s (2001) suggestion, based on Alchian and Klein
(1973), and in contrast to Bernanke and Getler (2000), that central banks
should consider housing prices and, to a lesser extent, stock market prices in
their policy decisions, is very pertinent.2
1.2 IT após a crise financeira de 2008
Após a evolução da crise financeira de 2008 e seus desdobramentos até o momento
(segundo semestre de 2017), é evidente que a abordagem sobre o problema dos preços dos
ativos e das bolhas tanto não vinha como não vem sendo tratada adequadamente pelo sistema
IT. No período pós-crise houve um movimento intenso de revisão crítica do ferramental
macroeconômico antecedente. Por exemplo, num artigo crítico intitulado “Rethinking
Macroeconomic Policy”, Blanchard, Dell’Ariccia e Mauro (2010) afirmam que, na
macroeconomia utilizada pelos bancos centrais, havia apenas um alvo para a política monetária
— a inflação —, e apenas um instrumento de política — a taxa de juros. A política monetária
estava centrada no uso da taxa de juros de curto prazo que o BC podia controlar diretamente
mediante as operações de mercado aberto. Segundo os autores, atrás dessa escolha de política
havia duas hipóteses. A primeira é que o efeito real da política monetária se dá por meio da taxa
de juros e dos preços dos ativos. A segunda hipótese é que todas as taxas de juros e os preços
dos ativos estão ligados pela arbitragem. Dessa forma, as taxas de longo prazo são dadas pelo
próprio ajuste médio da taxa futura de curto prazo ajustada pelo seu risco; os preços dos ativos
seriam ajustados pelos fundamentos, ou seja, o valor presente descontado pelo risco dos
rendimentos dos ativos. Sob tais hipóteses, os gestores só precisariam afetar a taxa de juros
corrente e a taxa esperada de curto prazo: todos os outros preços seguiriam esse movimento,
2 Tradução livre: “No entanto, a experiência de muitos países mostra que o controle bem-sucedido da inflação/CPI
não garante uma baixa inflação dos preços dos ativos — conforme testemunha a experiência do final dos anos
1990 nos EUA, por exemplo (Arestis e Karakitsos, 2004). Quando a inflação de preços dos ativos sai do controle,
as bolhas se desenvolvem e, enquanto estão crescendo, geram muita euforia. Mas elas acabam estourando,
provocando consequências devastadoras não só para os investidores nos mercados de ações, mas também para a
economia como um todo. A experiência dos últimos vinte anos mostra que as consequências adversas do estouro
de uma bolha atingem não apenas economias fracas, mas também economias fortes — como os EUA e o Japão. A
política monetária deve, portanto, incluir um objetivo de preços dos ativos, além da inflação (Dupor, 2002;
Cecchetti et al., 2000). A sugestão de Goodhart (2001), com base Alchian e Klein (1973), e em contraste com
Bernanke e Getler (2000), de que os bancos centrais devem considerar os preços das residências e, em menor
medida, os preços das ações nas suas decisões políticas, é muito pertinente.”
19
ajustando-se. Isso poderia ser feito implícita ou explicitamente, usando-se regras transparentes
e previsíveis, como a regra de Taylor, transformando a política de taxas de juros numa função
do ambiente econômico corrente.
Embora argumentos contra o sistema IT tenham sido levantados, evidências
sugeriam que uma ancoragem mais sólida das expectativas de inflação, possível graças aos
sinais claros e ao comportamento do BC, tiveram um importante papel em reduzir os efeitos de
choques na economia. Nesse artigo, Blanchard, Dell’Ariccia e Mauro (2010) ainda ressaltam
que as respostas bem-sucedidas do sistema IT à quebra do mercado de ações em 1987, ao
colapso das Long-Term Capital Management – LTCM e ao estouro da bolha das empresas
baseadas na Internet, chamadas de “empresas pontocom”, reforçaram a visão de que a política
monetária estava bem equipada para lidar com as consequências de estouros de bolhas de preços
dos ativos. Assim, “[…] by the mid-2000s, it was indeed not unreasonable to think that better
macroeconomic policy could deliver, and had indeed delivered, higher economic stability. Then
the crises came.”3 (BLANCHARD; DELL’ARICCIA; MAURO, 2010).
Com a crise evidenciou-se definitivamente a limitação do sistema IT, ficando claro
que o comportamento da inflação é muito mais complexo que o assumido pelos modelos.
Evidenciou-se também que, mesmo com a inflação e o hiato do produto sendo estáveis, o
comportamento dos preços dos ativos e de agregados de crédito são indesejáveis.
Dentro da revisão da política macroeconômica sugerida pelo artigo de Blanchard,
Dell’Ariccia e Mauro (2010), estão tópicos que vão da própria política monetária, da política
fiscal à regulação macro prudencial. Fica clara a necessidade de se ter não apenas um sistema
de metas de inflação, mas um conjunto de instrumentos complementares que auxiliem os
gestores para além do que o sistema IT tem conseguido. Os autores concluem:
The ultimate goals should be to achieve a stable output gap and stable
inflation. But the crisis has made clear that policymakers have to watch many
targets, including the composition of output, the behavior of asset prices, and
the leverage of different agents. 4 (BLANCHARD; DELL’ARICCIA;
MAURO, 2010)
3 Tradução livre: “[…] em meados dos anos 2000 era, de fato, razoável pensar que a melhor política
macroeconômica pudesse entregar, e que efetivamente entregou, maior estabilidade econômica. E então veio a
crise.” 4 Tradução livre: “Os objetivos finais devem ser alcançar um hiato do produto e uma inflação estáveis. Mas a crise
deixou claro que os formuladores de políticas devem visar a muitos objetivos, incluindo a composição do produto,
o comportamento dos preços dos ativos e a alavancagem de diferentes agentes.”
20
Com o pano de fundo explicitado até aqui, em seguida discorremos brevemente
sobre as questões relevantes ligadas aos preços dos ativos e ao sistema IT discutidas durante os
últimos vinte anos.
1.3 Preços dos ativos dentro do quadro do IT
O estudo da questão dos preços dos ativos não é novidade na literatura econômica.
Dentro do quadro teórico colocado pelo IT, os trabalhos mais recentes têm procurado avaliar
três pontos principais: (i) se os movimentos dos preços dos ativos devem ou não ser
incorporados ao ferramental de política econômica, (ii) quais preços dos ativos levar em conta
e (iii) como incorporar de forma prática os preços dos ativos nos instrumentos de política. Em
seguida, comentamos alguns trabalhos que tratam desses pontos.
1.3.1 A principal referência do sistema IT: a variável preços dos ativos fica de fora do
escopo
Em artigo que referenciou boa parte da condução macroeconômica pré-crise
financeira de 2008, Bernanke e Gelter (2000) reconhecem que os preços dos ativos podem
causar sérios danos à economia. Contudo, acham que, para lidar com as desordens provocadas
por eles, é mais adequado usar apenas o IT — leia-se, a taxa de juros. O argumento principal é
que é difícil para o BC diferenciar se as mudanças nos preços dos ativos são devidas a forças
fundamentais, a forças não fundamentais ou uma combinação de ambas. Se a mudança nos
preços dos ativos é de origem fundamental — como, por exemplo, um aumento de
produtividade —, afirmam que tentar estabilizar os preços é contraproducente.
Elaboram um conjunto de simulações comparando quais seriam as consequências
de o BC responder apenas à inflação (utilizando o sistema IT convencional) versus responder
adicionalmente às variações dos preços dos ativos. O experimento consiste em comparar os
resultados de uma função de reação do BC que responde à inflação com os resultados de outra
função que responde tanto à inflação quanto aos preços dos ativos.
Na avaliação dos autores, melhores resultados são alcançados quando se foca
apenas na inflação, ou seja, quando se utiliza apenas o IT como instrumento de política.
Afirmam que o IT fornece um efetivo e unificado quadro para atingir tanto a estabilidade
macroeconômica geral quanto a estabilidade financeira. Concluem que, dado o forte
compromisso com estabilizar a inflação esperada, não é necessário nem desejável que a política
21
monetária responda a mudanças nos preços dos ativos, exceto quando isso ajuda a projetar
pressões inflacionárias ou deflacionárias.
1.4 Evolução das discussões sobre a inclusão dos preços dos ativos no sistema IT
As discussões que sucedem o trabalho de Bernanke e Gelter (2000) procuram
avaliar a importância de deixar os preços dos ativos dentro ou fora do sistema IT. Em seguida,
ressaltamos alguns trabalhos que dialogam, ao longo do tempo, com esse ponto.
Para Cecchetti et al. (2000), um BC comprometido com a estabilização da inflação
não deve apenas ajustar seus instrumentos de política em resposta às projeções futuras de
inflação e hiato do produto, mas deve também alvejar os preços dos ativos. Partindo do modelo
desenvolvido por Bernanke e Gelter (2000), Cecchetti et al. (2000) incorporam a este o preço
das residências, que, avaliam, contém informações importantes sobre o movimento dos preços
agregados. Não incorporam o preço das ações, pois consideram que estes são muito ruidosos
para serem úteis na medida de inflação. Analisando os resultados das simulações que
elaboraram, os autores afirmam que é bastante aconselhável que o sistema IT responda aos
preços dos ativos. Essa conclusão é em parte baseada na ideia de que uma reação aos preços
dos ativos deve reduzir a probabilidade de desalinhamento desses preços.
Assim como Bernanke e Gelter (2000), Cecchetti et al. (2000) acham importante
diferenciar o movimento dos preços dos ativos entre fundamentais e não fundamentais. A
discussão nos dois artigos tem a mesma base: se o desalinhamento dos preços dos ativos tem
origem no mercado de ativos ou no setor real. Novamente, o BC não deveria interferir quando
os preços dos ativos são alterados por um aumento de produtividade do setor real da economia.
Por isso, não acham recomendável que o BC responda a todos os desalinhamentos de preços
dos ativos procurando estourar as bolhas que identifica nem que deva perseguir níveis
específicos de preços dos ativos.
Cecchetti et al. (2000) admitem que os preços dos ativos devam ser levados em
conta na política monetária e por isso incorporam esse elemento no modelo IT: o modelo
proposto por eles responde à inflação e ao preço das residências. Apesar disso, a taxa de juros
continua sendo o único instrumento de política para lidar tanto com a inflação quanto com os
preços dos ativos.
Diferentemente de Bernanke e Gelter (2000), Dupor (2002) argumenta que
movimentos não fundamentais dos preços dos ativos sinalizam distorções dos mercados de
capitais às quais a política monetária deveria responder. Seu trabalho, desenvolvido a partir da
22
formulação de modelos teóricos, procurou entender que tipo de resposta a política monetária
deveria dar a choques distorcivos originados por investimentos no setor real. Para Dupor,
quando as empresas superestimam o retorno de capital, elas tendem a aumentar seu
investimento físico. Por conta dos custos de ajustamento ao novo patamar de investimentos, os
preços das ações também aumentam. Para tentar frear esse aumento, o BC age aumentando a
taxa de juros. Como há certa rigidez de preços, isso faz com que o preço real dos bens aumente.
Com os preços reais dos bens mais elevados, há uma redução da sua demanda, diminuindo o
volume de trabalho necessário para atender a demanda fixada a preços nominais. A redução do
trabalho causa uma redução do produto marginal e da renda do capital. Um menor rendimento
do capital parcialmente compensa tanto o incremento na demanda por investimentos como o
aumento dos preços das ações. Portanto, para neutralizar o choque distorcivo, a política
monetária introduz uma deflação nominal de preços. Dessa forma, conclui Dupor, seu trabalho
fornece uma justificativa formal para que a autoridade monetária responda a movimentos não
fundamentais dos preços das ações em detrimento da estabilidade nominal de preços.
Além de o modelo desenvolvido por Dupor incorporar a questão dos preços dos
ativos no ferramental da política monetária via preços das ações, considera que os agentes são
racionais e que as distorções nos preços se dão por conta da rigidez no mercado de trabalho. A
questão da racionalidade dos agentes pode inviabilizar uma interpretação da crise financeira de
2008. Por exemplo, um dos pontos de apoio do ferramental pré-crise foi a utilização do conceito
de que a racionalidade dos agentes os capacitaria a avaliar adequadamente o nível de risco a
que estavam expostos.
Clewes (2002), avaliando a necessidade de incluir os preços dos ativos dentro do
ferramental de política monetária, afirma que os participantes do mercado formam uma opinião
sobre vários temas, mas que o mercado de ativos é apenas uma parte do conjunto da economia.
Para o autor, faz sentido monitorar os preços dos ativos com o objetivo de ajudar a interpretar
os movimentos econômicos à luz de outras informações sobre a economia. Porém, os ativos,
por si sós, raramente dão sinais inequívocos para a formulação de política, pois as ligações entre
estes e a inflação dependem das circunstâncias. Por essa razão, os preços dos ativos não são
uma boa opção de alvo intermediário para os formuladores de política monetária, cujo principal
alvo é controlar a inflação.
Bean (2003) afirma que desequilíbrios financeiros e desalinhamentos nos preços
dos ativos — e a instabilidade que podem causar — colocam problemas significativos para os
decisores de política monetária. Atingir a estabilidade dos preços não garante que a
instabilidade financeira possa ser evitada. Porém, para ele, ter em conta os desequilíbrios
23
financeiros no desenho da política monetária não exige uma mudança na retórica do IT, pois a
instabilidade financeira invariavelmente também terá um impacto significativo sobre a
atividade e sobre a inflação. A atração do IT é que este foca nos objetivos da política — e não
nos meios pelos quais tais objetivos são atingidos, tal como seria o caso em regimes de metas
de agregados monetários ou de taxas de câmbio fixas. Uma solução prática para o problema de
definir a função objetivo principal de um regime de metas de inflação é especificar um alvo de
“primeiro nível” para a taxa de inflação, mas exigindo do decisor de política que considere as
implicações de desequilíbrios financeiros. Um formulador de metas de inflação flexíveis não
necessita incorporar às suas atribuições a adição explícita de desequilíbrios financeiros ou os
preços de ativos. Nesse sentido, as implicações dos eventuais desequilíbrios e desvios para as
variáveis macroeconômicas almejadas devem necessariamente estar consignadas na avaliação
das expectativas de crescimento futuro e na inflação, de forma que se possa executar o plano
ideal. Bean conclui que, portanto, o IT (flexível) é suficiente para lidar com os problemas dos
preços dos ativos e dos desequilíbrios financeiros.
Bordo e Jeanne (2002), embora admitindo a confecção de um modelo bastante
estilizado e reforçando o fato de que sua análise deve ser interpretada como sugestiva, porque
não fornece estimativas empíricas da perda de produto sob diferentes alternativas de política,
são críticos ao sistema IT. Para eles, os modelos utilizados pelo IT deveriam incorporar algum
tipo de não linearidade e alguma probabilidade de desordem financeira. Embora a introdução
desses elementos não seja tarefa tecnicamente trivial, afirmam que é difícil omitir a relação
entre política monetária e instabilidade financeira. Os autores suspeitam que, dentro do quadro
dos modelos IT, deveria ser recomendável para os formuladores de política desviarem-se das
regras usadas em épocas normais em algumas circunstâncias, particularmente quando há um
boom nos preços dos ativos. Crises financeiras sistêmicas são eventos com probabilidade de
cauda, mas de grandes consequências, e o sistema de regras do IT não desenvolveu uma
doutrina bem articulada com relação a esses riscos. Ao contrário, argumenta-se que política
monetária e instabilidade financeira são questões separadas. Concluem afirmando que essa
omissão não é por acaso, pois a estabilidade financeira apresenta um desafio direto para o
sistema de regras do IT porque pode necessitar de desvios ocasionais das regras simples. Por
exemplo, pode requerer decisões complexas de julgamento discricionário, muitas vezes difíceis
de comunicar ao público.
Palley (2002), embora reconhecendo diferentes caminhos analíticos, sugere uma
equivalência entre as recomendações do quadro teórico do IT (em termos de como operar a taxa
de juros e o alvo de inflação) e o paradigma pós-keynesiano. Para o autor, não basta apenas o
24
manejo da taxa de juros para atingir um alvo de inflação. Na sua visão, há a necessidade de a
política ser complementada por regulação dos balanços dos intermediários financeiros: essa
necessidade emerge devido à endogeneidade da moeda, que pode desestabilizar a economia.
Por isso, recomenda que haja regulação financeira, instituindo-se o que chamou de asset-based
reserve requirements, uma forma de manejar (desencorajar) a posse de ativos de acordo com o
risco de contágio financeiro que cada categoria de ativo oferece. Por exemplo, na medida em
que o risco financeiro de determinado ativo aumentasse durante um boom, se constituiria uma
reserva baseada nesse ativo, que, além de desencorajar apostas mais arriscadas ao diminuir as
expectativas de retorno, serviria como uma proteção para os momentos futuros de turbulência
financeira.
Bordo e Wheelock (2004) propõem uma nova abordagem, examinando o ambiente
econômico nos quais os booms de ações ocorreram nos EUA, para tentar entender como
emergem os booms de preços de ativos. Avaliando as últimas vinte décadas, eles concluíram
que dois booms do mercado de ações se destacam em termos de duração e incremento de preços:
o boom de 1923-1929 e o de 1994-2000. Geralmente, esses booms aconteceram em períodos de
crescimento real da economia e avanços na produtividade. De qualquer modo, os autores não
encontraram relações consistentes entre inflação e um boom de ações, apesar de os booms terem
ocorrido quando tanto o crescimento da moeda quanto do crédito estavam abaixo da média. Os
autores concluem afirmando que, embora seja possível oferecer argumentos teóricos plausíveis
para responder proativamente a um boom de ativos, sua pesquisa sugere que os formuladores
de política devem ter cautela ao tentar deflacionar os preços dos ativos se não houver uma forte
evidência de que o colapso destes pode ter um alto custo macroeconômico.
Já no período da crise financeira iniciada em 2008, Arestis e Karakitsos (2009)
discutem o seguinte ponto: para lidar com a questão de que o IT só atua na inflação e no hiato
do produto deixando de lado o problema dos preços dos ativos, lançam a ideia de monitorar e
observar as implicações que os preços dos ativos têm no padrão de gastos do consumidor.
Assim, propõem monitorar a riqueza líquida do setor privado, sendo esta definida como o total
de ativos detidos menos as dívidas, incluindo hipotecas e créditos de consumo. A razão entre a
riqueza líquida e a renda disponível apresenta considerável flutuação no curto prazo, mas não
se altera significativamente no longo prazo, a não ser que haja mudança no padrão de poupança
entre gerações. Portanto, afirmam que a riqueza líquida é ideal para monitorar e controlar bolhas
porque está no cerne do mecanismo de transmissão entre os preços dos ativos, os débitos e o
consumo.
25
Arestis e Karakitsos (2009) calcularam que a riqueza líquida média nos EUA desde
a Segunda Guerra Mundial tem sido aproximadamente 5 vezes a renda anual disponível. A
riqueza líquida teve um pico na crise financeira recente, atingindo 6,2 vezes a renda disponível.
Por isso, propõem que o Federal Reserve System – FED deveria manter um alvo da razão entre
riqueza líquida e renda disponível da ordem de 4,3 a 5,3 vezes, algo similar a 1 ou 2% para a
inflação (PCE Inflation). Esse alvo poderia incorporar as mudanças demográficas ou ser revisto
para ancorar as expectativas de inflação de ativos. Além disso, a política monetária poderia ser
restritiva ou relaxada para manter esse limite particular. Essa ação não evitaria apenas o boom
dos preços dos ativos, mas poderia prevenir bolhas e seus efeitos econômicos adversos. Essa
proposta poderia também ajudar na engenharia de regulação financeira, mitigando as
consequências da liquidez ao mesmo tempo em que não interferiria na engenharia financeira
dos bancos. Dessa forma, o alvo de riqueza poderia reduzir a perda de produto numa crise de
crédito, assim como a amplitude de um ciclo de negócios.
Ao examinarmos a literatura recente sobre a questão dos preços dos ativos,
evidencia-se que, embora esse assunto seja tratado tanto do ponto de vista analítico quanto do
ponto de vista de aplicação prática, não se encontrou uma maneira adequada de incorporá-lo ao
ferramental de política econômica. A questão principal colocada pelo quadro teórico que
dominou o sistema IT é que não é possível incorporar os preços dos ativos, pois não se consegue
diferenciar satisfatoriamente se há movimentos fundamentais ou não fundamentais destes.
Também se argumenta que as taxas de juros seriam o mais eficaz e único instrumento para
corrigir os desalinhamentos da economia como um todo e dos preços dos ativos em particular.
Com o objetivo de compreender melhor o que foi discutido recentemente,
especificamente sobre os preços dos imóveis e seus impactos na economia, no próximo capítulo
fazemos um apanhado das principais contribuições acadêmicas sobre o tema. Optamos por
expor os artigos e textos analisados em ordem cronológica, pois nos parece interessante
explicitar como, ao longo do tempo, os trabalhos foram dialogando com as possíveis distorções
que os preços dos imóveis poderiam provocar. Como será apontado, inicialmente os preços dos
imóveis estavam dentro de uma discussão mais ampla — os preços dos ativos —, como
demonstramos acima. Mas, na medida em que os desenvolvimentos do mercado imobiliário
vão acontecendo, na medida em que a bolha vai se formando, o tema passa a ser tratado mais
especificamente.
26
2 DISCUSSÕES SOBRE OS PREÇOS DOS IMÓVEIS
2.1 Preços dos imóveis e bolha imobiliária: de 1988 a 2004
Nesta seção, discorremos a respeito dos trabalhos sobre os preços dos imóveis que
cobrem o período que vai de 1998 até 2004. É interessante notar, sob uma perspectiva histórica,
como os artigos que tratam da questão dos preços dos imóveis vão acompanhando a evolução
do mercado. Por exemplo, Case e Shiller (1988), de certa forma ainda distantes da bolha
imobiliária, passam ao largo da discussão sobre os desenvolvimentos dos mercados financeiros
de crédito. Já Quigley (1999), Hofmann (2001), Herring e Wachter (2002) e Tsatsaronis e Zhu
(2004), embora em sua maioria ainda dialogando bastante com a questão dos juros (sistema IT),
começam a incorporar em seus trabalhos a importância do mercado de crédito. Por exemplo,
Tsatsaronis e Zhu (2004) fazem uma descrição já bastante detalhada sobre os mecanismos de
desenvolvimento do setor hipotecário e como essa evolução pode ter impactado os preços dos
imóveis e o setor bancário. A seguir, explicitamos os principais pontos desses trabalhos.
Case e Shiller (1988), interessados em entender as flutuações por que passava o
mercado imobiliário dos EUA — os preços estavam se movendo em direções distintas em
diferentes partes do país —, conduziram uma pesquisa com os compradores de imóveis
residenciais, aplicando um questionário para compreender seu comportamento.
Os resultados da pesquisa indicaram que os bruscos movimentos dos preços dos
imóveis podem ser entendidos como reações dos investidores aos seus próprios movimentos
(uma espécie de efeito manada), aos aumentos de preços passados ou a alguma outra evidência
de aquecimento de mercado, ao invés de serem atribuídos aos fundamentos da economia.
Segundo os autores, a pesquisa permite afirmar que os investidores do mercado imobiliário
residencial não conhecem os fundamentos da economia e tendem a interpretar os eventos como
boatos, clichês e observações casuais. Além disso, identificaram que há, por parte dos
compradores, uma alta motivação de considerar a aquisição de imóveis como investimento e,
ainda, que há a expectativa de valorização dos imóveis nos booms e preocupação quanto a
perdas no futuro. Por conta desses achados, os autores argumentam que seria plausível supor
que as expectativas influenciam bastante os preços que os compradores estão dispostos a pagar.
E porque esse comportamento parece não fazer muito sentido, eles concluem que os preços não
são racionalmente determinados.
Interessados em entender o que levava a um boom no mercado imobiliário, Case e
Shiller (1988) incluíram em seu questionário perguntas que procuravam compreender o que os
27
compradores achavam que estava ocorrendo com o mercado. Questionaram também se eles
poderiam dar nome a algum evento que tivesse mudado o comportamento dos preços. A
resposta mais comum foi que a mudança nos preços era consequência de mudanças nas taxas
de juros. Porém, os autores ponderam que não houve mudanças significativas nas taxas, o que
os levou a concluir que o gatilho que dispara um boom é uma sequência de eventos que a
maioria dos compradores não observa, ou talvez nenhum comprador observe. Por exemplo,
dentre essas mudanças podem estar o crescimento da renda ou mudanças demográficas.
A pesquisa de Case e Shiller (1988) também revelou evidências de que, em não
havendo uma crise econômica pronunciada, os preços das residências são inflexíveis para baixo,
ou seja, não respondem às flutuações econômicas negativas.
Quigley (1999) propõe desenvolver uma série de modelos para identificar quais
deles são melhores em projetar os preços dos imóveis de 41 regiões metropolitanas dos EUA.
Sobretudo, o trabalho teve como objetivo identificar quais modelos são capazes de prever as
mudanças de direção nos preços. Dessa forma, seria possível identificar se uma bolha está se
formando ou estourando. Sua análise compreende o período de 1986 a 1994. Com esse objetivo,
Quigley constrói treze modelos de equilíbrio para projetar os preços dos imóveis, divididos em
três diferentes grupos. O primeiro grupo é formado por modelos baseados nos fundamentos
econômicos: renda das famílias, número de licenças de construção, taxa de ocupação dos
imóveis e número de famílias. Os modelos vão desde os mais simples (tendo apenas renda como
variável explicativa) até os mais completos (contendo todas as variáveis). O segundo grupo é
composto por modelos autorregressivos com uma ou duas defasagens. O terceiro grupo contém
modelos que combinam variáveis econômicas com termos defasados (dos mais simples aos
mais completos em termos de número de defasagens e variáveis). O estudo concluiu que,
embora os modelos que contêm os fundamentos econômicos sejam melhores para projetar os
preços, eles não explicam adequadamente quando uma bolha está desinflando. O que nos
chamou atenção no estudo de Quigley foi a não inclusão das condições de crédito na análise.
Hofmann (2001) publicou um artigo buscando entender as relações entre os
agregados de crédito, a atividade econômica e os preços dos imóveis de uma maneira formal.
Inicialmente, descreve quais são as conexões teóricas entre esses fatores para, em seguida,
analisar os resultados da modelagem que busca compreender e confirmar tais conexões.
Segundo ele, a atividade econômica, as taxas de juros e os preços dos imóveis
podem afetar o crédito tanto pelo lado da demanda de crédito como pelos canais de oferta. As
condições econômicas e suas perspectivas determinam o consumo e a demanda por
investimentos e, portanto, determinam a demanda por crédito. Por outro lado, mudanças na
28
atividade econômica têm impactos no fluxo de caixa das empresas e na renda das famílias.
Dessa forma, fluxo de caixa e renda determinam a capacidade das empresas e das famílias de
pagar seus débitos. Portanto, mudanças na atividade econômica podem também afetar a
disposição dos bancos em ampliar o volume de crédito ofertado, ou seja, o nível de atividade
econômica deve também afetar a oferta de crédito.
As taxas de juros de mercado (custos financeiros) têm um efeito negativo sobre a
demanda de crédito. Quando as taxas sobem, os empréstimos ficam mais caros e a sua demanda
é reduzida. Uma austeridade monetária, expressa pelo aumento das taxas de juros, pode também
induzir os bancos a reduzirem sua oferta de crédito. Por sua vez, uma redução no volume de
crédito pode deteriorar a posição financeira das empresas e das famílias. Além disso, por meio
das operações de mercado aberto, um aperto monetário pode drenar as reservas, afetando os
fundos emprestáveis do setor bancário, o que deve causar uma redução na oferta de crédito.
Ainda segundo Hofmann (2001), os preços dos imóveis devem afetar a demanda e
a oferta de crédito. Como os imóveis são uma porção importante dos ativos das famílias,
mudança nos preços destes podem ter impactos significativos no efeito riqueza das famílias,
assim impactando a demanda de crédito. Isso se dá uma vez que os imóveis são usados como
colaterais: se os preços destes sobem, aumenta a capacidade das empresas e das famílias de se
alavancarem, induzindo assim a disposição dos bancos em aumentar a oferta de crédito. Aqui
destaca-se o efeito do financial accelerator desenvolvido por Bernanke, Gertler e Gilchrist
(1998). O estoque físico de ativos é fixo no curto prazo e os valores dos ativos que podem ser
usados como colaterais pelas famílias e pelas empresas para a obtenção de crédito são
precificados por movimentos dos próprios preços dos ativos. Um aumento nos preços destes,
causado ou por um incremento no produto agregado ou por uma queda das taxas de juros, ou
ainda pela “exuberância irracional”, eleva a riqueza líquida das famílias e empresas e, a partir
disso, a disponibilidade de crédito. Um aumento nos níveis de crédito estimula a atividade
econômica, impulsionando ainda mais os preços dos ativos, criando um efeito de
retroalimentação do processo. Tendo em conta que os empréstimos são garantidos por
propriedades, a evolução dos preços dos imóveis será mais importante para a capacidade de
tomar emprestado das empresas e das famílias do que a evolução dos preços de ações, por
exemplo. Portanto, uma correlação entre as condições de crédito e os preços dos imóveis é uma
implicação direta, via efeito riqueza, do mecanismo financial accelerator.
Com base nessas conexões, Hofmann (2001) conclui que a atividade econômica, as
taxas de juros e os preços dos imóveis afetam tanto a demanda quanto a oferta de crédito.
Pondera que há dificuldades em identificar a demanda e a oferta de crédito, sobretudo porque
29
sempre será difícil modelar a oferta, uma vez que não há séries de dados disponíveis sobre a
rentabilidade dos bancos, sobre a estrutura competitiva e o grau de regulação do setor — pode
ser isso que justifique a existência de poucos estudos a respeito. De todo modo, empreende
esforços para entender que fatores direcionam os agregados de crédito, mesmo que não seja
possível identificar claramente os drivers de demanda e de oferta destes.
Tendo as relações descritas acima como pano de fundo, Hofmann (2001)
desenvolve dois grupos de modelos para dezesseis países industrializados, utilizando as
seguintes séries: crédito privado agregado real, agregado real de atividade econômica, agregado
real de custos financeiros (taxas de juros reais ex-post, medida como taxa interbancária de três
meses do money market) e os preços reais dos imóveis (média ponderada entre os preços
residenciais e comerciais). Para o primeiro grupo, utiliza as seguintes variáveis: crédito real,
GDP real e taxa real de juros. Para o segundo grupo, utiliza as variáveis já citadas e adiciona os
preços dos imóveis ao sistema. As séries são trimestrais no período de 1980Q1 a 1998Q4, com
exceção de alguns países, como, por exemplo, o Canadá, cujo período de análise foi de 1986Q1
a 1998Q4. Utilizou a metodologia de Johansen para a análise de cointegração, feita por meio
de modelos VAR e VEC, uma vez que identificou ao menos um vetor de correção de erros nos
modelos de cinco países do primeiro grupo e em todos os modelos nos países do segundo grupo
de equações (que incluem os preços dos imóveis).
Concluiu que a evolução de longo prazo do crédito não pode ser explicada por
fatores usais associados à demanda de crédito, como, por exemplo, GDP real e taxas de juros
(análise associada ao primeiro grupo de equações). Porém, uma vez que os preços dos imóveis
são adicionados à modelagem (segundo grupo), é possível identificar relações de longo prazo
positivas entre o crédito e o GDP real e entre o crédito e os preços, e relações negativas entre o
crédito e as taxas de juros.
Para entender as respostas das variáveis a choques aleatórios, Hofmann (2001)
emprega a função impulso-resposta. Para identificar os choques estruturais do sistema de
equações, utilizou a decomposição de Cholesky proposta por Sims (1980), sendo necessária a
ordenação das variáveis da mais exógena para a menos exógena. A ordem escolhida foi: GDP
real, crédito real, preços reais dos imóveis e taxa de juros real. Essa ordenação é baseada na
hipótese de que o GDP não responde contemporaneamente às inovações de nenhuma outra
variável, mas pode afetar outras variáveis dentro de um trimestre (os dados são trimestrais).
Segundo Hofmann, essa hipótese é padrão na literatura relativa à transmissão da política
monetária. Além disso, ele assume que os juros devem reagir contemporaneamente a todas as
inovações, mas, por outro lado, um choque vindo dos juros não tem um efeito imediato sobre
30
todas as outras variáveis. Isso refletiria a hipótese usual de que os juros afetam a economia de
forma defasada. Hofmann assume também que o crédito deve ter um efeito contemporâneo nos
preços dos imóveis, mas que o contrário não acontece, uma vez que deve levar algum tempo
para que o efeito riqueza impacte o volume de crédito positivamente. Por conta dessas relações,
a ordenação utilizada parece ser a mais plausível, além de ter rendido resultados consistentes.
Assim, mediante análise dos resultados da função impulso-resposta que os modelos
VEC permitem realizar, concluiu-se que as interações dinâmicas estão em linha, de forma geral,
com as expectativas, a saber: (i) um aumento no GDP real provoca um aumento no volume de
empréstimos e nos preços dos imóveis, e incrementos no crédito e nos preços aumentam o GDP
real; (ii) há uma relação nos dois sentidos entre crédito bancário e preços dos imóveis, ou seja,
um aumento do crédito faz os preços aumentarem e o contrário também.;(iii) aumentos dos
juros tem um impacto negativo forte no crédito, no GDP e nos preços. Neste ponto, o autor
destaca que as autoridades monetárias poderiam usar a política monetária para controlar as
condições de crédito, embora isso não garanta que uma ação desse tipo suavize os ciclos
financeiros. Por conta disso, ainda permaneceria em aberto a questão de como os bancos
centrais deveriam responder a potenciais problemas no mercado de crédito e no setor
imobiliário.
Em artigo elaborado para a conferência Asset Price Bubbles: Implications for
Monetary, Regulatory, and International Policies, promovida em abril de 2002 pelo Federal
Reserve Bank of Chicago e pelo World Bank Group’s, Herring e Wachter (2002) procuraram
responder por que bolhas imobiliárias e crises bancárias estão relacionadas e como podem
ocorrer conjuntamente. Sua abordagem é baseada na análise dos determinantes dos preços de
imóveis e do comportamento dos bancos, e em como estes componentes interagem entre si.
Tem como pano de fundo as crises financeiras asiáticas que haviam ocorrido pouco tempo
antes.
Para entender o comportamento dos preços dos imóveis, partem de um modelo
teórico de equilíbrio entre oferta e demanda de terrenos, composto por agentes racionais que
estão nas duas pontas: proprietários de terrenos e investidores do setor imobiliário O crédito
bancário — que, segundo os autores, tem um papel importante no incremento dos booms dos
preços do mercado imobiliário — compõe o modelo por um termo que representa o volume de
crédito emprestado pelos bancos aos projetos desses investidores. Este termo é definido por
quanto o setor bancário quer emprestar ao setor imobiliário, multiplicado por um coeficiente
que representa o nível de risco que o setor bancário está disposto a assumir. A partir desse
componente de risco, os autores descrevem o que chamam de “miopia ao desastre”, que é um
31
processo em que basicamente os bancos e as instituições de supervisão bancária não enxergam
os riscos a que estão expostos. Esse processo é fundamentado na ideia de que há uma tendência
ao longo do tempo de se subestimar choques de baixa frequência, como os causados por uma
bolha imobiliária, em comparação aos choques de alta frequência, como os provocados por uma
deterioração do mercado de crédito automotivo, por exemplo. A ideia de que choques no
mercado de crédito automobilístico são mais frequentes faria com que os agentes desse mercado
se preparassem mais contra os riscos, o que não ocorreria no mercado de crédito imobiliário,
em que os choques são menos frequentes. Nesse sentido, os agentes do setor de crédito
imobiliário iniciariam um processo de relaxamento das condições de segurança relativas aos
empréstimos. Uma vez que a exposição dos bancos aumenta diante de uma inflexão no mercado
de imóveis, estes começam a ter dificuldades na medida em que seus balanços estão
artificialmente inflados por contratos e garantias que contabilizam imóveis com preços altos.
Haveria, a partir daí, uma tendência a não contabilizar o problema, seja pelo lado dos bancos,
que não querem ter uma redução do seu capital, seja pelo lado das autoridades supervisoras,
que querem evitar, no limite, uma corrida bancária, e por isso tenderiam a ser mais
complacentes com os bancos.
Com a consolidação de um mercado imobiliário em baixa, expressa pelos preços
cadentes dos imóveis, os bancos se tornam mais expostos e podem amplificar os efeitos de uma
crise imobiliária, alastrando-a para toda a economia via contágio financeiro. É nesse cenário
que os autores recomendam que haja regulação bancária, sobretudo nas economias onde os
bancos são a principal fonte de financiamento do setor imobiliário.
Tsatsaronis e Zhu (2004) procuraram entender quais são as forças que direcionaram
o mercado imobiliário em dezessete países entre 1970 e 2003: Alemanha, Austrália, Bélgica,
Canadá, Dinamarca, Espanha, Estados Unidos, Finlândia, França, Holanda, Irlanda, Itália,
Japão, Noruega, Reino Unido, Suécia e Suíça. Inicialmente, argumentaram que, embora haja
diferenças locais, existem também determinantes comuns aos países tanto no longo quanto no
curto prazo. No longo prazo, do lado da demanda, citam a renda disponível, variações na
demografia, mudanças de impostos e taxas de juros. Do lado da oferta, elencam a
disponibilidade e o custo de terrenos, custos da construção e diferenças na qualidade dos
imóveis. No curto prazo, o mercado pode ser afetado pela extensão do planejamento e execução
de projetos de construção e pelas condições de financiamento de compra. Também argumentam
que custos de transação e o efeito que a volatilidade dos preços impõe na decisão de compra,
uma vez que são decisões que têm implicações de longo prazo, afetam as decisões de curto
prazo.
32
Seu trabalho empírico consistiu em ajustar modelos VAR para os diversos países
com o intuito de captar a dinâmica dos preços dos imóveis em cada um deles. Como variáveis
selecionadas para os modelos individuais, além do preço dos imóveis, incluíram um indicador
de renda agregado (GDP), índice de preços ao consumidor, taxa de juros de curto prazo, uma
taxa de spread entre juros de curto e longo prazo e um indicador de crédito imobiliário.
Analisando a decomposição da variância do erro propiciada pelo modelo VAR, os resultados
comuns aos dezessete países indicaram que a inflação é o driver de maior importância a afetar
os preços dos imóveis. O principal argumento dos autores para justificar o resultado é que os
imóveis funcionam como um ativo que protege a riqueza da erosão provocada pela inflação.
Num ambiente de inflação mais alta, o que significaria maior incerteza quanto ao futuro, os
imóveis seriam ativos mais interessantes em termos de retornos futuros quando comparados aos
investimentos em títulos e ações, por exemplo.
Em segundo lugar em importância para o entendimento da dinâmica dos preços dos
imóveis, emergem os fatores financeiros. Enquanto a inflação contribui no conjunto dos países
com 53% de importância nas variações de preços, os fatores financeiros contribuem
especificamente na seguinte proporção: crédito bancário com 11,4%, taxa de juros de curto
prazo com 10,8% e spread com 9,8%.
Segundo Tsatsaronis e Zhu (2004), a renda das famílias teve um poder explicativo
pequeno sobre os preços dos imóveis, sendo responsável por menos de 10% da sua variação. O
argumento usado pelos autores para justificar tal resultado foi que as decisões de compra de
imóveis parecem ser direcionadas pelo valor nominal da parcela, ao invés de ser considerado o
tamanho total da dívida em relação à renda familiar. Segundo eles, esse resultado confirma
estudo de 2003 do Bank for International Settlements – BIS que avalia que, em anos recentes,
as históricas baixas taxas de juros teriam sido o grande responsável pelos booms dos preços dos
imóveis residenciais na maioria dos países industrializados.
Além de detectarem a inflação como sendo o principal driver que afeta os preços
dos imóveis, os autores também ressaltam os desenvolvimentos do mercado de crédito
hipotecário como um fator que influencia tais preços. Esses desenvolvimentos consideram os
benefícios que o setor imobiliário vinha tendo em relação ao aumento da confiança em canais
de financiamento baseados no mercado. Destacam três pontos.
O primeiro diz respeito à disseminação de métodos de classificação de crédito e de
contratos hipotecários padrão que, em conjunto com o apetite crescente por novos instrumentos
negociáveis entre investidores institucionais, levou à crescente securitização de ativos
hipotecários. A partir desses instrumentos, as grandes instituições de crédito poderiam focar
33
naquilo em que tinham vantagens comparativas — originação e serviços —, vendendo no
mercado secundário os ativos indesejados que piorassem sua exposição ao risco. Esses
mercados, frisam os autores, tiveram um grande desenvolvimento, sobretudo nos EUA, em que
agências patrocinadas pelo governo tiveram papel instrumental para a evolução do setor
imobiliário.
Em segundo lugar, com a redução do custo de originação e com o aumento da
liquidez dos ativos hipotecários, foi possível reduzir as taxas que incidiam sobre as transações
e flexibilizar os termos dos contratos de empréstimo. Essa flexibilidade permitiu, por exemplo,
maiores facilidades às famílias para obter taxas de refinanciamento menores, ao mesmo tempo
em que havia incremento dos preços residenciais, aumentando o efeito riqueza e impactando o
consumo privado.
Por fim, as mudanças de regras nas práticas contábeis hipotecárias influenciaram o
apetite dos credores por maior exposição, de tal modo que passaram a ofertar mais crédito,
impactando os preços dos imóveis. Um importante exemplo disso foi a mudança em relação
aos parâmetros prudenciais dos empréstimos. Pelo lado dos bancos, passou-se a utilizar
métodos que baseavam as decisões de empréstimos considerando o valor atual de mercado dos
imóveis, como a LTV (loan-to-value), versus o cômputo dos valores históricos, permitindo-os,
assim, emprestar contabilizando imóveis com valores mais altos como colateral.
As recomendações finais de Tsatsaronis e Zhu (2004), que consideram a inflação
como o principal problema para a elevação dos preços dos imóveis, sugerem cautela às
autoridades monetárias, uma vez que um relaxamento na política de taxas de juros poderia
acelerar tais preços. Um ponto que também merece destaque no artigo é a ideia apresentada de
que a securitização do crédito hipotecário — e um mercado desenvolvido de negociação desses
títulos — permitiu, nos Estados Unidos, no Reino Unido, na Holanda e na Austrália, a
transferência do risco de crédito do mercado imobiliário ao mercado de capitais, reduzindo,
assim, a exposição ao risco do setor bancário.
2.2 Diante da bolha imobiliária
Com as claras evidências da existência de uma bolha de preços no mercado de
imóveis residenciais norte-americano, os artigos selecionados a partir de 2008 parecem
demonstrar uma preocupação de seus autores em justificar que o quadro teórico do IT deveria
ou poderia ter dado conta da formação da bolha. Nessa direção, os artigos de Goodhart e
Hofmann (2008), Jaroncinski e Smets (2008) e Dokko et al. (2009) procuram mapear e
34
entender, sobretudo, a relação entre a política monetária e a evolução dos preços dos imóveis.
Goodhart e Hofmann (2008), por exemplo, embora ressaltem a importância da política
monetária sobre os preços dos imóveis residenciais, concluem também que a oferta de crédito
afeta os preços das residências. Já Dokko et al. (2009) procuram justificar a coerência da política
monetária do BC norte-americano — implementada dentro do quadro teórico do IT —,
alegando que os agentes agiram diante das informações que tinham à época e diante daquilo
que percebiam. A seguir, detalhamos um pouco mais esses três artigos.
Goodhart e Hofmann (2008) publicaram um artigo cujo objetivo foi avaliar a
ligação entre oferta monetária, crédito, preços dos imóveis residenciais e a economia utilizando
modelagem multivariada. Para isso, desenvolvem um painel de estudo contendo dezessete
países, a saber: Alemanha, Austrália, Bélgica, Canadá, Dinamarca, Espanha, Estados Unidos,
Finlândia, França, Holanda, Irlanda, Itália, Japão, Noruega, Reino Unido, Suécia e Suíça. A
abordagem é desenvolvida por meio da elaboração de modelos VAR para dois períodos: 1973
a 2006, e 1985 a 2006. A distinção entre os períodos se dá porque os autores estão interessados
em entender se há diferença nos resultados da análise para cada período. Essa separação é feita
uma vez que nos anos 1970 houve alta inflação, maior volatilidade do produto e desemprego,
ao passo que nos anos 1980 houve uma mudança de paradigma, o que significou um maior
combate à inflação (reduzindo-a) e um período de maior estabilidade macroeconômica, a
chamada “grande moderação”. Além disso, o setor financeiro passou por grandes mudanças a
partir dos anos 1970, tornando-se menos regulado nos países industrializados, o que poderia
fortalecer o vínculo entre os preços residenciais e esse setor. As variáveis selecionadas para os
modelos, em bases trimestrais, foram as seguintes: GDP, CPI, taxa de juros nominal de curto
prazo, preço nominal das residências, oferta monetária nominal e o crédito nominal concedido
ao setor privado.
Os resultados da análise sobre o período mais longo (1973-2006), obtidos pelo teste
de Granger, indicaram uma causalidade multidirecional das variáveis, com destaques para: (i)
as variáveis monetárias afetando os preços residenciais, (ii) os preços residenciais afetando a
oferta monetária futura e o crescimento do crédito e (iii) variáveis monetárias e preços das
residências afetando o GDP.
Confirmando os resultados do teste anterior, a análise feita a partir da função
impulso-resposta também indicou uma relação multidirecional entre as variáveis monetárias,
os preços das residências e a macroeconomia para o período mais extenso.
Com relação ao período mais curto (1985-2006), embora a expectativa dos autores
fosse que houvesse um maior impacto das variáveis monetárias sobre os preços das residências
35
— sobretudo por conta da desregulação financeira e de uma maior estabilidade orientada pela
política monetária do período —, os resultados dos testes de causalidade de Granger indicaram
que os efeitos das variáveis monetárias tinham se tornado mais fracos em relação ao período
anterior. Além disso, a oferta monetária e o crédito não tiveram efeito significativo no
crescimento futuro do GDP nem sobre os preços futuros das residências.
Os resultados da função impulso-resposta sobre o período mais curto também
confirmaram uma relação multidirecional forte entre as variáveis monetárias, os preços das
residências e a macroeconomia. Mas houve algumas mudanças em relação à análise do período
mais longo: (i) a resposta da inflação a choques foi bem mais fraca, o que poderia refletir a
implementação do sistema IT durante o período; (ii) os efeitos de choques dos preços das
residências sobre o GDP, sobre os juros e sobre as variáveis monetárias aumentaram em relação
ao período mais longo; e (iii) os choques advindos do crédito e da oferta monetária ficaram
mais fracos. Apesar disso, uma vez que a resposta da inflação enfraqueceu mais que a resposta
ao choque de preços nominais das residências, o efeito de um choque monetário ou de crédito
nos preços reais dos imóveis se tornou mais forte. Porém, ponderam os autores, devido ao fato
de os intervalos de confiança serem grandes por conta das diferenças entre as amostras dos
períodos de tempo, a função impulso-resposta foi estatisticamente não significante quando se
considera a incerteza ao redor de ambas respostas.
Considerando ainda a hipótese de que há uma ligação entre as variáveis monetárias
e os ativos imobiliários, sobretudo em épocas de boom destes, Goodhart e Hofmann (2008)
desenvolvem mais uma análise sobre o período mais curto. Dessa vez, introduzem no modelo
duas variáveis dummy, sendo uma delas ajustada para o período de boom e outra para o período
em que não há boom dos preços residenciais. Para tanto, seguem uma metodologia de definição
de períodos de boom desenvolvida por Borio e Lowe (2004) e Adalid e Detken (2007). Em
resumo, definem o boom como um desvio positivo de ao menos 5% de uma tendência suavizada
da série de preços das residências, por pelo menos doze trimestres. Segundo os autores, há certa
arbitrariedade na definição desses critérios, embora as metodologias inspiradoras citadas
também tenham arbitrado alguns parâmetros.
Com base no modelo descrito acima, os resultados da função impulso-resposta
sugerem que os choques de oferta monetária e de crédito na economia e nos preços das
residências, tanto nominais quanto reais, são fortes. Segundo os autores, tais resultados
sustentam a ideia de que o crescimento da oferta monetária e o crescimento do crédito têm
informações úteis sobre o crescimento dos preços das residências e sobre a formação de bolhas
imobiliárias.
36
Outra maneira de analisarem se houve boom imobiliário foi avaliando se existiu
uma conexão relevante entre as variáveis monetárias e os preços das residências nos países que
tiveram fortes aumentos desses preços. Considerando a metodologia que os autores usaram para
definir os booms, dos dezessete países avaliados, cinco deles apresentaram aumentos de preços
de mais de 200% durante o período analisado: Bélgica, Espanha, Holanda, Irlanda e Reino
Unido. Os resultados da função impulso-resposta mostraram que há forte conexão entre oferta
monetária e crédito afetando os preços dos imóveis nesses países. Os EUA não estavam nesse
grupo, pois o aumento dos preços dos imóveis no período avaliado (1985-2006) foi considerado
moderado, cerca de 70%.
A última análise empreendida por Goodhart e Hofmann (2008) avaliou como
possíveis limitadores das condições de crédito (ou a ausência destes) poderiam ter impactado
os preços dos imóveis residenciais. Segundo eles, havia dois tipos de limitadores. Um deles, a
LTV (loan-to-value), acima mencionada, é uma taxa que restringe o valor emprestado a uma
razão do valor do imóvel/colateral. Quanto menor a taxa, menor o valor que o banco emprestará
para a aquisição do bem. A outra restrição é relativa à renda dos tomadores de empréstimo —
as parcelas do financiamento deveriam guardar uma proporção pré-estabelecida, considerada
pagável, em relação à renda. Segundo os autores, como, em geral, não há informações sobre o
último tipo de restrição nos vários países estudados, eles compararam apenas a evolução da
LTV ao longo do tempo. A conclusão a que chegaram é que, a despeito de haver uma associação
entre alta LTV e o aumento significativo de preços no grupo de cinco países acima citados, não
há uma correlação direta entre essa taxa e os preços no conjunto dos dezessete países
examinados. Citam como exemplo os EUA, onde, embora a LTV tenha sido historicamente
bastante alta, os aumentos de preços dos imóveis no período estudado foram moderados.
Os autores concluem dizendo que seus achados vão em várias direções: que a oferta
monetária tem um efeito importante sobre os preços dos imóveis e sobre o crédito, que o crédito
influencia a oferta monetária e os preços dos imóveis e que estes influenciam tanto a oferta
monetária quanto o crédito. Enfatizam que a ligação entre o preço dos imóveis afetando a oferta
monetária e o crédito, sobretudo no período de análise mais recente que empreenderam, deve
refletir os efeitos da liberalização do sistema financeiro durante os anos 1970 e início dos anos
1980. Destacam também que os choques advindos dos preços das residências, do crédito e da
oferta monetária têm efeitos importantes sobre a atividade econômica e sobre a inflação de
preços agregada. Com relação aos efeitos da oferta monetária e do crédito sobre os preços das
residências, destacam que só são capturados quando há um boom nestes preços, embora esse
37
achado não seja estatisticamente significante devido ao grande intervalo de confiança da função
impulso-resposta.
Considerando os resultados de seu trabalho, sugerem que a política monetária que
dê o devido peso aos desenvolvimentos monetários pode ajudar a conter desequilíbrios
nascentes. Porém, em épocas de baixa inflação, os bancos centrais podem ter dificuldade em
sinalizar isso, uma vez que estariam remando contra a maré. Uma forma de agir contra tais
desequilíbrios, sugerem os autores, seria atacar diretamente as conexões entre os preços das
residências e as variáveis monetárias. Isso se daria por meio da introdução de tetos regulatórios
das LTVs para os empréstimos hipotecários residenciais. Quando o nível de crédito hipotecário
sobe, e com ele os preços dos imóveis, a LTV deveria ser mais baixa ou cair, limitando a oferta
de crédito, e vice-versa.
O objetivo do artigo de Jaroncinski e Smets (2008) foi rever o papel do mercado de
imóveis residenciais e da política monetária dos EUA durante o período de 1987 até 2007,
utilizando um modelo Vetor Autorregressivo Bayesiano (BVAR). Este modelo foi utilizado
para realizar três análises.
Primeiramente, queriam avaliar o boom e o estouro da bolha dos anos 2000 usando
projeções baseadas no modelo estimado. A pergunta a que os autores pretendiam responder é
se seria possível estimar o boom e o estouro da bolha imobiliária tendo em conta a evolução do
GDP real, dos preços dos imóveis e das taxas de juros de curto e longo prazo. Os resultados
encontrados pela modelagem VAR foram tais que a evolução do mercado residencial pode ser
explicada apenas parcialmente pelas variações do GDP. Mais especificamente, o grande
crescimento dos preços dos imóveis nos anos 2000 e o pico alcançado em 2006 não puderam
ser explicados pelo modelo. De todo modo, ponderam que adicionar a evolução das taxas de
juros de curto e longo prazo na análise ajudou a melhorar as projeções da bolha.
Em segundo lugar, eles identificaram que os choques de demanda por imóveis
residenciais têm um importante impacto sobre os investimentos residenciais e sobre os preços
destes imóveis. Apesar disso, tais choques aparentemente tiveram um pequeno impacto na
economia dos EUA em termos de crescimento do produto e da inflação agregada. Há também
evidências de que a política monetária tem efeitos significativos sobre o investimento
residencial e sobre os preços das casas, e que o relaxamento da política monetária, concebido
para afastar os possíveis riscos de deflação entre 2002-2004, contribuiu para o boom no
mercado imobiliário em 2004 e 2005. No entanto, mais uma vez, o impacto sobre toda a
economia foi limitado. Uma simulação contrafactual elaborada pelos autores sugere que, sem
38
esses choques de política monetária, a inflação teria sido cerca de 25 pontos inferior no final de
2006.
Por último, baseados nas conclusões anteriores e seguindo a metodologia proposta
por Céspedes et al. (2006),5 Jaroncinski e Smets (2008) exploraram o uso de um Índice de
Condições Monetárias (MCI), que inclui a taxa dos títulos federais norte-americanos, o
diferencial da taxa de juros de longo prazo e os preços reais das casas, para medir a orientação
da política monetária. A ideia de medir as condições monetárias levando em conta o peso
adequado dos preços dos ativos financeiros foi lançada pelo Bank of Canada e pelo Reserve
Bank of New Zealand na década de 1990. Como esses dois países são pequenas economias
abertas, seus bancos centrais estavam preocupados em compreender como mudanças na taxa
de câmbio poderiam afetar a condução da política monetária. A ideia foi construir um índice
ponderado da taxa de juros de curto prazo e da taxa de câmbio, em que os pesos refletiam o
impacto relativo das condições monetárias em uma variável-objetivo intermediária ou final, tais
como o hiato do produto, o crescimento do produto ou a inflação. Vários autores têm estendido
a ideia da MCI a outros preços de ativos, argumentando que esses preços podem ser tão ou mais
importantes do que a taxa de câmbio. Um exemplo conhecido dessa extensão está no artigo de
Goodhart e Hofmann (2007), que argumentam que os preços reais das residências deveriam
receber um peso significativo devido ao seu grande impacto sobre a economia e sobre a
inflação. Em contraste a esse artigo, a metodologia MCI proposta por Céspedes et al. (2006)6 é
tal que considera que as taxas de juros e os preços das residências são variáveis endógenas que
respondem sistematicamente aos movimentos da economia. Como resultado, a MCI pode ser
interpretada como uma medida de política monetária.
Usando o BVAR que desenvolveram, Jaroncinski e Smets (2008) procuraram
entender se o aumento dos preços dos imóveis residenciais e se a queda das taxas de juro de
longo prazo levou a um afrouxamento da política monetária nos EUA. Mostram que, apesar da
endogeneidade dos preços das residências em relação à atividade econômica e ao nível de taxas
de juros, considerar esses preços pode reforçar a inferência sobre se a orientação da política
monetária mudou ao longo do tempo. Dada a incerteza sobre as fontes de flutuações do ciclo
de negócios e sobre o impacto dos vários choques sobre a economia (incluindo choques de
demanda habitacional), a incerteza quanto à orientação da política monetária continua a ser
elevada. No entanto, tendo em conta a evolução dos preços das casas, há alguma indicação de
5 CÉSPEDES, B. et al. Conditional Forecasts and The Measurement of Monetary Policy Stance in Brazil, 2006.
Mimeo, apud JARONCINSKI; SMETS, 2008. 6 CÉSPEDES, B. et al. Op. cit., apud JARONCINSKI; SMETS, 2008.
39
que as condições monetárias podem ter sido muito relaxadas em 2004 e foram relativamente
restritivas no verão de 2007.
Num artigo publicado em 2009 (pós-estouro da bolha) pela divisão de estatística e
pesquisa do Federal Reserve Board, intitulado Monetary Policy and Housing Bubble, Dokko et
al. (2009) mostraram que os modelos de política monetária do FED, e os modelos da academia
em geral, indicaram uma condução de política monetária coerente com o que era percebido no
ambiente econômico tanto pelo próprio FED como por outros autores.
A preocupação em demonstrar que a política monetária foi correta durante os anos
2000, especialmente entre 2002 e 2006, período que afirmam que foi o da formação da bolha,
procurava lidar com o argumento de que esta tinha se desenvolvido por conta de um
relaxamento da política monetária. O artigo empreendeu uma série de análises com o objetivo
de demonstrar o acerto da política.
Inicialmente, usando o modelo do sistema IT para determinar a taxa de juros do
FED — foi usada uma versão da regra de Taylor —, os autores empreendem um exercício
alterando alguns parâmetros e premissas com base em críticas que o FED vinha recebendo à
época. Basicamente, tais mudanças tornam o modelo mais sensível, o que resulta em taxas de
juros maiores do que as que o FED praticou. Na média, entre os anos 2003 e 2006, as taxas do
FED ficaram cerca de 200 pontos-base abaixo das taxas sugeridas por essa modelagem
alternativa, indicando que a autoridade monetária poderia ter subido as taxas de juros nesse
período.
Os autores argumentam que as decisões do FED foram tomadas considerando as
informações que a própria autoridade monetária e os analistas de mercado tinham naquele
momento. Além disso, por meio de um exercício que simula o impacto de taxas de juros mais
altas nos principais indicadores macroeconômicos, concluem que um possível aumento dos
juros, para além do praticado, não afetaria de maneira substancial o desempenho da economia
no período. Ou seja, a conclusão é que a política monetária implementada no período foi correta
tendo em conta os modelos de IT que o FED utilizou.
A partir dessa conclusão, os autores exploram outras possíveis análises que
poderiam ajudar a entender se de fato houve erro na política monetária, sobretudo se esta
poderia ter afetado o mercado imobiliário norte-americano. Examinam dois outros modelos,
sendo que o primeiro é o principal modelo para analisar a política macroeconômica da economia
dos EUA utilizado pelo Federal Reserve Board, o FRB/US Model. Neste modelo, a política
monetária afeta o custo de utilização de habitações e a riqueza das famílias mediante canais
convencionais de ativos de preço. Esses canais, explicam os autores, determinam o ímpeto dos
40
investimentos no setor imobiliário advindos da política monetária: a demanda por habitação é
sensível a persistentes mudanças nas taxas de juros do FED, uma vez que tais mudanças têm
um impacto importante no custo de utilização das habitações (porque os imóveis são ativos de
longa duração). Com o FRB/US Model, empreenderam simulações com juros mais altos que os
praticados entre os anos 2000 e 2006 e concluíram que estes não afetariam muito os
investimentos residenciais. Segundo eles, uma política monetária mais apertada para atacar a
bolha imobiliária não resolveria o problema e, possivelmente, geraria mais desemprego.
O segundo modelo examinado segue a estrutura dos modelos que pesquisadores
fora do FED desenvolveram, como, por exemplo, o elaborado por Jarocinski e Smets (2008),
acima citados. Trata-se de um modelo VAR que inclui as seguintes variáveis: GDP real; gastos
com consumo pessoal; índice de desempenho dos empréstimos em relação ao core do PCE
(Personal Consumption Expenditure, mede essencialmente os gastos das famílias em bens
duráveis e não duráveis e serviços); o índice core do PCE; taxa de desemprego; e taxa de juros
nominal (nominal federal fund rates). As simulações elaboradas usando o VAR sugerem,
segundo os autores, que as condições macroeconômicas não foram responsáveis pelo
desenvolvimento da bolha imobiliária no período que vai de 2003 a 2008. Além de utilizarem
outros modelos e listarem estudos que seguem na mesma direção, concluem esse ponto dizendo
que não conhecem trabalhos que usam uma abordagem estrutural ou semiestrutural que conecte
de forma significativa a política monetária aos desenvolvimentos do mercado imobiliário
durante os anos 2000 nos EUA.
Uma vez que ficou demonstrado que não houve uma importante ligação entre a
política monetária e a bolha imobiliária, examinaram outros fatores que poderiam ter
contribuído para os desalinhamentos do setor imobiliário. O foco dessa parte da análise se
concentrou na desregulamentação do mercado de crédito hipotecário e em como o
desenvolvimento privado desse setor pode ter contribuído para a formação da bolha. Segundo
os autores, a forma do financiamento hipotecário, com a predominância de hipotecas de taxas
ajustáveis versus as de taxas fixas e o papel de outros novos e exóticos instrumentos de
securitização, junto com a demanda por residências e a evolução dos seus preços, permitiram a
insustentável evolução do risco associado a tais inovações. Concluem a análise dizendo que tais
achados são limitados, na medida em que descrevem a evolução do problema, mas não explicam
por que ocorreu.
Reconhecendo que de fato houve uma bolha imobiliária nos EUA durante os anos
2000, afirmam que, com base na noção de mercados eficientes, não há razão a priori para não
41
se detectar uma bolha imobiliária em tempo real. A questão seria, nesse ponto, de ordem
empírica prática, ou seja, bastante difícil.
2.3 Comparativo entre as diferentes abordagens sobre os preços dos imóveis residenciais
e sobre a identificação de bolha imobiliária
Com base nos artigos que pesquisamos acima, elaboramos um quadro comparativo
com o objetivo de entender de forma mais sistematizada quais foram as abordagens utilizadas
para compreender os preços dos imóveis residenciais e bolhas imobiliárias, que variáveis foram
utilizadas e quais os foram principais resultados. Há estudos que apresentam algumas variações
entre modelos — as diferenças são, sobretudo, relativas à inclusão ou subtração de variáveis ou
relativas a análises de períodos distintos. Nesse caso, consideramos os modelos mais relevantes
— a inclusão dos submodelos de cada estudo não afetaria o quadro geral. Há um único estudo
que apresenta modelos estruturalmente distintos — nesse caso, listamos os dois modelos.
Ainda, um dos estudos não apresenta modelos econométricos, seu conteúdo foi elaborado com
base em entrevistas. O Anexo 1 apresenta o quadro que elaboramos contendo nove abordagens
distintas. A partir da análise desse quadro, gostaríamos de ressaltar os seguintes pontos:
i. Das nove abordagens, oito utilizaram econometria.
ii. Das oito que utilizaram econometria, cinco utilizaram modelos estruturais do tipo
VAR/VEC.
iii. Os preços dos imóveis foram incluídos em seis das nove abordagens.
iv. Como indicador de renda, seis delas utilizaram o GDP, uma utilizou a renda das famílias
e duas não utilizaram nenhuma variável de renda.
v. Com relação aos indicadores de crédito, quatro abordagens não incluíram nenhum
indicador e cinco delas incluíram indicadores agregados de crédito.
vi. Com relação às outras séries incluídas nas abordagens, a mais utilizada foi a taxa de
juros, comum a seis delas.
vii. Quanto às principais conclusões, há uma dispersão significativa. Contudo, destacam-se:
a política monetária não afeta os preços dos imóveis; o crédito afeta os preços dos
imóveis.
O que chama a atenção nos pontos levantados acima é que, embora essas
abordagens sejam propostas para entender o comportamento dos preços dos imóveis, apenas
42
uma delas incluiu na análise a renda das famílias. O GDP, que foi a variável de renda mais
utilizada, nos parece muito distante da dinâmica dos preços dos imóveis. Por exemplo, o GDP
poderia estar caindo devido a uma deterioração na balança comercial, mas a renda das famílias
poderia, nesse caso, continuar constante.
Além disso, com relação ao crédito, quatro das abordagens avaliadas não
contemplaram nenhuma variável de crédito e as outras cinco usaram agregados, o que nos
parece também muito distante da dinâmica dos preços dos imóveis.
Por fim, embora a taxa de juros tenha sido incluída em seis das nove abordagens,
seus efeitos apontam para direções distintas. Por exemplo, Jaroncinski e Smets (2008) dizem
que o relaxamento das condições monetárias pode ter influenciado a formação da bolha
imobiliária, ao passo que Dokko et al. (2009) afirmam que as condições macroeconômicas —
e, portanto, a taxa de juros — não foram responsáveis pela bolha imobiliária.
43
3 PROCURANDO COMPREENDER A BOLHA IMOBILIÁRIA
Dado o quadro exposto na seção 2.3, acima — e antes de explicitarmos nossas
hipóteses a respeito das relações entre crédito, renda e taxa de juros na formação dos preços dos
imóveis —, procuramos, a seguir, delinear um quadro teórico que nos ajude a compreender os
mecanismos que originaram a bolha imobiliária norte-americana dos anos 2000 e levaram ao
seu estouro, provocando a crise financeira de 2008. Para tanto, partimos da interpretação de
Minsky (2008) a respeito da fragilidade financeira, e de interpretações e evoluções sobre sua
proposta. Depois de discutirmos brevemente se a bolha imobiliária norte-americana foi ou não
um momento Minsky — apresentando as discussões de Davidson (2008) e Dymski (2010a;
2010b) —, explicitamos a interpretação de Kregel (2008); esta interpretação parte de Minsky,
mas incorpora os desenvolvimentos que ocorreram nos EUA ao longo dos anos 2000,
conseguindo assim demonstrar o caráter endógeno dos desequilíbrios observados nos mercados
imobiliário e financeiro que aqui estamos examinando.
3.1 Endividamento e capacidade de pagamento
Há vasta literatura sobre os efeitos do crédito na economia, sobretudo em relação a
sua capacidade de formar bolhas especulativas ou expor estruturas de financiamento que
colocam risco sistêmico ao setor bancário e à economia como um todo. Um exemplo do
primeiro tipo está em Galbraith (1954), que descreve detalhadamente como os bancos norte-
americanos se excederam nos volumes de empréstimos concedidos às empresas e às famílias, e
como isso foi determinante para a formação e estouro da bolha da bolsa de Nova Iorque em
1929.
Sobre o segundo tipo, Minsky (2008) demonstra como as empresas se fragilizam
ao se endividarem em níveis que seus balanços não suportam absorver, sobretudo quando há
uma reversão do ambiente econômico. Segundo ele, no curso ascendente de um ciclo de
negócios as empresas tomam crédito para financiar seus investimentos e contam com as receitas
futuras destes para quitar seus débitos. Como o fluxo futuro de receitas depende da demanda
futura, que, por sua vez, depende de fatores econômicos e das preferências dos consumidores,
o fluxo de caixa das empresas que tomam crédito é fundamental para a saúde financeira destas
e, consequentemente, para os bancos que emprestam. Numa análise de fluxo de caixa da
economia, a relação crítica que determina o desempenho do sistema é aquela entre os
compromissos de pagamento dos débitos das empresas e suas receitas advindas de operações
44
correntes. É a partir da relação entre fluxos de caixa (receitas) e nível de endividamento que
Minsky cria a tipologia que descreve a instabilidade financeira: hedge, especulativo e Ponzi.
De acordo com o Minsky (2008), a robustez ou a fragilidade financeira de um
sistema financeiro dependem do tamanho e da força das margens de segurança, além da
probabilidade de que distúrbios iniciais sejam ampliados. As empresas, de forma geral, e
independentemente de estarem envolvidas em esquemas de financiamento de menor risco, estão
vulneráveis aos desenvolvimentos econômicos que reduzem o fluxo de caixa.
As empresas que usam o sistema hedge esperam que os fluxos de caixa originados
a partir dos bens de capital ou de contratos financeiros sejam mais que suficientes para a
quitação dos compromissos contratuais de financiamento — uma empresa hedge não pode ter
um grande volume de dívidas à vista.
Empresas que usam o sistema especulativo esperam que o fluxo de caixa que se
origina da operação de bens será menor que os compromissos de pagamentos à vista em alguns
períodos tipicamente de curto prazo — em alguns destes períodos o pagamento de
compromissos em dinheiro excede o valor de receita esperada devido aos bens possuídos, ou
seja, os pagamentos em dinheiro dos rendimentos aos investidores excedem o recebimento
esperado de entrada de novos recursos financeiros. No sistema especulativo, os fluxos de caixa
de curto prazo são de tal monta que os custos financeiros não aumentam suas dívidas. Neste
esquema de financiamento a empresa que toma crédito sabe ex ante (dado os termos do contrato
de débito) que os fluxos de pagamento da dívida excederão, em algum momento no futuro, o
fluxo de caixa proveniente das receitas do projeto financiado. No entanto, sob uma perspectiva
de longo prazo, ou seja, considerando a vida útil do ativo criado pelo projeto, os fluxos de
receita gerados por este serão suficientes para pagar o investimento. No esquema especulativo
a empresa sabe que terá que refinanciar, em algum momento no futuro, parte remanescente de
seus débitos.
Já no sistema Ponzi os custos de financiamento são maiores do que as receitas, de
forma que a quantidade nominal de dívida aumenta — as empresas envolvidas nesse sistema
capitalizam juros dentro de sua estrutura de obrigações. Neste esquema a empresa sabe que os
fluxos de receita gerados pelo projeto não são suficientes para cobrir o financiamento. Portanto,
para lidar com os compromissos ela recorre a mais endividamento, aumentando seu volume de
dívidas até, como num esquema Ponzi de pirâmide, não encontrar novos refinanciadores.
Ainda segundo Minsky (2008), devedores ou banqueiros que utilizam o esquema
especulativo ou o esquema Ponzi têm a expectativa de que o pagamento de compromissos sobre
as dívidas ocorra por meio de financiamento, do aumento das dívidas ou da queda de estoques
45
desnecessários de bens ou bens financeiros. A seu turno, as empresas envolvidas no esquema
hedge só terão dificuldades de honrar seus compromissos financeiros se suas receitas caírem
em relação às expectativas — portanto, estão imunes a mudanças nas condições financeiras, o
que não ocorre com as empresas envolvidas nos esquemas especulativo ou Ponzi. Estas últimas
são vulneráveis aos desenvolvimentos nos mercados financeiros e precisam enfrentar condições
de mercado que se alteram constantemente e que afetam a taxa de juros e a disposição dos
bancos em emprestar.
3.1.1 Bolha imobiliária: momento Minsky?
Embora Minsky não tenha explorado profundamente em sua análise o
endividamento das famílias com hipotecas residenciais, muitos veículos de mídia e analistas de
Wall Street se referiram à crise de 2008 como um “momento Minsky”. A ideia básica por trás
dessa interpretação refere-se ao grande volume de endividamento hipotecário que as famílias
absorveram entre os anos 2000 e 2007, sobretudo aquelas consideradas subprime, e a
incapacidade de suas rendas darem conta do pagamento das dívidas contraídas. Analogamente
à análise que Minsky fez do endividamento das empresas que buscam financiar seus projetos
de investimento, o “momento Minsky” de 2008 seria enquadrado no esquema Ponzi, onde as
famílias contrairiam dívidas esperando incrementar sua riqueza, mas em níveis que suas receitas
(renda) não suportam absorver, atingindo um nível de endividamento impossível de ser quitado.
Em contraponto a essa interpretação, Davidson (2008) argumenta que a crise
financeira de 2008 não foi um “momento Minsky”. Pare ele, para que um tomador de
empréstimo subprime entre num esquema Ponzi de financiamento, este deveria obter uma
segunda hipoteca para ajudar a pagar os débitos da primeira. Como os tomadores de empréstimo
subprime têm pouco ou nenhum patrimônio residencial para dar em garantia a um segundo
empréstimo hipotecário, o esquema Ponzi não é uma alternativa viável nesse caso. Portanto,
argumenta Davidson, não é um “momento Minsky” por definição, na medida em que a crise
financeira iniciada pelas hipotecas subprime não se enquadram nos esquemas especulativo ou
Ponzi especificados por Minsky para descrever a fragilidade financeira.
Ainda sobre a questão de a crise financeira de 2008 ser considerada um “momento
Minsky”, Dymski (2010b) argumenta que alguns aspectos desta não se encaixam dentro da
elaboração do primeiro. Dymski afirma que Minsky entendia as desacelerações econômicas
como sendo causadas por ciclos de investimentos e não pelo colapso dos preços dos imóveis
residenciais. Por conta disso, focou sua análise nas empresas e não nas famílias. Outro ponto
46
destacado por Dymski a respeito da análise de Minsky é que este último argumentava que as
desacelerações econômicas poderiam ser contidas pelo governo no papel de emprestador de
última instância, reestabelecendo a estabilidade financeira e incentivando a demanda agregada
— o que não seria possível executar da mesma forma quando se considera o endividamento das
famílias. Por conta dessas ponderações a respeito do processo de fragilização financeira
proposto por Minsky, Dymski (2010b) propõe três modificações no modelo de Minsky. Para os
objetivos deste trabalho, destacamos apenas uma delas: incorporar os efeitos da evolução da
exclusão e da desigualdade social na dinâmica financeira dos EUA pré-crise de 2008.
3.1.2 Crise subprime e bolha imobiliária
Segundo Dymski (2010a), a crise financeira de 2008 — chamada por ele e por
vários outros autores de crise subprime, foi caracterizada por novas circunstâncias. As
mudanças estratégicas dos bancos norte-americanos no início dos anos 1980, combinadas com
as mudanças estruturais no mercado hipotecário, permitiram a eles conceder empréstimos sem
a necessidade de carregá-los até a maturidade — isso significava que os bancos geravam risco,
mas não o absorviam. No início dos anos 1990, os bancos começaram a fazer empréstimos
predatórios em comunidades socialmente excluídas, muitas vezes através de empresas
subsidiárias. Esses empréstimos não eram produtivos, no sentido de que traziam mais riscos (ao
invés de melhorarem) à posição dos donos das residências que as adquiriam. O risco real desses
empréstimos foi obscurecido por um mercado de residências que surgia e cujo crescimento era
subscrito pela plena liquidez que fluía ao mercado norte-americano de ativos. Dessa forma,
quando os preços das residências atingiram limites críticos em alguns mercados, os bancos
tinham instrumentos disponíveis para conceder empréstimos que antes seriam considerados
muito arriscados.
Segundo Dymski (2010a), os bancos e suas empresas subsidiárias criaram novos
instrumentos para atingir o mercado de famílias de baixa renda e de minorias: dentre esses
instrumentos estavam empréstimos predatórios. Historicamente, desde o início dos anos 1990,
tais instrumentos haviam crescido num ritmo elevado em comunidades ou bairros que sempre
foram excluídos financeiramente. O autor foca sua análise em uma categoria de empréstimos
predatórios: a hipoteca subprime.
Os empréstimos subprime se originaram quando os corretores de hipoteca e os
credores combinaram uma estratégia agressiva de vendas de hipotecas com a segmentação
demográfica. Hipotecas com taxas excessivas, multas elevadas e altas taxas de juros foram
47
vendidas às famílias que só tinham tido, até então, acesso ao crédito informal. Inicialmente, a
maioria dos empréstimos subprime eram segundas hipotecas, que eram vendidas aos
proprietários de residências modestas em áreas socialmente excluídas, devastadas pela
desindustrialização.
Muito rapidamente, os empréstimos com estas características foram sendo
comercializados para os novos compradores de residências, especialmente das minorias. Por
conta da grande diferença entre os preços dos imóveis residenciais e a renda das famílias de
baixa renda, criou-se uma modalidade de empréstimos ajustáveis. Tais empréstimos permitiam
pequenos pagamentos por parte dos tomadores de crédito, diferentemente da prática até então
vigente, que exigia pagamentos maiores. Dentro dessa nova modalidade, aos compradores
poderiam ser oferecidos empréstimos que excediam em 80% o preço das residências, ou mesmo
dois novos empréstimos — um para arcar com os 80% do valor da residência e outro para dar
conta dos 20% restantes. Segundo Dymski (2010a), essa modalidade de empréstimo hipotecário
se tornou dominante a partir de 2003, a ponto de o termo “empréstimo subprime” ser usado
especificamente para se referir aos empréstimos para compra de residências feito por famílias
incapazes de absorver o esquema de pagamento denominado “plain vanilla” — ou seja, por um
esquema regular antes utilizado pelo mercado, onde o comprador teria que ter uma poupança
prévia de 20% do valor da residência para compor o empréstimo e ainda teria que usar mais de
30% de sua renda para pagamento da hipoteca.
Dymski (2010a) prossegue afirmando que essa dinâmica levou à explosão de preços
do mercado de residências dos EUA e ao insustentável alargamento dos limites de liquidez no
mercado financeiro. Limites cada vez mais permissivos de securitização do crédito aumentaram
o percentual de empréstimos contratados por meio dos bancos, mas garantidos fora deles, pelo
mercado. Consequentemente, a pressão de risco de liquidez que deveria previamente derrubar
o volume de empréstimos no pico do ciclo não esteve presente. Quando esse pico chegou, não
eram mais os bancos que detinham os balanços mais alavancados, como seria esperado num
ciclo típico do modelo de Minsky. Ao invés disso, as famílias subprime que tomaram crédito e
os SIV (Structured Investment Vehicles) eram quem estava nessa posição. Portanto, continua
Dymski, eram essas unidades — e não os bancos, conforme o modelo de Minsky — que
arcaram com o peso do declínio do mercado residencial, arrastando os bancos com elas.
Além de não caracterizar o processo da bolha imobiliária norte-americana como um
“momento Minsky”, Dymski (2010a) reforça a importância que a renda das famílias (em
especial das famílias de baixa renda) teve no desequilíbrio desse mercado: fica explícito o
descompasso entre a renda das famílias e o volume de crédito concedido na formação da bolha.
48
3.2 Instabilidade financeira endógena
A despeito da discussão sobre se a crise financeira de 2008, provocada pela bolha
imobiliária, foi ou não foi um momento Minski, Kregel (2008) parte do quadro teórico
desenvolvido por Minsky (2008) para procurar entender a origem da instabilidade financeira
desse período. Segundo Kregel, Minsky baseou sua análise a respeito da fragilidade financeira
na ideia de que a própria estabilidade do sistema gera comportamentos que produzem a
instabilidade. Essa instabilidade seria criada por um declínio das margens de segurança das
transações financeiras e por um aumento da alavancagem dos bancos. As margens de segurança
de um empréstimo de um banco para uma empresa, por exemplo, poderiam ser determinadas
pela diferença entre o montante emprestado e o montante do projeto financiado; poderiam
também ser definidas ou pelo montante de colaterais exigidos da empresa pelo banco para
financiar o projeto ou, ainda, pelo montante de depósitos em garantia direcionados ao banco
pela empresa. A ideia de incluir a margem de segurança no montante da transação financeira é
criar dispositivos que assegurem que o banco recupere o empréstimo quando as receitas do
projeto forem frustradas.
Kregel (2008) diz que, para Minsky, o incremento da fragilidade financeira é
gestado em torno da lenta e imperceptível erosão das margens de segurança durante o período
de estabilidade. Para entender como isso ocorre, ele explica que os bancos baseiam suas
decisões de empréstimo e a definição das margens de segurança destes tendo em vista dois
aspectos. O primeiro é o histórico de pagamentos do tomador: um bom pagador, com um bom
histórico de quitação de seus empréstimos, torna-se um bom candidato a novos empréstimos.
Ocorre que, em situação de expansão estável, onde julgamentos sobre o futuro são camuflados
pela expansão da economia como um todo, os bancos se tornam menos rigorosos na avaliação
de risco dos tomadores e acabam reduzindo suas margens de segurança. Segundo Kregel
(1997), “It is the expansion that validates more risky projects, rather than any change in
evaluation on the part of the lender”.7
O segundo aspecto que determina a decisão de empréstimo dos bancos está ligado
à avaliação que se faz sobre a opinião convencional que, segundo Minsky, considera o
julgamento dos outros bancos sobre o ambiente de negócios. Isso quer dizer que, em momentos
de otimismo, a avaliação dos bancos sobre a capacidade de pagamento dos emprestadores é
7 Tradução livre: “É a expansão que valida projetos mais arriscados, em vez de qualquer mudança na avaliação
por parte do credor.”
49
mais complacente. Assim, tanto os tomadores de empréstimos quanto os bancos se tornam mais
confiantes, sem necessariamente experimentarem euforia ou otimismo excessivo. Nesse
contexto, expectativas otimistas crescentes a respeito da capacidade de pagamento dos
empréstimos, num ambiente de expansão cíclica, podem ser vistas como uma reação racional
dos agentes às avaliações dos eventos passados expressas em altas probabilidades de sucesso.
Nesse ponto, Kregel (2008) relembra Keynes, que havia destacado que esse sucesso não se deve
às habilidades dos empresários, mas sim ao ambiente econômico em expansão — como
resultado, há excesso de empréstimos, sobreinvestimento e concentração de risco.
Embora Kregel (2008) reconheça que a crise de 2008 apresente esquemas de
financiamento Ponzi e também redução das margens de segurança dos empréstimos, ele destaca
que estes elementos tiveram uma origem particular neste período. Por conta do declínio nos
ganhos dos bancos comerciais nos Estados Unidos nos anos 1980, a regulação que os limitava
para a captação de depósitos e para empréstimos de curto prazo foi relaxada para permitir uma
atuação mais ampla no mercado financeiro por meio da criação de empresas afiliadas. Os
bancos, ao perderem sua dominância no mercado de empréstimos, onde os lucros tinham
origem nas margens líquidas de juros, mudaram para atividades que geravam taxas sobre
transações financeiras e comissões sobre a receita. Eles procuraram aumentar suas receitas por
meio de negociações exclusivas em um mercado não regulado por autoridades governamentais.
Isso foi possível graças à revogação, em 1999, da Lei Glass-Steagall,8 o que permitiu a criação
de empresas de operação bancária que praticavam virtualmente todos os tipos de atividades
financeiras.
Ao mesmo tempo, segundo Kregel (2008), a introdução dos padrões mínimos de
adequação de capital dos bancos pelo acordo de Basileia encorajou-os a continuar a aumentar
os seus honorários e comissões e a transferir os empréstimos dos seus balanços para
filiais/empresas não relacionadas aos próprios bancos. Isto produziu uma nova forma de
operações bancárias, conhecidas como “originar e distribuir”. Nelas, os bancos procuravam
8 A Lei Glass-Steagall (Glass–Steagall Act) foi aprovada nos Estados Unidos em 1933 e tratava da regulação
bancária. Para o que nos interessa neste trabalho, vale destacar que tal lei limitava os títulos emitidos por bancos
comerciais, assim como as atividades e afiliações entre bancos comerciais e financeiras. Dentre outros, os objetivos
da lei eram evitar um colapso financeiro sistêmico (como o de 1929) e propiciar condições para um processo de
alavancagem mais alinhado com as necessidades do setor industrial (em detrimento do setor financeiro) — o que
se convencionou chamar de finanças industrializantes. Em 12 de novembro de 1999, a Glass-Steagall foi revogada
e substituída pela Lei Gramm–Leach–Bliley, também chamada de Financial Services Modernization Act. A
revogação da Glass-Stegall removeu a separação que antes existia entre os bancos comerciais e os bancos de
investimento, permitindo que bancos comerciais detivessem empresas com balanços desvinculados dos seus —
isso possibilitava uma alavancagem superior à determinada pelos acordos de Basileia; permitiu também uma série
de inovações em termos de produtos financeiros, abrindo caminho para inovações financeiras como, por exemplo,
os títulos hipotecários subprime.
50
maximizar seus honorários e comissões sobre a comercialização de ativos que originavam e
que eram transferidos para empresas afiliadas. Estas empresas, chamadas de empresas de
propósito especial, não estavam ligadas ao próprio originador — isso quer dizer que os ativos
originados pelos bancos, como, por exemplo, recebíveis de empréstimos imobiliários ou
recebíveis de crédito pessoal ao consumo, não eram lançados em seus balanços. Por conta disso,
os bancos passaram a não se preocupar com o risco associado aos ativos que estavam
originando. Seu interesse passou a ser originar o maior número de ativos dentro desse esquema,
obtendo receitas pelas comissões sobre as vendas destes. Consequentemente, as margens de
segurança dessas operações financeiras são reduzidas, uma vez que o problema de solvência
dos ativos não estaria mais nas mãos dos bancos originadores. Qualquer risco de crédito passa
a ser suportado, portanto, pelas entidades de propósito especial e pelos investidores (como
companhias de seguros, fundos de pensões e hedge funds) que financiaram essas operações
comprando tais passivos.
Para que esses ativos pudessem ser vendidos aos investidores pelas empresas de
propósito específico, era necessário que tivessem a classificação e certificação de risco
elaboradas pelas agências de risco. Nesse ponto, Kregel (2008) chama a atenção para uma
diferença importante entre os mecanismos da crise de 2008 e aqueles analisados por Minsky
ligados à redução das margens de segurança. Diferentemente dos bancos, que conheciam o
histórico dos tomadores de crédito, as agências de classificação de risco não tinham ligação
com estes últimos. Para superar esse desconhecimento, elas utilizaram métodos e modelos
estatísticos que procuravam correlacionar o escore de crédito baseado em atributos específicos
dos emprestadores com a probabilidade de estes pagarem seus débitos. Os empréstimos que
eram incluídos em um pool de recebíveis representando as informações dos ativos detidos pela
entidade de propósito específico eram selecionados de maneira a atender uma determinada
probabilidade de retorno — eles não eram selecionados pelo histórico dos mutuários. Isso
representou uma espécie de viés de seleção, onde apenas os empréstimos que se esperava que
tivessem um bom risco de crédito fossem incluídos no pool.
De acordo com Kregel (2008), este procedimento era diferente do descrito por
Minsky, pois não levava em conta o histórico dos mutuários incluídos nos recebíveis, mas
procurava usar a história de outros mutuários para fazer uma previsão prospectiva de risco de
crédito. No caso da securitização9 de empréstimos que não obtinham notas de crédito adequadas
(empréstimos subprime), Kregel diz que este processo foi particularmente perigoso, uma vez
9 Este termo é utilizado no mercado financeiro para designar a transformação de recebíveis em títulos negociáveis.
51
que constituíram uma parte importante do crédito hipotecário global durante apenas alguns anos
(de 8% em média entre 2001-2003, a 20% entre 2005-2006). Não houve, portanto, nenhuma
série estatística de desempenho para determinar as correlações entre as pontuações de crédito
dos mutuários e a probabilidade de serem capazes de cumprir seus compromissos. Além disso,
em sua maioria, estes empréstimos foram concedidos sem documentação adequada sobre os
rendimentos dos mutuários, sua riqueza e situação de emprego — cerca de 50% deles foram
classificados como tendo pouca ou nenhuma documentação em 2005 e 2006. Portanto,
prossegue Kregel, muitas informações que seriam necessárias para fazer uma avaliação de
crédito com base no escore dos mutuários não estavam disponíveis e, em muitos casos, foram
fabricadas.
Segundo Kregel (2008), uma grande parcela das hipotecas subprime (cerca de 90%
entre 2004 e 2006) foram subscritas com o esquema de pagamentos tendo taxas de juros
ajustáveis ou apenas taxa de juros simples nos primeiros anos de contrato. Passado esse período,
de cerca de dois a três anos, havia uma mudança prevista nos contratos, que passavam então a
ser ajustados por taxas de juros de mercado mais altas do que as taxas iniciais, pois continham
a parcela de margem de segurança. Quando havia apenas taxas de juros no período inicial, os
contratos previam o refinanciamento total dos débitos. Em ambos os casos, estes procedimentos
impunham aos contratos um declínio nas margens de segurança.
Ainda em relação às margens de segurança dos contratos hipotecários dos anos
2000 nos EUA, Kregel (2008) diz que, para mantê-las, supondo que o mutuário tivesse renda
suficiente para cumprir os seus compromissos durante o período inicial do empréstimo, após
este período seria necessário que: (i) as taxas de juro permanecessem ou abaixo dos níveis muito
baixos em que as hipotecas foram originalmente subscritas, ou (ii) a renda dos mutuários
aumentasse, ou (iii) o preço do imóvel associado às hipotecas permanecesse estável ou subisse,
de modo que, no caso de o mutuário não ser capaz de cumprir os pagamentos, a propriedade
pudesse ser vendida sem perda. Assim, mostrando a conexão com o que Minsky desenvolveu
a respeito da evolução da fragilidade financeira, Kregel diz que o que parecia ser um esquema
de financiamento especulativo nos primeiros anos se transformava ao equivalente a um
esquema Ponzi, uma vez que os compromissos de pagamentos de todo o contrato hipotecário
só poderiam ser mantidos por empréstimo obtidos em uma data futura após os anos iniciais —
apenas dessa forma seria possível dar conta do descasamento entre tais compromissos e as
rendas necessárias para quitá-los. Embora essas hipotecas tenham tido um valor presente
líquido positivo quando avaliadas nos dois ou três primeiros anos, quando se avaliava seu
período total de contrato considerando-se expectativas razoáveis de valores futuros de taxas de
52
juros, de crescimento da renda e dos preços de imóveis, o valor presente líquido era igual a
zero. Kregel prossegue: “These were the assets that were securitized and used as collateral to
back the liabilities sold by the special-purpose entities to final investors.”10
O que permitiu a comercialização desses títulos, compostos por diferentes tipos de
hipotecas e demais papéis, foi a junção (num mesmo título — pool) de contratos com diferentes
graus de risco. Kregel (2008) descreve esta composição diferenciando três classes de títulos,
associadas aos seus riscos e retornos.
A classe sênior ou supersênior oferecia uma taxa de retorno garantida porque
continha colaterais suficientes para cobrir qualquer quebra em seus fluxos de receitas. Porém,
embora as hipotecas seniores representassem menos de 100% do valor do conjunto das
hipotecas contidas neste tipo de título, todas as outras (as de maior risco) acabavam por
emprestar o menor grau de risco das primeiras. Este aparente excesso de colateralização das
hipotecas seniores representa o que Minsky chamaria de margem de segurança: o rendimento
esperado delas era um grande múltiplo dos pagamentos de juros e do principal prometidos aos
compradores de títulos — seriam então enquadrados no perfil hedge. E, como tal, recebiam
grau de investimento pelas agências de classificação de crédito, embora contivessem também
em sua composição hipotecas subprime sem valor. Foi a ampla margem de segurança conferida
pelas hipotecas seniores que tornou possível a emissão de títulos com grau de investimento,
embora a composição efetiva desses papéis não refletisse tal grau de risco.
A segunda classe de hipotecas que compunham os títulos comercializados pelas
empresas de propósito específico era composta por títulos intermediários e residuais. Esta classe
de papéis receberia os rendimentos remanescentes após o pagamento dos compromissos das
hipotecas seniores — tinham, portanto, uma margem de segurança menor. Isso lhes conferia
uma receita que variava e que ocasionalmente poderia ficar aquém dos compromissos de
pagamento, mas, em média, apontavam para um valor presente líquido positivo.
Por fim, o pool de títulos comercializados tinha papéis residuais que gerariam
rendimentos aos compradores apenas quando não houvesse pagamentos anteriores ou quando
houvesse falta de pagamentos relativos às hipotecas das duas primeiras classes. Em termos de
fluxos previstos, não havia nesta terceira classe receita em dinheiro para atender a saída de caixa
até que as duas classes de títulos superiores anteriores tivessem sido pagas.
Considerando a composição descrita acima por Kregel, se todos os rendimentos
esperados fossem de fato recebidos, esses títulos teriam uma taxa de retorno muito maior, porém
10 Tradução livre: “Esses são os ativos que foram securitizados e utilizados como garantia para suportar os passivos
vendidos pelas sociedades de propósito específico (SPE) para investidores finais.”
53
com uma margem de segurança zero. Entretanto, dada essa mesma composição, o retorno
poderia efetivamente ser zero. Os títulos que não eram classificados como investment grade
foram vendidos a hedge funds dispostos a assumir riscos maiores tendo como objetivo obter
retornos mais elevados; ou foram agrupados e securitizados para dar corpo a outra entidade de
propósito especial que emitiria títulos seniores investment grade, títulos de classificação
intermediária e títulos de valores residuais.
Como a classificação investment grade era crucial para o sucesso desses
instrumentos, as instituições financeiras consultavam as agências de classificação de risco a
respeito da composição adequada dos títulos, bem como sobre a estrutura do passivo. Assim,
mais uma vez, foram essas agencias que determinaram as margens de segurança adequadas dos
títulos. Aqui também tais margens foram definidas considerando-se as probabilidades
estatísticas das taxas de pagamento e de inadimplência das hipotecas subprime associadas aos
títulos.
Kregel (2008) conclui que, na medida em os preços dos imóveis residenciais
continuaram a subir e as originações de títulos a aumentar, as margens de segurança
continuaram a diminuir e, por isso, a fragilidade financeira foi aumentando. Segundo ele, o
declínio da margem de segurança representado pela supercolateralização inerente aos produtos
financeiros descritos acima não é resultado de um processo de avaliação de crédito ocorrendo
ao longo do tempo — como o descrito por Minsky, mas tem origem na análise estatística das
correlações entre as características prévias de tomadores de crédito e suas relações com as
mudanças nas condições financeiras. É a composição dos títulos que determina a margem de
segurança necessária, ao invés do comportamento dos mutuários ao longo do tempo gerando
um histórico de crédito. O resultado desse esquema de financiamento hipotecário e do processo
de comercialização dos títulos dessas hipotecas foi o responsável pela formação e estouro da
bolha imobiliária que aqui analisamos.
Em seguida, explicitaremos nossas hipóteses a respeito das relações entre crédito,
renda e taxa de juros na formação dos preços dos imóveis.
3.3 Hipóteses sobre a relação de longo prazo entre os preços dos imóveis, a renda das
famílias, o crédito hipotecário e a taxa de juros
Nossa hipótese é que há uma relação de longo prazo entre os preços dos imóveis, a
renda das famílias, o crédito hipotecário e a taxa de juros. O esteio central dessa hipótese é que
a renda das famílias é o centro de gravidade dessa relação. As condições de crédito e os preços
54
dos imóveis deveriam gravitar em torno da renda quando pensamos num mercado em equilíbrio.
Por sua vez, ainda supondo um mercado em equilíbrio, a taxa de juros deveria servir como
direcionador da riqueza das famílias, balizando os custos de oportunidade dos ativos que estas
desejam possuir.
Sobre a relação renda/crédito, Hofmann (2001), por exemplo, diz que é a renda das
famílias que determina sua capacidade de pagar seus débitos. Ainda, como explicitado por
Goodhart e Hofmann (2008), o crédito assumido pelas famílias deveria guardar uma proporção
com a renda delas. Em outras palavras, o limite de endividamento das famílias é dado por sua
capacidade de pagamento. Numa condição anômala desse mercado, em que o volume de crédito
ultrapassa o limite que a renda das famílias é capaz de suportar — e em que a taxa de juros não
anula os efeitos do aumento expressivo do volume de crédito —, um primeiro sintoma seria o
aumento dos preços dos imóveis. Um segundo, a depender do volume de crédito concedido —
do nível de endividamento das famílias —, seria o estouro de uma bolha imobiliária. Na vasta
literatura econômica sobre modelos de oferta e demanda de bens duráveis e não duráveis, a
renda das famílias aparece como sendo uma variável obrigatória junto com os preços desses
bens. As condições de crédito, por sua vez, juntamente com as taxas de juros, fazem parte de
praticamente todos os modelos de oferta e demanda de bens duráveis. Assim, outra hipótese
que queremos avaliar é que, a despeito do que previa o quadro do IT, onde a taxa de juros
poderia regular os preços dos ativos, não houve equilíbrio entre o fluxo de renda e o fluxo de
crédito no mercado imobiliário norte-americano nos anos 2000, provocando um
desalinhamento de preços desse mercado.
A abordagem que propomos não considera oferta e demanda de crédito, uma vez
que os volumes de crédito efetivamente concedidos — e é essa variável que exploraremos —
já expressam essas relações: embora o volume ofertado tenha aumentado significativamente no
início dos anos 2000, houve demanda para tal, pelo menos até certo limite, antes do estouro da
bolha. Além disso, vale a ressalva de que, num mercado que tende ao equilíbrio, uma eventual
restrição de oferta de imóveis faria com que os preços destes aumentassem até um nível tal em
que as interações entre renda e crédito chegassem ao seu limite — as famílias não pagariam
preços maiores e não se endividariam além do que sua renda pudesse suportar.
Estamos interessados em desenvolver um modelo que mostre como crédito, renda
e juros interagiram para formar a bolha de preços. Para tanto, como detalharemos, vamos dividir
o período de estudo em duas partes. A vantagem dessa abordagem é poder comparar o período
de equilíbrio do mercado imobiliário com o período de desequilíbrio, onde houve bolha. Com
essa comparação esperamos clarificar a importância de uma relação de equilíbrio de longo
55
prazo entre as variáveis que queremos examinar. Essa relação, supomos, poderia ser usada para
monitorar o mercado imobiliário e evitar excessos.
Nossa hipótese não exclui os efeitos da desregulação sobre o mercado de crédito
nem os desenvolvimentos do mercado financeiro ocorridos nos EUA durante o período de
estudo, que contribuíram para impulsionar esse mercado. No entanto, entendemos que o foco
do problema não é esse, per se, e sim a desproporção que o volume de crédito passou a ter em
relação à renda das famílias a partir do início dos anos 2000 — não houve um cuidado, por
parte dos reguladores e autoridades monetárias, em olhar para essa relação. Embora se esperasse
um ajustamento do mercado dado pela manipulação da taxa de juros, a relação entre crédito e
renda das famílias não estava no centro das discussões do modelo IT, conforme já explicitamos.
Portanto, novamente, ressaltamos que nosso foco é no volume de crédito concedido, e em suas
interações com renda, taxa de juros e preços.
A partir dessas formulações, em seguida, expomos e analisamos as variáveis
selecionadas, além de explicitar a divisão de períodos que elaboramos para nos auxiliar a
entender o que houve no mercado imobiliário norte-americano. Depois, apresentamos os
modelos que desenvolvemos, seus resultados e análises para compreender a bolha.
56
4 MODELOS, RESULTADOS E ANÁLISES PARA COMPREENDER A BOLHA
IMOBILIÁRIA
Neste capítulo apresentamos as variáveis que utilizamos, uma breve descrição da
metodologia empregada (aprofundada no Apêndice), os modelos, seus resultados e as análises
que empreendemos como respostas às questões que levantamos, as quais apresentamos
novamente a seguir:
i. Queremos compreender qual foi a contribuição da renda das famílias, do crédito
hipotecário e dos juros sobre os movimentos de preços dos imóveis residenciais norte-
americanos e como interagiram para a formação da bolha imobiliária dos anos 2000.
ii. Queremos, também, avaliar os coeficientes de ajustamento de longo prazo dos modelos
VEC-M para compreender os desvios do equilíbrio de longo prazo do mercado
imobiliário residencial norte-americano.
Nossa proposta é desenvolver modelos econométricos e análises para compreender
as questões acima. Assim, nas seções de 4.1 a 4.3, abaixo, apresentamos as variáveis, a análise
das séries e a divisão de períodos que efetuamos para identificar a bolha imobiliária. Em
seguida, na seção 4.4, discorremos brevemente sobre a metodologia que utilizamos — o
detalhamento da metodologia se encontra ao final do trabalho, no Apêndice. Na seção 4.5
analisamos a estacionariedade das séries. Na seção 4.6 falamos sobre a identificação dos
modelos. Esta é uma seção importante, uma vez que expomos as relações de longo prazo que
encontramos entre os preços dos imóveis, a renda das famílias, o crédito hipotecário e a taxa de
juros no mercado norte-americano. Nas subseções de 4.6.1 a 4.6.3 tratamos dos testes relativos
aos modelos — especificamente nesta última, já apresentamos alguns resultados relativos à
exogeneidade das séries. Nas seções seguintes se encontram os resultados dos testes e das
análises que empreendemos e que procuram responder às questões que levantamos. A seção 4.7
apresenta os resultados dos testes de causalidade de Granger. A seção 4.8 traz os resultados das
análises da função impulso-resposta. Na seção 4.9 expomos os resultados da decomposição da
variância dos erros de previsão. Por fim, na seção 4.10, apresentamos a análise dos coeficientes
de ajustamento de longo prazo dos modelos de cada período.
57
4.1 Variáveis
Como queremos entender como a renda, o crédito e a taxa de juros interagiram na
formação dos preços dos imóveis residenciais dos EUA, consideramos as seguintes variáveis:
• RPP – Residential Property Prices. Preço real dos imóveis residenciais nos EUA,
número índice. Fonte: BIS – Bank for International Settlements.
• INC – Total Disposable Personal Income. Renda total pessoal disponível nos EUA em
bilhões de dólares. Fonte: BEA – Bureau of Economic Analysis.
• CRDF – Home Mortgage Flow. Hipotecas residenciais, fluxo de crédito concedido às
famílias nos EUA em bilhões de dólares. Fonte: FED – Federal Reserve System: Flow
of Funds.
• INT – Wu-Xia Shadow Federal Funds Rate. Taxa de juros nominais de curto prazo do
Federal Reserve System – FED, com ajuste a partir de dezembro de 2008.11 Fonte:
Federal Reserve Bank of Atlanta.
A origem dos dados está apresentada ao final do trabalho, na seção “Fontes de
Dados”. As séries INC e CRDF foram deflacionadas pelo índice de preços ao consumidor dos
EUA (CPI). Todas as séries têm periodicidade trimestral, compreendem o período do quarto
trimestre de 1975 (1975Q4) ao quarto trimestre de 2013 (2013Q4) e foram transformadas em
índice base 100 (100=1975Q4).
11 A Fed Funds Rate (taxa de juros de curto prazo) é usada pelo FED como o principal instrumento de política
monetária dentro dos EUA. A partir dezembro de 2008, com o objetivo de estimular a economia abatida pela crise
financeira, a taxa ficou próxima de zero, de modo que não havia mais possibilidade de reduzi-la. Para tentar
estimular ainda mais a economia norte-americana, dada a limitação imposta pela já baixa taxa de juros, o FED
passou a utilizar outra alternativa de política monetária: a compra de ativos em larga escala, conhecida como
quantitative easing. Com o objetivo de entender o impacto dessa política, Wu e Xia (2015) desenvolveram um
modelo que traz uma descrição empírica do comportamento das taxas de juros a partir de 2008. A série de dados
Wu-Xia Shadow Federal Funds Rate considera a Fed Funds Rate efetiva até dezembro de 2008; a partir de janeiro
de 2009, incorpora uma série de taxas de juros ajustada pelo modelo que as autoras desenvolveram. Vale observar
que essa série ajustada se torna negativa a partir de julho de 2009, refletindo conjuntamente as baixíssimas taxas
de juros nominais e o aumento da oferta monetária desse período. Outro ponto que merece ser destacado é que a
série pura do FED (positiva, mas muito próxima de zero) não rendeu resultados satisfatórios nos modelos aqui
desenvolvidos, provavelmente porque mascaravam o real efeito das políticas monetárias do período que
estudamos, que vai até 2013Q4. Os resultados das regressões desenvolvidos com a série pura de taxas de juros
nominais do FED forneceram modelos onde os sinais dos juros não faziam sentido, eram positivos. Já os resultados
obtidos com a série ajustada de juros fornecida por Wu e Xia (2015) produziram resultados conforme o esperado:
os sinais obtidos foram negativos.
58
Com relação à taxa de juros nominal de curto prazo que usamos aqui, além do
esclarecimento contido na nota de rodapé n. 11, acima, é importante mencionar por que não
utilizamos uma série real de juros de curto prazo. A escolha da taxa nominal obedeceu a dois
critérios que provavelmente estão ligados entre si. O primeiro, de ordem prática, refere-se aos
sinais encontrados na modelagem dos juros reais: a maioria dos modelos testados apresentou
sinais positivos para essa variável real. Portanto, descartamos os juros reais, uma vez que se
espera que essa variável tenha sinal negativo nos modelos.12
O segundo critério, de ordem teórica, refere-se aos conceitos de taxa de juros
nominais e reais, e pode ter influenciado os resultados do primeiro. A taxa de juros nominal é
escolhida pelo banco central com base em expectativas sobre a inflação futura e sobre o nível
de atividade presente e futuro — é uma definição anterior à realização da inflação e do nível de
atividade. Já a taxa de juros reais considera a taxa nominal (que embutia expectativas) menos a
taxa de inflação efetivamente ocorrida, e só pode ser determinada ex-post. Embora se possa
fazer hipóteses sobre a taxa real corrente, a decisão de alocação da riqueza das famílias é tomada
ex-ante, considerando a taxa nominal de juros. Aliás, é essa a taxa que, junto com as
expectativas sobre inflação e atividade futuras, orientam a decisão de alocação de portfólio das
famílias e das empresas — este ponto faz parte do quadro teórico do IT. Portanto, faz sentido
que os preços dos imóveis sejam influenciados pela taxa nominal de juros, e não pelas taxas
reais. Há uma discussão ampla sobre esse tema, mas parece haver certo consenso quanto à
utilização da taxa nominal de juros em trabalhos acadêmicos que procuram entender bolhas
imobiliárias. Por exemplo, Dokko et al. (2009) acima citados, usam a taxa de juros nominal de
curto prazo em seus modelos para entender as relações entre a política monetária norte-
americana e a bolha imobiliária dos anos 2000. Goodhart e Hofmann (2008), também já citados,
usam a taxa nominal de juros de curto prazo em modelos para 17 países onde querem também
entender as relações desta com os preços dos imóveis. Mendonça e Sachsida (2012), num
trabalho intitulado “Existe bolha no mercado imobiliário brasileiro?”, desenvolvem modelos
12 Como os imóveis são considerados ativos, espera-se que um aumento das taxas de juros impacte negativamente
em seus preços. O conceito que sustenta este efeito baseia-se na ideia de que os imóveis são ativos que têm retorno
— os aluguéis. Nesse sentido, um aumento das taxas de juros aumenta o custo de aquisição de um imóvel, via
encarecimento de crédito, fazendo com que caia a rentabilidade desse ativo: o valor relativo dos aluguéis cai em
relação ao custo de aquisição do imóvel. Com a queda dos rendimentos dos imóveis, caem seus preços.
Concomitantemente, um aumento dos juros torna mais atrativas as aplicações em títulos atrelados a estes,
provocando uma realocação de recursos aplicados em imóveis para, por exemplo, papéis que rendem juros. É o
mesmo efeito que se observa no mercado de ações: um aumento das taxas de juros faz os preços das ações caírem.
Por fim, vale lembrar que esse efeito dos juros sobre os ativos é exatamente aquele esperado e preconizado pelo
quadro teórico do IT.
59
que usam a taxa de juros nominais de curto prazo para entender os preços dos imóveis em
algumas regiões do Brasil.
Por fim, se faz necessário um último esclarecimento quanto à definição da variável
de política monetária aqui utilizada. Como já explicitado acima, as taxas de juros reais não
renderam modelos onde o sinal fizesse sentido. Estes resultados podem ser atribuídos a algum
problema de correlação entre variáveis dependentes (que optamos por não explorar) ou à
omissão de alguma variável ligada à política monetária. Considerando esta última hipótese,
testamos incluir a oferta monetária (M1) do período que examinamos, uma vez que a política
monetária dos EUA, antes da implementação do sistema IT — e, portanto, antes de a taxa de
juros se tornar o instrumento de política monetária —, era baseada na manipulação da
quantidade de moeda.13 De todo modo, os resultados obtidos com a inclusão do M1 não
renderam sinais satisfatórios para os juros reais, nem tampouco para o próprio agregado. Vale
ressaltar que a utilização do M1 em conjunto com a Wu-Xia Shadow Federal Funds Rate, que
é a taxa de juros nominais de curto prazo ajustada que utilizamos, também não rendeu resultados
satisfatórios em termos de sinais para os juros nem para este agregado monetário.
4.2 Analise das séries
Como já afirmamos, neste trabalho queremos avaliar se há uma relação de longo
prazo entre os preços dos imóveis residenciais (RPP), a renda das famílias (INC), o crédito
imobiliário (CRDF) e a taxa de juros (INT) no mercado norte-americano. Uma vez que
encontramos essa relação, queremos compreender especificamente qual foi a contribuição da
renda das famílias, do crédito hipotecário e da taxa de juros sobre os movimentos de preços dos
imóveis residenciais daquele país e como interagiram para a formação da bolha imobiliária dos
anos 2000. A hipótese a ser testada é que, embora os agentes do mercado e os formuladores de
política econômica esperassem um ajustamento do mercado imobiliário, inclusive pela ação das
taxas de juros, houve um claro afastamento do equilíbrio — a bolha imobiliária —, indicando
que as forças desse mercado e a política monetária não foram capazes de ajustá-lo. Nesse
contexto, queremos compreender as origens desse desvio. Adicionalmente, propomos avaliar
os coeficientes de ajustamento de longo prazo dos modelos que desenvolvemos para
compreender os desvios do equilíbrio de longo prazo entre as variáveis examinadas. As
diferentes velocidades de ajustamento de cada modelo/período podem indicar um maior ou
13 Segundo Bordo e Schwartz (1997), foi em 1992 que o FED passou a estabelecer diretamente um alvo para a Fed
Funds rate.
60
menor afastamento do equilíbrio de longo prazo, sugerindo a identificação de bolhas
imobiliárias ocasionadas por desequilíbrios entre o preço dos imóveis, a renda das famílias, o
crédito imobiliário e a taxa de juros.
As séries selecionadas contêm dados amostrais do quarto trimestre de 1975 até o
quarto trimestre de 2013. Os Gráficos 1 a 4 mostram o comportamento das variáveis que
examinamos durante o período selecionado para o estudo. Na Tabela 1 apresentamos as
estatísticas descritivas de cada uma das séries de índices.
Gráfico 1 - Índices de Preço dos Imóveis dos EUA
Fonte: Elaboração própria
80
120
160
200
240
1980 1985 1990 1995 2000 2005 2010
Preços dos Imóveis Residenciais - RPP
61
Gráfico 2 - Índice de Renda das Famílias dos EUA
Fonte: Elaboração própria
Gráfico 3 - Índice de Crédito Imobiliário dos EUA
Fonte: Elaboração própria
80
100
120
140
160
180
200
220
240
1980 1985 1990 1995 2000 2005 2010
Renda das Famílias - INC
-200
0
200
400
600
1980 1985 1990 1995 2000 2005 2010
Crédito Imobiliáriao - CRDF
62
-50
0
50
100
150
200
250
300
350
1980 1985 1990 1995 2000 2005 2010
Taxa Nominal de Juros - INT
Gráfico 4 - Índice da Taxa de Juros dos EUA
Fonte: Elaboração própria
Tabela 1 - Estatísticas descritivas
Fonte: Elaboração própria
Como podemos observar no Gráfico 1, a série RPP apresenta significativo aumento
a partir do ano 2000, atingindo seu pico no primeiro trimestre de 2006, com um aumento de
145% em relação ao trimestre base (1975Q4). Após este período, teve uma queda de 39% em
RPP INC CRDF INT
Mean 147,1076 164,9951 176,0694 102,9883
Median 135,5098 157,7697 149,1094 101,0423
Maximum 244,9984 238,6067 630,4655 337,9522
Minimum 96,3815 100,0000 -194,4587 -36,6909
Std. Dev. 34,0736 44,2502 155,3215 78,5029
Skewness 1,2692 0,1587 1,0259 0,5065
Kurtosis 4,0262 1,6431 4,0350 3,4451
Jarque-Bera 47,790030 12,380570 33,665270 7,803305
Probability 0,000000 0,002049 0,000000 0,020208
Sum 22507,46 25244,26 26938,62 15757,20
Sum Sq. Dev. 176473,1 297627,7 3666962,0 936729,9
Observations 153 153 153 153
63
relação ao pico, porém, mantendo um nível mais alto que o valor atingido no quarto trimestre
de 1989. Notamos, na Tabela 1, que essa série tem alta variabilidade, sendo assimétrica e com
cauda longa. A série de renda das famílias (INC), apresentada no Gráfico 2, tem um
comportamento crescente ao longo de todo o período, sendo assimétrica, porém com cauda
curta. A série de crédito (CRDF), apresentada no Gráfico 3, varia em torno de 190 até o quarto
trimestre de 1990 e, a partir daí, apresenta uma tendência crescente nos valores, atingindo o
maior valor, 630, no primeiro trimestre de 2006; após esse trimestre, inicia-se a queda na série
de crédito — é o início do estouro da bolha —, assumindo valores negativos a partir do terceiro
trimestre de 2008. No Gráfico 4, vemos que a série de taxa nominal de juros (INT) cresce
rapidamente, cerca de 230%, entre 1975Q4 e 1981Q2, quando atinge seu pico nessa amostra.
Em seguida, passa a cair até 1987Q1 a níveis próximos do seu início. Tem um novo crescimento
até 1989Q2 e, depois desse ponto, tem uma tendência de queda, apresentando valores negativos
a partir de 2009Q3 até o fim da série. Por fim, na Tabela 1 constatamos que essa série é também
assimétrica e com alta variabilidade.
4.3 Definição dos períodos das séries
Para atingirmos os objetivos acima explicitados, dividimos as séries em três
períodos distintos. A partir do ajuste de modelos e testes que desenvolvemos pare estes
períodos, analisamos e comparamos os resultados de cada um deles.
• Período Total T: 1975Q4 até 2013Q4. Compreende todo o período amostral analisado.
• Período A: 1975Q4 até 1999Q4. É o período onde há equilíbrio no mercado imobiliário.
• Período B: 2000Q1 até 2013Q4. Período onde a bolha se forma e estoura.
O Gráfico 5, abaixo, ressalta a divisão de períodos da série RPP, pois é importante
visualizarmos sua evolução. O exame visual facilita a compreensão das divisões dos períodos,
explicitando o mercado mais próximo do equilíbrio no período A e a bolha imobiliária no
período B.
64
Gráfico 5 - Períodos analisados da série de preços dos imóveis residenciais, RPP
Fonte: BANK FOR INTERNATIONAL SETTLEMENTS, [s.d.]
O período A denota movimentos menos intensos dos preços dos imóveis
residenciais, RPP, e do fluxo de crédito concedido, CRDF. Entretanto, a taxa de juros INT
cresce e cai bastante nesse período. O início do período B é marcado em 2000Q1, quando o
preço dos imóveis residenciais começa a subir constantemente, ultrapassando o nível mais alto
que havia atingido até então (1989Q4), para, a partir daí, formar a bolha imobiliária. A escolha
do início do período B é arbitrária, mas muito próxima da escolha adotada por Goodhart e
Hofmann (2008), que também utilizaram em sua metodologia alguns parâmetros arbitrários
para definir o início da formação da bolha: 2000Q2, apenas um trimestre à frente de nossa
escolha. Assim, o período B é o de formação e estouro da bolha — logo, o período de
desequilíbrio. Vale notar que a variável crédito tem um aumento significativo nesse período, ao
passo que a renda tem um comportamento mais linear, inclusive durante todo o período T. Os
juros, não surpreendentemente, inicialmente experimentam uma queda dentro do período B, até
2003Q — esse movimento pode ter reforçado a formação da bolha durante o período B. Em
seguida, os juros voltaram a subir até 2007Q1, possivelmente como um movimento que tentava
desinflar a bolha imobiliária. Para cada um dos três períodos, criamos modelos específicos que
serão detalhados à frente.
0
50
100
150
200
250
300
19
75
Q4
19
77
Q3
19
79
Q2
19
81
Q1
19
82
Q4
19
84
Q3
19
86
Q2
19
88
Q1
19
89
Q4
19
91
Q3
19
93
Q2
19
95
Q1
19
96
Q4
19
98
Q3
20
00
Q2
20
02
Q1
20
03
Q4
20
05
Q3
20
07
Q2
20
09
Q1
20
10
Q4
20
12
Q3
Período T = Período A + Período B
RPP
Período A Período B
65
4.4 Breve descrição metodológica
Neste trabalho, analisamos os períodos T, A e B com o objetivo de poder compará-
los quanto aos modelos obtidos e quanto aos resultados das análises que empregamos. Para
avaliar se há relação de longo prazo entre os preços dos imóveis, a renda das famílias, o crédito
imobiliário e os juros de cada período, primeiramente checamos se as séries RPP, INC, CRDF
e INT são cointegradas. Para essa checagem, inicialmente identificamos se elas são
estacionárias ou não estacionárias. Para tanto, empregamos testes de raiz unitária por período e
por série. Uma vez que identificamos a presença de séries I(1), fizemos os testes de cointegração
das variáveis para cada um dos três períodos. Com base nestes testes, identificamos a presença
de um vetor de cointegração, propiciando a construção de modelos VEC-M para os períodos T,
A e B. Para estes três modelos, desenvolvemos os seguintes testes e análises: (i) testes de
causalidade de Granger; (ii) função impulso-resposta; (iii) decomposição da variância dos erros
de previsão e (iv) coeficiente de ajustamento de longo prazo dos modelos. Analisamos
individual e conjuntamente os resultados dos testes. Para a identificação da bolha imobiliária,
comparamos os coeficientes de ajustamento dos três modelos VEC-M dos diferentes períodos.
O software estatístico usado nesse trabalho foi o EViews 9. As metodologias relativas aos testes
de raiz unitária, à modelagem econométrica, aos testes de causalidade de Granger, à função
impulso-resposta, à decomposição da variância dos erros de previsão e aos coeficientes de
ajustamento de longo prazo dos modelos estão descritas no Apêndice: Metodologia, ao final do
trabalho.
4.5 Estacionaridade das séries
O primeiro passo para a análise econométrica é verificarmos a estacionaridade das
séries RPP, INC, CRDF e INT de cada um dos três períodos estudados. Para todas as séries,
aplicamos os testes ADF, Phillips-Perron e o teste de raiz unitária com quebra estrutural. Os
resultados específicos dos três testes de cada uma das séries dos períodos T, A e B estão nos
Anexos 2, 3 e 4, respectivamente; cada anexo contém três tabelas, referentes aos testes ADF,
Phillips-Perron e quebra estrutural. Os testes permitem concluir que todas as séries de todos os
períodos têm uma raiz unitária. A seguir, comentamos alguns resultados dos testes das séries
por período.
66
4.5.1 Período T
Série RPP. O resultado do teste ADF não foi conclusivo (Anexo 2, Tabela 1); idem
quanto ao teste de quebra estrutural (Anexo 2, Tabela 3). Porém, o teste de Phillips-Peron indica
que a série tem uma raiz unitária (Anexo 2, Tabela 2). Portanto, concluímos que a série é não
estacionária.
Série INC. Os resultados dos testes de quebra estrutural dessa série não são
conclusivos (Anexo 2, Tabela 3). Porém, a série não aparenta ter quebra estrutural. Já os
resultados dos testes ADF e Phillips-Peron (Anexo 2, Tabelas 1 e 2) permitem concluir que a
série tem uma raiz unitária, sendo não estacionária.
Série INT. Os resultados dos testes ADF e Phillips-Peron não são conclusivos para
essa série (Anexo 2, Tabelas 1 e 2, respectivamente). Porém, o resultado do teste de quebra
estrutural indica que a série tem uma raiz unitária (Anexo 2, Tabela 3). Concluímos, portanto,
que essa série é não estacionária.
4.5.2 Período A
Série RPP. O resultado do teste ADF não foi conclusivo (Anexo 3, Tabela 4).
Porém, o teste de Phillips-Peron e o teste de quebra estrutural indicam que a série tem uma raiz
unitária (Anexo 3, Tabelas 5 e 6, respectivamente). Portanto, concluímos que a série é não
estacionária.
Série INC. Neste período, também os resultados dos testes de quebra estrutural não
são conclusivos para essa série (Anexo 3, Tabela 6). Porém, como comentamos acima, a série
não aparenta ter quebra estrutural. Já os resultados dos testes ADF e Phillips-Peron (Anexo 3,
tabelas 4 e 5) permitem concluir que a série tem uma raiz unitária, sendo não estacionária.
Série CRDF. Os resultados do teste Phillips-Peron dessa série não são conclusivos
(Anexo 3, Tabela 5). Contudo, tanto os resultados do teste ADF como os resultados do teste de
quebra estrutural indicam que a série tem uma raiz unitária, sendo não estacionária (Anexo 3,
Tabelas 4 e 6, respectivamente).
4.5.3 Período B
Série RPP. O resultado do teste ADF não foi conclusivo (Anexo 4, Tabela 7), o
mesmo ocorrendo quanto ao teste de quebra estrutural (Anexo 4, Tabela 9). Porém, como no
67
período T acima, o teste de Phillips-Peron indica que a série tem uma raiz unitária (Anexo 4,
Tabela 8). Portanto, aqui também concluímos que a série é não estacionária.
Série INC. Para este período, os resultados dos testes de quebra estrutural dessa
série, como nos períodos T e A, não são conclusivos (Anexo 4, Tabela 9). De todo modo, como
comentado acima, essa série não aparenta ter quebra estrutural. Já os resultados dos testes ADF
e Phillips-Peron permitem concluir que a série tem uma raiz unitária, sendo não estacionária
(Anexo 4, Tabelas 7 e 8, respectivamente)
Série INT. Como no período T acima, os resultados dos testes ADF e Phillips-Peron
não são conclusivos para essa série (Anexo 4, Tabelas 7 e 8, respectivamente). Porém, o
resultado do teste de quebra estrutural indica que a série tem uma raiz unitária (Anexo 4, Tabela
9). Concluímos, portanto, que essa série é não estacionária.
Uma vez que concluímos que as séries dos períodos T, A e B das variáveis RPP,
INC, CRDF e INT têm uma raiz unitária, sendo não estacionárias, podemos prosseguir na
identificação dos modelos que nos ajudarão na análise que queremos empreender.
4.6 Identificação dos modelos
Como nosso objetivo é analisar a relação de longo prazo durante três períodos
distintos entre os preços dos imóveis nos EUA (RPP), a renda das famílias (INC), o fluxo de
crédito hipotecário (CRDF) e as taxas de juros (INT), construímos três modelos de correção de
erro, um para cada período (T, A e B), tendo como base a metodologia de Johansen para extrair
os vetores de cointegração. Os testes de cointegração de Johansen estão ligados ao Teorema da
Representação de Granger, que prescreve a existência de um modelo de correção de erro sempre
que as variáveis forem cointegradas, sendo aplicado apenas para variáveis integradas de
primeira ordem.
Assim, o primeiro passo para a construção do modelo de correção de erro é a
determinação da ordem (ou defasagens) do VAR. Como as periodicidades das séries são
trimestrais, analisamos a possível ordem até a décima segunda defasagem e utilizamos os
seguintes critérios de seleção de defasagens: FPE (Final prediction error), AIC (Akaike
information criterion), SC (Schwarz information criterion), HQ (Hannan-Quinn information
criterion) e LR (sequential modified LR test statistic). Os resultados obtidos encontram-se no
Anexo 5, Quadros 5.1 a 5.3.
Para o modelo T, período Total, dos cinco critérios analisados, dois indicaram
ordem 2 (SC e HQ) e três indicaram sete defasagens (LR, FPE e AIC) — ver Quadro 5.1. Para
68
o modelo período A, três critérios indicaram duas defasagens (FPE, SC e HQ) e dois indicaram
oito defasagens (LR e AIC) — Quadro 5.2. Já para o modelo B, dois critérios indicaram duas
defasagens (LR e SC), um critério indicou onze defasagens (FPE) e dois critérios indicaram
doze defasagens (AIC e HQ) — ver Quadro 5.3. Optamos por indicar o VAR com duas
defasagens para todos os modelos, pois todas as outras opções possíveis renderam vetores de
cointegração onde o sinal da variável INT era positivo. Dessa forma, o modelo VEC-M terá
uma defasagem para cada um dos três modelos14: modelo T, modelo A e modelo B.
Após inspeção visual das séries, utilizamos a hipótese que considera que há
tendência linear nas séries e optamos pelo modelo com intercepto no vetor de cointegração.
Como podemos verificar no Anexo 6, Quadros 6.1 e 6.2, os testes do traço e do máximo
autovalor indicaram um vetor de cointegração para o modelo T e para o modelo A,
respectivamente. Já para o modelo B, o teste do traço indicou um vetor de cointegração e o teste
do máximo autovalor não indicou cointegração, conforme podemos observar no Quadro 6.3.
Optamos em considerar um vetor de cointegração para o modelo B, dado que um dos testes
indicou este resultado.
Com esses resultados, confirmamos a relação de longo prazo entre as séries para
cada um dos três períodos. Esse ponto merece especial atenção, uma vez que uma das hipóteses
deste trabalho é analisar a relação de longo prazo entre as variáveis. Os vetores de cointegração
estimados, normalizados em relação à variável RPP, para cada um dos modelos/períodos são:
• Modelo Período T: 𝑅𝑃𝑃 = 0,424 𝐼𝑁𝐶 + 0,123 𝐶𝑅𝐷𝐹 − 0,058 𝐼𝑁𝑇 + 61,335 (1)
• Modelo Período A: 𝑅𝑃𝑃 = 0,011 𝐼𝑁𝐶 + 0,285 𝐶𝑅𝐷𝐹 − 0,010 𝐼𝑁𝑇 + 85,847 (2)
• Modelo Período B: 𝑅𝑃𝑃 = 0,490 𝐼𝑁𝐶 + 0,134 𝐶𝑅𝐷𝐹 − 0,136 𝐼𝑁𝑇 + 49,630 (3)
Outro resultado dos testes, também em linha com as hipóteses levantadas, refere-se
aos sinais encontrados dos vetores de cointegração para cada período, indicando a relação
esperada entre o preço dos imóveis, a renda das famílias, o volume de crédito imobiliário e a
taxa de juros nominal de curto prazo. O Anexo 7 descreve as equações de cointegração
normalizadas (1) a (3) com os respectivos valores da estatística t-Student. Podemos verificar
que os coeficientes associados à variável crédito imobiliário (CRDF) são significativos nas três
equações de cointegração (Quadros 7.1 a 7.3). O coeficiente da variável renda das famílias
14 Os vetores de cointegração foram ajustados considerando uma defasagem a menos do que as obtidas pelo VAR
sem restrição, uma vez que o ajuste é feito em primeira diferença.
69
(INC) no modelo que corresponde ao período Total, também é significativo na equação de
longo prazo (Quadro 7.1). Já os coeficientes associados à variável renda das famílias (INC) nos
períodos A e B, e os coeficientes associados à variável taxa nominal de juros (INT) nos três
períodos, dentro das respectivas equações de longo prazo, não permitem essa conclusão (ver
Quadros 7.1 a 7.3).
Nesse escopo, os resultados do Anexo 8 (Quadros 8.1 a 8.3) ilustram os
ajustamentos de curto prazo para os três períodos. Os coeficientes da variável preço dos imóveis
(RPP) são significantes para corrigir os desequilíbrios contra suas próprias realizações no
período anterior, uma vez que o coeficiente de ajustamento de curto prazo é significativamente
diferente de zero para os três períodos
Antes de discutirmos os resultados dos modelos VEC-M, devemos analisar a
condição de estabilidade para cada um dos modelos ajustados. Como as variáveis são postas
em nível, e todas têm raízes unitárias, não é possível avaliar a estabilidade no nível. Assim,
construímos um VAR com as variáveis em primeira diferença. O Anexo 9 mostra os gráficos
das raízes no círculo unitário. Podemos notar que o VAR com as variáveis defasadas é
estacionário para os três modelos. Os conjuntos estimados não possuem raízes unitárias e os
estimadores são consistentes. A estacionaridade indica que os modelos convergem para a média
e têm variância não explosiva. Assumimos, portanto, que o VEC é corretamente estimado,
sendo os estimadores consistentes e assintoticamente eficientes.
4.6.1 Autocorrelação residual
Duas questões a serem analisadas são a autocorrelação residual e a normalidade dos
resíduos. Ao se garantir que os resíduos do VEC têm distribuição normal, garante-se que os
estimadores também têm distribuição normal, o que valida o uso dos testes convencionais de
hipóteses sobre a significância dos coeficientes. Também existe a necessidade de se garantir a
não existência de autocorrelação dos resíduos do VEC.
O Anexo 10 mostra os correlogramas dos resíduos associados aos três modelos e
atesta pela razoável inexistência de autocorrelação residual. Há exceções pontuais nas quais
não se rejeita a autocorrelação na defasagem, mas, dadas as frequências sem padrão e a
periodicidade das séries, assumimos que são correlações espúrias.
Além da análise do correlograma, dois testes foram aplicados com o objetivo de
verificar a propriedade de autocorrelação não contemporânea dos resíduos do VAR: o teste de
Portmanteau e o teste LM.
70
O teste de Portmanteau tem como hipótese nula a não existência de autocorrelação
residual não contemporânea até a defasagem h. Os valores foram apresentados no Anexo 11.
Analisando os resultados para o modelo período T, rejeita-se a hipótese nula do teste para
algumas defasagens pelo apontamento do p-valor, lançando dúvida sobre a não existência de
autocorrelação residual (Quadro 11.1). Para os modelos períodos A e B, observamos a não
rejeição da hipótese nula até a décima segunda defasagem destes (Quadros 11.2 e 11.3,
respectivamente). Assim, o teste de Portmanteau não rejeita a inexistência de autocorrelação
residual para as defasagens consideradas para os modelos A e B; para o modelo T, o teste aponta
a existência de autocorrelação residual em algumas defasagens analisadas.
O teste LM de correlação residual é baseado na hipótese nula de não correlação
serial de ordem 1. Os resultados estão no Anexo 12 e sua análise determina que não rejeitamos
a hipótese nula, a 5%, para a extensa maioria das defasagens apontadas. Todavia, também neste
teste, algumas defasagens mostraram-se sobressalentes para os modelos dos três períodos.
Dados os resultados obtidos no teste anterior, assumiremos como espúrias as correlações
apontadas no teste LM. Em suma, os correlogramas mostraram bom comportamento das
correlações dos resíduos e os testes Portmanteau e LM corroboraram com a inexistência de
autocorrelação serial.
4.6.2 Teste de normalidade dos resíduos
A análise do teste de normalidade dos resíduos, exposto no Anexo 13, é resultante
da estatística produzida pela ortogonalização de Cholesky. Os resultados mostraram que, no
quesito coeficiente de assimetria, a 5%, para o modelo período Total, o coeficiente residual para
as variáveis RPP e INT tem comportamento normal, ao passo que para CRDF e INT não tem
comportamento normal. O teste conjunto sob o coeficiente de assimetria também rejeita a
hipótese nula de normalidade — Quadro 13.1. O Quadro 13.2, que se refere ao modelo A,
mostra que as variáveis RPP e INC têm comportamento normal; CRDF e INT não têm
comportamento normal nesse período e o mesmo se conclui quanto ao teste conjunto, onde
rejeita-se a hipótese de normalidade. Já no modelo período B, os resultados do teste indicam
que as variáveis RPP, INC e INT apresentam comportamento residual normal quanto ao quesito
assimetria; idem para o teste conjunto. A variável CRDF, segundo os resultados do teste, não
apresenta comportamento normal.
Quanto à análise da curtose, os testes indicam os resultados a seguir. Modelo
período T, Quadro 13.1: RPP, INC, CRDF e INT, bem como a análise conjunta das variáveis,
71
não têm comportamento normal, uma vez que o p-valor obtido nos testes dessas variáveis é
inferior a 5%, significando que a hipótese nula de os resíduos serem normais é rejeitada. Modelo
período A, Quadro 13.2: INC e CRDF apresentam comportamento normal, ao passo que RPP,
INT e a análise conjunta das variáveis não apresentam normalidade. Modelo período B, Quadro
13.3: RPP, INC e CRDF apresentam comportamento normal. INT e a análise conjunta das
variáveis indicam que não há normalidade.
A última etapa do teste de normalidade é o teste de Jarque-Bera, o qual compõe
ambos os quesitos de observação. No Quadro 13.1, que se refere ao modelo período Total, os
testes individuais dos componentes nos levam à rejeição da normalidade de todas as variáveis,
exceto para a variável INC. O teste conjunto também não permite assumir normalidade dos
resíduos para o modelo período Total. No Quadro 13.2, a análise dos resultados do teste do
modelo período A nos conduz à não rejeição da hipótese de normalidade para os componentes
RPP, INC e CRDF. Porém, o teste indica a rejeição dessa hipótese para a variável INT e para o
teste conjunto das variáveis. No Quadro 13.3, a análise dos resultados do teste Jarque-Bera do
modelo período B nos leva à não rejeição da hipótese nula de normalidade para os componentes
RPP e INC; já as variáveis CRDF e INT, bem como os resultados do teste conjunto, não
apresentam normalidade dos resíduos.
Em suma, vimos que, para os testes de normalidade para os três períodos, quando
analisamos os resíduos dos componentes individualmente, temos que os resíduos associados ao
componente INC apresentam normalidade, exceto para a curtose do período Total. Os resíduos
para os outros componentes dependem do período considerado. Uma possível correção da
normalidade poderia ser feita com a inclusão de variáveis dummies para capturar efeitos de
outlier. Porém, essa abordagem não foi considerada neste trabalho. A normalidade para o VEC
apenas fornece mais segurança para os testes de hipóteses dos coeficientes, mas não é
fundamental. Ainda que cientes dos resultados relativos à normalidade dos resíduos do VEC,
prosseguimos a análise.
4.6.3 Testes de exogeneidade
Uma outra etapa da análise está relacionada aos testes para a exogeneidade de cada
variável do VEC. A análise do VEC permite entender como se dá o ajustamento de curto prazo
para garantir a manutenção da relação de cointegração de longo prazo. A estimação desse
modelo também possibilita estudar o grau de exogeneidade das variáveis e, eventualmente,
detectar relações de causalidade no sentido de Granger. Para realizarmos este teste devemos
72
aplicar restrições ao vetor de correção de erro, sendo a hipótese nula a variável em questão
fracamente exógena.
Os resultados apresentados no Anexo 14 mostram que não é possível rejeitar a
hipótese de que INC (renda) e INT (juros) são variáveis fracamente exógenas para os três
modelos ajustados, ou seja, nos três períodos. Nos modelos VEC-M ajustados para os períodos
T e B, não é possível rejeitar a hipótese de que a variável CRDF (crédito) é fracamente exógena.
Já para a variável RPP (preços), é possível rejeitar a hipótese de que ela seja fracamente exógena
para os três períodos. Assumimos que RPP não é exógena em relação ao vetor de cointegração.
Isso significa que os preços dos imóveis residenciais nos EUA respondem aos desequilíbrios
de curto prazo das respectivas equações de cointegração.
Para o modelo do período A, rejeitamos a hipótese de que a variável CRDF seja
exógena — ela também responde aos desequilíbrios de curto prazo nesse período. Logo, para
os três períodos de nossa análise, a variável RPP é endógena no ambiente econômico estimado
e as variáveis INC e INT podem ser tratadas como fracamente exógenas nesses períodos em
relação ao vetor de cointegração.
Pelos testes de exogeneidade fraca podemos determinar, utilizando como critério o
valor da estatística do Anexo 14, uma ordenação entre as variáveis para cada um dos três
períodos — da menos endógena para a mais endógena. Os Quadros 14.1 a 14.3 fornecem,
respectivamente, os seguintes resultados de ordenação:
• Período T: Crédito (CRDF), Juros (INT), Renda (INC) e Preços (RPP)
• Período A: Juros (INT), Renda (INC), Crédito (CRDF) e Preços (RPP)
• Período B: Renda (INC), Crédito (CRDF), Juros (INT) e Preços (RPP)
Considerando os modelos VEC-M — Anexo 8, Quadros 8.1 a 8.3 —, analisamos a
causalidade no sentido de Granger para as variáveis endógenas do modelo de correção de erro.
O teste de causalidade de Granger entre blocos de variáveis do modelo VEC é baseado na
comparação de modelos restritos e irrestritos.
No caso do modelo VEC, as variáveis defasadas testadas pelas exclusões são apenas
aquelas em diferença. Eventualmente, os termos defasados presentes na equação de
cointegração não são testados. Como há cointegração, o estudo da causalidade é diferente do
procedimento tradicional. Se uma variável é fracamente exógena, essa variável já é Granger
causada pelo bloco de variáveis do vetor de cointegração. Como já mencionamos acima, a
73
exogeneidade fraca foi rejeitada para a variável preço em todos os períodos. Então essa variável
é Granger causada no vetor de cointegração.
Nota-se que o resultado da ordenação das variáveis do período A é o mais
consonante com a teoria econômica, tendo-se em conta as relações de causalidade no sentido
de Granger. Nesse modelo, a determinação da taxa de juros Granger causa a renda, que por sua
vez Granger causa o crédito concedido para as famílias e, por fim, este último Granger causa
os preços dos imóveis residenciais nos EUA. Como o período A é o período de equilíbrio, as
relações econômicas entre as variáveis obtidas nessa análise explicitam um dos pontos que
propomos investigar neste trabalho: o crédito, num mercado em equilíbrio, deve ser
determinado pelo comportamento da renda e dos juros. Além disso, estes resultados também
confirmam a hipótese de que há uma relação causal entre os preços dos imóveis dos EUA, a
taxa de juros, a renda e as condições de crédito nesse país. Em outras palavras, variações da
taxa de juros, da renda e do crédito contribuem para variações dos preços dos imóveis.
Possivelmente porque o mercado nos dois outros períodos estava em desequilíbrio,
sobretudo no período B, a relação causal no sentido de Granger obtida para a variável CRDF
não foi conforme o esperado. Chama atenção o crédito aparecer como a variável menos
endógena no período T e ser a segunda variável menos endógena no período B. Uma hipótese
para sustentar tal resultado poderia residir na ideia de que as decisões de oferta de crédito
tiveram um ímpeto próprio, sendo determinadas de forma exógena ao sistema econômico desses
períodos, com baixa regulação e não considerando a capacidade de pagamento das famílias
dada sua renda. Essa ideia guarda relação com o exposto acima sobre o trabalho de Dymski
(2010a), segundo o qual no período que precedeu a bolha imobiliária nos EUA houve
relaxamento dos limites de securitização do crédito, aumentando o percentual de empréstimos
contratados através dos bancos, mas garantidos fora deles, pelo mercado; idem com relação a
Kregel (2008), que explicita como foi possível a alavancagem do sistema.
Dados os resultados do teste de exogeneidade, agora vamos expor os resultados e
análises do teste de causalidade de Granger.
4.7 Teste de causalidade de Granger
Já definimos acima que a variável preço dos imóveis (RPP) é fracamente exógena
em todos os períodos. Idem para o crédito (CRDF) no período A. Já para as variáveis renda
(INC) e juros (INT), que não foram definidas como endógenas em todos os períodos, assim
74
como para o crédito (CRDF) nos períodos T e B, é possível verificar a causalidade pelo teste
Wald para o bloco de variáveis. O teste tem a seguinte estrutura:
{𝐻0 ∶ 𝑦 𝑛ã𝑜 𝐺𝑟𝑎𝑛𝑔𝑒𝑟 𝑐𝑎𝑢𝑠𝑎 𝑧
𝐻𝐴 ∶ 𝑦 𝐺𝑟𝑎𝑛𝑔𝑒𝑟 𝑐𝑎𝑢𝑠𝑎 𝑧
Considerando os testes da causalidade de Granger do teste Wald para o bloco de
variáveis, expostos no Anexo 15, Quadros 15.1 a 15.3, analisamos em seguida os resultados de
cada variável, comentando-os por período.
4.7.1 Teste de causalidade de Granger: variável RPP (preços)
Quando se considera o efeito conjunto das demais variáveis sobre RPP, notamos
que esta é Granger causada nos três períodos, a 5% de nível de significância. Esse resultado
reforça o caráter endógeno já observado dessa variável na seção 4.6.3.
4.7.2 Teste de causalidade de Granger: variável INC (renda)
Para a variação de INC, não rejeitamos a hipótese de não causalidade da variação
conjunta do preço (RPP), do crédito (CRDF) e dos juros (INT) a 5% de significância. Ou seja,
INC não é Granger causada pelas demais variáveis em conjunto, em todos os períodos — não
há exogeneidade forte. Este resultado está em linha com o obtido no teste de exogeneidade fraca
exposto acima para INC, onde se concluiu pela exogeneidade dessa variável.
4.7.3 Teste de causalidade de Granger: variável CRDF (crédito)
Os resultados do teste de exogeneidade fraca, expostos na seção 4.6.3, acima,
identificaram que a variável CRDF (crédito) é causada pelo vetor de cointegração apenas no
período A. Como já comentamos, esse resultado, neste período — que é o período de equilíbrio
—, parece fazer sentido com a teoria econômica, onde o crédito ocupa uma ordenação de
determinação precedida por juros e renda, respectivamente.
Já nos testes Wald para o bloco de variáveis para todos os períodos, notamos que
todas as demais variáveis Granger causam em conjunto CRDF a 5% de significância (Anexo
15, Quadros 15.1 a 15.3). Esses resultados reforçam o caráter endógeno dessa variável em todos
75
os períodos, confirmando que esta variável é tomada como endógena nos modelos dos três
períodos.
É interessante notar que, no período B — o período de desequilíbrio —, o efeito
conjunto é explicado, sobretudo, pelo impacto individual dos preços no crédito, explicitando
possíveis conexões de retroalimentação do sistema. É possível que preços crescentes dos
imóveis sejam um sinalizador positivo de desempenho para o mercado de crédito, incentivando
mais empréstimos, que geram o efeito de aumentar os preços dos imóveis e, assim, podendo
contribuir para a formação de bolha imobiliária. Esse efeito guarda relação com o mecanismo
financial accelerator desenvolvido por Bernanke, Gertler e Gilchrist (1998) e também
explorado por Hofmann (2001) e Tsatsaronis e Zhu (2004), acima citados.
4.7.4 Teste de causalidade de Granger: variável INT (juros)
Nos testes de exogeneidade comentados acima, a variável INT foi considerada
fracamente exógena em todos os períodos, o que é consonante com a teoria econômica. Ainda
com relação a esses testes, o resultado da ordenação das variáveis em função das estatísticas
obtidas evidenciou o esperado apenas no período A: os juros aparecem como a variável mais
exógena. Como já comentamos na seção 4.6.3, os resultados da ordenação dos juros nos
períodos T e B podem advir dos desequilíbrios que queremos apontar nestes períodos.
Aparentando também refletir tais desequilíbrios nos períodos T e B, os resultados
dos testes Wald para o bloco de variáveis destes indicaram que as demais variáveis, em
conjunto, Granger causam INT (respectivamente Quadros 15.1 e 15.3 do Anexo 15). Como a
teoria econômica não indicaria que os juros fossem Granger causados por RPP, INC e CRDF
em conjunto, interpretamos esses resultados como mais um possível reflexo do desequilíbrio
do mercado desses períodos.
Para o período A, os resultados dos testes Wald para o bloco de variáveis indicaram
que INT não é Granger causada pelas demais variáveis em conjunto. Mais uma vez, os
resultados encontrados indicam que este período aponta para um mercado em equilíbrio, dentro
do esperado pela teoria econômica.
Em seguida, analisamos os resultados da função impulso-resposta e da
decomposição da variância dos erros de previsão para os três períodos.
76
4.8 Função impulso-resposta
À parte o modelo ajustado, podemos analisar qual o comportamento individual de
variáveis endógenas quando se efetua um choque aleatório de intensidade padrão para cada
variável. O método de separação dos efeitos individuais sobre cada variável endógena de um
choque aleatório sobre o conjunto VAR é possível pela decomposição de Cholesky. Essa
decomposição, todavia, exige a ordenação ad hoc das séries em questão pelo seu grau de
endogeneidade, da menos endógena para a mais endógena. Segundo o critério apresentado
acima nos testes de exogeneidade fraca, para aplicar Cholesky temos as seguintes ordenações:
período T: CRDF, INT, INC, RPP; período A: INT, INC, CRDF, RPP; período B: INC, CRDF,
INT, RPP. Os resultados para um período de trinta trimestres estão ilustrados no Anexo 16.
Este anexo é composto pelas Figuras 16.1 a 16.3 (gráficos) e pelos Quadros 16.1 a 16.3
(tabelas). Em seguida, comentamos os resultados obtidos.
4.8.1 Função Impulso-Resposta: período T
Analisando o Anexo 16, Figura 16.1 e Quadro 16.1, notamos que os preços expostos
aos choques aleatórios advindos dos próprios preços reagem subindo inicialmente até o sexto
período após o choque. Em seguida, seus efeitos vão perdendo intensidade até se tornarem
negativos a partir do vigésimo período. Isso sugere que o comportamento recente dos preços
tem um impacto no comportamento futuro destes, durante certo período.
Por sua vez, um choque aleatório nos preços advindos da renda é negativo a partir
do segundo período, começando a ter um impacto positivo após o décimo primeiro período pós-
choque. Daí passa a subir suavemente, tornando-se quase constante por volta do vigésimo
quarto período. Uma vez que a variável renda se comporta de forma quase constante ao longo
do período analisado, os resultados da resposta dos preços advindos de um choque aleatório da
renda, nesse período, sugerem que as decisões sobre o comprometimento da renda com imóveis
são mais cautelosas — há uma defasagem entre seus aumentos e o impacto destes nos preços
dos imóveis. Essa cautela poderia ser entendida como um período para que o aumento de renda
se consolide até poder ser empenhada, com maior segurança, em imóveis, por exemplo,
aumentando seus preços. Uma outra interpretação, que não exclui a primeira, diz respeito à
possibilidade de aumentos de renda serem, inicialmente, usados para a aquisição de bens não
duráveis ou bens duráveis de menor valor (linha branca ou marrom). Uma vez satisfeitas as
necessidades desses bens e em permanecendo os efeitos do choque de renda, a alocação desta
77
começaria a ser desviada em direção a bens duráveis — ativos imóveis — impactando seus
preços.
Com relação ao crédito, nota-se que a resposta dos preços dos imóveis a um choque
aleatório do primeiro é significativa em intensidade e duração, em linha com os achados de
Hofmann (2001) e Goodhart e Hofmann (2008), acima citados. Um aumento no crédito impacta
os preços a partir segundo período, que então passam a crescer a taxas significativas e perduram,
em níveis elevados, até o último período analisado (trigésimo). Vale notar que vem do crédito
o choque aleatório de maior intensidade e duração que afeta os preços no período T. Em
conformidade com as hipóteses que levantamos, os resultados da função impulso-resposta
sugerem que o impacto do crédito nos preços dos imóveis é bastante importante. Esta é uma
das constatações centrais deste trabalho, sendo que o efeito do crédito é mais explosivo do que
o da renda. Ainda, em relação à bolha imobiliária que ora examinamos, constata-se que o
volume de crédito ofertado poderia ser dirigido, evitando que inflasse os preços dos imóveis e
criasse, por meio do efeito riqueza, condições de se tomar mais crédito. Crédito este que, vale
dizer, não guardou relação com a evolução da renda do período.
Com relação aos juros, como vimos quando abordamos o quadro teórico do IT,
esperava-se que fossem capazes de agir sobre o mercado imobiliário norte-americano,
desinflando a bolha. Contudo, embora os juros impactem os preços dos imóveis conforme o
esperado — um choque dos juros afeta os preços negativamente —, os resultados obtidos aqui
mostram que o choque dos juros nos preços é menor em intensidade e duração do que o choque
advindo do crédito. Se se tem em conta um choque de intensidade 1, o impacto deste choque
nos preços, originado pelos juros, chega ao máximo de 3,52 vezes (em módulo), no vigésimo
sexto período. Por sua vez, o mesmo choque de intensidade 1 nos preços, agora advindo do
crédito, chega ao máximo de 8,62 vezes no vigésimo nono período. Pelo exame dos gráficos do
Anexo 16, Figura 16.1, percebe-se também que o efeito do crédito sobre os preços acelera mais
e mais rápido que o efeito dos juros sobre os preços — o crédito afeta mais os preços do que os
juros. Em outras palavras, parece que os juros não foram capazes de neutralizar os efeitos do
crédito sobre os preços dos imóveis residenciais dos EUA.
4.8.2 Função Impulso-Resposta: períodos A e B
No Anexo 16, Figuras 16.2 e 16.3 e Quadros 16.2 e 16.3, apresentamos os gráficos
e as tabelas da função impulso-resposta dos períodos A e B, respectivamente.
78
A análise dos resultados da função impulso-resposta do período A sugere haver uma
resposta mais equilibrada dos preços dos imóveis em relação a choques aleatórios dos próprios
preços, da renda, do crédito e dos juros, sobretudo quando comparamos com os resultados do
período B. No período A, no vigésimo período pós-choque aleatório, as variáveis respondem
na seguinte proporção: 3,91 CRDF / 1,72 RPP / 0,95 INC / -1,82 INT. Em contraste, no período
B, a resposta dos preços evidencia, mais uma vez, a importância do crédito na formação da
bolha. Nesse período, a resposta a choques aleatórios, quando também se toma o vigésimo
período pós-choque, guarda a seguinte proporção: 14,64 CRDF / 0,06 RPP / 1,20 INC / -5,65
INT.
Chama atenção o fato de que as respostas dos preços a choques aleatórios
originados pelo crédito são quase quatro vezes maiores no período B do que no período A no
vigésimo período. Já a resposta dos preços a um choque dos próprios preços é menor que a
unidade (0,03 vezes) no período B em relação ao período A. Em relação a um choque da renda,
a resposta dos preços no período B é 1,26 vezes maior que no período A. Com relação ao choque
advindo dos juros, ele foi cerca de 3 vezes mais intenso no período B do que no período A,
comparando-se também o vigésimo período dos testes. Porém, apesar de os juros impactarem
mais os preços no período B, não tiveram força para desinflar a bolha, explicitando, mais uma
vez, que possivelmente não tiveram o efeito esperado pelo quadro do IT. Além disso, conclui-
se que o choque de crédito, em detrimento dos choques das outras variáveis, contribuiu
fortemente com os aumentos dos preços dos imóveis no período B, o período do desequilíbrio.
4.9 Decomposição da variância dos erros de previsão
Com o objetivo de avaliar a intensidade da relação causal que verificamos no teste
de causalidade de Granger, realizamos a decomposição de erros da variância dos três períodos.
Os resultados se encontram no Anexo 17, Quadros 17.1 a 17.3, onde se observa o que segue.
4.9.1 Decomposição da variância dos erros de previsão: período T
Analisando-se inicialmente RPP, no Anexo 17, Quadro 17.1, verifica-se que os
erros de previsão dos preços dos imóveis foram atribuídos aos próprios preços do primeiro ao
décimo período, contribuindo com 98,70% e 54,43%, respectivamente. A contribuição continua
caindo, atingindo 15,38% no vigésimo período e 7,77% no trigésimo. Essa trajetória revela não
79
só a importância de RPP na sua própria variação, mas também explicita que vai perdendo força
em se autoexplicar.
As variações dos preços atribuídos às variações de renda, INC, embora menos
intensas que as oriundas das outras variáveis, são mais constantes. Iniciam-se com um valor
inferior a 1% no primeiro período. No décimo período contribuíram com 0,77%; no vigésimo,
com 0,50%; e voltam a subir um pouco no trigésimo, contribuindo com 0,78%. É possível que
um desempenho menos intenso da renda durante o período T seja mascarado pelos efeitos do
crédito: os resultados sobre a renda encontrados nos períodos A e B, abaixo, parecem confirmar
esse ponto.
Já as variações dos preços atribuídas às variações do crédito são bem mais
significativas e confirmam, mais uma vez, as hipóteses deste trabalho: o crédito tem papel
decisivo e prolongado na formação dos preços dos imóveis. Os erros de previsões de RPP
foram, assim, atribuídos à CRDF: 0,35%, 33,10%, 69,08%, e 76,80%, relativos ao primeiro, ao
décimo, ao vigésimo e ao trigésimo períodos, respectivamente. Nota-se um impacto importante
do crédito nos preços dos imóveis: constante, crescente e duradouro. Em linha com os
resultados do teste de causalidade de Granger e também com os resultados da função impulso-
resposta, os resultados aqui reforçam a importância do crédito na formação da bolha imobiliária.
A análise da decomposição da variância dos preços dos imóveis atribuída aos juros
denota que, embora os juros tenham importância na formação dos preços, não foram capazes
de desinflar a bolha imobiliária. Sua participação na formação dos preços dos imóveis é a
terceira maior em intensidade, ficando, porém, bem atrás do crédito. 15 Os juros, assim,
contribuíram na formação dos preços dos imóveis: 0,93%, 11,69%, 15,02%, e 14,62%, relativos
ao primeiro, ao décimo, ao vigésimo e ao trigésimo período, respectivamente. Esses resultados
também sugerem que o efeito dos juros, ao contrário do que era proposto pelo quadro teórico
do IT, não foi capaz de deter a bolha imobiliária.
4.9.2 Decomposição da variância dos erros de previsão: períodos A e B
Os resultados da decomposição da variância dos erros de previsão relativos aos
períodos A e B se encontram no Anexo 17, Quadros 17.2 e 17.3.
15 Vale lembrar que os juros entram no modelo VEC-M com sinal negativo e os efeitos capturados na
decomposição da variância dos erros de previsão tratam da contribuição percentual atribuída de uma variável em
relação à outra. Nesse sentido, entende-se que os juros contribuíram negativamente para a formação dos preços
dos imóveis.
80
Mais uma vez, de forma geral, a análise dos resultados dos testes do período A
evidencia uma relação mais equilibrada entre as variáveis, aparentando um mercado em
equilíbrio. Nota-se, em contraste com os resultados do período B, uma mudança mais gradual
ao longo do tempo no que concerne à importância das variáveis na formação dos preços dos
imóveis.
Também em consonância com o que foi encontrado ao analisarmos o período T, no
período A os erros de previsão dos preços dos imóveis impactaram bastante os próprios preços,
contribuindo com 71,17% no primeiro período e reduzindo essa contribuição de forma não
abrupta, passando para 24,47% no décimo período, 17,30% no vigésimo, até alcançar 15,25%
no trigésimo período. Nota-se que, no período A, os preços no final do período analisado
contribuem mais para explicar os próprios preços do que o resultado do período T.
A renda no período A parece evidenciar, mais uma vez, seu papel num mercado
mais equilibrado — sem bolha, pois sua participação nos erros de previsão dos preços dos
imóveis é bem mais alta nesse período do que a participação encontrada tanto no período T
como no período B. Além disso, essa participação é mais constante, pois cai relativamente
menos no período observado: vai de 10,97% no primeiro período para 4,53% no trigésimo
período. Nos períodos T e B temos, respectivamente, as seguintes participações da renda: 0,00%
e 0,82% no primeiro período após o choque e 0,78% e 0,54% no trigésimo período após o
choque.
O crédito no período A, conforme o esperado, ganha importância em termos de
impactos nos preços: as variações dos preços dos imóveis atribuídas ao crédito vão de 12,82%
no primeiro período até 65,24% no trigésimo período. Nesse caso também parece haver mais
equilíbrio na resposta dos preços aos impactos atribuídos ao crédito quando comparamos esse
resultado com os dos outros períodos.
A contribuição dos juros sobre os preços dos imóveis no período A tem trajetória
mais constante e com maior participação relativa em comparação aos períodos T e B,
sinalizando, mais uma vez, um comportamento esperado mais próximo de um mercado em
equilíbrio. É possível supor que, num mercado onde a oferta de crédito guarde uma relação com
a renda mais próxima do equilíbrio — como a encontrada no período A —, os juros exerçam o
papel mais próximo do esperado pelo quadro do IT. As contribuições dos juros para as variações
de preços no período A foram as seguintes: 5,01%, 15,60%, 15,16% e 14,97%, relativas ao
primeiro, ao décimo, ao vigésimo e ao trigésimo períodos, respectivamente. Para o período B,
temos: 0,00%, 2,46%, 9,22% e 11,51%.
81
No período B, os preços respondem aos próprios preços dos imóveis de forma
esperada, inclusive muito similarmente ao que encontramos no período T: sua contribuição vai
de 96,61% no primeiro período para 2,39% no trigésimo. Como já ressaltado anteriormente, faz
sentido que os preços passados sejam importantes na determinação dos preços futuros, já que
os primeiros são a referência do mercado. Além disso, espera-se que os preços sejam
importantes nos períodos iniciais e que depois percam importância relativa para o crédito (como
é o caso em todos os períodos analisados), para a renda e para os juros (como seria esperado
num mercado mais equilibrado, do tipo encontrado no período A).
Como já dissemos acima, a renda no período B parece desempenhar um papel
menos importante, ao menos quando comparada ao crédito e mesmo aos juros. A resposta dos
preços às variações advindas da renda é bastante mais fraca, aumentando pouco durante os trinta
períodos analisados.
A análise da decomposição da variância dos erros do período B indica, mais uma
vez, a importância do crédito na formação da bolha. A resposta dos preços dos imóveis às
variações originadas pelo crédito neste período demora, inicialmente, dois períodos para afetar
os preços. Porém, essa pequena demora é, em seguida, sucedida por um rápido crescimento da
sua contribuição: o crédito literalmente infla os preços, indo de 23,15% de contribuição no
quinto período para 85,55% no trigésimo.
A contribuição dos juros na formação dos preços dos imóveis no período B é a
menor dentre os períodos analisados. Inicia com 0,00% no primeiro período, passando para
apenas 2,46% no décimo período. Há um salto no vigésimo período, indo para 9,22%, não
subindo muito mais até o trigésimo período, onde fica em 11,51%.
Considerando os impactos dos juros sobre os preços dos períodos A e B, os
resultados do primeiro parecem dialogar melhor com a proposição do IT, onde os juros teriam
um efeito importante capaz de direcionar os preços dos ativos. Vale ressaltar que, no período
A, a oferta de crédito está dentro de limites mais razoáveis quando comparada aos outros dois
períodos, guardando uma relação mais adequada com a renda das famílias. Dentro desse
ambiente (o ambiente encontrado no período A), pode-se supor que os juros seriam capazes de
operar os objetivos do quadro teórico do IT, agindo sobre os preços dos imóveis. Porém, no
período B, a oferta de crédito foi muito além do que era manejável pela política econômica,
evidenciando que o quadro do IT adotado pelo FED não foi capaz de lidar com esse tipo de
desequilíbrio neste período, o período da bolha. Em outras palavras, os juros não foram capazes
de desinflar a bolha no período B. Outro ponto que emerge da discussão a respeito do ambiente
encontrado no período B é o fato de que não há um equilíbrio do mercado imobiliário resultado
82
da interação das próprias forças deste mercado neste período, indicando dificuldade de
autoajustamento. O afastamento do volume de crédito de níveis suportáveis pela renda das
famílias e a incapacidade dos juros de desinflarem os preços dos imóveis, originando a bolha
imobiliária norte-americana, é uma evidência disso.
4.10 Análise dos coeficientes de ajustamento de longo prazo
As equações de cointegração que desenvolvemos para os períodos T, A e B, trazem,
para além das análises que já empreendemos até aqui, informações bastante relevantes a
respeito de cada período específico.
O coeficiente de ajustamento de longo prazo, que é o termo que explicita a
intensidade da resposta de desvios do equilíbrio de longo prazo do sistema, nos fornece
informações sobre qual é a velocidade de ajuste de cada período que examinamos. Como
estamos interessados na identificação de bolhas imobiliárias, esses coeficientes podem ser
usados para exprimir quanto cada sistema/período está longe da sua trajetória de equilíbrio,
quanto tempo “demora” para retornar ao equilíbrio de longo prazo. Segundo Enders (2010),
dado qualquer valor de um vetor de cointegração êt−1, um grande valor de 𝛼𝑦 é associado a um
grande valor de ∆𝑌𝑡. Além disso, o autor nos diz que os valores absolutos desses coeficientes
não devem ser muito altos, uma vez que as estimativas pontuais devem implicar que as variáveis
cointegradas convirjam para a relação de equilíbrio de longo prazo. Os coeficientes de
ajustamento de longo prazo obtidos foram os seguintes:
𝛼𝑇 = − 0,0578
𝛼𝐴 = − 0,0449
𝛼𝐵 = − 0,1025
Em consonância com o observado por Enders (2010), considerando respostas
distintas aos desvios do longo prazo, as diferenças absolutas entre os coeficientes não são altas.
De todo modo, há diferenças importantes entre eles. Antes de falarmos sobre essas diferenças,
vale um esclarecimento sobre os sinais dos coeficientes.
83
Uma representação geral dos vetores de cointegração normalizada pode ser
expressa como:
𝑅𝑃𝑃𝑡−1 + 𝛽1𝐼𝑁𝐶𝑡−1 + 𝛽2𝐶𝑅𝐷𝐹𝑡−1 + 𝛽0 = 0 (4)
Para entendermos como essa equação nos fornece uma medida do afastamento do
equilíbrio de longo prazo, tomemos como exemplo os valores das variáveis em 2005Q2: RPP =
233,37, INC = 212,10, CRDF = 565,28 e INT = 57,69. Considerando que o vetor de
cointegração de erros para o período B, Anexo 7 (Quadro 7.3), é 𝑅𝑃𝑃𝐵,𝑡−1 −
0,4907 𝐼𝑁𝐶𝐵,𝑡−1 − 0,1341 𝐶𝑅𝐷𝐹𝐵,𝑡−1 + 0,1366 𝐼𝑁𝑇𝐵,𝑡−1 − 49,6305, o resultado numérico
desse vetor é 11,7384. Esse número, multiplicado pelo coeficiente de correção de erros de
longo prazo, 𝛼𝐵 = − 0,1055 , resulta em − 1,2384 , que é quanto ∆𝑅𝑃𝑃𝐵 desviou do seu
equilíbrio de longo prazo em 2005Q3.
Assim, dentro do esperado, 𝛼𝐴 apresenta o maior valor em relação aos outros
coeficientes, uma vez que exprime a menor velocidade de ajustamento ao nível de equilíbrio de
longo prazo num ambiente sem bolha, ou seja, onde não houve grandes desvios do equilíbrio.
No outro extremo, também dentro do esperado, 𝛼𝐵 apresenta o menor valor, sendo um
sinalizador importante da ocorrência de bolha imobiliária no seu período: um menor valor desse
coeficiente é associado a um maior desvio do equilíbrio de longo prazo, o período da bolha,
conforme demonstrado no exemplo acima. Por sua vez, 𝛼𝑇 apresenta um valor intermediário,
exprimindo uma velocidade de ajustamento que considera períodos mais próximos do equilíbrio
com períodos mais distantes desse.
Por fim, dados os resultados obtidos neste trabalho, os coeficientes de ajustamento
de longo prazo dos diferentes períodos que examinamos sugerem um maior ou menor
afastamento do equilíbrio de longo prazo dos sistemas: o mercado imobiliário dos EUA estará
mais perto do equilíbrio quando o valor de 𝛼𝑌 estiver próximo de − 0,0449 (valor obtido de
𝛼𝐴). Ao se distanciar desse valor, quanto menor for o coeficiente (quanto mais negativo), o risco
de bolha imobiliária aumenta, sendo que, quanto mais se aproximar de − 0,1055 (valor obtido
de 𝛼𝐵), maior será o risco de formação de uma bolha imobiliária.
84
CONSIDERAÇÕES FINAIS
Neste trabalho procuramos inicialmente caracterizar o sistema IT e explicitar sua
lacuna teórica por contar apenas com a política monetária (taxa de juros) como instrumento que
pudesse atuar sobre a formação de bolhas de ativos. Essa lacuna, entendemos, junto com a
desregulamentação financeira e a flexibilização das normas prudenciais do setor creditício,
foram responsáveis pela formação e estouro da bolha imobiliária norte-americana dos anos
2000.
Dentro desse quadro, para entender a bolha imobiliária norte-americana,
procuramos demostrar a importância de se considerar a relação entre os preços dos imóveis, a
renda das famílias, o endividamento e a taxa de juros. Pelas análises empíricas que
empreendemos, fica claro que um mercado mais próximo do equilíbrio, como o do período A,
tem uma relação entre a renda das famílias, o crédito hipotecário e os juros mais adequada,
suportável pelas famílias. Uma relação renda/volume de crédito/taxa de juros mais sadia
significa também preços dos imóveis menores e um menor potencial de gerar bolhas
imobiliárias. Por outro lado, quando o volume de crédito aumenta muito mais do que a renda
— além daquilo que as famílias podem suportar, como no período B —, uma bolha imobiliária
se forma e, com ela, aumentam os riscos financeiros do sistema. Nesse ponto, os resultados que
encontramos apontam também para a incapacidade da taxa de juros de atuar sobre o mercado
de ativos, especificamente o mercado imobiliário residencial norte-americano. Ainda que a
política monetária aplicada tenha sido de subir os juros no período que precedeu o estouro da
bolha (de 2004Q1 a 2007Q1), não conseguiu desinflá-la — os resultados acima expostos da
função impulso-resposta e da decomposição da variância do período B, sobretudo, explicitam
esse efeito. Em outras palavras, os juros não conseguiram neutralizar o efeito do aumento
significativo do volume de crédito descolado da renda.
Embora os efeitos do crédito e dos juros sobre os preços dos imóveis seja algo
estudado, não encontramos até o momento trabalhos que focassem na relação renda das
famílias/crédito e que mostrassem, quantitativamente, o distanciamento que o crédito teve da
renda das famílias no período que analisamos. Esse distanciamento, repetimos, teve o papel de
formar a bolha e, posteriormente, criar um desalinhamento financeiro cujos resultados sentimos
até hoje. Nesse ponto, este trabalho reforça a ideia de se encontrar instrumentos que monitorem
adequadamente a relação entre os preços dos imóveis, a renda das famílias, o crédito imobiliário
e as taxas de juros. Talvez aqui a dificuldade resida em acompanhar de forma adequada o
sistema de crédito, sempre sujeito a inovações financeiras e a flexibilizações tidas como
85
adequadas ao mercado, tornando opaco o monitoramento dessa relação. Uma possível
contribuição para contornar esse problema, dados os resultados expostos neste trabalho, seria
utilizar os coeficientes de ajustamento de longo prazo de diferentes períodos para avaliar
mercados mais ou menos distantes do equilíbrio (com maior ou menor velocidade de
ajustamento), mais próximos ou mais distantes de uma bolha de ativos. Portanto, fica aqui a
sugestão do desenvolvimento de pesquisas futuras que possam avaliar os coeficientes de
ajustamento de longo prazo de modelos que representem os mercados imobiliários de outros
países. Adicionalmente, pode-se utilizar a mesma metodologia aqui empregada para, em
trabalhos a serem desenvolvidos, avaliar o desempenho de outros ativos em diferentes
mercados.
Por fim, sugerimos que a comparação de coeficientes de ajustamento de longo prazo
de diferentes períodos possa ser utilizada também para avaliar relações entre outras variáveis
com o intuito de verificar a proximidade ou o distanciamento do equilíbrio dessas relações. Um
exemplo que consideramos interessante desenvolver seria avaliar a relação de longo prazo entre
a concentração de renda, um indicador de desigualdade e algum indicador de financeirização
da economia. A hipótese para essa pesquisa futura seria que o aumento da financeirização afasta
o sistema do equilíbrio, aumentando a concentração de renda e, portanto, aumentando a
desigualdade.
86
REFERÊNCIAS
ADALID, R.; DETKEN, C. Money’s Role in Asset Price Booms. European Central Bank
Working Paper, n. 732, fev. 2007.
ALCHIAN, A. A.; KLEIN, B. On a Correct Measure of Inflation. Journal of Money, Credit
and Banking, v. 5, n. 1, p. 173-191, fev. 1973.
ARESTIS, P.; KARAKITSOS, E. Subprime Mortgage Market and Current Financial
Crisis. Cambridge, MA: Cambridge Center for Economic and Public Policy, 2009.
ARESTIS, P.; KARAKITSOS, E. The Post-Bubble US Economy: Implications for Financial
Markets and the Economy. London: Palgrave Macmillan, 2004.
ARESTIS, P.; SAWYER, M. New Consensus Macroeconomics and Inflation Targeting:
Keynesian Critique. Economia e Sociedade, v. 17, n. especial, p. 631-655, dez. 2008.
BEAN, C. Asset Prices, Financial Imbalances and Monetary Policy: Are Inflation Targets
Enough?. In: MONETARY STABILITY, FINANCIAL STABILITY AND THE BUSINESS
CYCLE. Bank for International Settlements, Basel, 28-29 mar. 2003.
BERNANKE, B.; GERTLER, M. Monetary Policy and Asset Price Volatility. National
Bureau of Economic Research Working Paper, n. 7.559, fev. 2000.
BERNANKE, B.; GERTLER, M.; GILCHRIST, S. The Financial Accelerator in a Quantitative
Cycle Framework. National Bureau of Economic Research Working Paper, n. 6.455, mar.
1998.
BLANCHARD, O.; DELL’ARICCIA, G.; MAURO, P. Rethinking Macroeconomic Policy.
IMF Staff Position Note, 12 fev. 2010.
BORDO, M. D.; JEANNE, O. Monetary Policy and Asset Prices: Does “Benign Neglect” Make
Sense? International Monetary Fund Working Paper, n. WP/02/225, dez. 2002.
BORDO, M. D.; SCHWARTZ, A. J. Monetary Policy Regimes and Economic Performance:
The Historical Record. National Bureau of Economic Research Working Paper, n. 6.201,
set. 1997.
BORDO, M. D.; WHEELOCK, D. C. Monetary Policy and Asset Prices: A Look Back at Past
US Stock Market Booms. Federal Reserve Bank of St. Louis Review, v. 86, n. 6, p. 19-44,
nov./dez. 2004.
87
BORIO, C.; LOWE, P. Securing Sustainable Price Stability: Should Credit Come Back From
the Wilderness? Bank for International Settlements Working Paper, n. 157, jul. 2004.
BUENO, R. D. L. S. Econometria de séries temporais. 2. ed. São Paulo: Cengage Learning,
2011.
CARLIN, W.; SOSKICE, D. Macroeconomics, Imperfections, Institutions and Policies.
Oxford: Oxford University Press, 2006.
CASE, K. E.; SHILLER, R. J. The Behavior of Home Buyers in Boom and Post-Boom Markets.
National Bureau of Economic Research Working Paper, n. 2.748, out. 1988.
CECCHETTI, S. G. et al. Asset Prices and Central Bank Policy. Geneva Reports on the World
Economy, n. 2, 2000.
CLEWS, R. Asset Prices and Inflation. Bank of England Quarterly Bulletin, p. 178-185,
verão 2002.
DAVIDSON, P. Is the Current Financial Distress Caused by the Subprime Mortgage Crises a
Minsky Moment? Or Is it the Result of Attempting to Securitize Illiquid Non Commercial
Mortgage Loans? Journal of Post Keynesian Economics, v. 30, p. 669-676, verão, 2008.
Disponível em: <http://econ.bus.utk.edu/documents/davidsonpapers/minksy7.pdf>. Acesso
em: 5 ago. 2017.
DICKEY, D. A.; FULLER, W. Likelihood Ratio Statistics for Autoregressive Time Series With
a Unit Root. Econometric, v. 49, n. 4, p. 1.057-1.073, jul. 1981.
DOKKO, J. et al. Monetary Policy and the Housing Bubble. Finance and Economic
Discussion Series. Washington, DC: Divisions of Research & Statistics and Monetary Affairs,
Federal Reserve Board, 22 dez. 2009.
DUPOR, W. Nominal Price Versus Asset Price Stabilisation. 2002. Mimeo. Disponível em:
<https://www.phil.frb.org/-/media/research-and-data/events/2001/fed-policy-
forum/papers/dupor_spid_nov01.pdf>. Acesso em: 5 ago. 2017.
DYMSKI, G. A. Understanding the Subprime Crisis: Institutional Evolution and Theoretical
Views. Kirwan Institute for the Study of Race and Ethnicity, Ohio State University, 5 jan.
2010a. Disponível em:
<http://www.kirwaninstitute.osu.edu/reports/2010/02_2010_SubprimeCrisisTheory_Dymski.
pdf>. Acesso em: 5 ago. 2017.
88
DYMSKI, G. A. Why the Subprime Crisis is Different: a Minskyian Approach. Cambridge
Journal of Economics, v. 34, n. 2, p. 239-255, mar. 2010b. Disponível em:
<https://doi.org/10.1093/cje/bep054>. Acesso em: 5 ago. 2017.
ENDERS, W. Applied Econometric Time Series. 3. ed. Danvers, MA: Willey, 2010.
GALBRAITH, J. K. The Great Crash: 1929. Boston; New York: Mariner Books; Houghton
Mifflin Hacourt, 1954.
GOODHART, C. A. E. What Weight Should Be Given to Asset Prices in The Measurement of
Inflation. Economic Journal, v. 111, n. 472, p. F335-F356, jun. 2001.
GOODHART, C.; HOFMANN, B. House Prices and the Macroeconomy: Implications for
Banking and Price Stability. Oxford: Oxford University Press, 2007.
GOODHART, C.; HOFMANN, B. House Prices, Credit and the Macroeconomy. European
Central Bank Working Paper Series, n. 888, abr. 2008. Disponível em:
<https://ssrn.com/abstract=1120162>. Acesso em: 5 ago. 2017.
GRANGER, C. W. J. Investigating Causal Relations by Econometric Models and Cross-
spectral Methods. Econometrica, v. 37, n. 3, p. 424-438, ago. 1969.
HARRIS, R. I. D. Using Cointegration Analysis in Econometric Modelling. Hemel
Hempstead, UK: Harvester Wheatsheaf, Prentice Hall, 1995.
HERRING, R.; WACHTER, S. Bubbles in Real Estate Markets. In: FEDERAL RESERVE
BANK OF CHICAGO AND WORLD BANK GROUP’S CONFERENCE ON “ASSET
PRICE BUBBLES: IMPLICATIONS FOR MONETARY, REGULATORY, AND
INTERNATIONAL POLICIES”. Chicago, USA, 22-24 abr. 2002.
HOFMANN, B. The Determinants of Private Sector Credit in Industrialized Countries: Do
Property Prices Matter? Bank for International Settlements Working Paper, n. 108, dez.
2001.
JARONCINSKI, M.; SMETS, F. House Prices and The Instance of Monetary Policy.
European Central Bank Working Paper Series, n. 891, abr. 2008.
JOHANSEN, S.; JUSELIUS, R. Maximum Likelihood Estimation and Inference on
Cointegration: With Applications to The Demand For Money. Oxford Bulletin of Economics
and Statistics, v. 52, n. 2, p. 169-210, maio 1990.
89
KREGEL, J. A. Minsky’s “Cushions of Safety”, Systemic Risk and the Crisis in the Subprime
Mortgage Market. Finance & Bien Commun, v. 2, n. 31-32, p. 51-59, 2008.
doi:10.3917/fbc.031.0051.
KREGEL, J. A. Margins of Safety and Weight of the Argument in Generating Financial
Fragility. Journal of Economic Issues, v. 31, n. 2, p. 543-548, jun. 1997.
MENDONÇA, M. J.; SACHSIDA, A. Existe bolha no mercado imobiliário brasileiro? Texto
para Discussão. Brasília; Rio de Janeiro: Instituto de Pesquisa Econômica Aplicada, n. 1.762,
ago. 2012.
MINSKY, H. P. Stabilizing an Unstable Economy. New York: McGraw-Hill, 2008.
PALLEY, T. I. A Post Keynesian Framework for Monetary Policy: Why Interest Rate
Operating Procedures are Not Enough. In: CONFERENCE ON ECONOMIC POLICIES:
PERSPECTIVES FROM KEYNESIAN HETERODOXY, Dijon, França, 14-16 nov. 2002.
Versão revisada mar. 2003.
PERRON, P. The Great Crash, the Oil Price Shock, and the Unit Root Hypothesis.
Econometrica, v. 57, n. 6, p. 1.361-1.401, nov. 1989.
PHILLIPS, P.; PERRON, P. Testing For Unit Root in Time Series Regression. Biomètrika, v.
75, n. 2, p. 335-346, 1988.
QUIGLEY, J. M. Real Estate Prices and Economic Cycles. International Real Estate Review,
v. 2, n. 1, p. 1-20, 1999.
SIMS, C. Macroeconomics and Reality. Econometrica, v. 48, n. 1, p. 1-49, jan. 1980.
TSATSARONIS, K.; ZHU, H. What Drives House Price Dynamics: Cross-Country Evidence.
Bank for International Settlements Quarterly Review, mar. 2004.
WU, J. C.; XIA, F. D. Measuring the Macroeconomic Impact of Monetary Policy at the Zero
Lower Bound. Chicago Booth Research Paper, n. 13-77, 2015. Disponível em:
<https://ssrn.com/abstract=2321323>; <http://dx.doi.org/10.2139/ssrn.2321323>. Acesso em:
5 ago. 2017.
YANG, J.; BALYEAT, R. B.; LEATHAM, D. J. Futures Trading Activity and Commodity
Cash Price Volatility. Journal of Business Finance & Accounting, v. 32, n. 1-2, p. 297-323,
2005.
90
FONTES DE DADOS
Consumer Price Index – CPI. Fonte: BUREAU OF LABOR STATISTICS. Databases, Tables
& Calculators by Subject: Inflation & Prices. [s.d.]. Disponível em:
<http://www.bls.gov/data/#prices>. Acesso em: 27 maio 2015.
Home Mortgage Flow. Hipotecas residenciais, fluxo de crédito concedido às famílias nos EUA
em bilhões de dólares. Fonte: BOARD OF GOVERNORS OF FEDERAL RESERVE
SYSTEM. Financial Accounts of the United States. Federal Reserve, Finance Accounts of
the United States, Flow of Funds, linha 42 da tabela F 101. [s.d.]. Disponível em:
<http://www.federalreserve.gov/releases/z1/current>. Acesso em: 29 maio 2014.
Residential Property Prices. Preço real dos imóveis residenciais nos EUA, número índice.
Fonte: BANK FOR INTERNATIONAL SETTLEMENTS. About property price statistics.
National sources, BIS Residential Property Price database. [s.d.]. Disponível em:
<http://www.bis.org/statistics/pp.htm>. Acesso em: 24 maio 2015.
Total Disposable Personal Income. Renda total pessoal disponível nos EUA em bilhões de
dólares. Fonte: UNITED STATES. Department of Commerce. Bureau of Economic Analysis.
National Data. [s.d.]. Disponível em:
<http://www.bea.gov/iTable/iTable.cfm?ReqID=9&step=1#reqid=9&step=1&isuri=1&903=7
6>. Acesso em: 12 mar. 2014.
Wu-Xia Shadow Federal Funds Rate. Fonte: UNITED STATES. Central Bank. Federal Reserve
Bank of Atlanta. Wu-Xia Shadow Federal Funds Rate. 6 jan. 2016. Disponível em:
<https://www.frbatlanta.org/cqer/research/shadow_rate.aspx?panel=1>. Acesso em: 5 fev.
2017.
91
APÊNDICE: METODOLOGIA
Nesta parte do trabalho descrevemos as metodologias que usamos para empreender
os testes de raiz unitária, os procedimentos e os testes de cointegração, os testes de causalidade
de Granger, a função impulso-resposta e a decomposição da variância dos erros de previsão.
1 Testes de raiz unitária
Para verificar se as séries que utilizamos no trabalho são estacionárias ou não
estacionárias, primeiramente utilizamos o Augmented Dicket Fuller Unit Root Test, proposto
por Dickey e Fuller em 1981. Considerando modelos em que as variáveis são geradas por um
processo autorregressivo de ordem p, o teste ADF avalia três diferentes equações que podem
ser usadas para checar a presença de uma raiz unitária. A inclusão no modelo dos termos
defasados 𝑌 em primeira diferença preserva as condições de que o termo 휀𝑡 seja um ruído
branco. As equações são as seguintes:
∆𝑌𝑡 = 𝑎0 + 𝛾𝑌𝑡−1 + 𝑎2𝑡 + ∑ 𝛽𝑖𝑝𝑖=2 ∆𝑌𝑡−1+1 + 휀𝑡 (5)
∆𝑌𝑡 = 𝑎0 + 𝛾𝑌𝑡−1 + ∑ 𝛽𝑖𝑝𝑖=2 ∆𝑌𝑡−1+1 + 휀𝑡 (6)
∆𝑌𝑡 = 𝛾𝑌𝑡−1 + ∑ 𝛽𝑖𝑝𝑖=2 ∆𝑌𝑡−1+1 + 휀𝑡 (7)
A diferença entre as três equações diz respeito à presença dos termos
determinísticos constante 𝑎0 e de tendência 𝑎2𝑡 . Considerando a hipótese nula 𝛾 = 0 , a
primeira e mais completa equação inclui um drift, constante, e uma tendência temporal linear.
A segunda não tem o componente de tendência linear, e a terceira, além disso, não tem a
constante, sendo um modelo do tipo passeio aleatório puro.
O parâmetro de interesse do teste ADF é 𝛾. Se 𝛾 = 0, a série 𝑌𝑡 tem uma raiz
unitária. O procedimento do teste é estimar uma ou mais das equações acima usando o método
de Mínimos Quadrados Ordinários (MQO) para obtermos o valor estimado de 𝛾 e o erro padrão
associado a essa estimação. Usamos o critério de informação de Schwarz para a seleção dos
termos defasados dos modelos. Para determinar se aceitamos ou rejeitamos a hipótese nula de
que 𝛾 = 0, comparamos o resultado da estatística obtida no teste com o valor apropriado
reportado na tabela Dickey-Fuller.
92
Para confirmar os resultados obtidos pelo teste ADF, empregamos o procedimento
de Phillips-Perron, proposto em 1988. Em comparação ao ADF, este processo não assume que
휀𝑡 é um ruído branco. Como é um teste consistente mesmo quando há variáveis dependentes
defasadas e correlação serial nos erros, não é necessário um modelo autorregressivo de ordem
p para corrigir tais correlações. Assim, o teste estima as equações (5), (6) e (7), mas sem o termo
∑ 𝛽𝑖𝑝𝑖=2 ∆𝑌𝑡−1+1, e muda a razão do coeficiente 𝛾, de forma que a correlação serial não afete a
distribuição assintótica da estatística do teste. Ao aplicarmos este teste nas variáveis de
interesse, utilizamos o critério Newey-West Bandwidth para a seleção dos termos defasados
dos modelos.
Por fim, considerando que os testes convencionais de raiz unitária podem ter um
viés na direção de uma falsa confirmação da hipótese nula quando os dados têm tendência
estacionária com quebra estrutural, aplicamos o teste de raiz unitária com quebra estrutural nas
séries que apresentavam a possibilidade de quebra. O procedimento deste teste, sugerido por
Perron (1989), considera quatro modelos para séries com uma quebra estrutural. Para dados
sem tendência, considera-se um modelo com (i) mudança no nível da série. Para séries com
tendência, considera-se modelos com (ii) mudança de nível, (iii) mudança de nível e mudança
na tendência e (iv) mudança na tendência.
O procedimento do teste considera ainda duas versões de modelos que diferem
quanto ao tipo de quebra: o modelo inonovational outlier assume que a quebra ocorre
gradualmente, como se seguisse a dinâmica de uma inovação; o modelo additive outlier
considera que a quebra ocorre imediatamente. As equações são as mesmas do teste ADF com a
adição de variáveis dummy de quebra para eliminar a dependência assintótica da estatística do
teste na estrutura de correlação dos erros. O teste empregado nesse procedimento avalia a
hipótese nula onde a série segue um processo de raiz unitária, possivelmente com uma quebra
estrutural, contra uma hipótese alternativa que considera uma tendência estacionária com
quebra.
Neste procedimento, há uma série de especificações para as hipóteses nula e
alternativa que dependem das premissas que se fazem sobre a dinâmica da quebra, sobre o
comportamento de tendência, e se a data da quebra é conhecida ou determinada endogenamente.
2 Cointegração
Uma vez que identificamos que as séries RPP, INC, CRDF e INT são integradas de
ordem 1, a próxima etapa consiste em avaliar se essas séries têm uma relação de equilíbrio de
93
longo prazo. Em outras palavras, precisamos verificar se são cointegradas, o que garante que
exista um modelo de correção de erros. Especificamente, aqui analisamos três modelos de
cointegração para as séries RPP, INC, CRDF e INT, um para cada um dos períodos T, A e B.
Como estamos interessados em uma cointegração multivariada, usamos o teste de
cointegração de Joahansen, descrito em Enders (2010); por envolver as três variáveis de
interesse, não se exige que pré-determinemos quais delas são endógenas ou exógenas no
modelo.
O objetivo do procedimento é verificar a presença de um ou mais vetores de
cointegração, de forma que a relação 𝑢𝑡 = 𝑅𝑃𝑃𝑡 − 𝛽1𝐼𝑁𝐶𝑡 − 𝛽2𝐶𝑅𝐷𝐹𝑡 + 𝛽3𝐼𝑁𝑇𝑡 seja
cointegrada de ordem zero. Para tanto, usa-se um modelo VAR (vetor autorregressivo),
representado pela seguinte equação:
𝑋𝑡 = 𝐴0 + 𝐴1𝑋𝑡−1 + 𝐴2𝑋𝑡−2 + 𝐴3𝑋𝑡−3 + ⋯ + 𝐴𝑘𝑋𝑡−𝑝 + 휀𝑡 (8)
em que:
𝑋𝑡 = vetor (4 × 1) composto pelas das variáveis 𝑅𝑃𝑃𝑡, 𝐼𝑁𝐶𝑡 , 𝐶𝑅𝐷𝐹𝑡, 𝐼𝑁𝑇𝑡
𝐴0 = vetor (4 × 1) dos termos de intercepto
𝐴𝑖 = matriz (4 × 4) dos coeficientes, para i=1, 2, …, p
휀𝑡 = vetor (4 × 1) dos termos de erro, sendo 휀𝑡~ 𝑖. 𝑖. 𝑑 (0, 𝛺)
Para determinação das defasagens dos modelos VAR, utilizamos os seguintes
critérios: FPE (Final prediction error), AIC (Akaike information criterion), SC (Schwarz
information criterion) e HQ (Hannan-Quinn information criterion).
De acordo com Enders (2010), pelo teorema de representação de Granger, a
equação (8) pode ser expressa por um modelo VEC (vetor de correção de erros), quando
𝑋𝑡~ 𝐶𝐼(𝑑, 𝑏), obtendo-se:
∆𝑋𝑡 = 𝜋𝑋𝑡−1 + ∑ 𝜋𝑖𝑝−1𝑖=1 ∆𝑋𝑡−𝑖 + 휀𝑡 (9)
De forma que 𝜋 = −(𝐼 − ∑ 𝐴𝑖𝑝𝑖=1 ), em que I é uma matriz identidade e
𝜋𝑖 = − ∑ 𝐴𝑗𝑝𝑗=𝑖+1 , 𝑖 = 1, 2, … , 𝑝 − 1 .
94
A matriz 𝜋, que neste trabalho é de ordem (4 × 4), pode ser representada pelo
produto da matriz de ajustamento 𝛼, composta por r vetores de ajustamento, pela matriz 𝛽
composta por r vetores de cointegração. Assim, temos:
𝜋 = 𝛼𝛽𝑇 (10)
A matriz 𝛼 expressa os ajustes médios para os desequilíbrios no curto prazo. A
matriz 𝛽 fornece os parâmetros de cointegração, ao passo que a expressão 𝛽𝑇𝑋𝑡−1 representa o
termo de correção do erro.
Considerando hipóteses de normalidade e de não correlação do termo erro, ou seja,
휀𝑡~ 𝑁 (0, 𝛺) e 𝐸[휀𝑡, 휀𝑞] = 0, para 𝑡 ≠ 𝑞, o modelo é estimado por máxima verossimilhança.
O posto da matriz 𝜋 na equação (9), denotado por 𝑟, é igual ao número de vetores
de cointegração. Se 𝑟 = 0, a matriz é nula e a equação (9) é um modelo VAR em primeira
diferença. Nesse caso, não haveria relação de longo prazo entre RPP, INC e CRDF, pois não há
uma combinação linear entre as variáveis que resulte em um vetor erro estacionário. Se 𝑟 = 3,
ou seja, se for igual ao número de variáveis no modelo, 𝜋 tem posto completo e as variáveis do
vetor 𝑋𝑡 são estacionárias — daí não seria necessária a análise de cointegração. Por fim, se 1 <
𝑟 < 𝐾, em que 𝐾 é o número de variáveis do modelo, existem 𝑟 vetores de cointegração.
Johansen propôs dois testes para determinação do posto da matriz 𝜋 , ambos
baseados na análise de significância das raízes características, ou autovalores, da matriz 𝜋. Para
tanto, empregam-se dois testes estatísticos: (i) estatística traço, λtrace ; (ii) estatística do
máximo autovalor, λ𝑚𝑎𝑥.
O teste do traço considera como hipótese nula a existência de, no máximo, 𝑟∗
vetores de cointegração, contra a hipótese alternativa de 𝑟 > 𝑟∗. A estatística do teste é dada
pela seguinte equação:
λ 𝑡𝑟𝑎𝑐𝑒(𝑟) = −𝑇 ∑ 𝑙𝑛𝐾𝑡=𝑟+1 (1- 𝜆𝑖) (11)
em que λ ∈ [0,1] são os autovalores da matriz 𝜋, 𝑇 é o número de observações e 𝐾
é o número de variáveis empregadas. Aqui consideramos 𝐾 = 3.
O teste do máximo autovalor testa a hipótese nula de 𝑟∗ vetores de cointegração
contra a hipótese alternativa de 𝑟∗ + 1 vetores. A estatística do teste do máximo autovalor é
dada pela equação:
95
λ 𝑚𝑎𝑥(𝑟, 𝑟 + 1) = −𝑇 𝑙𝑛 (1- 𝜆𝑖) (12)
Os valores críticos das estatísticas traço e máximo autovalor foram tabulados por
Johansen e Juselius (1990). De acordo com Enders (2010), os resultados dos testes podem ser
conflitantes. Neste caso, é apropriado usar o teste de máximo autovalor, uma vez que a hipótese
alternativa é mais rigorosa.
Para a determinação do número de vetores de cointegração do modelo, ainda é
necessário considerar a possibilidade de inclusão de termos determinísticos dentro e/ou fora do
vetor de cointegração. Harris (1995) discute essa decisão a partir de um modelo de correção de
erros simplificado, conforme abaixo:
∆𝑋𝑡 = 𝛼[𝛽𝑡𝑋𝑡−1 + 𝜇1 + 𝛿1𝑡] + ∑ Γ𝑖∆𝑋𝑡−𝑖 + 𝜇2𝑝−1𝑖=1 + 𝛿2𝑡 + 휀𝑡 (13)
A partir da equação (13) podemos obter outros cinco modelos, sendo que cada um
deles pode representar melhor as características particulares dos dados. Abaixo listamos as
possibilidades.
• Modelo 1: ausência de componentes determinísticos na série de dados, o modelo mais
apropriado deve ter uma especificação mais restrita, ou seja: 𝛿1 = 𝛿2 = 𝜇1 = 𝜇2 = 0.
• Modelo 2: se a série não exibe uma tendência determinística em nível e se a primeira
diferença dela tem média zero, então, quando houver cointegração, o modelo com
intercepto no vetor de cointegração será o mais apropriado: 𝛿1 = 𝛿2 = 𝜇1 = 0.
• Modelo 3: se a série exibe uma tendência linear em nível, recomenda-se usar um modelo
que permita a constante dentro e fora do vetor de cointegração: 𝛿1 = 𝛿2 = 0.
• Modelo 4: para capturar o crescimento de tendência exógena desconhecida pelo modelo,
e que não seja quadrática, a restrição a ser imposta permite a inclusão de uma tendência
estacionária apenas no vetor de cointegração: 𝛿2 = 0.
• Modelo 5: para capturar os efeitos de uma tendência quadrática no longo prazo e de uma
tendência linear no curto prazo, o modelo deve ser tal que o parâmetro 𝛿2 seja irrestrito.
De acordo com o sugerido por Harris (1995), a escolha do modelo é dada por uma
avaliação visual da série, selecionando assim qual é a especificação que, dentre as cinco listadas
96
acima, se ajusta melhor à série. Neste trabalho usamos o modelo 2, pois, após visualização das
séries, assumimos que não há uma tendência determinística em nível e que em primeira
diferença a série tem média zero. Além disso, esse modelo é o mais parcimonioso quando
comparado aos modelos 3 e 4.
Uma vez selecionado o modelo mais apropriado, estimamos o VEC-M e podemos
empreender os testes de causalidade de Granger, de impulso-resposta e de correção da variância
dos erros, além de analisar o coeficiente de ajustamento de longo prazo, que multiplica o vetor
de correção de erros. Como dito acima, desenvolvemos três modelos VEC, um para cada
período distinto (períodos T, A e B).
3 Teste de causalidade de Granger
A abordagem de Granger (1969) para testar se uma variável 𝑋 causa outra
variável 𝑌 consiste em avaliar quanto das mudanças do valor atual de 𝑌 pode ser explicado
pelos valores passados do próprio 𝑌 e, em seguida, testar se a adição de valores defasados de 𝑋
pode melhorar a explicação. 𝑋 Granger causa 𝑌 se 𝑋 contribui na predição de 𝑌 ou, de forma
equivalente, se os coeficientes dos valores defasados de 𝑋 são estatisticamente significantes. O
efeito causal bidirecional é relativamente frequente, de modo que podemos ter como resultado
do teste, simultaneamente, 𝑋 Granger causa 𝑌 e 𝑌 Granger causa 𝑋. Vale notar que a frase “𝑋
Granger causa 𝑌” não implica que 𝑌 é o efeito ou o resultado de 𝑋. O teste de causalidade de
Granger mede precedência/antecedência e informações de conteúdo, mas não indica, per se,
causalidade no sentido comumente usado.
O primeiro passo para efetuar o teste deve ser selecionar o número de defasagens
da regressão. Não há uma regra pré-definida para tal seleção, porém, é preferível que se use
mais defasagens ao invés de menos, uma vez que a teoria se apoia na relevância das informações
passadas. Pode-se arbitrar uma defasagem 𝑙, por exemplo, que razoavelmente corresponda ao
período mais longo em que se supõe que uma das variáveis pode auxiliar na predição da outra.
As equações do teste têm o seguinte formato:
𝑌𝑡 = 𝛼0 + 𝛼1𝑌𝑡−1 + ⋯ + 𝛼𝑙𝑌𝑡−𝑙 + 𝛽1𝑋𝑡−1 + 𝛽𝑙𝑋𝑡−𝑙 + 휀𝑡 (14)
𝑋𝑡 = 𝛼0 + 𝛼1𝑋𝑡−1 + ⋯ + 𝛼𝑙𝑋𝑡−𝑙 + 𝛽1𝑌𝑡−1 + 𝛽𝑙𝑌𝑡−𝑙 + 휀𝑡 (15)
97
para todos os possíveis pares de séries (𝑋, 𝑌) do grupo de variáveis. A estatística F
do teste é dada pela estatística Wald, considerando a seguinte hipótese conjunta para cada
equação:
𝛽1 = 𝛽2 = ⋯ = 𝛽𝑙 = 0
A hipótese nula do teste é:
𝑋 não Granger causa 𝑌 na equação (14)
𝑌 não Granger causa 𝑋 na equação (15).
4 Função impulso-resposta
O objetivo da função impulso-resposta é analisar o comportamento individual das
variáveis de um sistema a partir de choques advindos de inovações. Um choque em uma
determinada variável tem impactos na própria variável e em todas as outras variáveis endógenas
do sistema, dada a estrutura dinâmica de defasagens de um modelo tipo VAR.
Segundo Bueno (2011), de modo geral, um modelo VAR não permite identificar
todos os parâmetros da forma estrutural, a não ser que sejam impostas restrições adicionais.
Para lidar com isso, Sims (1980) sugere um sistema recursivo de identificação do modelo, o
que significa impor que alguns coeficientes sejam iguais a zero — geralmente, argumentos
econômicos são usados para definir quais deles são iguais a zero. Essa sugestão impõe que o
efeito feedback seja limitado. Tendo em conta um modelo bivariado, em que a restrição é 𝑎12 =
0 associada ao efeito contemporâneo da variável 𝑍𝑡 na variável 𝑌𝑡, temos:
𝑌𝑡 = 𝑏10 + 𝑏11𝑌𝑡−1 + 𝐵12𝑍𝑡−1 + 휀𝑡 (16)
𝑍𝑡 = 𝑏20 − 𝑎21𝑌𝑡 + 𝑏21𝑌𝑡−1 + 𝐵22𝑍𝑡−1 + 휀𝑡 (17)
A restrição torna os parâmetros estruturais restantes identificáveis, conforme
abaixo:
𝐴−1 = [1 0
−𝑎21 1] ⟹
98
[𝑌𝑡
𝑍𝑡] = [
1 0−𝑎21 1
] [𝑏10
𝑏20] + [
1 0−𝑎21 1
] [𝑏11 𝑏12
𝑏21 𝑏22] [
𝑌𝑡−1
𝑍𝑡−1] +
+ [1 0
−𝑎21 1] [
𝜎𝑦 0
0 𝜎𝑧] [
휀𝑦𝑡
휀𝑧𝑡].
Como 𝑎12 = 0, os erros reduzidos serão:
[𝑒1𝑡
𝑒2𝑡] = [
𝜎𝑦휀𝑦𝑡
𝜎𝑧휀𝑧𝑡 − 𝑎21𝜎𝑦휀𝑦𝑡] ,
de modo que:
𝑣𝑎𝑟(𝑒1) = 𝜎𝑦2 (18)
𝑐𝑜𝑣(𝑒1, 𝑒2) = −𝑎21𝜎𝑦2 (19)
𝑣𝑎𝑟(𝑒2) = 𝜎𝑧2 + 𝑎21
2 𝜎𝑦2 (20)
Utilizando-se as equações (18), (19) e (20) combinadas às demais estimativas de
identificação do modelo, obtêm-se os parâmetros estruturais deste:
𝜙10 = 𝑏10; 𝜙20 = 𝑏20 − 𝑏10𝑎21;
𝜙11 = 𝑏11; 𝜙12 = 𝑏12;
𝜙21 = −𝑎21𝑏11 + 𝑏21; 𝜙22 = −𝑎21𝑏12 + 𝑏22
Para generalizar a metodologia de Sims (1980) para um vetor composto de n
variáveis endógenas, utiliza-se a decomposição de Cholesky, gerando uma matriz de
covariância de dimensão n x n; as condições de verificação requerem a imposição de 𝑛2−𝑛
2
restrições ao modelo. Segundo Bueno (2011), a imposição de restrições leva à ordenação das
variáveis de forma arbitrária. Assim, Sims (1980) sugere que, se os autovalores do polinômio
(𝐼 − ∑ 𝜙𝑖𝑝𝑖=1 𝐿𝑖) estiverem fora do círculo unitário, é possível representar um VAR de ordem p
em um vetor de médias móveis infinito. Considerando um modelo VAR (1) bivariado, teremos:
99
𝑋𝑡 = 𝑋 + ∑ Φ1𝑖∞
𝑖=0 𝑒𝑡−𝑖 = 𝑋 + ∑Φ1
𝑖
1−𝑎12𝑎21
∞𝑖=0 [
1 −𝑎12
−𝑎21 1] [
𝜎𝑦휀𝑦𝑡−𝑖
𝜎𝑧휀𝑧𝑡−𝑖] (21)
Em que 𝑋 ≡ (𝐼 − Φ1)−1Φ0 é a média de longo prazo.
Então, definindo-se a matriz:
Ψ𝑖 =Φ1
𝑖
1−𝑎12𝑎21[
1 −𝑎12
−𝑎21 1] (22)
Desse modo:
𝑋𝑡 = 𝑋 + ∑ Ψ𝑖
∞
𝑖=0
𝛽휀𝑡−𝑖 =
= 𝑋 + ∑ [𝜓𝑖,11 𝜓𝑖,12
𝜓𝑖,21 𝜓𝑖,22]
∞
𝑖=0
[𝜎𝑦휀𝑦𝑡−𝑖
𝜎𝑧휀𝑧𝑡−𝑖] (23)
Ainda segundo Bueno (2011), os elementos da matriz Ψ𝑖 são os multiplicadores de
impacto de um choque sobre as variáveis endógenas. Dessa maneira, o impacto total de um
choque de 휀𝑦𝑡 sobre 𝑦𝑡+ℎ é dado pela soma dos coeficientes 𝜓𝑖,11, 𝑖 = 0,1,2 … , ℎ. O choque
sobre 𝑧𝑡+ℎ é dado pela soma dos coeficientes 𝜓𝑖,21 . Graficamente, os coeficientes contra 𝑖
geram a função resposta ao impulso. Já o gráfico da soma dos coeficientes contra 𝑖 gera a função
resposta ao impulso acumulada.
5 Decomposição da variância dos erros de previsão
A decomposição da variância dos erros de previsão nos permite entender qual
proporção dos movimentos de uma série é relativa ao seu próprio choque versus a proporção
de movimentos advindos de choques de outras variáveis. Isso possibilita examinarmos a
intensidade da relação causal entre as variáveis, identificando a parcela de cada variável
endógena nos termos de erro de previsão da variável dependente.
A forma de verificarmos isso é estimando um VAR de ordem p, o qual é um sistema
de equações lineares dinâmicas em que cada variável endógena é determinada por uma
100
combinação linear de suas próprias defasagens e das defasagens das variáveis endógenas de
outras equações. Segundo Yang, Balyeat e Leatham (2005), esse modelo pode ser representado
por:
𝑍𝑡 = 𝐴0 + 𝐴1𝑍𝑡−1 + ⋯ + 𝐴𝑝𝑍𝑡−𝑝 + 𝜗𝑡 (24)
sendo 𝑍𝑡 um vetor (n x 1) que inclui as n variáveis, 𝐴𝑖 a matriz dos coeficientes, e
sendo 𝑖 = 0,1, … , 𝑝 . 𝜗𝑡 ≈ 𝐼𝑁(0, ∑ )𝑡 o vetor de inovações do processo, com distribuição
Gaussiana multivariada de média zero e matriz de variância-covariância não singular. Com esse
tipo de modelo conseguimos capturar o efeito dinâmico das relações entre as variáveis. Para
estimá-lo, usa-se o método de MQO em três estágios. Inicialmente, estimamos as equações
separadamente pelo método de MQO. Em seguida, utilizamos os resíduos da regressão do passo
anterior para estimar as variâncias e as covariâncias dos erros. Por fim, utilizamos as estimativas
das variâncias dos erros para estimar as equações conjuntamente.
Uma vez que temos o VAR estimado, usamos o modelo de decomposição da
variância dos erros de previsão para entendermos as relações entre as variáveis. Assim,
considerando o mesmo vetor de variáveis 𝑍𝑡 e seguindo um processo de médias móveis infinito,
temos:
𝑍𝑡 = ∑ 𝐵𝑖∞𝑖 휁𝑡−1 (25)
em que 𝑡 = 1, 2, … , 𝑇; 𝐵 representa a matriz dos parâmetros; e 휁𝑡 um processo ruído
branco.
Seguindo Yang, Balyeat e Leatham (2005), a generalização da decomposição da
variância dos erros é então dada por:
𝜙𝑖𝑗 =𝜎𝑖𝑖
−1 ∑ (𝑒𝑖′𝐵𝑙 ∑ 𝑒𝑗)
2𝑛𝑙=1
∑ (𝑒𝑖′𝐵𝑙 ∑ 𝐵𝑙
′𝑛𝑙=1 𝑒𝑖)
(26)
sendo 𝑖, 𝑗 = 1, 2, … , 𝑚; 𝜎𝑖𝑖 é o elemento 𝑖𝑖 da matriz de variância-covariância (∑)
dos resíduos do vetor 𝑍𝑡 ; 𝑒𝑗 é um vetor que associa o valor 𝑙 à linha 𝑗 e, a todos os demais
elementos, associa zero. O número de passos à frente na previsão é denotado por 𝑛.
101
Com o método descrito acima, podemos identificar qual percentual da variância dos
erros de previsão pode ser atribuído aos choques não antecipados da própria variável e das
demais variáveis endógenas do sistema, separadamente.
ANEXOS 102
Anexo 1 - Quadro comparativo entre as diferentes abordagens sobre preços de imóveis residenciais e bolha imobiliária
Preços dos imóveis Renda Crédito Outras variáveis
Case e Shiller
(1998)
Entrevistas com
compradores de
imóveis
Não disponível Não disponível Não disponível Não disponível
Quigley (1999)Econométrica -
modelos multivariadosSim
Sim - renda das
famíliasNão
Número de licenças
de construção, taxa
de ocupação,
número de famílias
Hofmann (2001)Econométrica -
estrutural - VAR/VEC
Sim - preços reais
dos imóveisSim - GDP real
Sim - agregado real
de crédito privadoTaxa de juros
Herring e
Wachter (2002)
Modelo teórico de
equilibrio entre oferta e
demanda de terrenos
Não disponível Não disponível Não disponível Não disponível
Tsatsaronis e
Zhu (2004)
Econométrica -
estrutural - VAR
Sim - não
especificadoSim - GDP
Sim - indicador de
crédito imobiliário
não especificado
CPI, taxa de juros de
curto prazo, spread
entre juros de curto
e longo prazo
Goodhart e
Hofmann (2008)
Econométrica -
estrutural - VAR/VEC
Sim - preços
nomimaisSim - GDP nominal
Sim - crédito nominal
ao setor privado
Taxa de juros
nominal de curto
prazo, oferta
monetária nominal
Jaroncisnki e
Smets (2008)
Econométrica -
estrutural - BVAR
Sim - não
especificadoSim - GDP real Não
Taxa de juros de
curto prazo, taxa de
juros de longo prazo
Dokko, Doyle,
Kiley, Kim,
Sherlund, Sim e
Van den Heuvel
(2009)
Econométrica - modelo
de equilibrio geralNão Sim - GDP real Não
Taxa de desemprego,
PCE Core, CPI, Taxa
nominal de juros de
curto prazo,
investimento
nominal residencial,
balanço nominal da
conta corrente
Autor/ano Tipo de abordagemVariáveis utilizadas
Crédito e oferta monetária afetam os preços
dos imóveis
Politica monetaria pode ter sido relaxada em
2004, podento ter afetado preços dos imóveis
Juros não afetaram os investimentos
residencias entre os anos 2000 e 2006
Principais conclusões
Preços dos imóveis podem responder a
alterações na renda ou mudanças demográficas
Modelo não explica quando bolhas se
formaram
(i) Relação bi-direcional entre crédito e preços
dos imóveis; (ii) GDP real afeta crédito e preços
dos imóveis e estes afetam o GDP; (iii) Juros
tem forte impacto no crédito
Relaxamento das condições de crédito podem
causar crise financeira
Inflação é o principal fator que afeta os preços
dos imóveis
ANEXOS 103
Anexo 1 (continuação)
Preços dos imóveis Renda Crédito Outras variáveis
Dokko, Doyle,
Kiley, Kim,
Sherlund, Sim e
Van den Heuvel
(2009)
Econométrica -
estrutural - VAR
Sim - preço real das
residenciasSim - GDP real
Sim - indicador de
crédito em relação ao
PCE
Gasto real com
consumo pessoal,
índice PCE, taxa de
desemprego, taxa de
juros nominal
Condições macroeconômicas não foram
responsáveis pela bolha imobiliária
Autor/ano Tipo de abordagemVariáveis utilizadas
Principais conclusões
ANEXOS 104
Anexo 2 - Testes de raiz unitária das séries do período T
1% de
significância
5% de
significância
10% de
significância
Com constante e tendência linear -3,57 -4,02 -3,44 -3,14
Com constante, sem tendência linear -1,95 -3,47 -2,88 -2,57
Sem constante e sem tendência linear 0,11 -2,57 -1,94 -1,61
Com constante e tendência linear -2,13 -4,01 -3,43 -3,14
Com constante, sem tendência linear 0,68 -3,47 -2,88 -2,57
Sem constante e sem tendência linear 7,94 -2,58 -1,94 -1,61
Com constante e tendência linear -1,23 -4,02 -3,44 -3,14
Com constante, sem tendência linear -1,35 -3,47 -2,88 -2,57
Sem constante e sem tendência linear -1,05 -2,57 -1,94 -1,61
Com constante e tendência linear -3,17 -4,01 -3,43 -3,14
Com constante, sem tendência linear -1,11 -3,47 -2,88 -2,57Sem constante e sem tendência linear -1,1 -2,58 -1,94 -1,61
Tabela 1. Perído T - Testes de raíz unitária das séries utilizando o Augmented Dickey-Fuller Test (ADF)
Séries Modelos Hipótese nulaEstatística
estimada
Estatística do teste
Conclusão
RPPExiste 1 raíz
unitária
No modelo com constante e tendência, H0 é rejeitada à 5 e 10% de nível de
significância. Recomenda-se fazer teste Phillips-Perron na série para dupla
verificação
INCExiste 1 raíz
unitáriaNão rejeita-se H0, série tem 1 raiz unitária
CRDFExiste 1 raíz
unitáriaNão rejeita-se H0, série tem 1 raiz unitária
INTExiste 1 raíz
unitária
No modelo com constante e tendência, H0 é rejeitada à 10% de nível de
significância. Recomenda-se fazer teste Phillips-Perron na série para dupla
verificação
1% de
significância
5% de
significância
10% de
significância
Com constante e tendência linear -2,04 -4,02 -3,44 -3,14
Com constante, sem tendência linear -1,63 -3,47 -2,88 -2,57
Sem constante e sem tendência linear 0,37 -2,57 -1,94 -1,61
Com constante e tendência linear -2,18 -4,01 -3,43 -3,14
Com constante, sem tendência linear 0,48 -3,47 -2,88 -2,57
Sem constante e sem tendência linear 8,12 -2,58 -1,94 -1,61
Com constante e tendência linear -1,62 -4,02 -3,44 -3,14
Com constante, sem tendência linear -1,74 -3,47 -2,88 -2,57
Sem constante e sem tendência linear -1,21 -2,57 -1,94 -1,61
Com constante e tendência linear -3,21 -4,01 -3,43 -3,14
Com constante, sem tendência linear -1,03 -3,47 -2,88 -2,57
Sem constante e sem tendência linear -1,05 -2,58 -1,94 -1,61
Tabela 2. Período T - Testes de raíz unitária das séries utilizando o Phillips-Perron Test
Série Modelos Hipótese nulaEstatística
estimada
Estatística do teste
Conclusão
RPPExiste 1 raíz
unitáriaNão rejeita-se H0, série tem 1 raiz unitária
INTExiste 1 raíz
unitária
No modelo com constante e tendência, H0 é rejeitada à 10% de nível de
significância. Considerando-se os resultados deste teste e do teste ADF,
conclui-se que série tem 1 raiz unitária ao nível de 10% de significância
CRDFExiste 1 raíz
unitáriaNão rejeita-se H0, série tem 1 raiz unitária
INCExiste 1 raíz
unitáriaNão rejeita-se H0, série tem 1 raiz unitária
ANEXOS 105
1% de
significância
5% de
significância
10% de
significância
-4,01 -4,94 -4,44 -4,19
-4,62 -5,34 -4,85 -4,6
-4,63 -5,71 -5,17 -4,89
Dados com tendência com quebra na tendência -3,65 -5,06 -4,52 -4,26
Dados sem tendência com quebra no intercepto -1,68 -4,94 -4,44 -4,19
Dados com tendência com quebra no intercepto -3,69 -5,34 -4,85 -4,6
Dados com tendência com quebras no intercepto e na tendência -2,52 -5,71 -5,17 -4,89
Dados com tendência com quebra na tendência -2,56 -5,06 -4,52 -4,26
-2,63 -4,94 -4,44 -4,19
-4,15 -5,34 -4,85 -4,6
-3,51 -5,71 -5,17 -4,89
-2,66 -5,06 -4,52 -4,26
-2,69 -4,94 -4,44 -4,19
-3,87 -5,34 -4,85 -4,6
-4,88 -5,71 -5,17 -4,89
-3,81 -5,06 -4,52 -4,26
INCExiste 1 raíz
unitária
Rejeita-se H0, série não tem 1 raiz unitária
Não rejeita-se H0, série tem 1 raiz unitária
Não rejeita-se H0, série tem 1 raiz unitária
Não rejeita-se H0, série tem 1 raiz unitária
Tabela 3 - Período T - Testes de raíz unitária com quebra estrutural das séries
Séries Modelos (especificação da tendência)Hipótese
nula
Estatística
estimada
Estatística do teste
Conclusão
RPPExiste 1 raíz
unitária
Não rejeita-se H0, série tem 1 raiz unitária
Ao nível de 10% de significância, rejeita-se H0. Série tem 1 raiz unitária
ao nível de 10% de significância - considerou-se defasagem de 1 período
no teste. Breakpoint date do teste: 2006Q4
Não rejeita-se H0, série tem uma 1 raiz unitária - considerou-se
defasagem de 1 periodo no teste. Breakpoint date do teste: 2003Q1
Não rejeita-se H0, série tem 1 raiz unitária
Dados com tendência com quebras no intercepto e na tendência
Dados com tendência com quebra no intercepto
Dados sem tendência com quebra no intercepto
CRDFExiste 1 raíz
unitária
Não rejeita-se H0, série tem 1 raiz unitária
Não rejeita-se H0, série tem 1 raiz unitária
Não rejeita-se H0, série tem 1 raiz unitária
Não rejeita-se H0, série tem 1 raiz unitária
Dados sem tendência com quebra no intercepto
Dados com tendência com quebra no intercepto
Dados com tendência com quebras no intercepto e na tendência
Dados com tendência com quebra na tendência
INTExiste 1 raíz
unitária
Não rejeita-se H0, série tem 1 raiz unitária
Não rejeita-se H0, série tem uma 1 raiz unitária - considerou-se
defasagem de 0 periodos no teste. Breakpoint date do teste: 1978Q1
Não rejeita-se H0, série tem uma 1 raiz unitária - considerou-se
defasagem de 0 periodos no teste. Breakpoint date do teste: 1981Q3
Não rejeita-se H0, série tem 1 raiz unitária
Dados sem tendência com quebra no intercepto
Dados com tendência com quebra no intercepto
Dados com tendência com quebras no intercepto e na tendência
Dados com tendência com quebra na tendência
ANEXOS 106
Anexo 3 - Testes de raiz unitária das séries do período A
1% de
significância
5% de
significância
10% de
significância
Com constante e tendência linear -3,37 -4,05 -3,45 -3,15
Com constante, sem tendência linear -2,92 -3,5 -2,89 -2,58
Sem constante e sem tendência linear 1,32 -2,55 -1,94 -1,61
Com constante e tendência linear -1,49 -4,05 -3,45 -3,15
Com constante, sem tendência linear 2 -3,49 -2,89 -2,58
Sem constante e sem tendência linear 5,03 -2,58 -1,94 -1,61
Com constante e tendência linear -1,73 -4,05 -3,45 -3,15
Com constante, sem tendência linear -1,59 -3,5 -2,89 -2,58
Sem constante e sem tendência linear 0,32 -2,58 -1,94 -1,61
Com constante e tendência linear -2,69 -4,05 -3,45 -3,15
Com constante, sem tendência linear -1,91 -3,49 -2,89 -2,58
Sem constante e sem tendência linear -0,78 -2,58 -1,94 -1,61
Tabela 4 - Período A - Testes de raíz unitária das séries utilizando o Augmented Dickey-Fuller Test (ADF)
Séries ModelosHipótese
nula
Estatística
estimada
Estatística do teste
Conclusão
RPP
Existe 1
raíz
unitária
INC
Existe 1
raíz
unitária
No modelo com constante e com tendência, H0 é rejeitada à 10% de nível de
significância. No modelo com constante e sem tendência, H0 é rejeitada à 5% e
10%. Recomenda-se fazer teste Phillips-Perron na série para dupla verificação.
Não rejeita-se H0, série tem 1 raiz unitária
INT
Existe 1
raíz
unitária
Não rejeita-se H0, série tem 1 raiz unitária
Não rejeita-se H0, série tem 1 raiz unitária
CRDF
Existe 1
raíz
unitária
1% de
significância
5% de
significância
10% de
significância
Com constante e tendência linear -2,11 -4,05 -3,45 -3,15
Com constante, sem tendência linear -1,82 -3,49 -2,89 -2,58
Sem constante e sem tendência linear 1,32 -2,58 -1,94 -1,61
Com constante e tendência linear -1,39 -4,05 -3,45 -3,15
Com constante, sem tendência linear 1,49 -3,49 -2,89 -2,58
Sem constante e sem tendência linear 6,78 -2,58 -1,94 -1,61
Com constante e tendência linear -4,63 -4,05 -3,45 -3,15
Com constante, sem tendência linear -4,16 -3,49 -2,89 -2,58
Sem constante e sem tendência linear -0,33 -2,58 -1,94 -1,61
Com constante e tendência linear -2,51 -4,05 -3,45 -3,15
Com constante, sem tendência linear -1,73 -3,49 -2,89 -2,58
Sem constante e sem tendência linear -0,78 -2,58 -1,94 -1,61
INT
Existe 1
raíz
unitária
Não rejeita-se H0, série tem 1 raiz unitária
Tabela 5 - Período A - Testes de raíz unitária das séries utilizando o Phillips-Perron Test
Série ModelosHipótese
nula
Estatística
estimada
Estatística do teste
No modelo com constante e com tendência e também no modelo com constante e
sem tendência, H0 é rejeitada à 1%, à 5% é à 10% de nível de significância.CRDF
Existe 1
raíz
unitária
Não rejeita-se H0, série tem 1 raiz unitária
Não rejeita-se H0, série tem 1 raiz unitária
RPP
Existe 1
raíz
unitária
INC
Existe 1
raíz
unitária
Conclusão
ANEXOS 107
1% de
significância
5% de
significância
10% de
significância
-4,19 -4,94 -4,44 -4,19 Não rejeita-se H0, série tem 1 raiz unitária
-4,49 -5,34 -4,85 -4,6 Não rejeita-se H0, série tem 1 raiz unitária
-4,38 -5,71 -5,17 -4,89 Não rejeita-se H0, série tem 1 raiz unitária
Dados com tendência com quebra na tendência -3,49 -5,06 -4,52 -4,26 Não rejeita-se H0, série tem 1 raiz unitária
Dados sem tendência com quebra no intercepto -0,33 -4,94 -4,44 -4,19 Não rejeita-se H0, série tem 1 raiz unitária
Dados com tendência com quebra no intercepto -2,4 -5,34 -4,85 -4,6 Não rejeita-se H0, série tem 1 raiz unitária
Dados com tendência com quebras no intercepto e na tendência -2,31 -5,71 -5,17 -4,89 Não rejeita-se H0, série tem 1 raiz unitária
Dados com tendência com quebra na tendência -2,35 -5,06 -4,52 -4,26 Não rejeita-se H0, série tem 1 raiz unitária
-2,45 -4,94 -4,44 -4,19 Não rejeita-se H0, série tem 1 raiz unitária
-2,44 -5,34 -4,85 -4,6 Não rejeita-se H0, série tem 1 raiz unitária
-2,48 -5,71 -5,17 -4,89 Não rejeita-se H0, série tem 1 raiz unitária
-2,31 -5,06 -4,52 -4,26 Não rejeita-se H0, série tem 1 raiz unitária
-3,17 -4,94 -4,44 -4,19 Não rejeita-se H0, série tem 1 raiz unitária
-3,00 -5,34 -4,85 -4,6 Não rejeita-se H0, série tem 1 raiz unitária
-4,99 -5,71 -5,17 -4,89
-3,76 -5,06 -4,52 -4,26 Não rejeita-se H0, série tem 1 raiz unitária
INCExiste 1 raíz
unitária
Tabela 6 - Período A - Testes de raíz unitária com quebra estrutural das séries
Séries Modelos (especificação da tendência)Hipótese
nula
Estatística
estimada
Estatística do teste
Conclusão
RPPExiste 1 raíz
unitária
Dados sem tendência com quebra no intercepto
Dados com tendência com quebra no intercepto
Dados com tendência com quebras no intercepto e na tendência
CRDFExiste 1 raíz
unitária
Dados sem tendência com quebra no intercepto
Dados com tendência com quebra no intercepto
Dados com tendência com quebras no intercepto e na tendência
Dados com tendência com quebra na tendência
INTExiste 1 raíz
unitáriaNão se rejeita H0, série tem 1 raiz unitária - considerou-se defasagem de
0 períodos no teste. Breakpoint date do teste: 1982Q2
Dados sem tendência com quebra no intercepto
Dados com tendência com quebra no intercepto
Dados com tendência com quebras no intercepto e na tendência
Dados com tendência com quebra na tendência
ANEXOS 108
Anexo 4 - Testes de raiz unitária das séries do período B
1% de
significânci
a
5% de
significânci
a
10% de
significância
Com constante e tendência linear -3,53 -4,14 -3,49 -3,17
Com constante, sem tendência linear -3,59 -3,56 -2,91 -2,59
Sem constante e sem tendência linear -0,10 -2,61 -1,94 -1,61
Com constante e tendência linear -1,57 -4,13 -3,49 -3,17
Com constante, sem tendência linear -1,79 -3,55 -2,91 -2,59
Sem constante e sem tendência linear 4,71 -2,6 -1,94 -1,61
Com constante e tendência linear -2,15 -4,13 -3,49 -3,17
Com constante, sem tendência linear -0,95 -3,55 -2,91 -2,59
Sem constante e sem tendência linear -0,97 -2,6 -1,94 -1,61
Com constante e tendência linear -3,13 -4,14 -3,49 -3,17
Com constante, sem tendência linear -2,17 -3,56 -2,91 -2,59
Sem constante e sem tendência linear -2,28 -2,61 -1,94 -1,61
Tabela 7 - Período B - Testes de raíz unitária das séries utilizando o Augmented Dickey-Fuller Test (ADF)
Séries ModelosHipótese
nula
Estatística
estimada
Estatística do teste
Conclusão
No modelo sem constante e sem tendência, H0 é rejeitada à 5% e 10% de nível de
significância. Recomenda-se fazer teste Phillips-Perron na série para dupla verificação
RPPExiste 1
raíz unitária
INCExiste 1
raíz unitária
CRDFExiste 1
raíz unitária
INTExiste 1
raíz unitária
Não rejeita-se H0, série tem 1 raiz unitária
Não rejeita-se H0, série tem 1 raiz unitária
No modelo com constante e com tendência, H0 é rejeitada à 5% e à 10% de nível de
significância. No modelo com constante e sem tendência, H0 é rejeitada à 1%, 5% e 10% de
nível de significância. Recomenda-se fazer teste Phillips-Perron na série para dupla verificação
1% de
significânci
a
5% de
significânci
a
10% de
significância
Com constante e tendência linear -1,66 -4,13 -3,49 -3,17
Com constante, sem tendência linear -1,5 -3,55 -2,91 -2,59
Sem constante e sem tendência linear 0,08 -2,6 -1,94 -1,61
Com constante e tendência linear -2,42 -4,13 -3,49 -3,17
Com constante, sem tendência linear -2,02 -3,55 -2,91 -2,59
Sem constante e sem tendência linear 4,73 -2,6 -1,94 -1,61
Com constante e tendência linear -2,15 -4,13 -3,49 -3,17
Com constante, sem tendência linear -0,73 -3,55 -2,91 -2,59
Sem constante e sem tendência linear -0,97 -2,6 -1,94 -1,61
Com constante e tendência linear -1,8 -4,13 -3,49 -3,17
Com constante, sem tendência linear -1,32 -3,55 -2,91 -2,59
Sem constante e sem tendência linear -1,82 -2,6 -1,94 -1,61
INTExiste 1
raíz unitária
No modelo sem constante e sem tendência, H0 é rejeitada a 10% de nível de significância.
Série tem 1 raíz unitária ao nível de 10% de significância.
Tabela 8 - Período B - Testes de raíz unitária das séries utilizando o Phillips-Perron Test
Série ModelosHipótese
nula
Estatística
estimada
Estatística do teste
Conclusão
CRDFExiste 1
raíz unitária
RPPExiste 1
raíz unitária
INC
Não rejeita-se H0, série tem 1 raiz unitária
Não rejeita-se H0, série tem 1 raiz unitária
Não rejeita-se H0, série tem 1 raiz unitária
Existe 1
raíz unitária
ANEXOS 109
1% de
significância
5% de
significância
10% de
significância
-3,99 -4,94 -4,44 -4,19
-4,76 -5,34 -4,85 -4,6
-3,15 -5,71 -5,17 -4,89
-3,06 -5,06 -4,52 -4,26
Dados sem tendência com quebra no intercepto -2,27 -4,94 -4,44 -4,19
Dados com tendência com quebra no intercepto -4,59 -5,34 -4,85 -4,6
Dados com tendência com quebras no intercepto e na tendência -6,39 -5,71 -5,17 -4,89
Dados com tendência com quebra na tendência -6,06 -5,06 -4,52 -4,26
-4,11 -4,94 -4,44 -4,19
-4,34 -5,34 -4,85 -4,6
-3,65 -5,71 -5,17 -4,89
-2,64 -5,06 -4,52 -4,26
-4,06 -4,94 -4,44 -4,19
-4,51 -5,34 -4,85 -4,6
-4,49 -5,71 -5,17 -4,89
-3,14 -5,06 -4,52 -4,26
Não rejeita-se H0, série tem 1 raiz unitária
Não rejeita-se H0, série tem 1 raiz unitária
Rejeita-se H0, série não tem 1 raiz unitária
Rejeita-se H0, série não tem 1 raiz unitária
INCExiste 1 raíz
unitária
Tabela 9 - Período B - Testes de raíz unitária com quebra estrutural das séries
Séries Modelos (especificação da tendência)Hipótese
nula
Estatística
estimada
Estatística do teste
Conclusão
RPPExiste 1 raíz
unitária
Não rejeita-se H0, série tem uma 1 raiz unitária
Ao nível de 10% de significância, rejeita-se H0. Série tem 1 raiz unitária
ao nível de 10% de significância - considerou-se defasagem de 1 período
no teste. Breakpoint date do teste: 2006Q4
Não rejeita-se H0, série tem uma 1 raiz unitária - considerou-se
defasagem de 1 período no teste. Breakpoint date do teste: 2003Q1
Não rejeita-se H0, série tem uma 1 raiz unitária - considerou-se
defasagem de 2 períodos no teste. Breakpoint date do teste: 2004Q1
Dados sem tendência com quebra no intercepto
Dados com tendência com quebra no intercepto
Dados com tendência com quebras no intercepto e na tendência
Dados com tendência com quebra na tendência
CRDFExiste 1 raíz
unitária
Não rejeita-se H0, série tem 1 raiz unitária
Não rejeita-se H0, série tem 1 raiz unitária
Não rejeita-se H0, série tem 1 raiz unitária
Não rejeita-se H0, série tem 1 raiz unitária
Dados sem tendência com quebra no intercepto
Dados com tendência com quebra no intercepto
Dados com tendência com quebras no intercepto e na tendência
Dados com tendência com quebra na tendência
INTExiste 1 raíz
unitária
Não rejeita-se H0, série tem 1 raiz unitária
Não rejeita-se H0, série tem 1 raiz unitária
Não rejeita-se H0, série tem uma 1 raiz unitária - considerou-se
defasagem de 2 períodos no teste. Breakpoint date do teste: 2008Q3
Não rejeita-se H0, série tem uma 1 raiz unitária - considerou-se
defasagem de 1 períodoo no teste. Breakpoint date do teste: 2006Q3
Dados sem tendência com quebra no intercepto
Dados com tendência com quebra no intercepto
Dados com tendência com quebras no intercepto e na tendência
Dados com tendência com quebra na tendência
ANEXOS 110
Anexo 5 - Seleção da Ordem do VAR
Quadro 5.1 - Modelo Período Total
VAR Lag Order Selection Criteria
Endogenous variables: RPP INC CRDF INT
Exogenous variables: C
Date: 03/01/17 Time: 11:12
Sample: 1975Q4 2013Q4
Included observations: 141
Lag LogL LR FPE AIC SC HQ
0 -2903.524 NA 9.57e+12 41.24148 41.32513 41.27547
1 -1979.788 1781.959 24505162 28.36578 28.78405 28.53575
2 -1863.749 217.2644 5932633. 26.94679 27.69967* 27.25273*
3 -1851.868 21.57005 6298477. 27.00523 28.09271 27.44714
4 -1832.358 34.31620 6008222. 26.95543 28.37753 27.53332
5 -1817.358 25.53151 6119809. 26.96962 28.72633 27.68349
6 -1796.873 33.70649 5778417. 26.90600 28.99732 27.75584
7 -1779.294 27.92724* 5699550.* 26.88360* 29.30953 27.86941
8 -1767.732 17.71171 6140388. 26.94655 29.70709 28.06834
9 -1756.630 16.37683 6681168. 27.01603 30.11118 28.27379
10 -1752.826 5.396167 8093866. 27.18902 30.61878 28.58276
11 -1737.616 20.71176 8377981. 27.20022 30.96460 28.72993
12 -1731.245 8.313609 9880762. 27.33681 31.43579 29.00249
* 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
ANEXOS 111
Quadro 5.2 - Modelo Período A
VAR Lag Order Selection Criteria
Endogenous variables: RPP INC CRDF INT
Exogenous variables: C
Date: 03/01/17 Time: 11:21
Sample: 1975Q4 1999Q4
Included observations: 85
Lag LogL LR FPE AIC SC HQ
0 -1538.153 NA 6.74e+10 36.28594 36.40089 36.33218
1 -1043.353 931.3867 863817.2 25.02008 25.59482 25.25126
2 -995.2592 86.00387 407012.9* 24.26492 25.29946* 24.68104*
3 -983.2887 20.27939 450404.7 24.35973 25.85406 24.96079
4 -973.9942 14.87127 533845.4 24.51751 26.47163 25.30351
5 -963.5564 15.71805 620717.1 24.64839 27.06230 25.61933
6 -939.6288 33.78013 530697.6 24.46185 27.33556 25.61774
7 -920.9862 24.56430 520290.9 24.39968 27.73318 25.74050
8 -892.2558 35.15253* 408607.3 24.10014* 27.89343 25.62591
9 -879.4408 14.47339 475678.4 24.17508 28.42817 25.88579
10 -861.4472 18.62872 501925.1 24.12817 28.84105 26.02382
11 -849.1882 11.53784 624065.9 24.21619 29.38887 26.29679
12 -835.8710 11.28043 784913.8 24.27932 29.91179 26.54485
* 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
ANEXOS 112
Quadro 5.3 - Modelo Período B
VAR Lag Order Selection Criteria
Endogenous variables: RPP INC CRDF INT
Exogenous variables: C
Date: 03/01/17 Time: 11:24
Sample: 2000Q1 2013Q4
Included observations: 56
Lag LogL LR FPE AIC SC HQ
0 -1086.266 NA 9.57e+11 38.93807 39.08273 38.99415
1 -771.3978 573.5097 22177891 28.26421 28.98755 28.54464
2 -715.2187 94.30070* 5330600. 26.82924 28.13125* 27.33403
3 -706.3884 13.56074 7048147. 27.08530 28.96598 27.81444
4 -693.3015 18.22819 8177127. 27.18934 29.64870 28.14283
5 -674.9010 23.00060 8088305. 27.10361 30.14164 28.28145
6 -652.0911 25.25385 7126335. 26.86040 30.47710 28.26258
7 -630.1104 21.19565 6849548. 26.64680 30.84217 28.27334
8 -616.5712 11.12154 9640264. 26.73468 31.50873 28.58557
9 -579.1253 25.40972 6479660. 25.96876 31.32147 28.04400
10 -541.0718 20.38580 5071393. 25.18113 31.11252 27.48072
11 -490.1756 19.99493 3347296.* 23.93484 30.44490 26.45878
12 -440.2870 12.47215 4013716. 22.72454* 29.81327 25.47282*
* 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
ANEXOS 113
Anexo 6 - Testes de Cointegração
Quadro 6.1 - Modelo T
Date: 03/01/17 Time: 12:56
Sample (adjusted): 1976Q2 2013Q4
Included observations: 151 after adjustments
Trend assumption: Linear deterministic trend
Series: RPP INC CRDF INT
Lags interval (in first differences): 1 to 1
Unrestricted Cointegration Rank Test (Trace)
Hypothesized Trace 0.05
No. of CE(s) Eigenvalue Statistic Critical Value Prob.**
None * 0.196892 58.74414 47.85613 0.0034
At most 1 0.093456 25.63497 29.79707 0.1400
At most 2 0.067958 10.81944 15.49471 0.2228
At most 3 0.001274 0.192511 3.841466 0.6608
Trace test indicates 1 cointegrating eqn(s) at the 0.05 level
* denotes rejection of the hypothesis at the 0.05 level
**MacKinnon-Haug-Michelis (1999) p-values
Unrestricted Cointegration Rank Test (Maximum Eigenvalue)
Hypothesized Max-Eigen 0.05
No. of CE(s) Eigenvalue Statistic Critical Value Prob.**
None * 0.196892 33.10917 27.58434 0.0088
At most 1 0.093456 14.81553 21.13162 0.3020
At most 2 0.067958 10.62693 14.26460 0.1739
At most 3 0.001274 0.192511 3.841466 0.6608
Max-eigenvalue test indicates 1 cointegrating eqn(s) at the 0.05 level
* denotes rejection of the hypothesis at the 0.05 level
**MacKinnon-Haug-Michelis (1999) p-values
ANEXOS 114
Quadro 6.2 - Modelo A
Sample (adjusted): 1976Q2 1999Q4
Included observations: 95 after adjustments
Trend assumption: Linear deterministic trend
Series: RPP INC CRDF INT
Lags interval (in first differences): 1 to 1
Unrestricted Cointegration Rank Test (Trace)
Hypothesized Trace 0.05
No. of CE(s) Eigenvalue Statistic Critical Value Prob.**
None * 0.345238 62.95032 47.85613 0.0011
At most 1 0.133818 22.71935 29.79707 0.2601
At most 2 0.078026 9.071675 15.49471 0.3588
At most 3 0.014152 1.354038 3.841466 0.2446
Trace test indicates 1 cointegrating eqn(s) at the 0.05 level
* denotes rejection of the hypothesis at the 0.05 level
**MacKinnon-Haug-Michelis (1999) p-values
Unrestricted Cointegration Rank Test (Maximum Eigenvalue)
Hypothesized Max-Eigen 0.05
No. of CE(s) Eigenvalue Statistic Critical Value Prob.**
None * 0.345238 40.23097 27.58434 0.0007
At most 1 0.133818 13.64767 21.13162 0.3946
At most 2 0.078026 7.717637 14.26460 0.4081
At most 3 0.014152 1.354038 3.841466 0.2446
Max-eigenvalue test indicates 1 cointegrating eqn(s) at the 0.05 level
* denotes rejection of the hypothesis at the 0.05 level
**MacKinnon-Haug-Michelis (1999) p-values
ANEXOS 115
Quadro 6.3 - Modelo B
Date: 03/01/17 Time: 12:59
Sample: 2000Q1 2013Q4
Included observations: 56
Trend assumption: Linear deterministic trend
Series: RPP INC CRDF INT
Lags interval (in first differences): 1 to 1
Unrestricted Cointegration Rank Test (Trace)
Hypothesized Trace 0.05
No. of CE(s) Eigenvalue Statistic Critical Value Prob.**
None * 0.377042 50.68794 47.85613 0.0264
At most 1 0.226896 24.18443 29.79707 0.1928
At most 2 0.097735 9.773283 15.49471 0.2986
At most 3 * 0.069167 4.013841 3.841466 0.0451
Trace test indicates 1 cointegrating eqn(s) at the 0.05 level
* denotes rejection of the hypothesis at the 0.05 level
**MacKinnon-Haug-Michelis (1999) p-values
Unrestricted Cointegration Rank Test (Maximum Eigenvalue)
Hypothesized Max-Eigen 0.05
No. of CE(s) Eigenvalue Statistic Critical Value Prob.**
None 0.377042 26.50351 27.58434 0.0682
At most 1 0.226896 14.41115 21.13162 0.3322
At most 2 0.097735 5.759442 14.26460 0.6443
At most 3 * 0.069167 4.013841 3.841466 0.0451
Max-eigenvalue test indicates no cointegration at the 0.05 level
* denotes rejection of the hypothesis at the 0.05 level
**MacKinnon-Haug-Michelis (1999) p-values
ANEXOS 116
Anexo 7 - Procedimento de Cointegração de Johansen
Quadro 7.1 - Relação de Longo Prazo – Período Total
Vector Error Correction Estimates
Date: 02/12/17 Time: 18:17
Sample (adjusted): 1976Q2 2013Q4
Included observations: 151 after adjustments
Standard errors in ( ) & t-statistics in [ ]
Cointegrating Eq: CointEq1
RPP(-1) 1.000000
INC(-1) -0.424796
(0.08724)
[-4.86911]
CRDF(-1) -0.123096
(0.01486)
[-8.28240]
INT(-1) 0.058360
(0.04821)
[ 1.21044]
C -61.33580
ANEXOS 117
Quadro 7.2 - Relação de Longo Prazo – Período A
Vector Error Correction Estimates
Date: 02/12/17 Time: 18:20
Sample (adjusted): 1976Q2 1999Q4
Included observations: 95 after adjustments
Standard errors in ( ) & t-statistics in [ ]
Cointegrating Eq: CointEq1
RPP(-1) 1.000000
INC(-1) -0.011819
(0.07374)
[-0.16028]
CRDF(-1) -0.285704
(0.03711)
[-7.69854]
INT(-1) 0.010353
(0.02626)
[ 0.39426]
C -85.84775
ANEXOS 118
Quadro 7.3 - Relação de Longo Prazo – Período B
Vector Error Correction Estimates
Date: 02/12/17 Time: 18:21
Sample: 2000Q1 2013Q4
Included observations: 56
Standard errors in ( ) & t-statistics in [ ]
Cointegrating Eq: CointEq1
RPP(-1) 1.000000
INC(-1) -0.490771
(0.27165)
[-1.80664]
CRDF(-1) -0.134126
(0.01485)
[-9.03100]
INT(-1) 0.136617
(0.09668)
[ 1.41307]
C -49.63059
ANEXOS 119
Anexo 8 - Teste de Cointegração de Johansen – Ajustamento de Curto Prazo
Quadro 8.1 - Modelo Período Total
Error Correction: D(RPP) D(INC) D(CRDF) D(INT)
CointEq1 -0.057833 -0.014474 -0.052651 0.113958
(0.01000) (0.01038) (0.33639) (0.13977)
[-5.78383] [-1.39493] [-0.15652] [ 0.81534]
D(RPP(-1)) 0.793718 0.074672 6.587387 1.508272
(0.04138) (0.04294) (1.39214) (0.57843)
[ 19.1808] [ 1.73887] [ 4.73186] [ 2.60752]
D(INC(-1)) -0.259442 -0.328460 0.170782 1.098337
(0.07600) (0.07887) (2.55682) (1.06236)
[-3.41368] [-4.16460] [ 0.06679] [ 1.03387]
D(CRDF(-1)) -0.002988 -0.003016 -0.433910 0.034143
(0.00234) (0.00243) (0.07879) (0.03274)
[-1.27576] [-1.24083] [-5.50695] [ 1.04289]
D(INT(-1)) -0.004292 -0.004432 -0.445618 -0.120898
(0.00580) (0.00602) (0.19500) (0.08102)
[-0.74051] [-0.73688] [-2.28519] [-1.49213]
C 0.372213 1.154628 -4.626696 -2.642229
(0.13632) (0.14146) (4.58602) (1.90549)
[ 2.73047] [ 8.16200] [-1.00887] [-1.38664]
R-squared 0.801388 0.134450 0.274797 0.075696
Adj. R-squared 0.794539 0.104603 0.249789 0.043823
Sum sq. resids 300.1114 323.1963 339662.3 58639.03
S.E. equation 1.438657 1.492963 48.39937 20.10988
F-statistic 117.0132 4.504703 10.98878 2.374956
Log likelihood -266.1187 -271.7137 -797.0010 -664.3813
Akaike AIC 3.604221 3.678327 10.63577 8.879223
Schwarz SC 3.724113 3.798219 10.75567 8.999115
Mean dependent 0.514528 0.896461 -0.834549 -0.843926
S.D. dependent 3.173896 1.577762 55.87893 20.56555
Determinant resid covariance (dof adj.) 4306941.
Determinant resid covariance 3662125.
Log likelihood -1998.112
Akaike information criterion 26.83592
Schwarz criterion 27.39542
ANEXOS 120
Quadro 8.2 - Modelo Período A
Error Correction: D(RPP) D(INC) D(CRDF) D(INT)
CointEq1 -0.044999 0.010778 0.987671 0.026857
(0.01085) (0.01224) (0.39247) (0.29374)
[-4.14903] [ 0.88034] [ 2.51657] [ 0.09143]
D(RPP(-1)) 0.568912 0.115114 7.941490 4.540506
(0.08066) (0.09106) (2.91899) (2.18471)
[ 7.05283] [ 1.26415] [ 2.72063] [ 2.07831]
D(INC(-1)) 0.074895 0.218288 0.767847 0.923311
(0.09374) (0.10583) (3.39233) (2.53898)
[ 0.79892] [ 2.06270] [ 0.22635] [ 0.36365]
D(CRDF(-1)) -0.006463 0.005990 -0.363824 0.091804
(0.00281) (0.00317) (0.10175) (0.07616)
[-2.29860] [ 1.88710] [-3.57563] [ 1.20548]
D(INT(-1)) -0.010724 -0.005717 -0.382718 -0.170059
(0.00372) (0.00420) (0.13464) (0.10077)
[-2.88242] [-1.36106] [-2.84259] [-1.68761]
C 0.194850 0.616334 -2.618549 -3.014025
(0.11852) (0.13380) (4.28891) (3.21003)
[ 1.64401] [ 4.60653] [-0.61054] [-0.93894]
R-squared 0.667788 0.136640 0.359685 0.129224
Adj. R-squared 0.649124 0.088137 0.323713 0.080304
Sum sq. resids 69.19080 88.17414 90604.40 50754.36
S.E. equation 0.881717 0.995350 31.90653 23.88040
F-statistic 35.78022 2.817122 9.998831 2.641530
Log likelihood -119.7412 -131.2574 -460.6673 -433.1408
Akaike AIC 2.647184 2.889630 9.824574 9.245069
Schwarz SC 2.808481 3.050927 9.985872 9.406366
Mean dependent 0.509556 0.865127 1.102242 0.005809
S.D. dependent 1.488512 1.042343 38.79841 24.90115
Determinant resid covariance (dof adj.) 313689.6
Determinant resid covariance 241638.3
Log likelihood -1127.969
Akaike information criterion 24.33618
Schwarz criterion 25.08890
ANEXOS 121
Quadro 8.3 - Modelo Período B
Error Correction: D(RPP) D(INC) D(CRDF) D(INT)
CointEq1 -0.105514 0.000451 0.199326 0.059747
(0.01955) (0.02040) (0.71922) (0.08047)
[-5.39644] [ 0.02209] [ 0.27714] [ 0.74252]
D(RPP(-1)) 0.684578 0.088671 7.605064 0.690356
(0.06734) (0.07028) (2.47719) (0.27715)
[ 10.1653] [ 1.26176] [ 3.07003] [ 2.49096]
D(INC(-1)) -0.251492 -0.505891 -0.314853 1.126771
(0.11599) (0.12104) (4.26673) (0.47736)
[-2.16814] [-4.17939] [-0.07379] [ 2.36044]
D(CRDF(-1)) -0.007847 -0.003886 -0.375994 -0.009892
(0.00400) (0.00418) (0.14725) (0.01647)
[-1.96029] [-0.93026] [-2.55341] [-0.60045]
D(INT(-1)) 0.069711 0.009220 -0.780950 0.382693
(0.03066) (0.03200) (1.12793) (0.12619)
[ 2.27339] [ 0.28813] [-0.69237] [ 3.03264]
C 0.572038 1.419015 -10.71623 -2.900087
(0.28343) (0.29577) (10.4256) (1.16641)
[ 2.01827] [ 4.79773] [-1.02787] [-2.48634]
R-squared 0.866231 0.299780 0.276492 0.406149
Adj. R-squared 0.852854 0.229758 0.204142 0.346764
Sum sq. resids 174.2695 189.7731 235796.6 2951.425
S.E. equation 1.866920 1.948194 68.67264 7.683001
F-statistic 64.75562 4.281230 3.821555 6.839235
Log likelihood -111.2476 -113.6339 -313.1310 -190.4719
Akaike AIC 4.187414 4.272640 11.39754 7.016855
Schwarz SC 4.404416 4.489642 11.61454 7.233856
Mean dependent 0.522963 0.949618 -4.120177 -2.285440
S.D. dependent 4.866888 2.219825 76.97787 9.505954
Determinant resid covariance (dof adj.) 3531366.
Determinant resid covariance 2244247.
Log likelihood -727.3109
Akaike information criterion 26.97539
Schwarz criterion 27.98806
ANEXOS 122
Anexo 9 - Análise de Estabilidade
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
Inverse Roots of AR Characteristic Polynomial
Figura 9.1 - Raízes do polinômio para VAR em primeira diferença – Período T
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
Inverse Roots of AR Characteristic Polynomial
Figura 9.2 - Raízes do polinômio para VAR em primeira diferença – Período A
ANEXOS 123
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
Inverse Roots of AR Characteristic Polynomial
Figura 9.3 - Raízes do polinômio para VAR em primeira diferença – Período B
ANEXOS 124
Anexo 10 - Correlograma dos Resíduos do VEC
-.3
-.2
-.1
.0
.1
.2
.3
1 2 3 4 5 6 7 8 9 10 11 12
Cor(RPP,RPP(-i))
-.3
-.2
-.1
.0
.1
.2
.3
1 2 3 4 5 6 7 8 9 10 11 12
Cor(RPP,INC(-i))
-.3
-.2
-.1
.0
.1
.2
.3
1 2 3 4 5 6 7 8 9 10 11 12
Cor(RPP,CRDF(-i))
-.3
-.2
-.1
.0
.1
.2
.3
1 2 3 4 5 6 7 8 9 10 11 12
Cor(RPP,INT(-i))
-.3
-.2
-.1
.0
.1
.2
.3
1 2 3 4 5 6 7 8 9 10 11 12
Cor(INC,RPP(-i))
-.3
-.2
-.1
.0
.1
.2
.3
1 2 3 4 5 6 7 8 9 10 11 12
Cor(INC,INC(-i))
-.3
-.2
-.1
.0
.1
.2
.3
1 2 3 4 5 6 7 8 9 10 11 12
Cor(INC,CRDF(-i))
-.3
-.2
-.1
.0
.1
.2
.3
1 2 3 4 5 6 7 8 9 10 11 12
Cor(INC,INT(-i))
-.3
-.2
-.1
.0
.1
.2
.3
1 2 3 4 5 6 7 8 9 10 11 12
Cor(CRDF,RPP(-i))
-.3
-.2
-.1
.0
.1
.2
.3
1 2 3 4 5 6 7 8 9 10 11 12
Cor(CRDF,INC(-i))
-.3
-.2
-.1
.0
.1
.2
.3
1 2 3 4 5 6 7 8 9 10 11 12
Cor(CRDF,CRDF(-i))
-.3
-.2
-.1
.0
.1
.2
.3
1 2 3 4 5 6 7 8 9 10 11 12
Cor(CRDF,INT(-i))
-.3
-.2
-.1
.0
.1
.2
.3
1 2 3 4 5 6 7 8 9 10 11 12
Cor(INT ,RPP(-i))
-.3
-.2
-.1
.0
.1
.2
.3
1 2 3 4 5 6 7 8 9 10 11 12
Cor(INT ,INC(-i))
-.3
-.2
-.1
.0
.1
.2
.3
1 2 3 4 5 6 7 8 9 10 11 12
Cor(INT ,CRDF(-i))
-.3
-.2
-.1
.0
.1
.2
.3
1 2 3 4 5 6 7 8 9 10 11 12
Cor(INT ,INT(-i))
Autocorrelations with 2 Std.Err. Bounds
Figura 10.1 - Correlograma dos resíduos – Modelo Período Total
ANEXOS 125
-.4
-.2
.0
.2
.4
1 2 3 4 5 6 7 8 9 10 11 12
Cor(RPP,RPP(-i))
-.4
-.2
.0
.2
.4
1 2 3 4 5 6 7 8 9 10 11 12
Cor(RPP,INC(-i))
-.4
-.2
.0
.2
.4
1 2 3 4 5 6 7 8 9 10 11 12
Cor(RPP,CRDF(-i))
-.4
-.2
.0
.2
.4
1 2 3 4 5 6 7 8 9 10 11 12
Cor(RPP,INT(-i))
-.4
-.2
.0
.2
.4
1 2 3 4 5 6 7 8 9 10 11 12
Cor(INC,RPP(-i))
-.4
-.2
.0
.2
.4
1 2 3 4 5 6 7 8 9 10 11 12
Cor(INC,INC(-i))
-.4
-.2
.0
.2
.4
1 2 3 4 5 6 7 8 9 10 11 12
Cor(INC,CRDF(-i))
-.4
-.2
.0
.2
.4
1 2 3 4 5 6 7 8 9 10 11 12
Cor(INC,INT(-i))
-.4
-.2
.0
.2
.4
1 2 3 4 5 6 7 8 9 10 11 12
Cor(CRDF,RPP(-i))
-.4
-.2
.0
.2
.4
1 2 3 4 5 6 7 8 9 10 11 12
Cor(CRDF,INC(-i))
-.4
-.2
.0
.2
.4
1 2 3 4 5 6 7 8 9 10 11 12
Cor(CRDF,CRDF(-i))
-.4
-.2
.0
.2
.4
1 2 3 4 5 6 7 8 9 10 11 12
Cor(CRDF,INT(-i))
-.4
-.2
.0
.2
.4
1 2 3 4 5 6 7 8 9 10 11 12
Cor(INT ,RPP(-i))
-.4
-.2
.0
.2
.4
1 2 3 4 5 6 7 8 9 10 11 12
Cor(INT ,INC(-i))
-.4
-.2
.0
.2
.4
1 2 3 4 5 6 7 8 9 10 11 12
Cor(INT ,CRDF(-i))
-.4
-.2
.0
.2
.4
1 2 3 4 5 6 7 8 9 10 11 12
Cor(INT ,INT(-i))
Autocorrelations with 2 Std.Err. Bounds
Figura 10.2 - Correlograma dos resíduos – Modelo Período A
ANEXOS 126
-.4
-.2
.0
.2
.4
1 2 3 4 5 6 7 8 9 10 11 12
Cor(RPP,RPP(-i))
-.4
-.2
.0
.2
.4
1 2 3 4 5 6 7 8 9 10 11 12
Cor(RPP,INC(-i))
-.4
-.2
.0
.2
.4
1 2 3 4 5 6 7 8 9 10 11 12
Cor(RPP,CRDF(-i))
-.4
-.2
.0
.2
.4
1 2 3 4 5 6 7 8 9 10 11 12
Cor(RPP,INT(-i))
-.4
-.2
.0
.2
.4
1 2 3 4 5 6 7 8 9 10 11 12
Cor(INC,RPP(-i))
-.4
-.2
.0
.2
.4
1 2 3 4 5 6 7 8 9 10 11 12
Cor(INC,INC(-i))
-.4
-.2
.0
.2
.4
1 2 3 4 5 6 7 8 9 10 11 12
Cor(INC,CRDF(-i))
-.4
-.2
.0
.2
.4
1 2 3 4 5 6 7 8 9 10 11 12
Cor(INC,INT(-i))
-.4
-.2
.0
.2
.4
1 2 3 4 5 6 7 8 9 10 11 12
Cor(CRDF,RPP(-i))
-.4
-.2
.0
.2
.4
1 2 3 4 5 6 7 8 9 10 11 12
Cor(CRDF,INC(-i))
-.4
-.2
.0
.2
.4
1 2 3 4 5 6 7 8 9 10 11 12
Cor(CRDF,CRDF(-i))
-.4
-.2
.0
.2
.4
1 2 3 4 5 6 7 8 9 10 11 12
Cor(CRDF,INT(-i))
-.4
-.2
.0
.2
.4
1 2 3 4 5 6 7 8 9 10 11 12
Cor(INT ,RPP(-i))
-.4
-.2
.0
.2
.4
1 2 3 4 5 6 7 8 9 10 11 12
Cor(INT ,INC(-i))
-.4
-.2
.0
.2
.4
1 2 3 4 5 6 7 8 9 10 11 12
Cor(INT ,CRDF(-i))
-.4
-.2
.0
.2
.4
1 2 3 4 5 6 7 8 9 10 11 12
Cor(INT ,INT(-i))
Autocorrelations with 2 Std.Err. Bounds
Figura 10.3 - Correlograma dos resíduos – Modelo Período B
ANEXOS 127
Anexo 11 - Teste de Portmanteau de autocorrelação residual
Quadro 11.1: modelo Período T
VEC Residual Portmanteau Tests for Autocorrelations
Null Hypothesis: no residual autocorrelations up to lag h
Date: 03/26/17 Time: 14:21
Sample: 1975Q4 2013Q4
Included observations: 151
Lags Q-Stat Prob. Adj Q-Stat Prob. df
1 3.770527 NA* 3.795664 NA* NA*
2 36.92670 0.1205 37.39688 0.1104 28
3 60.61189 0.0488 61.56218 0.0411 44
4 77.40814 0.0647 78.81548 0.0521 60
5 104.4803 0.0168 106.8148 0.0114 76
6 123.5361 0.0158 126.6591 0.0097 92
7 142.6158 0.0144 146.6662 0.0079 108
8 152.3556 0.0426 156.9509 0.0243 124
9 173.7006 0.0280 179.6488 0.0134 140
10 186.0686 0.0504 192.8940 0.0238 156
11 197.5914 0.0881 205.3221 0.0420 172
12 205.6824 0.1791 214.1116 0.0929 188
*The test is valid only for lags larger than the VAR lag order.
df is degrees of freedom for (approximate) chi-square distribution
ANEXOS 128
Quadro 11.2 - modelo Período A
VEC Residual Portmanteau Tests for Autocorrelations
Null Hypothesis: no residual autocorrelations up to lag h
Date: 03/26/17 Time: 14:30
Sample: 1975Q4 1999Q4
Included observations: 95
Lags Q-Stat Prob. Adj Q-Stat Prob. df
1 4.318559 NA* 4.364501 NA* NA*
2 22.50127 0.7576 22.93824 0.7361 28
3 35.20824 0.8253 36.05957 0.7971 44
4 55.32412 0.6470 57.05966 0.5839 60
5 68.50606 0.7172 70.97393 0.6416 76
6 86.14974 0.6522 89.80707 0.5453 92
7 107.2907 0.5012 112.6297 0.3610 108
8 112.7694 0.7559 118.6122 0.6197 124
9 129.3959 0.7292 136.9787 0.5564 140
10 136.7191 0.8648 145.1635 0.7225 156
11 143.9277 0.9416 153.3160 0.8438 172
12 153.3578 0.9696 164.1095 0.8950 188
*The test is valid only for lags larger than the VAR lag order.
df is degrees of freedom for (approximate) chi-square distribution
ANEXOS 129
Quadro 11.3 - modelo Período B
VEC Residual Portmanteau Tests for Autocorrelations
Null Hypothesis: no residual autocorrelations up to lag h
Date: 03/26/17 Time: 14:31
Sample: 2000Q1 2013Q4
Included observations: 56
Lags Q-Stat Prob. Adj Q-Stat Prob. df
1 3.428262 NA* 3.490594 NA* NA*
2 18.69992 0.9071 19.32787 0.8877 28
3 33.72373 0.8691 35.20208 0.8255 44
4 46.79070 0.8936 49.27420 0.8371 60
5 71.91910 0.6113 76.86617 0.4506 76
6 92.13177 0.4765 99.50437 0.2784 92
7 104.1411 0.5872 113.2294 0.3463 108
8 115.9439 0.6846 126.9992 0.4086 124
9 130.0290 0.7158 143.7814 0.3960 140
10 144.9244 0.7273 161.9150 0.3563 156
11 157.3045 0.7823 177.3213 0.3745 172
12 164.3133 0.8929 186.2417 0.5225 188
*The test is valid only for lags larger than the VAR lag order.
df is degrees of freedom for (approximate) chi-square distribution
ANEXOS 130
Anexo 12 - Teste LM de correlação serial
Quadro 12.1 - Modelo Período Total
VEC Residual Serial Correlation LM
Tests
Null Hypothesis: no serial correlation at
lag order h
Date: 03/26/17 Time: 16:10
Sample: 1975Q4 2013Q4
Included observations: 151
Lags LM-Stat Prob
1 20.74900 0.1884
2 44.05999 0.0002
3 25.09718 0.0681
4 18.26244 0.3088
5 29.07826 0.0234
6 20.55061 0.1964
7 20.74627 0.1885
8 10.38180 0.8459
9 22.38521 0.1312
10 13.11879 0.6641
11 12.07147 0.7390
12 8.398786 0.9361
Probs from chi-square with 16 df.
ANEXOS 131
Quadro 12.2 - Modelo Período A
VEC Residual Serial Correlation LM
Tests
Null Hypothesis: no serial correlation at
lag order h
Date: 03/26/17 Time: 16:11
Sample: 1975Q4 1999Q4
Included observations: 95
Lags LM-Stat Prob
1 20.27773 0.2080
2 27.21820 0.0391
3 13.02670 0.6708
4 21.16906 0.1721
5 13.29819 0.6508
6 18.67163 0.2861
7 22.91661 0.1160
8 5.762121 0.9905
9 17.13000 0.3772
10 7.803090 0.9545
11 7.743018 0.9562
12 9.591330 0.8871
Probs from chi-square with 16 df.
ANEXOS 132
Quadro 12.3 - Modelo Período B
VEC Residual Serial Correlation LM
Tests
Null Hypothesis: no serial correlation at
lag order h
Date: 03/26/17 Time: 16:12
Sample: 2000Q1 2013Q4
Included observations: 56
Lags LM-Stat Prob
1 6.479636 0.9820
2 18.50783 0.2950
3 15.06641 0.5198
4 13.21203 0.6572
5 26.47101 0.0478
6 22.44887 0.1293
7 13.76111 0.6165
8 11.87358 0.7526
9 17.08893 0.3799
10 15.04984 0.5210
11 12.73568 0.6920
12 7.348609 0.9659
Probs from chi-square with 16 df.
ANEXOS 133
Anexo 13 - Teste de Normalidade
Quadro 13.1: Modelo Período Total
VEC Residual Normality Tests
Orthogonalization: Cholesky (Lutkepohl)
Null Hypothesis: residuals are multivariate normal
Date: 03/26/17 Time: 16:30
Sample: 1975Q4 2013Q4
Included observations: 151
Component Skewness Chi-sq df Prob.
1 -0.096191 0.232861 1 0.6294
2 -0.103820 0.271259 1 0.6025
3 -1.115505 31.31618 1 0.0000
4 1.039314 27.18438 1 0.0000
Joint 59.00468 4 0.0000
Component Kurtosis Chi-sq df Prob.
1 5.977764 55.78871 1 0.0000
2 3.898656 5.081036 1 0.0242
3 5.744544 47.39213 1 0.0000
4 12.80307 604.6307 1 0.0000
Joint 712.8926 4 0.0000
Component Jarque-Bera df Prob.
1 56.02157 2 0.0000
2 5.352295 2 0.0688
3 78.70831 2 0.0000
4 631.8151 2 0.0000
Joint 771.8973 8 0.0000
ANEXOS 134
Quadro 13.2 - Modelo Período A
VEC Residual Normality Tests
Orthogonalization: Cholesky (Lutkepohl)
Null Hypothesis: residuals are multivariate normal
Date: 03/26/17 Time: 16:44
Sample: 1975Q4 1999Q4
Included observations: 95
Component Skewness Chi-sq df Prob.
1 -0.083286 0.109830 1 0.7403
2 0.174366 0.481387 1 0.4878
3 -0.530400 4.454294 1 0.0348
4 0.867322 11.91059 1 0.0006
Joint 16.95610 4 0.0020
Component Kurtosis Chi-sq df Prob.
1 4.211664 5.811343 1 0.0159
2 3.244662 0.236943 1 0.6264
3 3.528936 1.107436 1 0.2926
4 7.692484 87.16017 1 0.0000
Joint 94.31589 4 0.0000
Component Jarque-Bera df Prob.
1 5.921173 2 0.0518
2 0.718330 2 0.6983
3 5.561731 2 0.0620
4 99.07076 2 0.0000
Joint 111.2720 8 0.0000
ANEXOS 135
Quadro 13.3 - Modelo Período B
VEC Residual Normality Tests
Orthogonalization: Cholesky (Lutkepohl)
Null Hypothesis: residuals are multivariate normal
Date: 03/26/17 Time: 16:45
Sample: 2000Q1 2013Q4
Included observations: 56
Component Skewness Chi-sq df Prob.
1 0.039496 0.014560 1 0.9040
2 0.074948 0.052427 1 0.8189
3 -0.899665 7.554370 1 0.0060
4 -0.332322 1.030752 1 0.3100
Joint 8.652108 4 0.0704
Component Kurtosis Chi-sq df Prob.
1 4.264295 3.729698 1 0.0535
2 2.514693 0.549554 1 0.4585
3 3.966270 2.178582 1 0.1399
4 4.581381 5.835121 1 0.0157
Joint 12.29295 4 0.0153
Component Jarque-Bera df Prob.
1 3.744257 2 0.1538
2 0.601981 2 0.7401
3 9.732952 2 0.0077
4 6.865873 2 0.0323
Joint 20.94506 8 0.0073
ANEXOS 136
Anexo 14 - Testes de Exogeneidade
Quadro 14.1 - Modelo Período Total ____________________________________________
Vector Error Correction Estimates
Date: 03/26/17 Time: 18:56
Sample (adjusted): 1976Q2 2013Q4
Included observations: 151 after adjustments
Standard errors in ( ) & t-statistics in [ ]
Cointegration Restrictions:
A(1,1)=0
Convergence achieved after 24 iterations.
Not all cointegrating vectors are identified
LR test for binding restrictions (rank = 1):
Chi-square(1) 18.26318
Probability 0.000019
____________________________________________
Vector Error Correction Estimates
Date: 03/26/17 Time: 18:59
Sample (adjusted): 1976Q2 2013Q4
Included observations: 151 after adjustments
Standard errors in ( ) & t-statistics in [ ]
Cointegration Restrictions:
A(2,1)=0
Convergence achieved after 12 iterations.
Not all cointegrating vectors are identified
LR test for binding restrictions (rank = 1):
Chi-square(1) 1.832233
Probability 0.175864
____________________________________________
Vector Error Correction Estimates
Date: 03/26/17 Time: 19:01
Sample (adjusted): 1976Q2 2013Q4
Included observations: 151 after adjustments
Standard errors in ( ) & t-statistics in [ ]
Cointegration Restrictions:
A(3,1)=0
Convergence achieved after 7 iterations.
Not all cointegrating vectors are identified
LR test for binding restrictions (rank = 1):
Chi-square(1) 0.017201
Probability 0.895653
ANEXOS 137
____________________________________________
Vector Error Correction Estimates
Date: 03/26/17 Time: 19:01
Sample (adjusted): 1976Q2 2013Q4
Included observations: 151 after adjustments
Standard errors in ( ) & t-statistics in [ ]
Cointegration Restrictions:
A(4,1)=0
Convergence achieved after 10 iterations.
Not all cointegrating vectors are identified
LR test for binding restrictions (rank = 1):
Chi-square(1) 0.442210
Probability 0.506058
ANEXOS 138
Quadro 14.2 - Modelo Período A _____________________________________________
Vector Error Correction Estimates
Date: 03/26/17 Time: 19:03
Sample (adjusted): 1976Q2 1999Q4
Included observations: 95 after adjustments
Standard errors in ( ) & t-statistics in [ ]
Cointegration Restrictions:
A(1,1)=0
Convergence achieved after 8 iterations.
Not all cointegrating vectors are identified
LR test for binding restrictions (rank = 1):
Chi-square(1) 11.59899
Probability 0.000660
____________________________________________
Vector Error Correction Estimates
Date: 03/26/17 Time: 19:04
Sample (adjusted): 1976Q2 1999Q4
Included observations: 95 after adjustments
Standard errors in ( ) & t-statistics in [ ]
Cointegration Restrictions:
A(2,1)=0
Convergence achieved after 7 iterations.
Not all cointegrating vectors are identified
LR test for binding restrictions (rank = 1):
Chi-square(1) 0.700178
Probability 0.402724
____________________________________________
Vector Error Correction Estimates
Date: 03/26/17 Time: 19:04
Sample (adjusted): 1976Q2 1999Q4
Included observations: 95 after adjustments
Standard errors in ( ) & t-statistics in [ ]
Cointegration Restrictions:
A(3,1)=0
Convergence achieved after 9 iterations.
Not all cointegrating vectors are identified
LR test for binding restrictions (rank = 1):
Chi-square(1) 5.032853
Probability 0.024871
ANEXOS 139
____________________________________________
Vector Error Correction Estimates
Date: 03/26/17 Time: 19:05
Sample (adjusted): 1976Q2 1999Q4
Included observations: 95 after adjustments
Standard errors in ( ) & t-statistics in [ ]
Cointegration Restrictions:
A(4,1)=0
Convergence achieved after 2 iterations.
Not all cointegrating vectors are identified
LR test for binding restrictions (rank = 1):
Chi-square(1) 0.007581
Probability 0.930614
ANEXOS 140
Quadro 14.3 - Modelo Período B ________________________________________________
Vector Error Correction Estimates
Date: 03/26/17 Time: 19:06
Sample: 2000Q1 2013Q4
Included observations: 56
Standard errors in ( ) & t-statistics in [ ]
Cointegration Restrictions:
A(1,1)=0
Convergence achieved after 15 iterations.
Not all cointegrating vectors are identified
LR test for binding restrictions (rank = 1):
Chi-square(1) 12.02012
Probability 0.000526
_________________________________________________
Vector Error Correction Estimates
Date: 03/26/17 Time: 19:07
Sample: 2000Q1 2013Q4
Included observations: 56
Standard errors in ( ) & t-statistics in [ ]
Cointegration Restrictions:
A(2,1)=0
Convergence achieved after 9 iterations.
Not all cointegrating vectors are identified
LR test for binding restrictions (rank = 1):
Chi-square(1) 0.000433
Probability 0.983396
____________________________________________
Vector Error Correction Estimates
Date: 03/26/17 Time: 19:07
Sample: 2000Q1 2013Q4
Included observations: 56
Standard errors in ( ) & t-statistics in [ ]
Cointegration Restrictions:
A(3,1)=0
Convergence achieved after 7 iterations.
Not all cointegrating vectors are identified
LR test for binding restrictions (rank = 1):
Chi-square(1) 0.048047
Probability 0.826498
Cointegrating Eq: CointEq1
ANEXOS 141
____________________________________________
Vector Error Correction Estimates
Date: 03/26/17 Time: 19:08
Sample: 2000Q1 2013Q4
Included observations: 56
Standard errors in ( ) & t-statistics in [ ]
Cointegration Restrictions:
A(4,1)=0
Convergence achieved after 17 iterations.
Not all cointegrating vectors are identified
LR test for binding restrictions (rank = 1):
Chi-square(1) 0.470819
Probability 0.492610
ANEXOS 142
Anexo 15 - Teste de Causalidade Conjunta de Granger
Quadro 15.1 - Modelo Período T
VEC Granger Causality/Block Exogeneity Wald Tests
Date: 02/26/17 Time: 21:30
Sample: 1975Q4 2013Q4
Included observations: 151
Dependent variable: D(RPP)
Excluded Chi-sq df Prob.
D(INC) 11.65319 1 0.0006
D(CRDF) 1.627574 1 0.2020
D(INT) 0.548361 1 0.4590
All 14.13769 3 0.0027
Dependent variable: D(INC)
Excluded Chi-sq df Prob.
D(RPP) 3.023663 1 0.0821
D(CRDF) 1.539658 1 0.2147
D(INT) 0.542993 1 0.4612
All 4.726505 3 0.1930
Dependent variable: D(CRDF)
Excluded Chi-sq df Prob.
D(RPP) 22.39045 1 0.0000
D(INC) 0.004462 1 0.9467
D(INT) 5.222078 1 0.0223
All 25.21050 3 0.0000
Dependent variable: D(INT)
Excluded Chi-sq df Prob.
D(RPP) 6.799176 1 0.0091
D(INC) 1.068885 1 0.3012
D(CRDF) 1.087626 1 0.2970
All 9.990560 3 0.0186
ANEXOS 143
Quadro 15.2 - Modelo Período A
VEC Granger Causality/Block Exogeneity Wald Tests
Date: 02/26/17 Time: 21:41
Sample: 1975Q4 1999Q4
Included observations: 95
Dependent variable: D(RPP)
Excluded Chi-sq df Prob.
D(INC) 0.638274 1 0.4243
D(CRDF) 5.283575 1 0.0215
D(INT) 8.308371 1 0.0039
All 13.00426 3 0.0046
Dependent variable: D(INC)
Excluded Chi-sq df Prob.
D(RPP) 1.598074 1 0.2062
D(CRDF) 3.561149 1 0.0591
D(INT) 1.852485 1 0.1735
All 6.664233 3 0.0834
Dependent variable: D(CRDF)
Excluded Chi-sq df Prob.
D(RPP) 7.401835 1 0.0065
D(INC) 0.051233 1 0.8209
D(INT) 8.080315 1 0.0045
All 16.61188 3 0.0008
Dependent variable: D(INT)
Excluded Chi-sq df Prob.
D(RPP) 4.319364 1 0.0377
D(INC) 0.132244 1 0.7161
D(CRDF) 1.453174 1 0.2280
All 6.238759 3 0.1006
ANEXOS 144
Quadro 15.3 - Modelo Período B
VEC Granger Causality/Block Exogeneity Wald Tests
Date: 02/26/17 Time: 21:47
Sample: 2000Q1 2013Q4
Included observations: 56
Dependent variable: D(RPP)
Excluded Chi-sq df Prob.
D(INC) 4.700814 1 0.0301
D(CRDF) 3.842755 1 0.0500
D(INT) 5.168312 1 0.0230
All 14.14051 3 0.0027
Dependent variable: D(INC)
Excluded Chi-sq df Prob.
D(RPP) 1.592026 1 0.2070
D(CRDF) 0.865387 1 0.3522
D(INT) 0.083017 1 0.7732
All 3.428479 3 0.3302
Dependent variable: D(CRDF)
Excluded Chi-sq df Prob.
D(RPP) 9.425097 1 0.0021
D(INC) 0.005445 1 0.9412
D(INT) 0.479383 1 0.4887
All 10.17497 3 0.0171
Dependent variable: D(INT)
Excluded Chi-sq df Prob.
D(RPP) 6.204865 1 0.0127
D(INC) 5.571688 1 0.0183
D(CRDF) 0.360539 1 0.5482
All 14.51756 3 0.0023
ANEXOS 145
Anexo 16 - Função Impulso-Resposta: gráficos e tabelas dos períodos T, A e B
-4
0
4
8
5 10 15 20 25 30
Response of RPP to RPP
-4
0
4
8
5 10 15 20 25 30
Response of RPP to INC
-4
0
4
8
5 10 15 20 25 30
Response of RPP to CRDF
-4
0
4
8
5 10 15 20 25 30
Response of RPP to INT
Response to Cholesky One S.D. Innovations
Figura 16.1 - Gráficos da função Impulso-Resposta período T
ANEXOS 146
-2
-1
0
1
2
3
4
5
5 10 15 20 25 30
Response of RPP to RPP
-2
-1
0
1
2
3
4
5
5 10 15 20 25 30
Response of RPP to INC
-2
-1
0
1
2
3
4
5
5 10 15 20 25 30
Response of RPP to CRDF
-2
-1
0
1
2
3
4
5
5 10 15 20 25 30
Response of RPP to INT
Response to Cholesky One S.D. Innovations
Figura 16.2 - Gráficos da função Impulso-Resposta período A
ANEXOS 147
-10
-5
0
5
10
15
5 10 15 20 25 30
Response of RPP to RPP
-10
-5
0
5
10
15
5 10 15 20 25 30
Response of RPP to INC
-10
-5
0
5
10
15
5 10 15 20 25 30
Response of RPP to CRDF
-10
-5
0
5
10
15
5 10 15 20 25 30
Response of RPP to INT
Response to Cholesky One S.D. Innovations
Figura 16.3 - Gráficos da função Impulso-Resposta período B
ANEXOS 148
Quadro 16.1 - Tabela da função Impulso-Resposta período T
Period RPP INC CRDF INT
1 1.429291 0.012838 -0.085284 -0.139369
2 2.481086 -0.328107 0.037648 -0.394497
3 3.173024 -0.440975 0.403769 -0.637486
4 3.594513 -0.517536 0.875416 -0.916336
5 3.788643 -0.528705 1.451642 -1.189455
6 3.808595 -0.496650 2.075072 -1.462040
7 3.693842 -0.432380 2.724320 -1.722253
8 3.480243 -0.344587 3.373009 -1.967698
9 3.197022 -0.241816 4.004551 -2.194629
10 2.868560 -0.130158 4.605589 -2.401501
11 2.514572 -0.014893 5.167169 -2.587426
12 2.150774 0.100036 5.683434 -2.752371
13 1.789394 0.211567 6.151188 -2.896864
14 1.439671 0.317490 6.569309 -3.021862
15 1.108323 0.416264 6.938292 -3.128628
16 0.799963 0.506913 7.259850 -3.218616
17 0.517477 0.588916 7.536574 -3.293387
18 0.262360 0.662109 7.771654 -3.354546
19 0.035007 0.726608 7.968651 -3.403681
20 -0.165039 0.782738 8.131309 -3.442331
21 -0.338864 0.830972 8.263411 -3.471949
22 -0.488009 0.871887 8.368666 -3.493887
23 -0.614316 0.906118 8.450627 -3.509385
24 -0.719810 0.934333 8.512631 -3.519560
25 -0.806594 0.957201 8.557761 -3.525406
26 -0.876781 0.975379 8.588820 -3.527799
27 -0.932428 0.989492 8.608327 -3.527498
28 -0.975496 1.000129 8.618509 -3.525155
29 -1.007819 1.007831 8.621318 -3.521321
30 -1.031086 1.013089 8.618438 -3.516457
ANEXOS 149
Quadro 16.2 - Tabela da função Impulso-Resposta período A
Period RPP INC CRDF INT
1 0.743878 0.292139 0.315818 -0.197444
2 1.133606 0.521391 0.685180 -0.571506
3 1.315824 0.646280 1.124666 -0.788971
4 1.420975 0.722368 1.533313 -0.970249
5 1.486712 0.771538 1.897681 -1.112958
6 1.532693 0.806599 2.216402 -1.230749
7 1.567678 0.833541 2.491372 -1.329710
8 1.595634 0.855213 2.727734 -1.413356
9 1.618714 0.873161 2.930247 -1.484529
10 1.638077 0.888246 3.103568 -1.545187
11 1.654472 0.901029 3.251797 -1.596964
12 1.668415 0.911907 3.378526 -1.641186
13 1.680303 0.921182 3.486854 -1.678968
14 1.690450 0.929101 3.579445 -1.711252
15 1.699117 0.935865 3.658582 -1.738842
16 1.706521 0.941644 3.726217 -1.762420
17 1.712849 0.946583 3.784023 -1.782571
18 1.718256 0.950803 3.833427 -1.799793
19 1.722877 0.954410 3.875651 -1.814512
20 1.726826 0.957492 3.911737 -1.827091
21 1.730202 0.960126 3.942578 -1.837842
22 1.733086 0.962378 3.968937 -1.847030
23 1.735552 0.964302 3.991464 -1.854883
24 1.737659 0.965947 4.010718 -1.861594
25 1.739460 0.967352 4.027172 -1.867330
26 1.740999 0.968553 4.041235 -1.872232
27 1.742314 0.969580 4.053254 -1.876422
28 1.743438 0.970457 4.063526 -1.880002
29 1.744399 0.971207 4.072305 -1.883062
30 1.745220 0.971848 4.079808 -1.885678
ANEXOS 150
Quadro 16.3 - Tabela da função Impulso-Resposta período B
Period RPP INC CRDF INT
1 1.835004 -0.169821 -0.298789 0.006127
2 2.897587 -0.632476 -0.015168 0.433792
3 3.453015 -0.434148 0.941132 0.685776
4 3.753288 -0.388334 2.030579 0.662724
5 3.814110 -0.209721 3.360681 0.428685
6 3.725326 -0.060918 4.713298 0.027293
7 3.515301 0.109544 6.086795 -0.478036
8 3.229683 0.269253 7.398122 -1.046130
9 2.895399 0.422690 8.627041 -1.638091
10 2.538622 0.563111 9.743559 -2.226783
11 2.177779 0.689414 10.73743 -2.790841
12 1.827495 0.800391 11.60228 -3.315845
13 1.497966 0.895819 12.33943 -3.792268
14 1.196114 0.976200 12.95414 -4.214921
15 0.926033 1.042362 13.45500 -4.581895
16 0.689598 1.095521 13.85258 -4.893846
17 0.486960 1.137019 14.15859 -5.153299
18 0.316976 1.168311 14.38511 -5.364076
19 0.177588 1.190846 14.54411 -5.530824
20 0.066129 1.206031 14.64697 -5.658633
21 -0.020419 1.215185 14.70424 -5.752734
22 -0.085224 1.219511 14.72548 -5.818266
23 -0.131449 1.220085 14.71910 -5.860113
24 -0.162137 1.217846 14.69243 -5.882785
25 -0.180127 1.213596 14.65164 -5.890349
26 -0.188001 1.208008 14.60185 -5.886392
27 -0.188058 1.201631 14.54721 -5.874009
28 -0.182295 1.194904 14.49099 -5.855814
29 -0.172415 1.188164 14.43567 -5.833969
30 -0.159838 1.181666 14.38308 -5.810217
ANEXOS 151
Anexo 17 - Decomposição da Variância dos Erros de Previsão
Quadro 17.1 - Tabela da Decomposição da Variância dos Erros de Previsão: Modelo
Período T
Period S.E. RPP INC CRDF INT
1 1.438657 98.70216 0.007963 0.351416 0.938458
2 2.913798 96.56592 1.269922 0.102362 2.061799
3 4.395700 94.53768 1.564411 0.888720 3.009185
4 5.840939 91.41383 1.671100 2.749614 4.165461
5 7.229936 87.12331 1.625442 5.825946 5.425305
6 8.571320 81.73200 1.492241 10.00614 6.769625
7 9.883675 75.43575 1.313649 15.12298 8.127622
8 11.18780 68.55091 1.120108 20.89241 9.436575
9 12.50196 61.43603 0.934413 26.99107 10.63849
10 13.83920 54.43337 0.771405 33.10210 11.69313
11 15.20661 47.81836 0.639005 38.96275 12.57988
12 16.60584 41.77693 0.539484 44.38716 13.29642
13 18.03412 36.40612 0.471178 49.26873 13.85398
14 19.48565 31.73009 0.430143 53.56792 14.27186
15 20.95281 27.72183 0.411481 57.29397 14.57272
16 22.42726 24.32381 0.410243 60.48676 14.77919
17 23.90069 21.46410 0.421934 63.20208 14.91188
18 25.36537 19.06756 0.442749 65.50123 14.98846
19 26.81446 17.06253 0.469616 67.44438 15.02347
20 28.24222 15.38439 0.500148 69.08697 15.02849
21 29.64400 13.97689 0.532543 70.47803 15.01253
22 31.01624 12.79226 0.565484 71.65979 14.98247
23 32.35637 11.79060 0.598036 72.66791 14.94346
24 33.66271 10.93897 0.629559 73.53217 14.89930
25 34.93434 10.21040 0.659636 74.27723 14.85273
26 36.17101 9.582920 0.688018 74.92335 14.80572
27 37.37294 9.038694 0.714574 75.48714 14.75959
28 38.54081 8.563273 0.739263 75.98222 14.71524
29 39.67559 8.144958 0.762105 76.41970 14.67323
30 40.77848 7.774272 0.783160 76.80869 14.63388
ANEXOS 152
Quadro 17.2 - Tabela da Decomposição da Variância dos Erros de Previsão: Modelo
Período A
Period S.E. RPP INC CRDF INT
1 0.881717 71.17793 10.97793 12.82963 5.014518
2 1.769301 58.72738 11.41038 18.18322 11.67901
3 2.677096 49.81006 10.81189 25.59126 13.78679
4 3.605588 42.99128 9.974317 32.19270 14.84171
5 4.543755 37.77680 9.163930 37.71401 15.34525
6 5.483853 33.74641 8.454730 42.22696 15.57190
7 6.418731 30.59713 7.857627 45.88750 15.65774
8 7.342728 28.10334 7.361016 48.86565 15.67000
9 8.251574 26.10183 6.948532 51.30469 15.64495
10 9.142236 24.47417 6.604567 53.31952 15.60174
11 10.01270 23.13413 6.315934 54.99915 15.55079
12 10.86173 22.01825 6.071983 56.41203 15.49774
13 11.68872 21.07935 5.864269 57.61079 15.44558
14 12.49352 20.28187 5.686129 58.63612 15.39588
15 13.27628 19.59868 5.532298 59.51968 15.34934
16 14.03743 19.00883 5.398598 60.28635 15.30622
17 14.77754 18.49594 5.281689 60.95584 15.26653
18 15.49730 18.04708 5.178886 61.54392 15.23012
19 16.19749 17.65191 5.088011 62.06330 15.19678
20 16.87890 17.30211 5.007288 62.52433 15.16628
21 17.54236 16.99090 4.935254 62.93547 15.13838
22 18.18868 16.71274 4.870699 63.30373 15.11283
23 18.81868 16.46303 4.812617 63.63492 15.08943
24 19.43313 16.23795 4.760160 63.93393 15.06796
25 20.03280 16.03431 4.712618 64.20483 15.04824
26 20.61841 15.84941 4.669385 64.45111 15.03010
27 21.19067 15.68096 4.629948 64.67571 15.01338
28 21.75023 15.52702 4.593865 64.88117 14.99795
29 22.29772 15.38592 4.560758 65.06964 14.98368
30 22.83373 15.25623 4.530301 65.24301 14.97046
ANEXOS 153
Quadro 17.3 - Tabela da Decomposição da Variância dos Erros de Previsão: Modelo
Período B
Period S.E. RPP INC CRDF INT
1 1.866920 96.61008 0.827432 2.561409 0.001077
2 3.531265 94.33366 3.439216 0.717774 1.509346
3 5.092902 91.32117 2.380125 3.759919 2.538789
4 6.688653 84.43308 1.716998 11.39630 2.453628
5 8.414716 73.89219 1.146963 23.15104 1.809804
6 10.33949 61.92334 0.763149 36.11411 1.199401
7 12.51208 50.17920 0.528799 48.32700 0.965008
8 14.92923 39.92580 0.403955 58.50141 1.168837
9 17.56568 31.55720 0.349700 66.37914 1.713957
10 20.37671 25.00307 0.336240 72.19277 2.467913
11 23.31329 19.97353 0.344317 76.36375 3.318401
12 26.32675 16.14459 0.362434 79.30443 4.188537
13 29.37324 13.22942 0.384163 81.35482 5.031596
14 32.41521 10.99908 0.406138 82.77249 5.822293
15 35.42204 9.279350 0.426708 83.74497 6.548968
16 38.36978 7.940653 0.445183 84.40603 7.208131
17 41.24066 6.887532 0.461372 84.85017 7.800923
18 44.02230 6.049812 0.475341 85.14389 8.330956
19 46.70689 5.375789 0.487274 85.33392 8.803020
20 49.29043 4.827198 0.497400 85.45306 9.222338
21 51.77192 4.375556 0.505953 85.52435 9.594144
22 54.15273 3.999521 0.513157 85.56387 9.923455
23 56.43595 3.682993 0.519214 85.58284 10.21495
24 58.62594 3.413739 0.524300 85.58902 10.47294
25 60.72786 3.182395 0.528570 85.58771 10.70133
26 62.74736 2.981741 0.532158 85.58247 10.90363
27 64.69031 2.806165 0.535175 85.57567 11.08299
28 66.56257 2.651272 0.537718 85.56878 11.24223
29 68.36989 2.513592 0.539866 85.56271 11.38384
30 70.11772 2.390360 0.541688 85.55794 11.51002
