Trabalho Final - Econometria

 UNIVERSIDADE FEDERAL DA PARAÍBA

POLÍTICA FISCAL E ESTABILIDADE MACROECNÔMICA

Resumo

Nesta tese desenvolve-se um modelo macrodinâmico que considera o caso de uma política fiscal ativa e estima-se uma função de reação para a autoridade fiscal brasileira. O modelo teórico foi inspirado na crescente discussão que os economistas vêm fazendo em torno do papel da política fiscal e sua importância no processo de estabilidade macroeconômica. Nos exercícios empíricos procurou-se verificar se a natureza da política fiscal brasileira tem sido pró-cíclica e se o comportamento do Tesouro tem sido compatível com a estabilização da dívida pública e da inflação. Os principais resultados desta Tese sugerem que: (1) a política fiscal pode ser uma ferramenta útil de estabilização macroeconômica; (2) a atuação contracíclica da política fiscal é compatível com o equilíbrio dinâmico apenas se a autoridade monetária não for leniente com a inflação; (3) sob política fiscal ativa o regime monetário híbrido é preferível ao conservador; (4) a política fiscal no Brasil é pró-cíclica; (5) o comportamento das finanças públicas tem sido coerente com a estabilização da dívida; (6) a função de reação fiscal do Brasil não tem contemplado a inflação em seus objetivos. Palavras chaves: Política fiscal ativa; estabilidade; macrodinâmica; função de reação fiscal.

Introdução

Durante o período que se estendeu do Pós-Guerra à estagflação dos anos 1970, o papel do Estado foi notório no processo de estabilização da atividade econômica. A sintonia fina da política macroeconômica buscava garantir o crescimento do produto próximo da sua tendência de longo prazo, num contexto de pressões inflacionárias desprezíveis. No decorrer do século XX, quando a aceleração inflacionária tornou-se um problema notável,vários argumentos teóricos em defesa do gerenciamento discricionário da política econômica passaram a ser duramente criticados pelos economistas.

Em geral, o arcabouço de teoria econômica que se tornou hegemônico no pós-1970 deu muito peso às ineficiências micro e macroeconômicas oriundas da intervenção governamental na atividade econômica. Esta percepção, diga-se de passagem, foi dominante tanto nas universidades quanto nos espaços de tomada de decisão. Neste sentido, o papel ativo da política fiscal é uma das questões que surgem quando se discute como deve ser o comportamento das autoridades governamentais na ocorrência dos diversos choques na atividade econômica.

Tobin (2001) destacou que o desenvolvimento da macroeconomia em torno do debate da política fiscal no final do século XX foi uma mistura de “teoria econômica”, “política” e “ideologia”. Allsopp & Vines (2005) lembraram que faz parte da sabedoria convencional pensar que a autoridade fiscal não deve se preocupar prioritariamente com o controle da inflação ou com a estabilização da atividade econômica, posto que o que se espera da política fiscal é que ela seja “sustentável”. Deste modo, o que se observa nas últimas quatro décadas é que a política fiscal foi perdendo espaço enquanto ferramenta de política para o gerenciamento da demanda agregada, ao passo que a política monetária passou a ser a ferramenta estabilizadora dominante (WREN-LEWIS, 2000; SOLOW, 2005; BLINDER, 2006).

Nos dias atuais, os economistas passaram a discutir com mais intensidade o papel da política fiscal ativa e discricionária, especialmente após a “Grande Recessão” que se iniciou no final de 2007 nos Estados Unidos (ROMER, 2011). Este fato está relacionado tanto com o reconhecimento da ineficácia da política monetária no contexto de uma taxa básica de juros próxima a zero (KRUGMAN, 1998; WOODFORD, 2011) quanto com o redescobrimento do papel estabilizador da política fiscal no plano prático (FELDSTEIN, 2009; AUERBACH; GALE & HARRIS, 2010). A despeito desta notável inflexão, é importante ressaltar que não existe na teoria econômica um consenso em favor do uso discricionário da política fiscal 2 tendo em vista a macro estabilidade. Além disso, muitos trabalhos empíricos têm sugerido que o comportamento da autoridade fiscal nos países em desenvolvimento não é coerente com a estabilização macroeconômica, o que não é desejável quando se pensa em termos de bem-estar social (GAVIN & PEROTTI, 1997; CATAO & SUTON, 2000; KAMINSKY, REINHART & VEGH, 2004). Dada estas constatações, pode-se afirmar que muitas questões acerca da importância da política de manipulação dos gastos (receitas) públicos na promoção do bem-estar estão em aberto. Neste amplo contexto, o objetivo desta tese é contribuir com a literatura teórica e empírica sobre o papel da política fiscal na estabilidade macroeconômica. Para tanto, optou-se por dividir este trabalho em mais três capítulos além desta introdução e das considerações finais.

O propósito do capítulo dois é situar o leitor no tema desta pesquisa a partir de uma breve revisão da literatura. O capítulo apresenta alguns modelos analíticos que incorporam o papel da política fiscal e sua interação com a política monetária no processo de macro-estabilização e também expõe algumas evidências (nacionais e internacionais) acerca do comportamento da autoridade fiscal frente a mudanças no ambiente macroeconômico. Em seguida, partindo da noção de que o papel da política fiscal precisa ser repensado, desenvolveu-se no capítulo três um modelo formal no qual uma função de reação fiscal é levada em conta. A questão principal deste capítulo é saber se, para determinadas configurações de política monetária, uma política fiscal ativa é compatível com o equilíbrio dinâmico.

O objetivo do capítulo quatro, por sua vez, é estimar o comportamento da autoridade fiscal brasileira no período recente. Nesse sentido, levando em conta o atual arranjo de política macroeconômica com metas de superávit primário na arena fiscal e com metas de inflação na condução da política monetária, procura-se investigar se a política fiscal brasileira permaneceu pró-cíclica e se o comportamento do Tesouro foi coerente com a estabilização da dívida pública e da inflação.

Pacotes

options(scipen = 999999)
library(readxl)
library(tidyverse)
library(fBasics)
library(rbcb)
library(deflateBR)
library(mFilter)
library(ipeadatar)
library(whitestrap)
library(lmtest)
library(FinTS)
library(urca)
library(vars)
library(dynlm)

Base de Dados

#-----------------------------Base BCB----------------------#
# DCC = Despesas com Custos e Capital do Governo Central
# Para essa variável usei os Custeios administrativos mais os Investimentos.

DCC <- readxl::read_excel("DCC(1).xlsx") 

IPCA <- get_series(13522, start_date = "2019-01-01", end_date = "2024-02-01")

PIB <- get_series(4382, start_date = "2019-01-01", end_date = "2024-02-01")

DNT <- get_series(5069, start_date = "2019-01-01", end_date = "2024-02-01")

SELIC <- get_series(4189, start_date = "2018-12-31", end_date = "2024-02-01")

DLSP <- get_series(4503, start_date = "2019-01-01", end_date = "2024-02-01")

IBCBr <- get_series(24364, start_date = "2019-01-01", end_date = "2024-02-01")
#------------------------Expectativas-----------------------#

exp12m <- ipeadata(code = "BM12_IPCAEXP1212", language = "br")[2:3]
EIPCA <- ts(exp12m$value, frequency = 12, start = c(2001,07,01))
Eipca<- window(EIPCA, start = c(2019, 1), end = c(2024, 2))

#-----------------------------------------------------------#
times = seq(as.Date("2019/1/1"), by = "month", length.out = 62)

IBCBr <- ts(IBCBr$`24364`, frequency = 12, start = c(2019,01,01)) |> 
  deflate( nominal_dates = times, real_date = '03/2024', index = 'ipca')

DNT <- ts(DNT$`5069`, frequency = 12, start = c(2019,01,01)) |> 
  deflate( nominal_dates = times, real_date = '03/2024', index = 'igpdi')

DLSP <- ts(DLSP$`4503`, frequency = 12, start = c(2019,01,01))

ipca <- ts(IPCA$`13522`,frequency = 12, start = c(2019,01,01))


pib <- ts(PIB$`4382`, frequency = 12, start = c(2019,01,01)) |> 
  deflate( nominal_dates = times, real_date = '03/2024', index = 'ipca')

{
times1 = seq(as.Date("2018/1/1"), by = "month", length.out = 75)
DCC <- ts(DCC$DCC, frequency = 12, start = c(2018,01,01), end = c(2024,03,01)) |> 
  deflate( nominal_dates = times1, real_date = '03/2024', index = 'igpdi') |>
zoo() |> 
rollapply( 12, sum, align = "right", fill = NA) |> 
na.omit()

DCC = window(DCC, start = c(2019, 1))
DCC1 <- ts(DCC[2:63],frequency = 12, start = c(2019,01))
}
# houve um erro na leitura dos dados o que causou a não leitura da virgula, tornando os valores muito altos.

selic <- ts(SELIC$`4189`, frequency = 12, start = c(2019,01,01)) 

selicR <- (((1+selic/100)/(1+ipca/100))-1)*100


#-------------Hiato do PIB e IBC-Br-------------#

Pib.hp<-hpfilter(na.omit(pib, type='lambda', freq=14400))
pib.potencial<-Pib.hp$trend
hiato<-Pib.hp$cycle

IBC.hp <-hpfilter(na.omit(IBCBr, type='lambda', freq=129600))
pib.potencial<-IBC.hp$trend
hiato1<-IBC.hp$cycle

conjunto <- cbind(pib,selicR,ipca,Eipca)
conjunto1 <- cbind(IBCBr,DCC1,DLSP, DNT)

O modelo de Setterfield (2007)

Explorando um dos Modelos Apresentado pelo Autor

O modelo de Setterfield (2007) procura verificar se a política fiscal pode ser uma ferramenta de estabilização macroeconômica. Partindo de um pequeno modelo macroeconômico com uma curva IS fiscal e uma curva de Phillips, é incorporada uma função de reação da política fiscal para o fechamento de um sistema dinâmico determinístico bidimensional. A política monetária é definida como passiva porque o banco central não utiliza a taxa real de juros como um instrumento de estabilização. A política fiscal é ativa porque o déficit público em termos reais (variável de política) reage ao desvio do produto e ao desvio da inflação, de maneira contracíclica.

Este modelo, ao contrário dos trabalhos de Leith & Wren-Lewis (2000) e Kirsanova, Stehn & Vines (2005), não leva em conta a existência de uma restrição orçamentária do governo e, portanto, a dinâmica da dívida pública não é explicitada. Ademais, a hipótese de política monetária passiva é justificada porque a questão central do trabalho é questionar a relativa negligência da política fiscal nos modelos macroeconômicos em que a política monetária é operacionalizada com uma regra de Taylor e a autoridade fiscal, preocupada com a sustentabilidade das contas públicas, não reage a mudanças no hiato do produto e na inflação.

Com a análise dinâmica do modelo para o tempo contínuo, Setterfield (2007) sugere, numa direção similar àquela salientada por Allsopp & Vines (2005), que a política fiscal pode ser uma ferramenta alternativa à política monetária no processo de estabilização macroeconômica. Mesmo sem o uso ativo da política monetária com uma regra de juros convencional, Setterfield (2007) defende que o produto deve convergir para seu nível potencial e a inflação deve ser idêntica à meta de inflação no estado estacionário. O autor ainda nota que este resultado não muda quando o déficit público deixa de reagir a mudanças no hiato do produto, mas quando a autoridade fiscal deixa de reagir a desvios na inflação não é mais possível verificar o resultado fundamental do modelo.

Deste modo, Setterfield (2007) destaca que o uso efetivo de uma política fiscal contracíclica depende de uma função de reação adequada, posto que se o único objetivo da política fiscal for estabilizar o produto, o ponto de equilíbrio passa a ser instável – um hiato do produto não nulo persistirá indefinidamente ao passo que a inflação observada aumentará (diminuirá) sem limites. Mesmo com a possibilidade teórica de a autoridade fiscal contribuir para a desestabilização macroeconômica, a principal conclusão do modelo de Setterfield (2007) é que a política fiscal é pelo menos tão potente quanto a política monetária no que tange as suas propriedades estabilizadoras. O autor argumenta que este resultado é verdadeiro porque nos modelos em que a política fiscal é passiva e a autoridade monetária segue uma regra de juros, o equilíbrio dinâmico só é verificado quando o dispêndio privado é juro elástico e o coeficiente de reação da taxa real de juros em relação à inflação corrente é positivo.

Gráficos das Variáveis

plot(conjunto, col ="red3")

plot(hiato, col = "#bb0115", main = " Hiato do Produto", xlab= "Tempo", ylab= "Hiato",lwd = 2);abline(h=0)

Testes das Variáveis

PIB

##-----PIB------##
#formato
kurtosis(pib)

[1] -1.344978
attr(,"method")
[1] "excess"

skewness(pib)

[1] 0.4448817
attr(,"method")
[1] "moment"

#normalidade
jarqueberaTest(pib) 

Title:
 Jarque - Bera Normalality Test

Test Results:
  STATISTIC:
    X-squared: 6.4481
  P VALUE:
    Asymptotic p Value: 0.03979 

qqnorm(pib, col="blue")
qqline(pib, col="red")

shapiro.test(pib)

    Shapiro-Wilk normality test

data:  pib
W = 0.86537, p-value = 0.00000665

Despesa do Tesouro Nacional

##-------DNT--------#
#NFSP sem desvalorização cambial - Fluxo acumulado em 12 meses - Resultado primário - Total - #Governo Federal
#formato
kurtosis(DNT)

[1] -0.03497016
attr(,"method")
[1] "excess"

skewness(DNT)

[1] 1.138188
attr(,"method")
[1] "moment"

#normalidade
jarqueberaTest(DNT) 

Title:
 Jarque - Bera Normalality Test

Test Results:
  STATISTIC:
    X-squared: 14.066
  P VALUE:
    Asymptotic p Value: 0.0008823 

qqnorm(DNT, col="blue")
qqline(DNT, col="red")

shapiro.test(DNT)

    Shapiro-Wilk normality test

data:  DNT
W = 0.81131, p-value = 0.0000001847

IPCA

##-------IPCA-------##
#formato
kurtosis(ipca)

[1] -0.6862565
attr(,"method")
[1] "excess"

skewness(ipca)

[1] 0.8005697
attr(,"method")
[1] "moment"

#normalidade
jarqueberaTest(ipca) 

Title:
 Jarque - Bera Normalality Test

Test Results:
  STATISTIC:
    X-squared: 7.9144
  P VALUE:
    Asymptotic p Value: 0.01912 

qqnorm(ipca, col="blue")
qqline(ipca, col="red")

shapiro.test(ipca)

    Shapiro-Wilk normality test

data:  ipca
W = 0.87842, p-value = 0.00001775

SELIC

##------SELIC--------##
#formato
kurtosis(selicR)

[1] -1.178039
attr(,"method")
[1] "excess"

skewness(selicR)

[1] 0.1622449
attr(,"method")
[1] "moment"

#normalidade
jarqueberaTest(selic) 

Title:
 Jarque - Bera Normalality Test

Test Results:
  STATISTIC:
    X-squared: 6.5532
  P VALUE:
    Asymptotic p Value: 0.03776 

qqnorm(selicR, col="blue")
qqline(selicR, col="red")

shapiro.test(selicR)

    Shapiro-Wilk normality test

data:  selicR
W = 0.94132, p-value = 0.00521

Expectativa do IPCA

##------EIPCA--------##
#formato
kurtosis(Eipca)

[1] -0.9364202
attr(,"method")
[1] "excess"

skewness(Eipca)

[1] 0.3079287
attr(,"method")
[1] "moment"

#normalidade
jarqueberaTest(Eipca) 

Title:
 Jarque - Bera Normalality Test

Test Results:
  STATISTIC:
    X-squared: 2.9761
  P VALUE:
    Asymptotic p Value: 0.2258 

qqnorm(Eipca, col="blue")
qqline(Eipca, col="red")

shapiro.test(Eipca)

    Shapiro-Wilk normality test

data:  Eipca
W = 0.95676, p-value = 0.02855

Despesas com Custeio e Capital do Governo

##-----DCC------##
#formato
kurtosis(DCC1)

[1] -1.271732
attr(,"method")
[1] "excess"

skewness(DCC1)

[1] 0.5525203
attr(,"method")
[1] "moment"

#normalidade
jarqueberaTest(DCC1) 

Title:
 Jarque - Bera Normalality Test

Test Results:
  STATISTIC:
    X-squared: 7.1233
  P VALUE:
    Asymptotic p Value: 0.02839 

qqnorm(DCC1, col="blue")
qqline(DCC1, col="red")

shapiro.test(DCC1)

    Shapiro-Wilk normality test

data:  DCC1
W = 0.86791, p-value = 0.000008016

Dívida Líquida do Setor Público (% PIB)

##-----DLSP------##
#formato
kurtosis(DLSP)

[1] -0.7812655
attr(,"method")
[1] "excess"

skewness(DLSP)

[1] -0.2716715
attr(,"method")
[1] "moment"

#normalidade
jarqueberaTest(DLSP) 

Title:
 Jarque - Bera Normalality Test

Test Results:
  STATISTIC:
    X-squared: 2.0954
  P VALUE:
    Asymptotic p Value: 0.3507 

qqnorm(DLSP, col="blue")
qqline(DLSP, col="red")

shapiro.test(DLSP)

    Shapiro-Wilk normality test

data:  DLSP
W = 0.94013, p-value = 0.004592

IBC-Br

##-----IBC-Br------##
#formato
kurtosis(IBCBr)

[1] -1.400874
attr(,"method")
[1] "excess"

skewness(IBCBr)

[1] 0.3805623
attr(,"method")
[1] "moment"

#normalidade
jarqueberaTest(IBCBr) 

Title:
 Jarque - Bera Normalality Test

Test Results:
  STATISTIC:
    X-squared: 6.2657
  P VALUE:
    Asymptotic p Value: 0.04359 

qqnorm(IBCBr, col="blue")
qqline(IBCBr, col="red")

shapiro.test(IBCBr)

    Shapiro-Wilk normality test

data:  IBCBr
W = 0.88552, p-value = 0.00003101

MQO do Modelo de Setterfield (2007)

O modelo de Setterfield (2007) citado no capítulo anterior avança em considerar o caso em que a política fiscal pode ser usada como uma ferramenta estabilizadora, mas uma fragilidade notável deste modelo refere-se à completa negligencia do papel da política monetária. O modelo aqui desenvolvido irá preencher esta lacuna procurando encontrar as condições para a estabilidade ao considerar três diferentes configurações de política monetária. Outra inovação deste trabalho está no fato de considerar explicitamente a dinâmica da expectativa de inflação.

#MQO

IS <- lm(pib ~ selicR + DNT) |> 
  summary()

Ph_curva <- lm(ipca ~ Eipca + hiato) |> 
  summary()

desvio <- ipca - Eipca

modelo <- lm(DNT ~ hiato + desvio) |> 
  summary()

IS

A equação (1), representando o lado da demanda, é a curva IS fiscal, em que y é o produto, r é a taxa real de juros, A é o componente autônomo da demanda agregada e f é o valor da necessidade de financiamento do setor público em termos reais (NFSP).

IS

Call:
lm(formula = pib ~ selicR + DNT)

Residuals:
    Min      1Q  Median      3Q     Max 
-740083 -408136   87349  278644  687932 

Coefficients:
                 Estimate    Std. Error t value             Pr(>|t|)    
(Intercept) 10060713.1436    83835.8762 120.005 < 0.0000000000000002 ***
selicR         69122.2495    13676.2704   5.054           0.00000447 ***
DNT               -0.4369        0.2000  -2.184               0.0329 *  
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 413500 on 59 degrees of freedom
Multiple R-squared:  0.4875,    Adjusted R-squared:  0.4702 
F-statistic: 28.07 on 2 and 59 DF,  p-value: 0.000000002722

Curva de Phillips

A equação (2), representando o lado da oferta, é a curva de Phillips da economia. Esta relação pressupõe um lento ajustamento de preços ou salários, indicando que a inflação corrente p é determinada tanto pelas expectativas inflacionárias p quanto pelo nível de atividade econômica, capturado por mudanças no hiato do produto (y* é o produto potencial).Por questão de simplicidade analítica os choques de oferta não são considerados.

Ph_curva

Call:
lm(formula = ipca ~ Eipca + hiato)

Residuals:
    Min      1Q  Median      3Q     Max 
-3.5766 -0.9943  0.2066  1.0117  2.9677 

Coefficients:
                Estimate   Std. Error t value             Pr(>|t|)    
(Intercept) -5.233233569  0.928891873  -5.634          0.000000519 ***
Eipca        2.535801319  0.208976423  12.134 < 0.0000000000000002 ***
hiato       -0.000004414  0.000001229  -3.593             0.000668 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 1.517 on 59 degrees of freedom
Multiple R-squared:  0.7362,    Adjusted R-squared:  0.7273 
F-statistic: 82.32 on 2 and 59 DF,  p-value: < 0.00000000000000022

Modelo de Dívida

A equação (3) é a função de reação fiscal que em Setterfield (2007) é chamada de pseudo regra de Taylor. Observe que a NFSP (DNT) responde tanto a mudanças no hiato do produto quanto aos desvios entre a inflação corrente e a meta de inflação p*. Isso implica que existe um comportamento explicitamente contracíclico para a autoridade fiscal.

modelo

Call:
lm(formula = DNT ~ hiato + desvio)

Residuals:
    Min      1Q  Median      3Q     Max 
-385056 -127004  -15248  140676  364298 

Coefficients:
               Estimate  Std. Error t value             Pr(>|t|)    
(Intercept) 346516.8047  29843.3823  11.611 < 0.0000000000000002 ***
hiato           -1.5449      0.1657  -9.325    0.000000000000329 ***
desvio      -74898.7858  11904.6192  -6.292    0.000000042230537 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 192000 on 59 degrees of freedom
Multiple R-squared:  0.6231,    Adjusted R-squared:  0.6103 
F-statistic: 48.76 on 2 and 59 DF,  p-value: 0.0000000000003162

Obs:

• Por este ser apenas um modelo de demostração não foram feitas as devidas correções das variáveis.

ESTIMANDO UMA FUNÇÃO DE REAÇÃO FISCAL PARA O BRASIL

A discussão acerca do comportamento da política fiscal nas economias em desenvolvimento é relevante porque que nestas economias os estabilizadores automáticos não são poderosos e as instituições fiscais não parecem colaborar para a atuação contracíclica das finanças públicas. De fato, uma gama de estudos empíricos desenvolvidos nos últimos 15 anos tem sugerido que a política fiscal na América Latina e demais países em desenvolvimento é pró-cíclica: nas recessões existe uma orientação para a manutenção da austeridade, enquanto na bonança os gastos públicos tendem a crescer (GAVIN & PEROTI, 1997; CATAO & SUTTON, 2002; KAMINSKY, REINHART & VEGH, 2004; ALESSINA & TABELLINI, 2005; TALVI & VÉGH, 2005, AKITOBY et al, 2006). Sabe-se que este tipo de comportamento das finanças públicas, que é distinto do das economias desenvolvidas, tende a aprofundar com os ciclos econômicos, quando o ideal seria mitigá-lo.

O argumento contra a utilização da política fiscal de maneira pró-cíclica não é exclusivo de uma única abordagem teórica. A prescrição keynesiana padrão sustenta que a política fiscal deve ser contracíclica, e o modelo de política fiscal ótima de inspiração neoclássica prediz que as taxas de impostos devem permanecer constantes ao logo do ciclo dos negócios (MARTNER, 2007). De acordo com Talvi & Végh (2005) se os policymakers seguem a prescrição keynesiana deve-se observar uma correlação positiva entre taxas de impostos e produto, e negativa entre gastos do governo e produto, mas se eles seguem a prescrição neoclássica, estas correlações devem ser essencialmente nulas.

Neste capítulo parte-se do pressuposto de que o desafio da boa política fiscal é contribuir para uma menor volatilidade do produto e, ao mesmo tempo, garantir a sustentabilidade da dívida pública. Jimenez & Fanelli (2009) salientam que esses objetivos podem ser concorrentes em alguma medida, mas parece claro que um nível de endividamento público adequado cria margens de manobra para a utilização futura da política fiscal tendo em vista a macroestabilidade. Mello & Moccero (2006), Clements, Faircloth & Verhoeven (2007) e Luporini & Licha (2009) também sugerem que a redução do endividamento público para níveis prudentes é um importante pré-requisito para a eliminação do caráter pró-cíclico da política fiscal, bem como a redução dos riscos de mudanças inesperadas na restrição orçamentária do governo.

Nessa perspectiva, a estimação adequada de uma função de reação fiscal para uma economia em desenvolvimento considerando o período recente, é importante para averiguar se a condução da política fiscal tem sido compatível com as prescrições da teoria econômica em termos da solvência intertemporal do setor público, da suavização da atividade econômica e do contrabalanceamento dos choques inflacionários. O presente capítulo pretende oferecer uma contribuição nesse sentido.

Nota-se, entretanto, que algumas versões da função de reação fiscal para o Brasil já foram estimadas por Mello & Moccero (2006), Mello (2007), Lopes (2007), Bello & Jimenez (2008), Mendonça, Santos & Sachsida (2009), Rocha (2009), Silva & Duarte (2010) e Luporini (2012). Ressalta-se que estes trabalhos são muito heterogêneos, tanto no que diz respeito ao período/frequência da amostra, quanto no que diz respeito à metodologia e as variáveis utilizadas.

A política fiscal brasileira é realmente pró-cíclica? A condução da política fiscal é compatível com a estabilização da dívida pública? A autoridade fiscal responde a choques na inflação? Essas são as principais questões que procurarão ser respondidas neste capítulo. Para tanto, estima-se uma função de reação fiscal para o Brasil considerando o período de janeiro de 2019 a maio de 2024. As estimativas são realizadas com OLS e VAR.

ESPECIFICAÇÃO DO MODELO EMPÍRICO

Utiliza-se os métodos OLS e VAR com funções Impulso-Resposta (FRI) e exercícios de decomposição da variância para a análise da reação da política fiscal no Brasil. A seguir são descritas as especificações dos modelos que serão estimados.

A função de reação fiscal a ser estimada por OLS tem o seguinte formato:

\[log(g_t) = \beta_0\ + \beta_1h_{t-1} + \beta_2div_{t-1}+\beta_3p_{t-1} + \epsilon\]

onde g é o gasto público, h é o hiato do produto, d é a razão dívida/PIB, p é a inflação e εt é o termo de erro. Se β1 for menor que zero então define-se a política fiscal como sendo contracíclica: nos tempos de bonança (hiato do produto positivo) a autoridade fiscal deve conter os gastos públicos para que haja disponibilidade de recursos nos períodos de escassez (hiato do produto negativo). O caso contrário implica que a política fiscal é pró-cíclica e β1 nulo implica que a política fiscal é acíclica. Especificar a função de reação fiscal supondo que os gastos públicos devem responder as demais variáveis com defasagem de um período justifica-se porque é improvável que a autoridade fiscal reaja imediatamente à mudança nas condições econômicas (THAMS, 2007). Uma política fiscal sustentável requer β2<0, indicando que autoridade fiscal se preocupa com a dinâmica da dívida pública. Já a inclusão da inflação na função de reação fiscal justifica-se porque é possível que a autoridade fiscal tenha cooperado com a autoridade monetária no processo de estabilização dos preços. Se β3<0 então a política fiscal contribui para o desaquecimento da economia após um choque na inflação. Por outro lado, se β3>0 então a autoridade fiscal expande a demanda agregada na presença de perturbações inflacionárias. Os coeficientes das equações de referência estimados por OLS possuem erros padrão robustos.

Por fim, um modelo VAR é estimado com as seguintes variáveis: a) logaritmo do gasto público; b) hiato do produto; c) inflação e d) dívida líquida do setor público. A escolha da metodologia VAR justifica-se porque a relação de interdependência entre as variáveis do modelo é notória, no sentido em que todas as variáveis são tratadas como endógenas. De posse dos coeficientes estimados pelo VAR, com número apropriado de defasagens, serão analisados os gráficos com a resposta da variável gasto público devido a choques (impulsos) nas demais variáveis do modelo. As respostas das três variáveis restantes a choques em todas as outras são descartadas porque o objetivo deste trabalho é identificar a reação da autoridade fiscal devido a mudanças no ambiente econômico (atividade econômica, inflação e dívida pública).

DADOS

Os dados são mensais para o período 2019.1 a 2024.03, totalizando 62 observações. Este período se caracteriza por razoável instabilidade na gestão da política fiscal, essa instabilidade se dá principalmente por conta da COVID-19, que obrigou os governo do mundo inteiro a ignorarem suas metas fiscais. O regime fiscal para o período é marcado pela necessidade recursos para superar a cirse sanitária, com muitas incertezas no cenário macroeconômico internacional, a política fiscal, no sentido mais geral, parece ter se tornado mais flexível.

VARIÁVEIS UTILIZADAS

As variáveis utilizadas nas especificações econométricas são: i) Gasto público primário (GPP) - foram utilizadas duas categorias de gastos públicos com a finalidade de capturar o comportamento da autoridade fiscal: a) as Despesas com Custeio e Capital do Governo Central (DCC); b) as Despesas do Tesouro Nacional (DTN). Estas variáveis foram extraídas das séries históricas disponíveis no sítio da Secretaria do Tesouro Nacional; ii) Hiato do produto: é o desvio percentual do IBC-Br mensal (proxy do PIB) em relação ao seu nível potencial21. Para o cálculo do produto potencial foi utilizado o filtro Hodrik-Prescott com λ=129.600; iii) Dívida Pública (DLSP): é a dívida líquida do setor público como proporção do PIB, fluxo acumulado em 12 meses (extraída do Banco Central do Brasil) e iv) Inflação: é o Índice Nacional de Preços do Consumidor Amplo (IPCA, acumulado % ao mês).

GRÁFICOS

plot(conjunto1,col = "blue")

plot(hiato1, col = "#bb0115", main = " Hiato do IBC-Br", xlab= "Tempo", ylab= "-",lwd = 2);abline(h=0)

TESTE DE RAÍZ UNITÁRIA

Para que seja evitado o problema da regressão espúria foi realizado o teste da raiz unitária para cada série selecionada neste estudo. O teste escolhido foi o ADF (Dickey-Fuller aumentado), que é o mais utilizado para este fim nos estudos empíricos no campo da macroeconomia. A hipótese nula do teste ADF é que existe uma raiz unitária.

RESULTADO PARA HIATO DO IBC-BR

ddicky1 <- ur.df(log(hiato1+23.826189), lags = 0, type="drift")
summary(ddicky1)

############################################### 
# Augmented Dickey-Fuller Test Unit Root Test # 
############################################### 

Test regression drift 


Call:
lm(formula = z.diff ~ z.lag.1 + 1)

Residuals:
     Min       1Q   Median       3Q      Max 
-15.1822   0.1698   0.2673   0.3449   0.4869 

Coefficients:
            Estimate Std. Error t value      Pr(>|t|)    
(Intercept)   2.6119     0.4555   5.734 0.00000035638 ***
z.lag.1      -0.8971     0.1295  -6.927 0.00000000359 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 1.998 on 59 degrees of freedom
Multiple R-squared:  0.4485,    Adjusted R-squared:  0.4392 
F-statistic: 47.99 on 1 and 59 DF,  p-value: 0.000000003588


Value of test-statistic is: -6.9275 23.9951 

Critical values for test statistics: 
      1pct  5pct 10pct
tau2 -3.51 -2.89 -2.58
phi1  6.70  4.71  3.86

RESULTADO PARA DNT

ddicky2 <- ur.df(log(DNT+102921), lags = 0, type="drift")
summary(ddicky2)

############################################### 
# Augmented Dickey-Fuller Test Unit Root Test # 
############################################### 

Test regression drift 


Call:
lm(formula = z.diff ~ z.lag.1 + 1)

Residuals:
     Min       1Q   Median       3Q      Max 
-14.7495  -0.2510   0.2332   0.6277   3.9610 

Coefficients:
            Estimate Std. Error t value   Pr(>|t|)    
(Intercept)   7.7072     1.4907   5.170 0.00000292 ***
z.lag.1      -0.6379     0.1214  -5.253 0.00000216 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 2.097 on 59 degrees of freedom
Multiple R-squared:  0.3186,    Adjusted R-squared:  0.3071 
F-statistic: 27.59 on 1 and 59 DF,  p-value: 0.000002155


Value of test-statistic is: -5.2528 13.7961 

Critical values for test statistics: 
      1pct  5pct 10pct
tau2 -3.51 -2.89 -2.58
phi1  6.70  4.71  3.86

RESULTADO PARA DLSP

# como já está em % PIB eu apenas fiz a diferença
ddicky3 <- ur.df(diff(DLSP), lags = 0, type="drift")
summary(ddicky3)

############################################### 
# Augmented Dickey-Fuller Test Unit Root Test # 
############################################### 

Test regression drift 


Call:
lm(formula = z.diff ~ z.lag.1 + 1)

Residuals:
     Min       1Q   Median       3Q      Max 
-2.37241 -0.42392  0.02565  0.46904  1.95452 

Coefficients:
            Estimate Std. Error t value    Pr(>|t|)    
(Intercept)   0.1609     0.1174   1.371       0.176    
z.lag.1      -0.7783     0.1287  -6.047 0.000000114 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 0.8898 on 58 degrees of freedom
Multiple R-squared:  0.3867,    Adjusted R-squared:  0.3761 
F-statistic: 36.57 on 1 and 58 DF,  p-value: 0.0000001138


Value of test-statistic is: -6.0475 18.2941 

Critical values for test statistics: 
      1pct  5pct 10pct
tau2 -3.51 -2.89 -2.58
phi1  6.70  4.71  3.86

RESULTADO PARA DCC

ddicky4 <- ur.df(diff(DCC1), lags = 0, type="drift")
summary(ddicky4)

############################################### 
# Augmented Dickey-Fuller Test Unit Root Test # 
############################################### 

Test regression drift 


Call:
lm(formula = z.diff ~ z.lag.1 + 1)

Residuals:
   Min     1Q Median     3Q    Max 
-73714 -30849   2020  21164 111301 

Coefficients:
              Estimate Std. Error t value          Pr(>|t|)    
(Intercept) -9898.0495  4820.2798  -2.053            0.0446 *  
z.lag.1        -1.1983     0.1281  -9.353 0.000000000000348 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 36490 on 58 degrees of freedom
Multiple R-squared:  0.6013,    Adjusted R-squared:  0.5945 
F-statistic: 87.48 on 1 and 58 DF,  p-value: 0.0000000000003484


Value of test-statistic is: -9.3532 43.7433 

Critical values for test statistics: 
      1pct  5pct 10pct
tau2 -3.51 -2.89 -2.58
phi1  6.70  4.71  3.86

RESULTADO PARA IPCA

ddicky5 <- ur.df(diff(ipca), lags = 0, type="drift")
summary(ddicky5)

############################################### 
# Augmented Dickey-Fuller Test Unit Root Test # 
############################################### 

Test regression drift 


Call:
lm(formula = z.diff ~ z.lag.1 + 1)

Residuals:
     Min       1Q   Median       3Q      Max 
-1.90979 -0.23828  0.03254  0.37871  1.24650 

Coefficients:
             Estimate Std. Error t value Pr(>|t|)    
(Intercept)  0.003614   0.072988   0.050 0.960683    
z.lag.1     -0.461393   0.110605  -4.172 0.000102 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 0.5653 on 58 degrees of freedom
Multiple R-squared:  0.2308,    Adjusted R-squared:  0.2175 
F-statistic:  17.4 on 1 and 58 DF,  p-value: 0.0001025


Value of test-statistic is: -4.1715 8.7012 

Critical values for test statistics: 
      1pct  5pct 10pct
tau2 -3.51 -2.89 -2.58
phi1  6.70  4.71  3.86

ESTIMAÇÃO COM OLS

lag <- stats::lag
ModeloDNT=dynlm(log(DNT+102921)~lag(log(hiato1+23.826189),1)+
                  lag(diff(DLSP),1)+
                  lag(diff(ipca),1))

ModeloDCC<-dynlm(diff(DCC1)~lag(log(hiato1+23.826189),1)+
                  lag(diff(DLSP),1)+
                  lag(diff(ipca),1))

RESULTADO DO MODELO COM DNT

summary(ModeloDNT)

Time series regression with "ts" data:
Start = 2019(1), End = 2024(1)

Call:
dynlm(formula = log(DNT + 102921) ~ lag(log(hiato1 + 23.826189), 
    1) + lag(diff(DLSP), 1) + lag(diff(ipca), 1))

Residuals:
     Min       1Q   Median       3Q      Max 
-13.0369  -0.6924   0.3486   0.9142   2.6864 

Coefficients:
                                Estimate Std. Error t value
(Intercept)                     12.40881    0.47176  26.303
lag(log(hiato1 + 23.826189), 1) -0.11614    0.13308  -0.873
lag(diff(DLSP), 1)              -0.07701    0.28951  -0.266
lag(diff(ipca), 1)               1.65859    0.40013   4.145
                                            Pr(>|t|)    
(Intercept)                     < 0.0000000000000002 ***
lag(log(hiato1 + 23.826189), 1)             0.386456    
lag(diff(DLSP), 1)                          0.791210    
lag(diff(ipca), 1)                          0.000114 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 2.004 on 57 degrees of freedom
Multiple R-squared:  0.232, Adjusted R-squared:  0.1916 
F-statistic: 5.741 on 3 and 57 DF,  p-value: 0.001672

RESULTADO DO MODELO COM DCC

summary(ModeloDCC)

Time series regression with "ts" data:
Start = 2019(2), End = 2024(1)

Call:
dynlm(formula = diff(DCC1) ~ lag(log(hiato1 + 23.826189), 1) + 
    lag(diff(DLSP), 1) + lag(diff(ipca), 1))

Residuals:
   Min     1Q Median     3Q    Max 
-86133 -27639   -181  26733 116886 

Coefficients:
                                Estimate Std. Error t value Pr(>|t|)
(Intercept)                     -11537.5     8904.0  -1.296    0.200
lag(log(hiato1 + 23.826189), 1)    878.3     2507.3   0.350    0.727
lag(diff(DLSP), 1)                4959.3     5455.5   0.909    0.367
lag(diff(ipca), 1)                -868.3     7539.1  -0.115    0.909

Residual standard error: 37750 on 56 degrees of freedom
Multiple R-squared:  0.01585,   Adjusted R-squared:  -0.03687 
F-statistic: 0.3007 on 3 and 56 DF,  p-value: 0.8248

NORMALIDADE

#normalidade
residuos1<-residuals(ModeloDNT)
plot(residuos1, type="l", col="red")# graicamente não está bom
abline(h=0, col="blue", lw=3)

hist(residuos1, main="", col="cadetblue", prob=T, xlab = names(residuos1)[1], breaks = 30)
curve(expr=dnorm(x,mean=mean(residuos1),sd=sd(residuos1)),col="red",add= TRUE, lwd=2)

JARQUEBERA

jarquebera <- jarqueberaTest(residuos1);jarquebera

Title:
 Jarque - Bera Normalality Test

Test Results:
  STATISTIC:
    X-squared: 2655.2046
  P VALUE:
    Asymptotic p Value: < 0.00000000000000022 

QQNORM

qqnorm(residuos1, col="blue")
qqline(residuos1, col="red")

SHAPIRO

shapiro<-shapiro.test(residuos1)
shapiro

    Shapiro-Wilk normality test

data:  residuos1
W = 0.5608, p-value = 0.000000000003123

GQTEST

gqtest<-gqtest(ModeloDNT, fraction=length(residuos1)*0.15, alternative = "greater");gqtest

    Goldfeld-Quandt test

data:  ModeloDNT
GQ = 23.5, df1 = 22, df2 = 21, p-value = 0.0000000002898
alternative hypothesis: variance increases from segment 1 to 2

BPTEST

bptest<-bptest(ModeloDNT);bptest

    studentized Breusch-Pagan test

data:  ModeloDNT
BP = 5.5384, df = 3, p-value = 0.1364

WHITE TEST

white_test<-white_test(ModeloDNT);white_test

White's test results

Null hypothesis: Homoskedasticity of the residuals
Alternative hypothesis: Heteroskedasticity of the residuals
Test Statistic: 8.39
P-value: 0.015099

DWTEST

dwtest<-dwtest(ModeloDNT);dwtest

    Durbin-Watson test

data:  ModeloDNT
DW = 2.0414, p-value = 0.5178
alternative hypothesis: true autocorrelation is greater than 0

ARCH TEST

ArchTest<-ArchTest(residuos1, lags = 2);ArchTest

    ARCH LM-test; Null hypothesis: no ARCH effects

data:  residuos1
Chi-squared = 0.040202, df = 2, p-value = 0.9801

BOX TEST

Box.test<-Box.test(residuos1, lag=12, type="Box-Pierce");Box.test

    Box-Pierce test

data:  residuos1
X-squared = 9.212, df = 12, p-value = 0.6847

DICKEY-FULLER

ddicky2 <- ur.df(residuos1, lags = 0, type="drift")
summary(ddicky2)

############################################### 
# Augmented Dickey-Fuller Test Unit Root Test # 
############################################### 

Test regression drift 


Call:
lm(formula = z.diff ~ z.lag.1 + 1)

Residuals:
     Min       1Q   Median       3Q      Max 
-12.9996  -0.6941   0.2965   0.9163   2.7146 

Coefficients:
             Estimate Std. Error t value       Pr(>|t|)    
(Intercept) -0.006136   0.256352  -0.024          0.981    
z.lag.1     -1.022710   0.131455  -7.780 0.000000000143 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 1.986 on 58 degrees of freedom
Multiple R-squared:  0.5107,    Adjusted R-squared:  0.5022 
F-statistic: 60.53 on 1 and 58 DF,  p-value: 0.0000000001433


Value of test-statistic is: -7.7799 30.264 

Critical values for test statistics: 
      1pct  5pct 10pct
tau2 -3.51 -2.89 -2.58
phi1  6.70  4.71  3.86

VAR DCC

#=============Var==============================#
conjuntodcc <- diff(cbind(log(DCC1), ipca, log(hiato1+23.826189),DLSP))


VARselect(conjuntodcc, lag.max = 4)

$selection
AIC(n)  HQ(n)  SC(n) FPE(n) 
     1      1      1      1 

$criteria
                 1          2           3           4
AIC(n) -4.49375182 -4.3564986 -4.36753792 -4.24182496
HQ(n)  -4.21515556 -3.8550254 -3.64318764 -3.29459767
SC(n)  -3.77689173 -3.0661505 -2.50370167 -1.80450064
FPE(n)  0.01119886  0.0129606  0.01310349  0.01549795

{
  VAr1 = VAR(conjuntodcc, p=1, type = "none")
  summary(VAr1)

  
  VAr1c = VAR(conjuntodcc, p = 1, type = "const")
  summary(VAr1c)

  
  VAr1t = VAR(conjuntodcc, p=1, type = 'trend')
  summary(VAr1t)


  VAr1ct = VAR(conjuntodcc, p=1, type = 'both')
  summary(VAr1ct)


}

VAR Estimation Results:
========================= 
Endogenous variables: log.DCC1., ipca, log.hiato1...23.826189., DLSP 
Deterministic variables: both 
Sample size: 60 
Log Likelihood: -181.475 
Roots of the characteristic polynomial:
0.528 0.403 0.403 0.2027
Call:
VAR(y = conjuntodcc, p = 1, type = "both")


Estimation results for equation log.DCC1.: 
========================================== 
log.DCC1. = log.DCC1..l1 + ipca.l1 + log.hiato1...23.826189..l1 + DLSP.l1 + const + trend 

                             Estimate Std. Error t value Pr(>|t|)  
log.DCC1..l1               -0.2425241  0.1380234  -1.757   0.0846 .
ipca.l1                    -0.0116794  0.0162622  -0.718   0.4757  
log.hiato1...23.826189..l1 -0.0010195  0.0040305  -0.253   0.8013  
DLSP.l1                    -0.0081001  0.0123483  -0.656   0.5146  
const                      -0.0141029  0.0221497  -0.637   0.5270  
trend                      -0.0002716  0.0006172  -0.440   0.6617  
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1


Residual standard error: 0.08162 on 54 degrees of freedom
Multiple R-Squared: 0.06134,    Adjusted R-squared: -0.02557 
F-statistic: 0.7058 on 5 and 54 DF,  p-value: 0.6216 


Estimation results for equation ipca: 
===================================== 
ipca = log.DCC1..l1 + ipca.l1 + log.hiato1...23.826189..l1 + DLSP.l1 + const + trend 

                            Estimate Std. Error t value Pr(>|t|)    
log.DCC1..l1                1.034736   0.944398   1.096   0.2781    
ipca.l1                     0.536564   0.111271   4.822 0.000012 ***
log.hiato1...23.826189..l1  0.015040   0.027578   0.545   0.5878    
DLSP.l1                     0.171905   0.084491   2.035   0.0468 *  
const                       0.074466   0.151555   0.491   0.6252    
trend                      -0.002644   0.004223  -0.626   0.5339    
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1


Residual standard error: 0.5585 on 54 degrees of freedom
Multiple R-Squared: 0.3549, Adjusted R-squared: 0.2952 
F-statistic: 5.942 on 5 and 54 DF,  p-value: 0.0001903 


Estimation results for equation log.hiato1...23.826189.: 
======================================================== 
log.hiato1...23.826189. = log.DCC1..l1 + ipca.l1 + log.hiato1...23.826189..l1 + DLSP.l1 + const + trend 

                             Estimate Std. Error t value  Pr(>|t|)    
log.DCC1..l1                4.3209060  3.7362836   1.156  0.252579    
ipca.l1                     0.0716237  0.4402165   0.163  0.871361    
log.hiato1...23.826189..l1 -0.4992815  0.1091061  -4.576 0.0000282 ***
DLSP.l1                     1.3366965  0.3342690   3.999  0.000195 ***
const                      -0.1754758  0.5995898  -0.293  0.770904    
trend                       0.0002518  0.0167085   0.015  0.988030    
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1


Residual standard error: 2.21 on 54 degrees of freedom
Multiple R-Squared: 0.3825, Adjusted R-squared: 0.3253 
F-statistic:  6.69 on 5 and 54 DF,  p-value: 0.00006469 


Estimation results for equation DLSP: 
===================================== 
DLSP = log.DCC1..l1 + ipca.l1 + log.hiato1...23.826189..l1 + DLSP.l1 + const + trend 

                            Estimate Std. Error t value Pr(>|t|)  
log.DCC1..l1                1.778340   1.528249   1.164   0.2497  
ipca.l1                    -0.124437   0.180061  -0.691   0.4925  
log.hiato1...23.826189..l1  0.016519   0.044628   0.370   0.7127  
DLSP.l1                     0.253626   0.136726   1.855   0.0691 .
const                       0.113378   0.245250   0.462   0.6457  
trend                       0.002452   0.006834   0.359   0.7211  
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1


Residual standard error: 0.9038 on 54 degrees of freedom
Multiple R-Squared: 0.08625,    Adjusted R-squared: 0.00164 
F-statistic: 1.019 on 5 and 54 DF,  p-value: 0.4155 



Covariance matrix of residuals:
                        log.DCC1.      ipca log.hiato1...23.826189.     DLSP
log.DCC1.                0.006662 -0.001563                -0.02676 -0.01758
ipca                    -0.001563  0.311913                 0.02704 -0.00246
log.hiato1...23.826189. -0.026756  0.027043                 4.88207  0.21149
DLSP                    -0.017577 -0.002460                 0.21149  0.81679

Correlation matrix of residuals:
                        log.DCC1.      ipca log.hiato1...23.826189.      DLSP
log.DCC1.                 1.00000 -0.034295                -0.14836 -0.238272
ipca                     -0.03429  1.000000                 0.02191 -0.004873
log.hiato1...23.826189.  -0.14836  0.021915                 1.00000  0.105908
DLSP                     -0.23827 -0.004873                 0.10591  1.000000

TESTES

BQtest

serial.test(VAr1ct)

    Portmanteau Test (asymptotic)

data:  Residuals of VAR object VAr1ct
Chi-squared = 235.28, df = 240, p-value = 0.5739

ARCH-test

arch.test(VAr1ct)

    ARCH (multivariate)

data:  Residuals of VAR object VAr1ct
Chi-squared = 527.68, df = 500, p-value = 0.1893

AUTOVALORES

plot(roots(VAr1ct, modulus = T))

GRÁFICO DE IPULSO RESPOSTA

impulso_VAr1ct <- irf(VAr1ct, n.ahead = 36)
plot(impulso_VAr1ct)

VAR DTN

conjuntodcc <- diff(cbind(log(DNT+102921), ipca, log(hiato1+23.826189), DLSP))

VARselect(conjuntodcc, lag.max =4)

$selection
AIC(n)  HQ(n)  SC(n) FPE(n) 
     1      1      1      1 

$criteria
              1        2         3         4
AIC(n) 2.216533 2.277823  2.328344  2.453256
HQ(n)  2.495129 2.779296  3.052694  3.400483
SC(n)  2.933393 3.568171  4.192180  4.890580
FPE(n) 9.192067 9.859940 10.601596 12.528848

{
  VAR1 = VAR(conjuntodcc, p=1, type = "none")
  summary(VAR1)

 
  
  VAR1c = VAR(conjuntodcc, p = 1, type = "const")
  summary(VAR1c)

  
  
  VAR1t = VAR(conjuntodcc, p=1, type = 'trend')
  summary(VAR1t)


  VAR1ct = VAR(conjuntodcc, p=1, type = 'both')
  summary(VAR1ct)

}

VAR Estimation Results:
========================= 
Endogenous variables: log.DNT...102921., ipca, log.hiato1...23.826189., DLSP 
Deterministic variables: both 
Sample size: 60 
Log Likelihood: -380.975 
Roots of the characteristic polynomial:
0.5331 0.4813 0.4615 0.2864
Call:
VAR(y = conjuntodcc, p = 1, type = "both")


Estimation results for equation log.DNT...102921.: 
================================================== 
log.DNT...102921. = log.DNT...102921..l1 + ipca.l1 + log.hiato1...23.826189..l1 + DLSP.l1 + const + trend 

                            Estimate Std. Error t value Pr(>|t|)    
log.DNT...102921..l1       -0.468760   0.114886  -4.080 0.000149 ***
ipca.l1                    -1.047573   0.439052  -2.386 0.020569 *  
log.hiato1...23.826189..l1 -0.006234   0.108687  -0.057 0.954475    
DLSP.l1                     0.409355   0.328259   1.247 0.217761    
const                       0.061801   0.599994   0.103 0.918342    
trend                      -0.003796   0.016694  -0.227 0.820992    
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1


Residual standard error: 2.212 on 54 degrees of freedom
Multiple R-Squared: 0.3061, Adjusted R-squared: 0.2418 
F-statistic: 4.764 on 5 and 54 DF,  p-value: 0.001118 


Estimation results for equation ipca: 
===================================== 
ipca = log.DNT...102921..l1 + ipca.l1 + log.hiato1...23.826189..l1 + DLSP.l1 + const + trend 

                            Estimate Std. Error t value  Pr(>|t|)    
log.DNT...102921..l1       -0.018022   0.029229  -0.617    0.5401    
ipca.l1                     0.527999   0.111701   4.727 0.0000167 ***
log.hiato1...23.826189..l1  0.011314   0.027651   0.409    0.6840    
DLSP.l1                     0.157092   0.083513   1.881    0.0654 .  
const                       0.065508   0.152646   0.429    0.6695    
trend                      -0.002897   0.004247  -0.682    0.4981    
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1


Residual standard error: 0.5627 on 54 degrees of freedom
Multiple R-Squared: 0.3452, Adjusted R-squared: 0.2845 
F-statistic: 5.693 on 5 and 54 DF,  p-value: 0.0002746 


Estimation results for equation log.hiato1...23.826189.: 
======================================================== 
log.hiato1...23.826189. = log.DNT...102921..l1 + ipca.l1 + log.hiato1...23.826189..l1 + DLSP.l1 + const + trend 

                             Estimate Std. Error t value  Pr(>|t|)    
log.DNT...102921..l1       -0.0525029  0.1159659  -0.453   0.65255    
ipca.l1                     0.0314171  0.4431798   0.071   0.94375    
log.hiato1...23.826189..l1 -0.5140984  0.1097090  -4.686 0.0000193 ***
DLSP.l1                     1.2648260  0.3313448   3.817   0.00035 ***
const                      -0.2094958  0.6056341  -0.346   0.73075    
trend                      -0.0008524  0.0168504  -0.051   0.95984    
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1


Residual standard error: 2.233 on 54 degrees of freedom
Multiple R-Squared: 0.3696, Adjusted R-squared: 0.3112 
F-statistic: 6.332 on 5 and 54 DF,  p-value: 0.0001079 


Estimation results for equation DLSP: 
===================================== 
DLSP = log.DNT...102921..l1 + ipca.l1 + log.hiato1...23.826189..l1 + DLSP.l1 + const + trend 

                            Estimate Std. Error t value Pr(>|t|)  
log.DNT...102921..l1       -0.030406   0.047350  -0.642   0.5235  
ipca.l1                    -0.139269   0.180955  -0.770   0.4449  
log.hiato1...23.826189..l1  0.010134   0.044795   0.226   0.8219  
DLSP.l1                     0.227919   0.135292   1.685   0.0978 .
const                       0.098067   0.247287   0.397   0.6932  
trend                       0.002017   0.006880   0.293   0.7706  
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1


Residual standard error: 0.9116 on 54 degrees of freedom
Multiple R-Squared: 0.07043,    Adjusted R-squared: -0.01564 
F-statistic: 0.8183 on 5 and 54 DF,  p-value: 0.542 



Covariance matrix of residuals:
                        log.DNT...102921.     ipca log.hiato1...23.826189.
log.DNT...102921.                  4.8917 0.286740                 -0.4200
ipca                               0.2867 0.316618                  0.0495
log.hiato1...23.826189.           -0.4200 0.049505                  4.9841
DLSP                               0.1614 0.005697                  0.2503
                            DLSP
log.DNT...102921.       0.161423
ipca                    0.005697
log.hiato1...23.826189. 0.250297
DLSP                    0.830930

Correlation matrix of residuals:
                        log.DNT...102921.    ipca log.hiato1...23.826189.
log.DNT...102921.                 1.00000 0.23041                -0.08505
ipca                              0.23041 1.00000                 0.03941
log.hiato1...23.826189.          -0.08505 0.03941                 1.00000
DLSP                              0.08007 0.01111                 0.12299
                           DLSP
log.DNT...102921.       0.08007
ipca                    0.01111
log.hiato1...23.826189. 0.12299
DLSP                    1.00000

TESTES

BQtest

serial.test(VAR1ct)

    Portmanteau Test (asymptotic)

data:  Residuals of VAR object VAR1ct
Chi-squared = 196.33, df = 240, p-value = 0.982

ARCH-test

arch.test(VAR1ct)

    ARCH (multivariate)

data:  Residuals of VAR object VAR1ct
Chi-squared = 525.26, df = 500, p-value = 0.2099

AUTOVALORES

plot(roots(VAR1ct, modulus = T))

GRÁFICO DE IPULSO RESPOSTA

impulso_VAR1ct <- irf(VAR1ct, n.ahead = 36)
plot(impulso_VAR1ct)

DECOMPOSIÇÃO

decomp_VAr1ct <- fevd(VAr1ct, n.ahead = 36) 
plot(decomp_VAr1ct, plot.type=c("single"))

decomp_VAR1ct <- fevd(VAR1ct, n.ahead = 36) 
plot(decomp_VAR1ct, plot.type=c("single"))

CONCLUSÃO

Uma política fiscal procíclica é aquela em que o governo tende a amplificar os ciclos econômicos através de suas ações de gastos e arrecadação de impostos. Esta abordagem, seguindo a direção do ciclo econômico, pode exacerbar a volatilidade econômica e aprofundar recessões, em contraste com políticas fiscais contracíclicas que buscam suavizar os ciclos econômicos, aumentando os gastos durante recessões e reduzindo-os durante expansões para estabilizar a economia.

Com os exercíciosrealizados foi possível constatar que: i) a política fiscal brasileira ainda é pró-cíclica;ii) o comportamento das finanças públicas tem sido coerente com a estabilização da dívida e iii) afunção de reação da autoridade fiscal brasileira não tem contemplado a inflação em seusobjetivos.

REFERÊNCIA

JESUS,Cleiton Silva.POLÍTICA FISCAL E ESTABILIDADE MACROECONÔMICA,2014