Você está na página 1de 86

Utilizando Sries Temporais na Previso da Arrecadao do

Imposto de Renda

Olvio Armando Cordeiro Jnior

Monograa apresentada ao Programa de Psgraduao do Isc/Cefor como parte das exigncias


do curso de Especializao em Oramento Pblico.

Braslia
Distrito Federal - Brasil
Julho - 2007

ISC / CENTRO DE FORMAO, TREINAMENTO E APERFEIOAMENTO CEFOR

Utilizando Sries Temporais na Previso da Arrecadao do


Imposto de Renda

Olvio Armando Cordeiro Jnior

Orientador: Prof. Jorge Abraho de Castro

Monograa apresentada ao Programa de Psgraduao do Isc/Cefor como parte das exigncias


do curso de Especializao em Oramento Pblico.

Braslia
Distrito Federal - Brasil
Julho - 2007

ISC / CENTRO DE FORMAO, TREINAMENTO E APERFEIOAMENTO CEFOR

Agradecimentos
A nalizao de um trabalho, mesmo que simples, como uma monograa de um
curso de especializao, sempre uma ocasio repleta de alegria e de satisfao. Nesse
momento apropriado que sejam feitos os agradecimentos queles que, direta, ou indiretamente, estiveram associados etapa que se encerra.
Antes de tudo, ao meus pais, que sempre me incentivaram a trilhar o caminho do
estudo e da dedicao. Sem os bons exemplos e o esforo que tiveram em me fornecer a
melhor educao que lhes foi possvel dar, certamente eu no estaria aqui e minha vida
seria innitamente mais difcil.
Ao Tribunal de Contas da Unio, que tem me proporcionado o melhor dos ambientes, bem como a possibilidade de estar sempre sempre em contnua evoluo, tanto
prossionalmente, como em termos pessoais.
Ao professor e orientador Jorge Abraho, que teve a boa vontade e disposio de
ler o texto, fazendo os aconselhamentos adequados para que algumas falhas no fossem
cometidas e os excessos fossem retirados.
Ao professor Alexandre Ywata, que ao ministrar com grande competncia o curso
de Econometria e Sries Temporais no ISC, me despertou para o interesse com relao
matria.
Ao Marcelo de Sousa Eira e ao Charles Mathusalm Soares Evangelista, dirigentes,
respectivamente, da SEMAG e de sua 2a Diretoria, os quais apoiaram a realizao, tanto
do curso de sries temporais, como o de Especializao em Oramento Pblico.
A todos os colegas da SEMAG, que fazem da unidade um lugar mpar, dos mais
agradveis em que j tive a oportunidade de trabalhar.
minha namorada, Shara, com quem tenho compartilhado momentos maravilhosos, repletos de felicidade.

ii

iii
minha lha, Mariana, sem cuja existncia minha vida seria innitamente mais
vazia e desprovida de signicado.

SUMRIO
Pgina

Agradecimentos
ii
Lista de Quadros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . vii
Lista de Figuras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . viii
Introduo

Metodologia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1 Reviso Bibliogrca

2 A Previso no Processo Oramentrio

2.1
2.2
2.3

Mtodos Qualitativos e Quantitativos de Previso . .


O Processo de Previso do Poder Executivo Federal .
O Modelo da Secretaria da Receita Federal . . . . .
2.3.1 A Acurcia das Previses da SRF . . . . . .

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

I Anlise da Srie Reduzida Deacionada

17

3 Suavizao Exponencial
3.1
3.2

3.3

8
10
12
14

18

ndices de Deacionamento . . . . . . . . . . . . . . . . . . . . . . .
Mtodos Baseados na Mdia . . . . . . . . . . . . . . . . . . . . . . .
3.2.1 Mdia Simples . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2.2 Mdia Mvel . . . . . . . . . . . . . . . . . . . . . . . . . . .
Mtodos de Suavizao Exponencial . . . . . . . . . . . . . . . . . .
3.3.1 Modelos sem tendncia e sem sazonalidade (N-N) . . . . . . .
3.3.2 Modelos com Tendncia Aditiva e Sazonalidade Multiplicativa
3.3.3 Modelos com Tendncia Aditiva e Sazonalidade Aditiva (A-A)

. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
(A-M)
. . . .

19
24
25
26
27
30
30
33

vi
3.3.4

3.4

Modelos com Tendncia Multiplicativa e Sazonalidade Multiplicativa


(M-M) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.3.5 Modelos com Tendncia Amortecida Aditiva e Sazonalidade Aditiva
(DA-A) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Concluso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4 Metodologia Box&Jenkins
4.1
4.2

Anlise da Srie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Concluso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

II

Anlise da Srie Reduzida no Deacionada

5 Suavizao Exponencial
5.1
5.2
5.3
5.4
5.5
5.6
5.7

Modelo Log - Tendncia Aditiva e sem Sazonalidade (A-N) . . . . . . . . . .


Modelo Log - Tendncia Aditiva e Sazonalidade Multiplicativa (A-M) . . . .
Modelo Log - Tendncia Aditiva e Sazonalidade Aditiva (A-A) . . . . . . . .
Modelo Log - Tendncia Multiplicativa e Sazonalidade Multiplicativa (M-M)
Modelo /s Log - Tendncia Aditiva e Sazonalidade Multiplicativa (A-M) . .
Modelo s/ Log - Tendncia Multiplicativa e Sazonalidade Multiplicativa (M-M)
Concluso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

6 Metodologia Box&Jenkins
6.1

Concluso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

35
35
36

41
43
49

55
56
57
58
59
60
61
62
63

65
70

7 Concluso
73
Referncias Bibliogrcas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75

Lista de Quadros
Pgina

2.1

Valores Previstos e Arrecadados de Imposto de Renda - 2004/2006 . . . . .

16

3.1
3.2
3.3

Inao (IGP-DI) apurada pela FGV e Prevista pela SPE . . . . . . . . . .


Suavizao Exponencial - IGP-DI/SPE . . . . . . . . . . . . . . . . . . . .
Suavizao Exponencial - IGP-DI/FGV . . . . . . . . . . . . . . . . . . . .

22
39
40

4.1
4.2
4.3
4.4

Parmetros das Equaes de Regresso . . . . . . . . . . . . . . . . . . . . .


Melhores Modelos - AIC/BIC . . . . . . . . . . . . . . . . . . . . . . . . . .
Metodologia de Box-Jenkins - Srie Inacionada com Previses da SPE . . .
Metodologia de Box-Jenkins - Srie Inacionada com IGP-DI Mensurado
pela FGV . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

47
48
53
54

Suavizao Exponencial s/ Deacionamento - Valores Previstos e Arrecadados 2006 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

64

5.1

6.1
6.2
6.3

Parmetros das Equaes de Regresso .


Melhores Modelos - AIC/BIC . . . . . .
Previses para Arrecadao do Imposto
Box&Jenkins . . . . . . . . . . . . . . .

vii

. . . . . .
. . . . . .
de Renda
. . . . . .

. . . . . . . . . . . . . .
. . . . . . . . . . . . . .
Sem Deacionamento . . . . . . . . . . . . . .

66
68
72

Lista de Figuras
Pgina

2.1

Histograma dos Erros de Arrecadao da SRF . . . . . . . . . . . . . . . . .

15

3.1
3.2
3.3
3.4
3.5
3.6
3.7
3.8
3.9
3.10
3.11

Evoluo dos ndices de Inao . . . . . . . . . .


Evoluo do AIC - IGP-DI/IPCA Ponderados . . .
IR - Evoluo da Arrecadao - Srie Deacionada
IR - Previso pela Mdia Simples . . . . . . . . . .
IR - Mdia Mvel . . . . . . . . . . . . . . . . . . .
IR - Mdia Mvel - FAC Erros . . . . . . . . . . .
IR - Suavizao Exponencial Simples . . . . . . . .
IR - Alisamento Exponencial A-M . . . . . . . . .
IR - Suavizao Exponencial Modelo A-A . . . . .
IR - Suavizao Exponencial Modelo M-M . . . . .
Suavizao Exponencial Modelo DA-A . . . . . . .

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

20
21
24
26
28
28
31
32
34
36
37

4.1
4.2
4.3
4.4
4.5
4.6
4.7
4.8

Srie do Imposto de Renda Normal e em Log . . . . . . . . . .


IR - Evoluo da Arrecadao Mdia - Srie Deacionada . . .
IR - FAC e FACP - Srie Deacionada . . . . . . . . . . . . . .
IR - Correlogramas das FAC e FACP das Sries sem Tendncia
Modelo SARIMA (0,0,0)(1,0,0) c/ Tendncia Linear . . . . . .
Modelo SARIMA (0,0,0)(1,0,1) c/ Tendncia Linear . . . . . .
Modelo SARIMA (0,0,0)(1,0,0) c/ Tendncia Quadrtica . . . .
Modelo SARIMA (0,0,0)(1,0,1) c/ Tendncia Quadrtica . . . .

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

45
45
46
48
50
50
51
51

5.1
5.2
5.3
5.4

IR - Evoluo da Arrecadao no Deacionada


Suavizao Exponencial Modelo A-N Log . . .
Suavizao Exponencial Modelo A-M Log . . .
Suavizao Exponencial Modelo A-A Log . . .

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

57
58
59
60

viii

.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.

ix
5.5
5.6
5.7

Suavizao Exponencial Modelo M-M Log . . . . . . . . . . . . . . . . . . .


Suavizao Exponencial Modelo A-M Sem Log . . . . . . . . . . . . . . . .
Suavizao Exponencial Modelo M-M Sem Log . . . . . . . . . . . . . . . .

61
62
63

6.1
6.2
6.3
6.4
6.5
6.6

IR - Evoluo da Srie no Deacionada . .


IR - FAC e FACP da Srie no Deacionada
IR - Srie no Deacionada sem Tendncia .
Box&Jenkins - SARIMA(0,0,0)(1,0,1) . . . .
Box&Jenkins - SARIMA(0,0,0)(1,0,0) . . . .
Box&Jenkins - SARIMA(0,0,0)(1,0,2) . . . .

66
67
68
69
69
70

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

Introduo
A Secretaria de Macroavaliao Governamental-SEMAG do Tribunal de Contas da
Unio possui, dentre suas atribuies regimentais, a de avaliar a previso de arrecadao de
receitas realizada anualmente pelo Poder Executivo e inserida nos anexos Lei Oramentria Anual. Atualmente esse trabalho feito de forma qualitativa, apenas vericando se
os parmetros adotados pela Secretaria de Poltica Econmica do Ministrio da Fazenda, e
repassados aos rgos arrecadadadores para que cada um faa suas previses, esto coerentes com as expectativas do Mercado e de instituies de pesquisa (IPEA, Banco Central).
Considerando, porm, a necessidade do aprimoramento desse trabalho, aventouse a possibilidade de se iniciar a utilizao de mtodos estatsticos e economtricos nas
anlises das previses realizadas, buscando uma fundamentao de forma mais tcnica e
convel das concluses obtidas. Poderia ser avaliado, dessa forma, se os mtodos utilizados
pela Secretaria da Receita Federal, ou pelo INSS, seriam os mais adequados para realizar
as previses anuais de arrecadao de receita tributria. Ao mesmo tempo, poderia ser
vericado at que ponto as previses realizadas tm conseguido espelhar a arrecadao
observada.
A primeira etapa dessa nova estratgia de trabalho envolveu a contratao de um
pesquisador do IPEA, professor Alexandre Ywata, para ministrar um curso de Econometria
e Sries Temporais no ISC, voltado para um grupo de servidores interessados em modelagem
estatstica. A segunda etapa consistiu na alocao de um servidor para comear a estudar o
comportamento das sries de alguns tributos (Imposto de Renda, IPI e COFINS) de forma
a realizar alguns trabalhos seminais de previso no mbito da prpria Secretaria. Contudo,
dada a necessidade de alocao do servidor para atividades de auditoria, a continuidade do
trabalho cou prejudicada, sendo paralisado.
Posteriormente, com o surgimento do Curso de Ps-graduao em Oramento
Pblico ministrado pelo ISC/CEFOR, entendeu-se que seria o momento adequado para
o reatamento e nalizao dos trabalhos iniciados. Finalmente, deve-se mencionar que esse
processo est inserido na expectativa de criao de uma massa crtica no mbito da Secre-

2
taria, de servidores com conhecimento avanado na rea de mtodos quantitativos. Esses
servidores seriam alocados para trabalhos futuros, tanto de auditoria, como de auxlio
elaborao do Relatrio e Parecer Prvio das Contas do Governo da Repblica, buscando
enriquecer tecnicamente essas atividades. Alm disso, h um consenso de que as atividades do Tribunal esto a cada dia se tornando mais complexas, saindo da estrita anlise
legal e enveredando por questes de ecincia, eccia e efetividade. Esses novos desaos
exigem servidores mais qualicados e instrumentos mais sosticados, dentre eles a anlise
estatstica.
A Constituio Federal estabelece, em seu artigo 165, pargrafo 8o , que a Lei
Oramentria Anual conter a previso de receita a ser arrecadada, bem como a xao da
despesa a ser executada. Considerando que um dos princpios oramentrios bsicos o do
equilbrio, ou seja, a receita deve ser igual despesa, torna-se bastante importante que se
faa uma previso a mais acurada possvel do montante a ser arrecadado, de molde a no
se xarem despesas em montante superior s receitas.
Essa questo particularmente importante, uma vez que h um eterno conito
entre os setores governamentais responsveis pelos gastos e aqueles responsveis pela estabilizao scal. Os que gastam tm todo o interesse em maximizar os dispndios governamentais, seja para aumentar a quantidade de bens adquiridos/nvel de servios que prestam
populao, seja para aumentar o prprio nvel de poder ou inuncia (maximizao do
bureau ). Aqui no Brasil esse tipo de comportamento tem sido visto nos ltimos anos quando
da apreciao, pelo Congresso Nacional, da Lei Oramentria Anual enviada pelo Poder
Executivo. Freqentemente o Poder Legislativo tem alterado, para maior, a previso de
arrecadao, visando dessa forma ao aumento das possibilidades de gasto, acomodando as
inmeras demandas dos grupos de presso existentes.
J os responsveis pela estabilizao scal tm conscincia de que as demandas so
innitas e devem necessariamente ser limitadas situao real da arrecadao, sob pena de
haver um descontrole da dvida pblica (caso a opo para fazer face ao excesso de despesa
seja o endividamento) ou da inao (caso a opo seja pela emisso de moeda).
A soluo encontrada no Brasil nos ltimos anos para esse embate tem sido o contingenciamento oramentrio. Ao longo de cada ano o Poder Executivo baixa decretos de
contingenciamento, procurando adequar os dispndios previstos s possibilidades econmicas existentes. Esse tipo de poltica, no entanto, no eciente, gerando freqentemente
descontinuidades em aes governamentais, que no raro trazem prejuzos no mdio e longo
prazos. Exemplos que podem ser citados so a interrupo de obras para cujo reincio se
faz necessria nova implantao de infra-estrutura, gerando gastos dobrados ou triplicados

3
nesse item, ou ento a interrupo de aes de controle tossanitrio, possibilitando a ocorrncia de patologias que acabam por prejudicar o consumidor ou as exportaes nacionais.
nesse contexto que entra em cena a necessidade de realizar da forma mais
dedigna possvel a previso das receitas a serem arrecadadas. A utilizao de procedimentos robustos de previso de arrecadao, aceitos consensualmente pela comunidade
tcnica, alm de potencialmente inibir a tentao de superestimativa de receita por parte
de determinados setores, pode ainda assegurar um melhor uxo de gastos por parte do
governo, evitando o contingenciamento e tornando a gesto dos programas mais racional,
minimizando as possveis descontinuidades derivadas de interrupes.

Metodologia
A metodologia de trabalho a ser desenvolvida para a consecuo do presente trabalho relativamente simples. O ponto primordial envolve a aquisio de conhecimento na
rea de sries temporais, o que se iniciou com o j citado curso ministrado pelo Professor
Ywata, tendo sido complementado por estudos posteriores.
A seguir, pretende-se utilizar esses procedimentos economtricos para a modelagem
do comportamento da srie bruta (sem quaisquer restituies ou acertos) da arecadao do
Imposto sobre a Renda e Proventos de Qualquer Natureza1 no perodo de janeiro
de 1995 a junho de de 2005. Os valores mensais dessa arrecadao so obtidos mediante
consulta listagem L&88, gerada mensalmente pelo SERPRO, com informaes desde
janeiro de 1985 para os tributos administrados pela Secretaria da Receita Federal. A no
utilizao de dados anteriores a 1995 se deve elevada taxa de inao que permeava o
perodo, o que poderia causar distores nas anlises. Os valores de arrecadao real entre
janeiro e dezembro de 2006 sero utilizados para a vericao da acurcia das previses
realizadas.
O trabalho ser dividido em duas partes. Na primeira, os valores da srie sero
deacionados para uma mesma data, agosto de 2004, estudando-se a sua evoluo, com base
na suavizao exponencial e metodologia Box&Jenkins, com avaliao de estacionariedade
e de ocorrncia de quebras estruturais, tanto com a utilizao de mtodos grcos como
numricos. A escolha do ndice explicada na Seo 3.1 do trabalho, onde foi feita uma
1 Note-se

que essa srie pode ser decomposta em trs grandes rubricas: Imposto de Renda Pessoa
Fsica-IRPF, Imposto de Renda Pessoa Jurdica-IRPJ e Imposto de Renda Retido na Fonte-IRRF.
Cada uma desses rubricas pode ser decomposta, ainda, em numerosos subcomponentes: IRPFDeclarao de Ajuste Anual, IRPF-Carn Leo etc.

4
rpida anlise na qual se procurou identicar qual dos ndices de inao seria o mais
apropriado para o deacionamento da srie, mediante a minimizao de um critrio de
informao, Akaike Information Criteria-AIC. Na segunda parte do trabalho so realizadas
as mesmas anlises, mas com a srie com valores no deacionados.
Existe uma grande quantidade de sistemas computacionais voltados para clculos
estatsticos: SAS, E-views, R, Stata, SACS etc., devendo cada pesquisador escolher aquele
que melhor lhe convier para trabalhar. Critrios ligados a preo, portabilidade, capacidade
computacional, facilidade de uso, dentre outros, so comumente utilizados para a escolha
adequada. O programa adotado no presente trabalho foi o R2 uma vez que um software
livre3 , gratuito, de fcil instalao e possui todas as facilidades instaladas necessrias para
a execuo dos procedimentos de anlise das sries. Como existe uma grande comunidade de
pesquisadores em todo o mundo utilizando o sistema, h um numeroso conjunto de manuais
e textos tcnicos disponveis para download na Internet, o que facilita sobremaneira a sua
utilizao.
Como j foi dito anteriormente, alm de realizar as anlises das sries de arrecadao tributria, outro dos objetivos do presente trabalho sedimentar conhecimentos
e aprimorar a utilizao de tcnicas estatsticas para uso posterior nos demais trabalhos da
SEMAG. Procurar-se-, dessa forma, explicar e exemplicar muitos dos resultados tericos
obtidos na literatura. Embora isso possa vir a tornar o texto um pouco mais pesado do que
o desejvel, a necessidade de gerar modelos, fazer sua simulao computacional, analisar e
descrever os resultados far com que se adquira um domnio maior sobre o assunto.

2 Verso

2.4.1, liberada para uso em fevereiro de 2007.


para download em www.cran.org.

3 Disponvel

Captulo 1
Reviso Bibliogrca
A literatura sobre sries temporais vasta e abrangente, se estendendo desde livros
com teor profundamente terico-matemtico (e.g. Hamilton, 1994), at livros mais leves,
voltados para a aplicao da metodologia Box & Jenkins sem maiores consideraes tericas
(e.g. Bowerman & O'Connel, 1987). A escolha de qual caminho trilhar foi difcil, mas optouse por um meio termo; nem o rigor matemtico que arriscaria a transformar o trabalho
uma tese de doutorado (sem que o autor tivesse as qualicaes tericas condizentes com o
desao), nem o simplismo que, alm de pouco agregar em termos de conhecimento, ainda
poderia resultar em uma compreenso distorcida dos modelos utilizados, bem como dos
resultados obtidos.
O embasamento terico para a realizao do trabalho se lastreou, ento, fundamentalmente nas notas de aula do professor Alexandre Ywata, no curso de Estatstica e
Econometria ministrado, bem como no livros Forecasting Methods and Aplications, de Spyro
Makridakis, Steven C. Wheelwright e Rob J. Hyndman e Applied Econometeric Time Series
de Walter Enders.
Uma outra valiosa fonte de informaes, explicaes e exerccios bastante prticos
foi o Study Book da cadeira Statistics for Climate Research, elaborado pelo professor Peter
Dunn, da University of Southern Queensland. Os numerosos exemplos e as explanaes
simples e diretas foram de grande utilidade na compreenso do assunto.
Com relao propriamente utilizao de sries temporais para a previso de receitas tributrias federais, h dois trabalhos que sobressaem, ambos ganhadores do prmio
de monograas da STN.
O primeiro trabalho de Bruno Stephan Veras de Melo, servidor da Secretaria da
Receita Federal, que fez estudos do comportamento da arrecadao do Imposto de Renda.

CAPTULO 1. REVISO BIBLIOGRFICA

Em seu trabalho foram utilizadas as metodologias de alisamento exponencial e SARIMA,


baseada na metodologia desenvolvida por Box & Jenkins. Alm disso, foi explicada de forma
bastante didtica a metodologia desenvolvida pela Secretaria da Receita Federal (Mtodo
dos Indicadores) para a realizao de suas previses. O autor realizou trabalhos de previso
utilizando a srie do Imposto de Renda, comparando seus resultados com aqueles obtidos
pela SRF. Em mdia os resultados obtidos pelo autor se aproximaram mais da realidade
do que os obtidos pelo rgo arrecadatrio.
O segundo trabalho foi apresentado um ano aps o primeiro, em 2002, por Marcelo
Siqueira, tambm servidor da Secretaria da Receita Federal, tendo sido agraciado com o
primeiro lugar do Prmio da STN no tema Tributao, Oramento e Sistemas de Informao
sobre Administrao Financeira Pblica. Pode-se dizer que uma evoluo em relao ao
primeiro, uma vez que alm de modelar a arrecadao do Imposto de Renda, o autor
estudou tambm o comportamento de outros tributos federais: Imposto de Importao,
Imposto sobre Produtos Industrializados e CPMF. Em suas concluses o autor tambm se
mostrou bastante otimista com relao utilizao de sries temporais para a modelagem
e previso da arrecadao de tributos.
Alm destes textos, ser utilizado como fundamentao terica o livro An Introduction to State and Local Public Finance de autoria dos professores Thomas Garrett e John
Leatherman da West Virginia University. Em seu captulo IV, (Revenue Forecasting ), fazse toda uma apresentao terica da aplicao de sries temporais previso de receita,
incluindo-se uma excelente reviso bibliogrca. A expectativa que esse texto, somado
aos trabalhos do Bruno e de Siqueira, bem como aos livros citados, formem o arcabouo
terico do trabalho.

Captulo 2
A Previso no Processo Oramentrio
Este captulo tem por objetivo apresentar as principais justicativas, legais e tericas, para a realizao do trabalho de previso de receitas no mbito do processo de elaborao da Lei Oramentria Anual (LOA).
Primeiramente, a questo legal. O artigo 165 da Constituio Federal, em seu 8o ,
estabelece que a Lei Oramentria Anual no dever conter dispositivo estranho previso
de receita e xao de despesa. Assim, a determinao para que seja feita a previso das
receitas um mandamus constitucional do qual o elaborador do oramento no pode se
esquivar.
Adicionalmente, a Lei de Responsabilidade Fiscal, Lei Complementar no 101/2000,
estabelece no seu artigo 11 que a instituio, previso e efetiva arrecadao de todos os
tributos da competncia constitucional de cada ente da Federao so requisitos essenciais
para a responsabilidade da gesto scal. O seu pargrafo nico veda que sejam feitas
transferncias voluntrias para o ente que no observar esse mandamus com relao aos
impostos.
O artigo 12 do mesmo ato legal determina, ainda, que as previses de receita
devero observar as normas tcnicas e legais, considerando no seu clculo os efeitos das
alteraes na legislao, da variao do ndice de preos, do crescimento econmico ou de
qualquer outro fator relevante. As previses devero ser acompanhadas de demonstrativo
de sua evoluo nos ltimos trs anos, da projeo para os dois seguintes quele a que se
referirem, bem como da metodologia de clculo e premissas utilizadas.
Com relao a este artigo, vale a pena observar que no existem normas tcnicas
que determinem de forma inequvoca como deve ser feito um trabalho de previso (Garrett
e Leatherman, 2000, pgina 1). Existem, na verdade, diversos mtodos que podem ser

CAPTULO 2. A PREVISO NO PROCESSO ORAMENTRIO

utilizados, qualitativos e quantitativos, conforme pode ser visto em Makridakis et al. (1998).
Outrossim, ao estabelecer que no clculo das previso devem ser levados em conta "os efeitos
das alteraes na legislao, da variao do ndice de preos, do crescimento econmico ou
de qualquer outro fator relevante", o legislador est limitando demasiadamente a margem
de discrionariedade da equipe encarregada das previses. A se levar ao p da letra o
disposto na Lei, a utilizao de sries temporais univariadas para realizar as previses
estaria descartada, uma vez que nesta metodologia so levados em considerao apenas os
prprios valores pretritos da srie para o clculo dos seguintes.
Ainda que no estivesse positivada na norma, a previso de receita deveria ser realizada a cada ciclo oramentrio, uma vez que compreender os processo de previso uma
etapa essencial no planejamento oramentrio e nos processos de gesto conforme exposto
em Kyobe e Danninger (2005). Considerando que um dos princpios oramentrios justamente o do equilbrio, Receitas Despesas, h que se fazerem previses razoavelmente
acuradas para as receitas, de forma a se equilibrarem com as despesas xadas, sob pena de
haver excesso de gastos (com reexos negativos na poltica scal, uma vez que os recursos
que esto faltando devero ser obtidos de alguma forma, mediante a obteno de emprstimos ou emisso monetria) ou excesso de receita (embora seja uma possibilidade terica,
h muito que isso no visto no Brasil).
Deve-se ressaltar que quando se fala em previso de receita no se est referindo
apenas s receitas tributrias, embora essas de fato sejam as mais importantes. O poder
pblico dispe de uma srie de outras fontes de recursos (e.g. cobrana de taxas pela utilizao de servios, rendas provenientes da explorao de atividades econmicas e recebimento
de dividendos) que tambm devem ser objeto de previso.

2.1 Mtodos Qualitativos e Quantitativos de Previso


A metodologia de previso de receitas a ser utilizada pode ser de natureza qualitativa ou quantitativa. Nada obsta, no entanto, que as duas sejam utilizadas em conjunto.
Aps a realizao de uma anlise numrica, os resultados podem ser apresentados a um
grupo de experts para validao.
Os processos de natureza qualitativa usualmente se baseiam na opinio de experts
no setor a ser considerado. Dada a sua experincia de vrios anos trabalhando no assunto,
testemunhando as mais diversas situaes que redundaram em diferentes efeitos sobre a

CAPTULO 2. A PREVISO NO PROCESSO ORAMENTRIO

evoluo da varivel cujo comportamento se deseja prever, estes prossionais acabaram por
adquirir uma alentada capacidade de compreenso dos fatores que afetam a evoluo desta
varivel. Embora no esteja lastreada em estudos numricos, esta experincia lhes permite
prever o que ir acontecer com uma certa dose de acerto, Garrett e Leatherman (2000).
Previses baseadas em mtodos qualitativos so usualmente utilizadas quando no
existem estatsticas conveis relativas aos perodos passados e que possam ser utilizadas
em mtodos quantitativos, quando so esperadas modicaes signicativas no ambiente
em que se d o processo (e.g. uma grande elevao na alquota de um determinado tributo,
um cataclismo que afetou severamente uma determinada regio ou setor econmico) ou
quando no h equipes competentes para a realizao de anlises economtricas.
Apesar do contnuo avano das tcnicas estatsticas, os mtodos qualitativos de
previso ainda so bastante utilizados. Em estudo publicado pelo FMI, envolvendo uma
amostra de trinta e quatro pases (da frica Subsahariana, da sia, Amrica Latina e
Oriente Mdio), aproximadamente 85% utilizam tcnicas de previso de receitas de carter
subjetivo e de simples extrapolao (Kyobe e Danninger, 2005, pgina 14).
claro que para que haja a criao de um grupo capaz de realizar previso de
forma qualitativa necessrio que haja uma certa estabilidade na estrutura administrativa.
Se houver uma grande rotatividade nos funcionrios encarregados da administrao de um
determinado tributo, por exemplo, dicilmente ser criada uma memria institucional que
permita gerar o conhecimento necessrio para a realizao desse tipo de trabalho.
Embora extensivamente utilizados, os mtodos qualitativos, uma vez que envolvem
julgamentos subjetivos, podem dar margem a problemas. Guajardo e Miranda (2000), citados por (Garrett e Leatherman, 2000, pgina 3), apresentam oito das principais fraquezas
que uma anlise qualitativa pode apresentar1 :

eventos ncora - eventos recentes de grande impacto podem inuenciar a percepo


sobre eventos futuros. Por exemplo, ao ser escolhido para sediar um grande evento
esportivo (uma copa do mundo, olimpadas ou jogos panamericanos) toda a economia
de um pas, ou de uma regio, pode ser afetada de forma positiva durante o perodo
de preparao e realizao deste evento. Este efeito, no entanto, tem data certa para
acabar, o que deve ser levado em conta quando da realizao de previses;
disponibilidade de informaes - excesso de peso dado ao uso de informaes prontamente disponveis;
1 Os

quadas.

itens a seguir foram livremente traduzidos, com as adaptaes que se consideraram ade-

CAPTULO 2. A PREVISO NO PROCESSO ORAMENTRIO

10

correlao falsa - os encarregados da realizao das previses podem incorporar informaes sobre fatores que erroneamente so considerados como inuenciadores da
arrecadao de receitas;
inconsistncias nos mtodos e nos julgamentos - os encarregados da realizao das previses podem utilizar diferentes estratgias de previso ao longo do tempo, tornandoas menos conveis;
percepes seletivas - ocorrem quando os encarregados das previses ignoram informaes importantes que conitam com a sua viso sobre relaes causais;
wishful thinking 2 - ao darem um peso maior quilo que os encarregados de previso
ou servidores pblicos desejam, os resultados das previses podem ser irrealistamente
otimistas;
comportamento de grupo - ocorre quando a dinmica da formao de consenso tende
a levar indivduos a reforarem os pontos de vista uns dos outros, em detrimento de
seus julgamentos independentes;
presses polticas - ocorrem quando os encarregados das previses ajustam as estimativas de forma a ir ao encontro das necessidades de um oramento equilibrado ou
das limitaes oramentrias.
Os mtodos quantitativos de previso de receitas se baseiam na anlise numrica de
dados pr-existentes, buscando estabelecer um modelo (ou modelos) que os represente(m)
da forma mais el possvel, utilizando-os em seguida para a realizao das previses desejadas. Entre as vantagens que esse tipo de metodologia apresenta podem ser citadas a
transparncia dos parmetros utilizados nos clculos3 e a possibilidade de estabelecimento
de um grau de incerteza associada s estimativas realizadas (Garrett e Leatherman, 2000,
pgina 3).

2.2 O Processo de Previso do Poder Executivo Federal


Tendo em vista as diretrizes constitucionais e legais citadas, o Poder Executivo
Federal, por intermdio de seus rgos da administrao direta e indireta, realiza o trabalho
2 Mantido

no ingls original, signica tomar os desejos por realidades e tomar decises, ou seguir
raciocnios, baseados nesses desejos em vez de nos fatos ou na racionalidade (Wikipedia, verbete
Wishful thinking ).
3 Que necessariamente devero constar nas equaes utilizadas.

CAPTULO 2. A PREVISO NO PROCESSO ORAMENTRIO

11

de previso das receitas tributrias e no tributrias a serem arrecadadas no nal do perodo


(julho de cada exerccio at o nal do ano) e para os doze meses do ano seguinte.
Essas previses, no geral, so calculadas tomando por base a evoluo de determinados parmetros que, por pressuposto, afetam a evoluo da arrecadao das receitas a
serem estimadas. De forma a uniformizar as projees desses parmetros, foi decidido que
a Secretaria de Poltica Econmica do Ministrio da Fazenda - SPE/MF iria centralizar os
clculos e a coleta dos indicadores a serem utilizados, repassando-os aos demais rgos a
m de que estes os utilizem na previso das receitas de cuja arrecadao so responsveis.
Este tipo de procedimento evita que os rgos utilizem diferentes valores para a
projeo do crescimento real do PIB, inao, massa salarial etc., o que certamente causaria
enorme confuso. Finalizado o trabalho de previso de cada rgo, os valores calculados
so enviados Secretaria de Oramento Federal-SOF que os consolida e insere no Projeto
de Lei Oramentria Anual a ser enviado ao Congresso Nacional para deliberao.
Na lista a seguir so elencados os principais parmetros macroeconmicos consolidados/calculados pela SPE e enviados aos demais rgos4 :

PIB: as projees para evoluo do PIB levam em conta a evoluo dessazonalizada


nos ltimos trimestres do ano, sendo incorporados os valores estimados para as taxas
de juros, a produo agrcola e a produo industrial;
Indicadores industriais: a produo da Indstria de Transformao e de Bebidas e as
vendas da Indstria de Fumo e de Veculos so utilizados como parmetros para as
estimativas de receitas oramentrias. De acordo com o rgo, as projees iniciais
so ajustadas levando-se em conta: a trajetria de longo prazo da srie estatstica e
a relao entre as expectativas de evoluo da atividade at o nal do perodo e sua
trajetria de longo prazo;
Importaes: as projees das importaes, excluindo-se o item combustveis, so
estimadas tomando por base as expectativas de mercado para o valor anual das
importaes totais, divulgadas semanalmente pelo Banco Central. Subtraem-se dos
valores anuais as estimativas de importao de petrleo fornecidas pela Petrobrs;
Mercado de Trabalho: com relao a este item, so utilizados os seguintes parmetros,
constantes da Pesquisa Mensal de Emprego (PME) executada pelo IBGE: Populao
Economicamente Ativa (PEA), Populao Ocupada (PO) com carteira assinada e o
Rendimento Mdio Nominal (RMN) dos trabalhadores com carteira assinada. Cada
um desses parmetros tem metodologia diferente de previso;
4 Informaes

obtidas nas Informaes Complementares ao Projeto de Lei Oramentria Anual.

CAPTULO 2. A PREVISO NO PROCESSO ORAMENTRIO

12

Indicadores de Preos: so elaboradas projees para os seguintes ndices de preos:


IGP-DI (ndice Geral de Preos - Disponibilidade Interna, da FGV), IPCA (ndice
de Preos ao Consumidor Amplo, do IBGE), INPC (ndice Nacional de Preos ao
Consumidor, do IBGE) e IPA (ndice de Preos ao Atacado, da FGV) para a Indstria
de Transformao, de Bebidas, Fumo e Veculos. As projees destes parmetros so
revistas periodicamente, em funo do comportamento da inao, bem como das
previses atualizadas do Banco Central (atas das reunies do Copom e relatrios
trimestrais de inao) e do mercado (expectativas mensais, anuais e para os doze
prximos meses para os principais ndices de preos, divulgadas semanalmente pelo
Banco Central);
Taxas de cmbio: projees tomam como base as expectativas do mercado, ajustadas
pelas informaes referentes demanda por divisas estrangeiras determinadas pelos
uxos de pagamentos nanceiros dos setores pblico e privado;
Taxas de juros: projees tomam por base as expectativas de mercado para as decises do Copom, levando em conta tambm a trajetria de juros reais de longo prazo
consistente com a taxa projetada de crescimento do PIB;
Aplicaes nanceiras: calculadas de acordo com a seguinte equao: (M4 - M1 - Dep.
Poupana), onde M4 o maior agregado monetrio, M1 a quantidade de moeda
em poder do pblico somada aos depsitos vista nos bancos comerciais. As projees so realizadas individualmente para cada parmetro da equao, considerando
a Teoria Quantitativa da Moeda;
Taxa de Juros de Longo Prazo/TJLP: projetada considerando o risco-pas de longo
prazo e as metas de inao pro-rata 12 meses adiante;
Taxa Referencial/TR: projees realizadas com base na taxa over-selic, utilizando-se
ainda os parmetros da Resoluo 3.354 do Conselho Monetrio Nacional.

2.3 O Modelo da Secretaria da Receita Federal


Tomando por base os parmetros enviados pela SPE, a Secretaria da Receita Federal do Brasil-RFB realiza ento os clculos da previso de arrecadao dos tributos sob sua
responsabilidade. A seguir ser apresentada a metodologia desenvolvida pela Secretaria,
conforme exposto nas notas metodolgicas apresentadas anualmente pelo rgo e em Melo
(2001).

CAPTULO 2. A PREVISO NO PROCESSO ORAMENTRIO

13

O processo de previso de arrecadao de receitas no mbito da SRFB pode ser


dividido em duas etapas. Na primeira, analisada a situao de cada tributo, procurando vericar se a arrecadao base no perodo t (que ser utilizada para a previso de
arrecadao no perodo t + 1) poder ser utilizada sem alteraes, ou haver necessidade
de um ajuste por conta de fatores que ocorreram no perodo anterior, ou supe-se que
ocorrero no seguinte. Uma vez detectada a existncia de uma fator, ou fatores, que impactaro a nova base de clculo, os mesmos sero incorporados nova base de clculo, que
ser utilizada nas previses.
H numerosos exemplos de fatores que podem ser citados. O mais comum o
ajuste relativo ao nmero de dias teis, que varia de perodo para perodo, e que impacta a
arrecadao de IPI, COFINS e PIS/PASEP (conforme pode ser visto em nota metodolgica
da SRF). Um outro exemplo, desta vez hipottico, a eventual excluso da base de clculo
do ano seguinte dos efeitos relativos ao elevado consumo de cervejas e refrigerantes (IPIBebidas) em um ano em que as temperaturas elevadas do vero se estenderam por um
perodo superior ao normal.
Uma vez ajustada, a base de clculo resultante multiplicada pelos ndices relativos
a alteraes de preo (representativo do efeito que a inao projetada para o perodo
seguinte ter sobre o fato econmico objeto do tributo), quantidade (representativo da
variao real da quantidade desse fato econmico) e legislao (representativo da variao
que alteraes na legislao vo causar na arrecadao).
Sinteticamente,

Ai,t = Aai,t1 (1 + P ) (1 + Q) (1 + L)

(2.1)

onde,

Ai,t - arrecadao prevista no ms i do ano t;


Aai,t1 - arrecadao efetiva no ms i do ano t 1, ajustada. Como as previses
no geral so feitas nos meses de junho ou julho, s existem dados de arrecadao
efetiva at estes meses. Para os meses seguintes (usualmente julho a dezembro) so
utilizados os valores de julho a dezembro do ano anterior ;
(1 + P ) - ndice de preo (inao no perodo);
(1 + Q) - ndice de quantidade;
(1 + L) - ndice de legislao.

CAPTULO 2. A PREVISO NO PROCESSO ORAMENTRIO

14

Note-se que todo este trabalho exige da(s) equipe(s) que o realizam um profundo
conhecimento emprico do comportamento da arrecadao dos tributos frente s alteraes
no panorama econmico do Brasil e do mundo. Conseguir quanticar em um parmetro
o efeito que um determinado ndice (previsto) de inao vai ter sobre a arrecadao de
um tributo no tarefa trivial. A experincia e a cultura institucional acumuladas durante
anos de trabalho so essenciais para a acurcia das previses.

2.3.1 A Acurcia das Previses da SRF


No Quadro 2.1 so apresentados os valores referentes s previses, bem como
arrecadao real do Imposto de Renda agregado ao longo do perodo 2004/20065 , mensalmente, por ano. Esses valores previstos fazem parte do Projeto de Lei Oramentria
Anual enviado para apreciao pelo Congresso Nacional.
Pode ser constatado nos trs anos considerados que as previses da Secretaria da
Receita Federal foram sistematicamente inferiores s que efetivamente foram realizadas.
Essa diferena foi particularmente elevada em 2005, quando atingiu 12, 83% do total. Essa
subestimativa sistemtica da arrecadao est muito provavelmente ligada a um comportamento conservador por parte da autoridade fazendria. Ao prever a menor uma expectativa
de arrecadao, a SRF permite que haja a criao de uma margem de segurana com relao
alocao de gastos oramentrios.
Os erros das previses mensais apresentam valores diversos, se estendendo desde
+0.09% em novembro de 2004 a 21.45% em agosto de 2005. Na Figura 2.1 apresentado
o histograma dos trinta e seis erros mensais incorridos no perodo observado. Note-se que
em apenas dois meses a previso da SRF superou a arrecadao; nos restantes trinta e
quatro meses a previso foi inferior arrecadao, evidenciando o carter conservador dos
clculos.

5 Obtidos

junto listagem L&88 emitida pelo SERPRO mensalmente.

6
0

Freqncia

10

12

CAPTULO 2. A PREVISO NO PROCESSO ORAMENTRIO

25

20

15

10

10

Erro de Previso (%)

Figura 2.1: Histograma dos Erros de Arrecadao da SRF

15

10.105.940,02

7.464.527,59

7.889.709,18

9.198.601,70

6.817.773,31

7.360.569,67

8.504.515,08

7.200.058,18

7.855.788,11

8.676.989,71

6.530.677,05

12.013.341,08

99.618.490,68

jan

fev

mar

abr

mai

jun

jul

ago

set

out

nov

dez

Total
6,69

93.065.298

9.839.264

6.536.763

7.982.289

7.031.913

6.545.924

8.124.361

7.319.956

7.185.383

8.952.123

7.458.519

7.105.618

8.983.185

Prev.

-6,58

-18,10

0,09

-8,01

-10,49

-9,09

-4,47

-0,55

5,39

-2,68

-5,47

-4,81

-11,11

(%)

121.213,81

15.505,50

9.549,99

10.108,37

8.422,67

8.990,94

9.250,10

12.477,37

8.501,77

10.927,58

9.539,31

7.858,25

10.081,97

Arrec.

-4,02

-9,85

(%)

-12,83

-7,78

-11,79

-21,24

-19,10

-21,45

-7,10

-11,18

-18,18

-14,30

-11,19

13,10

105.660

14.299

8.424

7.961

6.814

7.062

8.593

11.083

6.956

9.365

8.472

7.542

9.089

Prev.

2005

133.816.086.835,05

16.606.948.120,64

9.492.285.018,92

11.703.111.572,74

10.312.573.908,60

9.485.565.072,44

10.397.486.714,18

13.956.711.467,90

9.180.874.262,48

12.588.188.574,93

10.189.952.436,27

9.259.073.435,62

10.643.316.250,33

Arrec.

(R$)

(R$ milhes)

(R$ mil)

Fonte: Informaes complementares aos projetos de lei oramentria dos anos 2004 a 2006.

EPMA

Arrec.

Ms

2004

7,87

125.047.097.594

17.433.981.751

8.840.966.029

9.772.641.683

8.492.821.645

8.633.888.599

10.376.072.978

13.237.302.483

8.886.017.518

11.667.203.521

9.592.790.814

8.606.013.260

9.507.397.313

Prev.

2006

Quadro 2.1: Valores Previstos e Arrecadados de Imposto de Renda - 2004/2006

-6,55

4,98

-6,86

-16,50

-17,65

-8,98

-0,21

-5,15

-3,21

-7,32

-5,86

-7,05

-10,67

(%)

CAPTULO 2. A PREVISO NO PROCESSO ORAMENTRIO


16

Parte I
Anlise da Srie Reduzida
Deacionada

17

Captulo 3
Suavizao Exponencial
Nesse captulo so apresentados os mtodos de previso baseados na mdia e na
suavizao exponencial, aplicando-os srie de arrecadao do Imposto de Renda, cujos
valores foram deacionados pelo ndice a ser escolhido na forma apresentada na Seo 3.1.
Para cada um desses mtodos, feita uma breve introduo, apresentando-se a seguir as
equaes que so utilizadas para a modelagem da srie. Feitas as anlises, so apresentados
os resultados para as previses, os grcos com a srie modelada, os correlogramas das
funes de autocorrelao e de autocorrelao parcial dos resduos, bem como os resultados
para o Teste Box-Pierce, (Garrett e Leatherman, 2000, pgina 318), dos resduos. Aps o
clculo dos valores previstos deacionados, feito o seu inacionamento para os meses de
2006, utilizando-se o ndice de inao adotado.
Ao nal, na concluso do captulo, so apresentados os Quadros 3.2 e 3.3, onde
feita uma comparao entre os resultados obtidos com os mtodos de suavizao exponencial
considerados mais adequados, com base na anlise dos resduos, e os valores efetivamente
recolhidos no perodo de janeiro a dezembro de 2006. No primeiro quadro os valores previstos foram inacionados com base no ndice previsto pela SPE, enquanto no segundo foi
utilizado o ndice adotado efetivo, calculado pela entidade responsvel pela sua elaborao.
Ressalte-se que, com essa metodologia de anlise, procurou-se simular da forma
mais dedigna possvel a situao vivida pelos tcnicos do Governo encarregados de realizar
as previses de arrecadao tributria para o ano seguinte. O projeto de lei oramentria
precisa estar pronto para ser enviado ao Congresso Nacional para apreciao e aprovao
at agosto de cada ano. Portanto, as informaes disponveis para as anlises so aquelas
usualmente existentes at junho de cada exerccio. Os rgos arrecadadores precisam ento
prever, na verdade, dezoito meses de arrecadao; os seis ltimos meses do ano e os doze
meses do ano seguinte.

18

CAPTULO 3. SUAVIZAO EXPONENCIAL

19

Sob esse aspecto metodolgico, o presente trabalho se distancia daqueles realizados


por Siqueira (2002) e Melo (2001). Em ambos, o perodo dos dados utilizados foi at
dezembro, com as previses sendo realizadas para os doze meses do ano seguinte.
A utilizao da srie deacionada faz sentido em um ambiente institucional em
que a previso dos ndices inacionrios seja realizada por um rgo distinto daquele que
realiza a previso de arrecadao da receita, o qual deve levar em considerao aqueles
ndices em seus clculos. Assim, faz-se o deacionamento dos valores da srie para uma
data base, constri-se o modelo, fazem-se as previses e, posteriormente, inacionam-se os
valores calculados para a data desejada, utilizando-se os ndices ociais.
Basicamente, essa uma situao similar que acontece com a RFB, e demais
rgos arrecadadores, quando da elaborao das previses de arrecadao, uma vez que
estes rgos precisam se ater aos parmetros de ndices inacionrios e crescimento do PIB
calculados pela Secretaria de Poltica Econmica-SPE.
O trabalho de anlise da srie deacionada do Imposto de Renda complementado
no Captulo 4, onde feita uma rpida apresentao da metodologia de Box&Jenkins,
utilizando-a em seguida para a realizao das previses relativas arrecadao do tributo.

3.1 ndices de Deacionamento


Uma vez denido que a srie a ser estudada deve ser deacionada, h que se escolher o ndice a ser utilizado. Essa deciso importante, considerando que a adoo de um
ou outro ndice ou, mesmo, uma combinao dentre eles, como inacionador/deacionador,
gerar uma srie temporal diferente, que poder, ou no, gerar modelos mais capazes de
moldar a srie original e realizar previses mais, ou menos, precisas. Os ndices que mensuram a inao comumente utilizados no Brasil exibem comportamentos distintos, de acordo
com a metodologia de apurao e abrangncia de captao de dados de cada um. A evoluo
do comportamento temporal dos principais ndices de inao (IGP, IGP-DI, IPCA e INPC)
pode ser melhor visualizada na Figura 3.1, para o perodo jan/1995 a dez/2006.
A Secretaria da Receita Federal do Brasil, em seu trabalho de previso de arrecadao, utiliza diferentes ndices para compor o Efeito Preo a ser utilizado em sua
metodologia. De acordo com o tributo a ser estudado, os ndices a serem adotados podem
ser o INPC, IPA ou o IPCA, ou, mesmo, uma combinao dentre eles. Assim, o clculo
da previso da arrecadao do Imposto sobre Produtos Industrializados sobre a produo
de automveis, leva em considerao o ndice de preos especco do setor. Com relao

20

200

250

IGP
IPCA
IGPDI
INPC

100

150

ndice (08/94 = 100)

300

350

CAPTULO 3. SUAVIZAO EXPONENCIAL

1996

1998

2000

2002

2004

2006

ANO

Figura 3.1: IR - Mdia Mvel


ao Imposto de Importao, as previses relativas variao da taxa mdia de cmbio so
levadas em considerao. No que concerne s previses relativas arrecadao do Imposto
de Renda, em suas duas modalidades, Imposto de Renda Pessoa Fsica-IRPF e Imposto de
Renda Pessoa Jurdica-IRPJ, utiliza-se no geral um ndice ponderado (55% IPCA e 45%
IGP)1 .
J nos trabalhos apresentados por Melo (2001) e Siqueira (2002), os autores utilizaram o IGP-DI como ndice para o deacionamento das sries a serem estudadas, com
resultados satisfatrios, segundo as concluses apresentadas por ambos. O IGP-DI, ndice
Geral de Preos - Disponibilidade Interna, calculado mensalmente pela Fundao Getlio
Vargas do Rio de Janeiro. um ndice composto, reetindo a evoluo de preos captada
pelo ndice de Preos por Atacado (IPA), ndice de Preos ao Consumidor (IPC-FGV) e
ndice Nacional de Preos da Construo Civil (INCC).
Note-se que dos grcos apresentados na Figura 3.1, pode-se ver que a evoluo do
IGP e do IGP-DI semelhante, diferenciando-se ambos da evoluo do IPCA e do INPC.
Essa diferena no comportamento dos ndices decorrente do fato de o IGP e IGP-DI serem
1 Informaes

obtidas junto s notas metodolgicas usualmente apresentadas no Projeto de Lei


Oramentria Anual, enviado pelo Poder Executivo ao Congresso Nacional para apreciao.

CAPTULO 3. SUAVIZAO EXPONENCIAL

21

5500

5550

AIC

5600

5650

Evoluo do AIC

0.0

0.2

0.4

0.6

0.8

1.0

% IGPDI

Figura 3.2: Evoluo do AIC - IGP-DI/IPCA Ponderados


mais sensveis ao cmbio, uma vez que captam os preos dos produtos de exportao e de
importao com mais dedignidade. Essa inuncia do cmbio nos ndices ca bastante
clara no grco. Aps a desvalorizao cambial do real no nal de 1999, os dois ndices
gerais de preo comeam a se descolar do IPCA e do INPC em uma trajetria de crescimento
mais elevado. Essa trajetria sofre nova alterao, desta vez em sentido contrrio, quando
do incio da apreciao do real frente s demais moedas, principalmente o dlar americano,
a partir de 2005.
De forma a vericar qual o ndice, ou ponderao de ndices, seria o mais apropriado para moldar a srie, iremos utilizar as propriedades do Critrio de Informao Akaike
(Akaike Information Criteria), ou AIC, (Garrett e Leatherman, 2000, pgina 360). Considerando que quanto melhor um modelo se adapta a uma srie, menor o seu AIC, foi feito
um estudo da evoluo desse critrio de informao, criando-se um ndice ponderado a partir do IGP-DI e do IPCA, variando-se a participao de cada um entre 0% a 100%. Para
cada uma das sries resultantes do deacionamento ponderado, utilizou-se o comando ets
do R para a gerao de sries por suavizao exponencial, calculando-se ento o AIC respectivo. O resultado pode ser visto na Figura 3.2. O IGP-DI, puro, sem qualquer ponderao
com o IPCA, se revelou o melhor deacionador para srie do Imposto de Renda, quando a
mesma modelada por suavizao exponencial.

CAPTULO 3. SUAVIZAO EXPONENCIAL

22

Quadro 3.1: Inao (IGP-DI) apurada pela FGV e Prevista pela SPE
Ms

IGP-DI Apurado

Previso (SPE)

(%)

jul/05

-0,40

0,26

165,00

ago/05

-0,79

0,39

149,37

set/05

-0,13

0,44

438,46

out/05

0,63

0,43

31,75

nov/05

0,33

0,45

36,36

dez/05

0,07

0,49

600,00

jan/06

0,72

0,37

48,61

fev/06

-0,06

0,50

933,33

mar/06

-0,45

0,43

195,56

abr/06

0,02

0,53

2550,00

mai/06

0,38

0,68

78,95

jun/06

0,67

0,60

10,45

jul/06

0,17

0,53

211,76

ago/06

0,41

0,61

48,78

set/06

0,24

0,22

8,33

out/06

0,81

0,25

69,14

nov/06

0,57

0,38

33,33

dez/06

0,26

0,24

EPMA

7,69
468,07

CAPTULO 3. SUAVIZAO EXPONENCIAL

23

A partir do resultado obtido, bem como dos trabalhos de Melo (2001) e Siqueira
(2002), optou-se por utilizar no presente trabalho o IGP-DI, puro, como deacionador da
srie sob anlise. Ressalte-se que, para uma srie de um tributo diferente (e.g. IPI ou
Cons), um outro ndice poderia ser utilizado.
importante entender que, uma vez que seja utilizado um processo de deacionamento, modelagem e previso, com posterior inacionamento dos resultados at a data
cuja arrecadao se deseja prever, as incertezas associadas previso se avolumam. A
primeira delas concerne ao prprio ndice a ser utilizado. Como estamos usando a srie do
Imposto de Renda total, estamos agregando arrecadaes tributrias provenientes de diversos fenmenos econmicos, os quais reagem a variaes inacionrias de forma diferente,
que poderiam ser captadas por diferentes ndices. O IGP-DI adotado foi o melhor ndice
possvel.
A segunda se refere ao prprio modelo adotado representar a srie sob estudo.
Nenhum modelo perfeito, nem consegue captar a integralidade das caractersticas de uma
srie composta por valores reais, mensurados. Ento, quando h a utilizao de um modelo,
h uma perda de parte da informao contida na srie.
Por ltimo, as previses relativas aos ndices de inao futura. Quo acuradas so
essas previses? No Quadro 3.1 so apresentadas as previses do IGP-DI para os perodo
de jul/2005 a Dez/2006, realizadas pela SPE e utilizadas nos parmetros macroeconmicos
para elaborao do oramento de 2006. No se pode armar que as previses tenham sido
muito precisas. Para o ms de abril, por exemplo, houve uma divergncia de 2550% entre
a previso elaborada pela SPE e o valor apurado pela FGV. Uma possvel forma de tornar
essa previso mais acurada seria mediante a utilizao, tambm, de mtodos economtricos
na previso dos ndices de inao futuros, conforme realizado em Neves Cordeiro (2002).
Na Figura 3.3 so apresentados dois grcos da srie de arrecadao do Imposto de
Renda, com os valores j convertidos em reais, deacionados pelo IGP-DI para agosto de
1994. O primeiro grco apresenta a srie desde janeiro de 1985 a junho de 2005, enquanto
o segundo apresenta apenas o perdo com o qual se vai trabalhar, janeiro de 1995 a junho
de 2005. Percebe-se de forma clara a ocorrncia de uma alterao no comportamento da
srie a partir de meados de 1994, perodo em que houve a implementao do Plano Real.
Como na gura j cou bastante claro o perodo em que ocorreu a alterao no
comportamento da srie, no h necessidade de realizao de um teste estatstico para
averiguao da ocorrncia de quebra estrutural. Com base nesse resultado, optou-se por

CAPTULO 3. SUAVIZAO EXPONENCIAL

24

4
1

(R$ Bilhes)

Janeiro/1985 junho/2005

1985

1990

1995

2000

2005

Ano

3.0
1.5

2.0

2.5

(R$ Bilhes)

3.5

4.0

4.5

Janeiro/1995 junho/2005

1996

1998

2000

2002

2004

2006

Ano

Figura 3.3: Evoluo da Arrecadao do Imposto de Renda - Srie Deacionada


trabalhar somente com a segunda parte da srie, relativa ao perodo de estabilidade monetria proporcionado pelo Plano Real.
Note-se que a quebra estrutural da srie se d exatamente no ano do plano de
estabilizao. A arrecadao vinha em uma trajetria descendente, em termos reais, at
meados de 1994. Aps o incio do processo de estabilizao monetria, a arrecadao real
inicia uma trajetria crescente, que continua at o nal do perodo. A perda de arrecadao
tributria que vinha ocorrendo, provavelmente, tinha relao com as altas taxas de inao
prevalecentes. Como havia sempre um intervalo de tempo para o recolhimento dos tributos
e nenhuma indexao perfeita, estava ocorrendo uma perda para o Tesouro Nacional.
o chamado Efeito Tanzi, em homenagem ao economista Vito Tanzi.

3.2 Mtodos Baseados na Mdia


So dois os principais mtodos de previso baseados na mdia: o de Mdia Simples
e o de Mdia Mvel. Ambos tm como caracterstica dar a mesma ponderao para todas
as observaes que sero utilizadas na modelagem da srie original.

CAPTULO 3. SUAVIZAO EXPONENCIAL

25

3.2.1 Mdia Simples


A utilizao desse mtodo pressupe que a srie sob estudo seja estacionria e que
os seus valores se distribuem ao redor de uma constante (a mdia), sendo a varincia em
torno da mdia tambm constante Makridakis et al. (1998).
A estacionariedade de uma srie pode ser fraca ou forte. Ela considerada fortemente estacionria, ou estritamente estacionria, quando a distribuio do conjunto de
variveis aleatrias {yt1 , yt2 , yt3 , . . . yts } a mesma que a distribuio do conjunto {yt1 +k ,
yt2 +k , yt3 +k , . . . yts +k } para todos as s-uplas {yt1 , yt2 , yt3 , . . . yts } e todos os valores de k ,
onde k inteiro. Assim, a distribuio do modelo independente do tempo, sendo dependente apenas do intervalo entre cada ponto no tempo (Baillie, 2003).
Porm, no h como testar, a partir de uma realizao emprica de uma srie temporal, se ela fortemente estacionria. Assim, normalmente utilizado um outro conceito,
o de estacionariedade fraca. Uma srie dita ser fracamente estacionria se apresenta as
seguintes caractersticas:

valor esperado constante, independente do tempo;


varincia constante;
autocovarincias constantes, dependentes apenas da diferena entre os perodos considerados.
Neste trabalho, se trabalhar sempre com o conceito de estacionariedade fraca.
Assim, quando se disser que uma srie estacionria, implicitamente se estar dizendo que
ela fracamente estacionria.
O mtodo da Mdia Simples modela a srie considerando que todos os seus valores
podem ser aproximados pela mdia dos seus valores. Assim,
n
X

yt =

i=1

yt
(3.1)

onde n o nmero de pontos observados da srie e yt representa o valor de cada um.


Os valores previstos para t > n, yt , so todos iguais a y t , multiplicados pelo ndice de
atualizao monetria mensal utilizado (no presente caso o IGP-DI).

CAPTULO 3. SUAVIZAO EXPONENCIAL

26

10
6
2

(R$ Bilhes)

Arrecadao IR

1996

1998

2000

2002

2004

2006

Ano

0.4 0.8
0.2

FAC

Correlograma dos Resduos

10

15

20

25

30

35

30

35

Defasagem

0.2 0.4
0.1

FACP

Correlograma dos Resduos

10

15

20

25

Defasagem

Figura 3.4: IR - Previso pela Mdia Simples


No primeiro grco da Figura 3.4 so apresentadas as evolues das sries original (linha azul contnua) e modelada pela mdia simples (linha verde serrilhada), com a
evoluo dos valores previstos sendo apresentada aps a linha vertical. visvel que esse
tipo de modelo no consegue simular um comportamento to varivel como o da arrecadao
tributria. Os correlogramas das funes de autocorrelao e de autocorrelao parcial da
srie dos resduos indicam que h correlao signicativa entre eles, com carter nitidamente sazonal, de perodo de doze meses. A Estatstica Q do Teste Box-Pierce apresentou
o valor de 99.05, extremamente elevado para uma distribuio de 2 com vinte graus de
liberdade.
Com base nos resultados encontrados, verica-se que este modelo no pode ser
considerado adequado para a modelagem e previso da srie de arrecadao do Imposto de
Renda.

3.2.2 Mdia Mvel


Neste mtodo, cada ponto da nova srie modelada calculado como sendo a mdia
dos valores das m observaes anteriores. Todas as observaes so ponderadas pelo mesmo
1
valor ( m
). Apesar de j ser um avano com relao ao mtodo baseado unicamente na mdia
total, ainda assim ele no adequado para modelar sries que apresentem tendncia ou

CAPTULO 3. SUAVIZAO EXPONENCIAL

27

sazonalidade (Makridakis et al., 1998, pg. 143). A equao 3.2 utilizada para os clculos
do modelo. O nmero de pontos conhecidos da srie representado pelo parmetro n,
enquanto m representa a ordem do modelo de mdia mvel.

yn+1 =

1
m

t
X

yi

(3.2)

i=nm+1

A srie deacionada do Imposto de Renda foi modelada utilizando-se o Mtodo


da Mdia Mvel com m = 3, 5, 7 e 9, e os grcos da srie original e da resultante da
modelagem podem ser vistos na Figura 3.5 para cada uma das ordens. Realmente o mtodo
parece simular melhor a srie que o da mdia simples. Ainda assim, os correlogramas das
funes de autocorrelao dos resduos, Figura 3.6, demonstram que a modelagem realizada
no conseguiu extrair toda a informao presente na srie original, dada a existncia de
sazonalidade nas sries.
A Estatstica Q do Teste Box-Pierce tambm demonstra a no adequao do modelo. Fazendo-se os clculos da Estatstica Q para os resduos de cada uma das sries,
chega-se aos seguintes valores: 55.52, 63.28, 63.75, 62.64, para m = 3, 5, 7 e 9, respectivamente. Dado que, consultando-se a tabela com a distribuio do 2 , verica-se que h um
probabilidade de apenas 0.5% de um valor para a estatstica Q superar 39.99, quando o
nmero de graus de liberade for 20, pode-se rejeitar, com quase 100% de certeza, a hiptese
nula de que os resduos so rudo branco.
Ambos as vericaes indicam portanto que tambm o Mtodo da Mdia Mvel
no adequado para a modelagem da srie do Imposto de Renda.

3.3 Mtodos de Suavizao Exponencial


Diferentemente dos mtodos baseados na mdia, nos mtodos de suavizao exponencial h uma ponderao dos valores observados, de sorte que s observaes mais remotas
so consignados pesos menores que s mais recentes, pesos estes que vo decrescendo suavemente (da o nome do mtodo). De acordo com Gardner (2005), os mtodos de suavizao
exponencial tiveram a sua origem nos Estados Unidos, nas dcadas de 1940/50, com os
trabalhos seminais de Robert Brown e Charles Holt, para a Marinha Americana, bem como
Winters.
So diversos os mtodos de suavizao possveis, adotados de acordo com as caractersticas da srie temporal cujo comportamento se pretende prever. Asim, podem ser
utilizados mtodos de suavizao exponencial para sries com ou sem tendncia, com ou

CAPTULO 3. SUAVIZAO EXPONENCIAL

4.0
3.5
3.0
2.5

Arrecadao (R$ Bilhes)

1.5
1998

2000

2002

2004

1996

1998

2000

2002

2004

Ano

Mdia Mvel 7 Passos

Mdia Mvel 9 Passos

4.0
3.5
3.0
2.5

Arrecadao (R$ Bilhes)

3.5
3.0
2.5

1.5

2.0
1.5

2.0

4.0

4.5

Ano

4.5

1996

Arrecadao (R$ Bilhes)

2.0

4.0
3.5
3.0
2.5
2.0
1.5

Arrecadao (R$ Bilhes)

4.5

Mdia Mvel 5 Passos

4.5

Mdia Mvel 3 Passos

28

1996

1998

2000

2002

2004

1996

1998

2000

Ano

2002

2004

Ano

Figura 3.5: IR - Mdia Mvel

Mdia Mvel 7 Passos

0.1
0.1

FAC

0.4
0.4

0.3

0.0

10

15

20

25

30

35

10

15

20

25

30

Lag

Mdia Mvel 9 Passos

Mdia Mvel 9 Passos

35

0.3
FAC

0.6

0.1

0.2

0.3

0.2

FAC

Lag

1.0

0.1

FAC

0.8

0.3

Mdia Mvel 7 Passos

10

15

20
Lag

25

30

35

10

15

20

25

30

35

Lag

Figura 3.6: IR - Mdia Mvel - FAC Erros

CAPTULO 3. SUAVIZAO EXPONENCIAL

29

sem sazonalidade, com tendncia amortecida ou no etc. Um quadro completo contendo as


diversas possibilidades pode ser encontrado em Gardner (2005, pg. 5).
Nesta seo, inicialmente, ser utilizado o mtodo de suavizao mais simples para
modelar a srie do Imposto de Renda: srie sem tendncia e sem sazonalidade, N-N2 . Em
um segundo momento, e com base nos resultados obtidos, sero utilizados modelos mais
complexos e mais prximos do comportamento da srie do Imposto de Renda: tendncia
aditiva e sazonalidade aditiva, A-A, tendncia aditiva amortecida e sazonalidade aditiva,
DA-A3 .
Os mtodos de suavizao exigem o clculo de parmetros (, e ) que so
utilizados nas equaes para a modelagem das sries. Em Makridakis et al. (1998) so
sugeridas duas formas para o clculo desses parmetros: a utilizao de algoritmos de
otimizao no linear e o uso de simulaes computacionais, por intermdio das quais seriam
escolhidos os parmetros que minimizassem algum critrio de escolha (e.g. erro quadrtico
mdio, Estatstica U de Theil ou Akaike Information Criteria-AIC). Neste trabalho foi
utilizado o comando ets (exponential smoothing state space modes ) do R, que permite
escolher em que tipo de modelo de suavizao exponencial que se quer que os dados sejam
amoldados. O comando realiza automaticamente um processo de minimizao no linear do
critrio de informao adotado (AIC, AICC ou BIC), calculando os parmetros que sero
utilizados nas equaes de previso.
Com relao ao critrio para a escolha da srie modelada que melhor adere srie
original, no h uma opinio unnime. Foi adotado o Critrio de Informao de Akaike-AIC,
tendo em vista sua facilidade de implementao e os bons resultados obtidos em testes de
previso utilizando suavizao exponencial reportados por Billah et al. (2005) e Hyndman
et al. (2000).
Para avaliar a acurcia da previso realizada, foram utilizados os ndices EPMA
(Erro Percentual Mdio Absoluto) e EQM (Erro Quadrtico Mdio), usualmente adotados
pela literatura, cujos clculos so realizados de acordo com as Equaes 3.3 e 3.4.

1 X yt yt
EP M A =
100

n
yt

(3.3)

i=1

EQM =

1X
(yt yt )2
n
i=1

2 No

trend e No seasonality.
additive e Additive.

3 Damped

(3.4)

CAPTULO 3. SUAVIZAO EXPONENCIAL

30

onde n o nmero de pontos da srie a ser ajustada, yt o valor no ponto e yt o valor


ajustado no ponto.

3.3.1 Modelos sem tendncia e sem sazonalidade (N-N)


Tambm conhecido como Modelo de Suavizao Exponencial Simples, tem como
objetivo prever o comportamento futuro da srie com base nas observaes e nos erros de
previso anteriores observados, de acordo com a equao 3.5.

yt+1 = yt + (yt yt )

(3.5)

O parmetro conhecido como a constante de suavizao, se encontrando no


intervalo entre 0.0 e 1.0 e (yt yt ) o termo de erro associado previso anterior. A srie yt
a de valores observados e a srie yt a de valores ajustados ao modelo com base na equao
anterior. Na Figura 3.7 so apresentados os grcos da srie original, do modelo ajustado
com as previses realizadas, bem como os correlogramas das funes de autocorrelao
e de autocorrelao parcial dos resduos. Embora a srie ajustada parea acompanhar
razoavelmente a arrecadao, os correlogramas indicam a existncia de sazonalidade, com
perodo de doze meses. O Teste Box-Pierce da srie dos resduos forneceu uma estatstica
no valor de 73.59, bastante elevada para uma distribuio 2 com vinte graus de liberdade,
conforme pode ser visto pelo p-valor calculado: 4.66 108 . Verica-se, portanto, que o
modelo no adequado para representar a srie sob anlise.

3.3.2 Modelos com Tendncia Aditiva e Sazonalidade Multiplicativa (A-M)


Esse mtodo permite a captura de caractersticas ligadas tendncia e sazonalidade da srie sob anlise. Com este objetivo, so utilizados trs parmetros de suavizao,
um para o nvel da srie, , outro para a tendncia, e o terceiro, , para a sazonalidade,
cujo comportamento nesse modelo considerado como multiplicativo. Todos os trs parmetros se encontram no intervalo entre 0.0 e 1.0. As equaes que regem os procedimentos
de previso so as seguintes, Makridakis et al. (1998):

lt = (yt /sts ) + (1 )(lt1 + bt1 );


bt = (lt lt1 ) + (1 )bt1 ;
st = (yt /lt ) + (1 )sts ;
yt+m = (lt + mbt )sts+m .

(3.6)

CAPTULO 3. SUAVIZAO EXPONENCIAL

31

1.0e+10
6.0e+09
2.0e+09

(R$ Bilhes)

IR Arrecadao Efetiva e Previses

1996

1998

2000

2002

2004

2006

Ano

0.4
0.2 0.0

0.2

FAC

0.6

0.8

1.0

Correlograma das FAC dos Resduos

0.0

0.5

1.0

1.5

2.0

2.5

3.0

Defasagem

0.1
0.2 0.1

0.0

FACP

0.2

0.3

Correlograma das FACP dos Resduos

0.0

0.5

1.0

1.5

2.0

2.5

3.0

Defasagem

Figura 3.7: IR - Suavizao Exponencial Simples


Onde,

o parmetro de suavizao do nvel da srie;


o parmetro de suavizao da tendncia da srie;
o parmetro de suavizao da sazonalidade da srie;
lt a estimativa do nvel da srie em t;
bt a estimativa do coeciente angular da srie em t;
st a estimativa do componente sazonal da srie em t;
O que diferencia uma sazonalidade aditiva de uma sazonalidade multiplicativa a
forma como o seu comportamento considerado no modelo.
Utilizando-se o comando ets do pacote Forecast do R, obteve-se o modelo que
melhor se ajustou srie, plotando-se a seguir os grcos e correlogramas. Diferentemente
dos mtodos anteriores, os correlogramas das FAC e das FACP indicam que h pouca
correlao entre os resduos, o que permite inferir que o sinal foi em boa parte capturado pelo
modelo, um indcio de que este pode ser considerado elegvel para previso da arrecadao
do Imposto de Renda.

CAPTULO 3. SUAVIZAO EXPONENCIAL

32

20

Arrecadao Efetiva e Previses

Modelo AM
Previsao SRF

10

Limites Superior e Inferior Intervalo de Confiana 80%

(R$ Bilhes)

15

Arrecadao SRF

1996

1998

2000

2002

2004

2006

Ano

Correlograma das FACP dos Resduos

0.2

0.2

0.0

0.1

0.0

FACP

0.4
0.2

FAC

0.6

0.1

0.8

1.0

Correlograma das FAC dos Resduos

0.0

0.5

1.0

1.5
Defasagem

2.0

2.5

3.0

0.0

0.5

1.0

1.5

2.0

2.5

3.0

Defasagem

Figura 3.8: Alisamento Exponencial A-M


Calculando-se a estatstica de Box-Pierce para este modelo, chega-se ao valor de
13.32, com p-valor de 0.86. J um avano considervel, tendo em vista os resultados
obtidos para o modelo anterior.
Considerando que o modelo aceitvel, foram feitas previses para a arrecadao
do Imposto de Renda no perodo de janeiro a dezembro de 2006, a qual foi inacionada
tanto pelos valores do IGP-DI previstos pela SPE, como por aqueles mensurados pela
FGV. Os resultados obtidos com os dois processos de inacionamento podem ser vistos nos
Quadros 3.2 e 3.3, respectivamente, na concluso do captulo, Seo 3.4, onde so feitos os
comentrios pertinentes a cada um dos modelos elegveis para a realizao das previses.
Alsm das estimativas pontuais de arrecadao, h que se calcular tambm os
intervalos de conana em torno dos quais essas estimativas se distribuem. No presente
trabalho optou-se por estimar essa distribuio em torno dos intervalos de 90% e 95% de
conana. No R, o procedimento de clculo realizado automaticamente utilizando-se o
comando forecast.
Os valores para os intervalos de conana no podem, no entanto, ser simplesmente inacionados pelo IGP-DI (previsto pela SPE, ou mensurado pela FGV), como os
valores pontuais, uma vez que esses intervalos dependem do clculo da varincia da dis-

CAPTULO 3. SUAVIZAO EXPONENCIAL

33

tribuio em cada ponto. Fazer o inacionamento puro e simples seria um procedimento


incorreto. Assim, so realizados os seguintes procedimentos para cada ponto previsto da
srie deacionada:

calculam-se os valores pontuais da previso, xi , bem como os valores mximos, xi2 ,


e mnimos, xi1 , para o intervalo de conana (e.g. 95%);
calcula-se o erro-padro no ponto para o intervalo de conana desejado: (ep(xi ) =
(xi2 xi1 )/(2.0 1.95));
calcula-se a varincia: var(xi ) = (ep(xi ))2 ;
o novo valor pontual (xin ) ser (xi Indi ), onde Indi o ndice do IGP-DI em i;
o valor da nova varincia no ponto varn (xi ) = var(Indi xi ) = Ind2i var(xi );
p
o valor do novo erro-padro no ponto epn (xi ) = varn (xi );
os novos limites para o intervalo de conana de 95% so xin = 1.95 epn (xin ).
Todas as anlises com sries deacionadas seguiro exatamente essa metodologia de
inacionamento, doravante, motivo pelo qual essa explicao no ser repetida nas prximas
sees, ou no Captulo 4, referente anlise utilizando os modelos de Box&Jenkins.

3.3.3 Modelos com Tendncia Aditiva e Sazonalidade Aditiva


(A-A)
Esse mtodo permite a captura de caractersticas ligadas tendncia e sazonalidade da srie, ambas consideradas com possuidoras de comportamento aditivo. Assim
como no mtodo anterior, so trs os parmetros de suavizao a serem calculados, um
para o nvel da srie, , outro para a tendncia, e o terceiro, , para a sazonalidade, cujos
valores se encontram entre 0.0 e 1.0. As equaes que regem os procedimentos de previso
so as seguintes, Makridakis et al. (1998):

lt = (yt sts ) + (1 )(lt1 + bt1 );


bt = (lt lt1 ) + (1 )bt1 ;
st = (yt lt ) + (1 )sts ;
yt+m = lt + mbt + sts+m .

(3.7)

CAPTULO 3. SUAVIZAO EXPONENCIAL

34

Arrecadao Efetiva e Previses

15

Arrecadao SRF
Modelo AA

10

Limites Superior e Inferior Intervalo de Confiana 80%

(R$ Bilhes)

Previsao SRF

1996

1998

2000

2002

2004

2006

Ano

Correlograma das FACP dos Resduos

0.2

0.2

0.0

0.1

0.0

FACP

0.4
0.2

FAC

0.6

0.1

0.8

1.0

Correlograma das FAC dos Resduos

0.0

0.5

1.0

1.5

2.0

2.5

3.0

0.0

0.5

Defasagem

1.0

1.5

2.0

2.5

3.0

Defasagem

Figura 3.9: IR - Suavizao Exponencial Modelo A-A


Onde,

o parmetro de suavizao do nvel da srie;


o parmetro de suavizao da tendncia da srie;
o parmetro de suavizao da sazonalidade da srie;
lt a estimativa do nvel da srie em t;
bt a estimativa do coeciente angular da srie em t;
st a estimativa do componente sazonal da srie em t;
Na Figura 3.9 so apresentados o grco da srie modelada, bem como os correlogramas das funes de autocorrelao e de autocorrelao parcial dos resduos da srie
A-A que apresentou o menor valor de AIC. A sazonalidade da srie foi bem capturada pelo
modelo e o resultado da Estatstica Q para o Teste de Box-Pierce foi de 21.05, com um
p-valor de 0.39. Com base nos critrios adotados, v-se que no um modelo to adequado
quanto o sazonal multiplicativo; ainda assim ser utilizado para os clculos das previses,
at como uma forma de comparao entre os diversos modelos elegveis para os clculos.

CAPTULO 3. SUAVIZAO EXPONENCIAL

35

Os resultados para a previso de arrecadao entre janeiro e dezembro de 2006


podem ser vistos nos Quadros 3.2 e 3.3 na Seo 3.4.

3.3.4 Modelos com Tendncia Multiplicativa e Sazonalidade


Multiplicativa (M-M)
Esse mtodo permite a captura de caractersticas ligadas tendncia e sazonalidade da srie, ambas consideradas como possuidoras de comportamento multiplicativo.
As equaes que regem os procedimentos de previso so as seguintes, Makridakis et al.
(1998):

lt = (yt sts ) + (1 )(lt1 + bt1 );


bt = (lt lt1 ) + (1 )bt1 ;
st = (yt lt ) + (1 )sts ;

(3.8)

yt+m = lt + mbt + sts+m .


Onde,

o parmetro de suavizao do nvel da srie;


o parmetro de suavizao da tendncia da srie;
o parmetro de suavizao da sazonalidade da srie;
lt a estimativa do nvel da srie em t;
bt a estimativa do coeciente angular da srie em t;
st a estimativa do componente sazonal da srie em t;
Na Figura 3.10 so apresentados o grco da srie modelada, bem como os correlogramas das funes de autocorrelao e de autocorrelao parcial dos resduos do modelo
que apresentou o menor valor de AIC. O resultado da Estatstica Q para o Teste de BoxPierce foi de 19.05, com um p-valor de 0.52. Assim como o anterior, tambm ser utilizado
para comparao e os resultados obtidos podem ser vistos nos Quadros 3.2 e 3.3 na Seo
3.4.

3.3.5 Modelos com Tendncia Amortecida Aditiva e Sazonalidade Aditiva (DA-A)


A utilizao de um modelo como esse se basearia na hipteses de que a tendncia
de crescimento da srie no se daria de forma indenida, mas em algum momento iniciaria

CAPTULO 3. SUAVIZAO EXPONENCIAL

36

20

Arrecadao Efetiva e Previses

Arrecadao SRF
Modelo MM

10

Limites Superior e Inferior Intervalo de Confiana 80%

(R$ Bilhes)

15

Previsao SRF

1996

1998

2000

2002

2004

2006

Ano

Correlograma das FACP dos Resduos

0.2

0.2

0.0

0.1

0.0

FACP

0.4
0.2

FAC

0.6

0.1

0.8

1.0

Correlograma das FAC dos Resduos

0.0

0.5

1.0

1.5
Defasagem

2.0

2.5

3.0

0.0

0.5

1.0

1.5

2.0

2.5

3.0

Defasagem

Figura 3.10: IR - Suavizao Exponencial Modelo M-M


um processo de estabilizao (amortecimento). Em se tratando de arrecadao de tributos,
essa idia no desprezvel, uma vez que em algum momento a trajetria de crescimento da
carga tributria necessariamente ter que desacelerar, estabilizando a tendncia da srie.
O grco com as sries de arrecadao efetiva e prevista, juntamente com os correlogramas dos resduos, podem ser vistos na Figura 3.11. Ambos os correlogramas indicam
uma reduzida correlao entre os resduos. A Estatstica Q de Box-Pierce, com valor de
21.05 e p-valor de 0.39, tambm um bom indicador. O modelo ser utilizado para se
vericar se o processo de crescimento da arrecadao do Imposto de Renda j se encontra
em fase de estabilizao. Os resultados, juntamente com as anlises, se encontram na Seo
3.4.

3.4 Concluso
A anlise necessariamente ter que se dividir em duas, conforme os ndices de
inacionamento, previsto pela SPE e mensurado pela FGV, utilizados.
Quando o inacionamento dos valores calculados feito com os ndices previstos
pela SPE, os resultados podem ser vistos no Quadro 3.2. Dois dos quatro modelos estudados

CAPTULO 3. SUAVIZAO EXPONENCIAL

37

15

Arrecadao Efetiva e Previses

Arrecadao SRF
Previsao SRF

10

Limites Superior e Inferior Intervalo de Confiana 80%

(R$ Bilhes)

Modelo DAA

1996

1998

2000

2002

2004

2006

Ano

Correlograma das FACP dos Resduos

0.2

0.2

0.0

0.1

0.0

FACP

0.4
0.2

FAC

0.6

0.1

0.8

1.0

Correlograma das FAC dos Resduos

0.0

0.5

1.0

1.5
Defasagem

2.0

2.5

3.0

0.0

0.5

1.0

1.5

2.0

2.5

3.0

Defasagem

Figura 3.11: Suavizao Exponencial Modelo DA-A


sobressaem: o A-M e o A-A, com vantagem para o segundo, uma vez que apresentou o menor
erro absoluto para o somatrio da arrecadao. O modelo M-M, embora tenha apresentado o
menor Erro Quadrtico Mdio-EQM, foi o que forneceu o maior erro absoluto do somatrio,
bem como Erro Percentual Mdio Absoluto-EPMA.
No geral, pde ser observado nos grcos de evoluo das sries que a arrecadao
do Imposto de Renda realizada pela Secretaria da Receita Federal se manteve dentro do
intervalo de previso de 80%, o que pode ser considerado um indcio de uma boa aderncia
do modelo realidade.
Apesar disso, diferentemente das previses da SRF, todos os quatro modelos superestimaram a arrecadao. O corpo tcnico que adotasse essa metodologia para as previses
poderia se ver na difcil situao de prever arrecadaes superiores quelas que seriam realizadas, com possveis conseqncias negativas para o equilbrio scal. Cotejando-se o erro
absoluto do somatrio e o EPMA dos modelos A-M e A-A com os da previso da SRF, no
Quadro 2.1, na pgina 16, v-se que ambos so menores que os da previso da SRF.
Analisando agora os resultados obtidos com o inacionamento feito pelos ndices
mensurados (reais), apresentados no Quadro 3.3, v-se que os erros absolutos nos quatro
modelos para o somatrio da arrecadao so sensivelmente menores que aqueles observados

CAPTULO 3. SUAVIZAO EXPONENCIAL

38

no Quadro 3.2. O modelo A-M, em especial, conseguiu prever o total de arrecadao em


2006 com uma diferena de apenas 0.5%. Esse resultado para 2006 parece indicar que, no
limite, se fosse possvel acertar perfeitamente os ndices de inao mensais, os modelos
de suavizao exponencial lograriam prever com razovel preciso a arrecadao total do
Imposto de Renda.
Apesar disso, o EPMA de todos os modelos superior queles das sries inacionadas pelo ndice previsto pela SPE. Em outras palavras, os erros mensais so maiores.
Uma ltima observao, que vale para todos os resultados a serem apresentados
no presente trabalho, que todos os clculos e previses foram feitos para apenas um ano,
2006. Para se armar taxativamente que este ou aquele modelo superior aos demais,
seria necessrio realizar previses para diversos anos, cotej-las com a arrecadao obtida
e vericar qual o que apresentou os melhores resultados. Se os resultados convergirem para
um mesmo modelo, a sim se poderia concluir pela sua superioridade.
Um outro ponto que deve ser observado a forma como essas informaes geradas
a partir de clculos economtricos seriam inseridas na proposta oramentria. Ao informar
que a previso para a arrecadao em determinado ms do ano seguinte de x x,
com um intervalo de conana de, e.g., 95%, pode-se incorrer em um risco de serem feitas
alteraes (para maior) nos gastos previstos, dado que poderia ser alegado que h uma
chance razovel de que a arrecadao venha a ser superior previso pontual. Dado que
a arrecadao pode ser maior, mas tambm pode ser menor, h um potencial problema de
estabilidade scal.

10.328.373.713
11.207.543.028

15.898.791.444
140.345.211.854

12.588.188.574, 93

9.180.874.262, 48

13.956.711.467, 90

10.397.486.714, 18

9.485.565.072, 44

10.312.573.908, 60

11.703.111.572, 74

9.492.285.018, 92

16.606.948.120, 64

133.816.086.835.05

abr

mai

jun

jul

ago

set

out

nov

dez

Total

EQM

EPMA

9.929.551.222

6.67

4.18 1016

10.745.785.615

12.029.226.562

12.024.510.067

10.063.542.670

10.529.583.902

12.115.380.127

13.074.915.759

9.259.073.435, 62

10.189.952.436, 27

fev

mar

12.398.007.739

10.643.316.250, 33

jan

Modelo A-M

Valores

Arrecadados

Ms

(2006)

4.88

4.26

13.21

2.79

8.68

8.88

15.65

27.89

14.69

3.76

28.31

7.24

16.49

(%)

4.89

3.68 1017

137.515.302.309

14.504.894.547

10.927.288.903

11.872.785.682

11.229.992.289

10.504.175.834

11.733.692.122

10.353.035.336

10.793.840.377

11.744.632.159

12.231.605.426

10.022.654.535

11.596.705.093

Modelo A-A

2.76

12.66

15.12

1.45

8.89

10.74

12.85

25.82

17.57

6.70

20.04

8.25

8.96

(%)

9.25

3.18 1014

143.838.750.696

16.545.183.388

11.148.273.247

12.440.403.797

11.556.233.445

10.620.106.356

12.327.362.155

10.291.599.217

10.741.579.293

12.322.880.935

13.272.041.536

10.051.298.056

12.521.789.265

Modelo M-M

Quadro 3.2: Suavizao Exponencial - IGP-DI/SPE

7.49

0.37

17.45

6.30

12.06

11.96

18.56

26.26

17.00

2.11

30.25

8.55

17.65

(%)

4.89

3.68 1017

137.515.302.309

14.504.894.547

10.927.288.903

11.872.785.682

11.29.992.289

10.504.175.834

11.733.692.122

10.353.035.336

10.793.840.377

11.744.632.159

12.231.605.426

10.022.654.535

11.596.705.093

Modelo DA-A

2.76

12.66

15.12

1.45

8.89

10.74

12.85

25.82

17.57

6.70

20.04

8.25

8.96

(%)

CAPTULO 3. SUAVIZAO EXPONENCIAL


39

9.492.285.018,92

nov

EPMA

11.703.111.572,74

10.312.573.908,60

set

out

EQM

15.220.972.258

9.485.565.072,44

ago

16.606.948.120,64

10.397.486.714,18

jul

133.816.086.840,56

10.285.258.410

13.956.711.468,44

jun

dez

10.647.870.805

9.180.874.264,09

mai

Total

9.810.728.918

12.588.188.576,04

abr

9.639.963.688

10, 42

2.71 1018

134.491.481.184

11.491.946.291

11.444.679.251

9.612.683.358

10.051.274.728

11.600.160.801

12.582.356.917

9.259.073.435,42

10.189.952.437,74

fev

mar

12.103.585.759

10.643.316.251,32

jan

Modelo A-M

Valores

Arrecadados

Ms

(2006)

0,50

-8,35

8,35

-1,80

3,25

3,43

10,07

-31,13

9,48

-7,85

23,48

4,11

13,72

(%)

10, 39

1.22 1020

131.763.174.153

13.886.501.894

10.458.983.096

11.342.492.777

10.669.199.015

9.977.720.063

11.167.884.764

9.889.206.390

10.303.527.281

11.245.179.281

11.770.815.811

9.730.351.716

11.321.312.065

Modelo A-A

-1,53

-16,38

10,18

-3,08

3,46

5,19

7,41

-29,14

12,23

-10,67

15,51

5,09

6,37

(%)

11, 45

1.35 1020

137.832.622.620

15.839.806.330

10.670.496.815

11.884.758.471

10.979.148.633

10.087.840.297

11.732.927.585

9.830.522.686

10.253.640.171

11.798.837.418

12.772.056.563

9.758.159.871

12.224.427.780

Modelo M-M

Quadro 3.3: Suavizao Exponencial - IGP-DI/FGV

3,00

-4,62

12,41

1,55

6,46

6,35

12,84

-29,56

11,68

-6,27

25,34

5,39

14,86

(%)

10, 39

1.22 1020

131.763.174.153

13.886.501.894

10.458.983.096

11.342.492.777

10.669.199.015

9.977.720.063

11.167.884.764

9.889.206.390

10.303.527.281

11.245.179.281

11.770.815.811

9.730.351.716

11.321.312.065

Modelo DA-A

-1,53

-16,38

10,18

-3,08

3,46

5,19

7,41

-29,14

12,23

-10,67

15,51

5,09

6,37

(%)

CAPTULO 3. SUAVIZAO EXPONENCIAL


40

Captulo 4
Metodologia Box&Jenkins
Uma srie temporal, cujos valores podem ser derivados de algum experimento ou da
observao de algum fenmeno fsico ou social, pode ser dividida em duas partes. A primeira
o sinal, o componente dos dados que contm a informao e que pode ser modelado
mediante a utilizao de algum instrumental matemtico, e o segundo o rudo, componente
imprevisvel, aleatrio, oriundo da impossibilidade de incluir no modelo tudo o que acontece
no universo. Por mais acuradas que sejam as observaes e melhores os modelos de previso
construdos, sempre haver espao para um acontecimento fortuito (uma revoluo, um
perodo chuvoso ou de estiagem muito acima do normal, a quebra inesperada de algum
equipamento etc.), gerando incertezas no processo de previso.
O propsito desse trabalho buscar modelar da melhor forma possvel o sinal
existente na srie de arrecadao do Imposto de Renda, utilizando ento esse modelo para
a realizao de previses de arrecadao. No Captulo 3 foram utilizados mtodos baseados
na mdia e na suavizao exponencial, cujos resultados foram sintetizados na Seo 3.4.
Neste captulo ser utilizada a metodologia desenvolvida Box&Jenkins para a modelagem
de dados e previso com base em sries temporais.
O mtodo, desenvolvido seminalmente nos anos 1970 pelos estatsticos George Box
e Gwilym Jenkins baseado na utilizao de funes auto-regressivas (Autoregressive, AR)
e de mdia mvel, (Moving Average, MA), que, sozinhas ou, mais freqentemente, combinadas, permitem a reproduo da melhor forma possvel da informao, sinal, contida nos
dados.

41

CAPTULO 4. METODOLOGIA BOX&JENKINS

42

Os modelos AR implicam que o sinal da srie de tempo pode ser expresso como
uma funo linear de valores pretritos da srie de tempo. Exemplos:

yt = 0 + 1 yt1 + t
yt = 0 + 1 yt1 + 2 yt2 + t
yt = 0 + 1 yt1 + 2 yt2 + 3 yt3 + t
De forma a indicar o grau n de autoregressividade da srie, coloca-se o nmero
entre parnteses. Assim, AR(1) um modelo auto-regressivo de primeira ordem, AR(2),
de segunda ordem e assim sucessivamente. Como o prprio nome d a entender, no caso
dos modelos auto-regressivos, o que se faz uma regresso de yt em yt1 , yt2 , yt3 . . . ,
calculando-se os valores do coecientes.
J os modelos M A so baseados na pressuposio de que o sinal pode ser expresso
como uma funo dos erros de previso pretritos. Ao se fazerem previses baseadas nos
erros ocorridos, busca-se melhorar as novas previses. Exemplos de modelos de mdia mvel
so:

yt = 0 + 1 t1 + t
yt = 0 + 1 t1 + 2 t2 + t
yt = 0 + 1 t1 + 2 t2 + 3 t3 + t
Uma terceira possibilidade, mais comum, que seja feita uma conjugao de efeitos
auto-regressivos e de mdia mvel, gerando um modelo misto, ARMA(p,q), onde p a ordem
auto-regressiva e q a ordem de mdia mvel. Alguns exemplos de modelos ARMA podem
ser vistos a seguir:

ARM A(1, 2) : yt = 2.0 + 0.18yt1 + 0.35t1 + 0.15t2 + t ;


ARM A(2, 2) : yt = 2.0 + 0.18yt1 + 0.43yt2 0.55t1 + 0.42t2 + t .
Cada um dos modelos pode ser representado por uma equao geral:

AR(p) : yt = 0 +
M A(q) : yt = 0 +

p
X
i=1
q
X

i yti + t ;
k tk + t ;

k=1

ARM A(p, q) : yt = 0 +

p
X
i=1

i yti +

q
X
k=1

k tk + t ;

CAPTULO 4. METODOLOGIA BOX&JENKINS

43

Os modelos, no entanto, podem se tornar ainda mais complexos quando a srie a


ser analisada apresenta caractersticas no estacionrias na mdia e/ou sazonais. No intuito
de lidar com essa multiplicidade de caractersticas, Box&Jenkins propuseram uma equao
geral, Equao 4.1, a partir da qual, com a escolha de parmetros adequados, quaisquer
sries temporais poderiam ser modeladas.
L
p (B)p (B L )d D
s yt = q (B)q (B )t

(4.1)

onde,
B - operador backshift Byt = yt1 ;
d - operador de diferena : (1 B)d ;
s D
D
s - operador de diferena sazonal: (1 B ) ;

t - var. aleatria indicativa de choques, apresentando a distribuio t v N (0, 2 );


s - perodo da sazonalidade da srie;
d - ordem de diferenciao da srie para torn-la estacionria em nvel;
D - ordem de diferenciao sazonal da srie para torn-la sazonalmente estacionria;
p - ordem do modelo auto-regressivo associado srie;
P - ordem do modelo auto-regressivo sazonal associado srie;
q - ordem do modelo de mdia mvel associado srie;
Q - ordem do modelo de mdia mvel sazonal associado srie;
p (B) = (1 1 B 2 B 2 . . . p B p ) - operador auto-regressivo no-sazonal de
ordem p;
P (B s ) = (1 1 B s 2 B 2s . . . p B P s ) - operador auto-regressivo sazonal de
ordem P;
q (B) = (1 + 1 B + 2 B 2 + . . . + q B q ) - operador de mdia mvel no-sazonal de
ordem q;
Q (B s ) = (1 + 1 B s + 2 B 2s + . . . + q B P s ) - operador de mdia mvel sazonal de
ordem Q.

4.1 Anlise da Srie


O objetivo desta parte do trabalho fazer uma anlise da srie do Imposto de
Renda deacionada pelo IGP-DI1 , no perodo de janeiro de 1995 a junho de 2005, de forma
1 Ser

considerado aqui que o IGP-DI puro o ndice mais adequado para o deacionamento/inacionamento dos dados para sua modelagem com o mtodo de Box&Jenkins, assim como
o foi para a suavizao exponencial.

CAPTULO 4. METODOLOGIA BOX&JENKINS

44

a vericar em qual(is) modelo(s) Box&Jenkins previstos pela Equao 4.1 ela melhor adere.
Uma vez denido(s) o(s) modelo(s), sero feitas previses para a arrecadao do tributo no
perodo de janeiro a dezembro de 2006, vericando-se a seguir a acurcia da modelagem
realizada.
A opo por utilizar a srie de valores conhecidos at junho de 2005, apenas, se
deve a que, um dos objetivos do presente trabalho justamente procurar analisar se a
utilizao de modelos economtricos de sries temporais traria vantagens no processo de
previso de receitas no mbito da elaborao da proposta oramentria.
Os clculos de previso de receita que constam do Projeto de Lei Oramentria
Anual (PLOA) so elaborados com dados de arrecadao at junho de cada ano. Portanto,
qualquer simulao do processo s poder utilizar dados efetivos de arrecadao at esse
ms. Por esse motivo, cada modelo adotado ser utilizado para prever a arrecadao de 18
(dezoito) meses (o perodo de julho a dezembro de 2005 e o ano inteiro de 2006).
So seis as etapas a serem seguidas para a realizao do trabalho no mbito da
metodologia desenvolvida por Box&Jenkins:
1. vericao da estacionariedade da srie;
2. utilizao dos procedimentos adequados para tornar a srie estacionria, caso se identique a sua no estacionariedade;
3. identicao do(s) modelo(s) Box-Jenkins mais adequado(s) para a sua modelagem;
4. realizao do processo de previso;
5. cotejamento dos resultados obtidos a partir das previses com a arrecadao efetiva;
6. clculo dos erros de previso.
Primeiramente, iremos analisar a srie que ser utilizada nas previses. Como visto
no Captulo 3, apenas os valores de arrecadao no perodo de janeiro de 1995 a junho de
2004 sero utilizados nas previses. No primeiro grco da Figura 4.1 a evoluo dessa
srie (j deacionada) mostrada. No segundo grco mostrada a srie aps a aplicao
do operador logaritmo, utilizado para tornar a varincia da srie estacionria.
A anlise de ambos os grcos permite inferir que a srie no estacionria na
mdia, uma vez que a mesma apresenta uma trajetria de crescimento ao longo do perodo.
Essa primeira impresso corroborada com o clculo das mdias anuais, cuja evoluo pode
ser vista no grco da Figura 4.2.

CAPTULO 4. METODOLOGIA BOX&JENKINS

45

3.5
3.0
2.5
1.5

2.0

(R$ Bilhes/Ago 94)

4.0

4.5

Janeiro/1995 junho/2005

1996

1998

2000

2002

2004

2002

2004

Ano

21.8
21.6
21.2

21.4

(Log(Arrec.))

22.0

22.2

Janeiro/1995 junho/2005

1996

1998

2000
Ano

2.0

2.2

2.4

(R$ Bilhes)

2.6

2.8

3.0

Figura 4.1: Srie do Imposto de Renda Normal e em Log

1996

1998

2000

2002

2004

2006

Ano

Figura 4.2: Evoluo da Mdia de Arrecadao do Imposto de Renda

46

0.4
0.2

0.0

0.2

FAC

0.6

0.8

1.0

CAPTULO 4. METODOLOGIA BOX&JENKINS

0.0

0.5

1.0

1.5

2.0

2.5

3.0

2.5

3.0

0.1
0.1

0.0

FACP

0.2

0.3

0.4

Defasagem

0.0

0.5

1.0

1.5

2.0

Defasagem

Figura 4.3: FAC e FACP da Srie Deacionada


Calculando-se as funes de autocorrelao e de autocorrelao parcial da srie,
so obtidos os correlogramas apresentados na Figura 4.3. H fortes evidncias a respeito
de seu comportamento sazonal, com picos nas defasagens mltiplas de 12 (12, 24 e 36) do
correlograma das FAC, bem como na defasagem 12 do correlograma das FACP, conforme
esperado de uma srie sazonal. Uma primeira opinio seria no sentido de uma sazonalidade
estacionria, uma vez que os valores dos picos decaem rapidamente.
Nessa parte do trabalho, deve-se decidir como lidar com a no estacionariedade da
mdia, vericando-se se ela decorre da existncia de uma raiz unitria ou de uma tendncia inerente srie. A vericao de ocorrncia de raiz unitria feita com o Teste de
Dickey-Fuller, utilizando o comando adf.test (Augmented Dickey-Fuller Test) do R cujos
resultados, estatstica no valor de -4.6365 e p-valor de 0.01, apontam para a ausncia dessa
caracterstica. No haveria, em princpio, necessidade de diferenciao da srie. O crescimento do nvel mdio da srie pode ento ser aproximado por uma equao simulando uma
tendncia, a qual teria o seguinte formato:

yt = tendt + sazt + t

(4.2)

onde tendt a parte da equao que representa a tendncia da srie, enquanto sazt representa o comportamento sazonal. O termo t representa o erro. A equao que rege o

CAPTULO 4. METODOLOGIA BOX&JENKINS

47

Quadro 4.1: Parmetros das Equaes de Regresso


Ordem da Regresso

Parmetro

Valor

Estat. t

Prob. (t)

linear

21.415

657.43

< 2 1016

0.003

6.95

1.83 1010

21.343

437.44

< 2 1016

3.65

0.000387

-1.97

0.051474

Quadrtica

1
2

6.473
2.661

103
105

comportamento da tendncia pode ser linear, quadrtica etc. Neste trabalho sero considerados dois modelos para a tendncia: linear e quadrtico. As equaes 4.3 a seguir ilustram
cada um deles.

tendlin
t = + t
tendquad
= + 1 t + 2 t2
t

(4.3)

Fazendo-se as regresses em relao a t, no caso linear, e a t e t2 , para a tendncia


quadrtica, obtm-se os valores para os parmetros no Quadro 4.1. Em ambos os casos
a estatstica t e o p-valor indicam que os parmetros calculados podem ser considerados
estatisticamente signicativos.
Lembrando a Equao 4.2, pode-se retirar o efeito da tendncia, obtendo-se a
Equao 4.4, onde a tendncia representada por um dos termos da Equao 4.3.

zt = yt tendt = sazt + t

(4.4)

Na Figura 4.4 so mostrados os correlogramas das FAC e das FACP para cada uma
das sries cuja tendncia, linear ou quadrtica, foi retirada. O que se pode observar, em
ambos os casos que as sries resultantes da retirada da tendncia se mantm sazonalmente
estacionrias. Existem alguns picos no sazonais na terceira e na nona defasagens, tanto
no correlograma da FAC, como no da FACP.
De forma a se vericar qual o modelo Box&Jenkins que melhor se adapta srie,
ser realizado um processo iterativo, variando-se os parmetros p, d, q, P, D e Q da Equao
4.1 no comando arima do R, apresentado a seguir, obtendo-se diversos modelos diferentes de
sries temporais. Para cada modelo so calculados os valores do AIC (Akaike Information
Criteria) e BIC (Bayesian Information Criteria) e escolhidos aqueles que apresentam os
menores valores.

CAPTULO 4. METODOLOGIA BOX&JENKINS


Tendncia Linear

0.2
0.0
0.1

0.0

0.2

0.2

10

20

30

40

50

60

10

20

30

40

Defasagem

Defasagem

Tendncia Quadrtica

Tendncia Quadrtica

50

60

50

60

0.1
0.2

0.2

0.0

0.1

0.2

0.0

FACP

0.4

0.6

0.2

0.8

0.3

1.0

0.4

FAC

0.1

FACP

0.4
0.2

FAC

0.6

0.3

0.8

0.4

1.0

Tendncia Linear

48

10

20

30

40

50

60

Defasagem

10

20

30

40

Defasagem

Figura 4.4: Correlogramas das Sries sem Tendncia


Teste <- arima(Serie, order=c(p,d,q), seasonal=list(order=c(P,D,Q), period
= 12), xreg=NULL, include.mean=TRUE)
Os oito modelos que minimizaram os critrios de informao adotados podem ser
vistos no Quadro 4.2, sendo todos estacionrios na mdia e na sazonalidade (d = 0 e D
= 0). Os modelos adotados pelo BIC so mais parcimoniosos que os previstos pelo AIC,
conforme a teoria prediz, sendo escolhidos para a realizao das previses de arrecadao.

Quadro 4.2: Melhores Modelos - AIC/BIC


Ordem da Regresso

Hierarquia

AIC

BIC

linear

1o

SARIMA(1,0,3)(1,0,1)

SARIMA(0,0,0)(1,0,0)

2o

SARIMA(0,0,1)(1,0,1)

SARIMA(0,0,0)(1,0,1)

1o

SARIMA(0,0,0)(1,0,1)

SARIMA(0,0,0)(1,0,1)

2o

SARIMA(0,0,0)(1,0,2)

SARIMA(0,0,0)(1,0,0)

Quadrtica

CAPTULO 4. METODOLOGIA BOX&JENKINS

49

O resultado Teste um objeto com os parmetros do modelo arima associados


srie temporal. O comando forecast, com a sintaxe apresentada a seguir, com base no
objeto Teste, faz a previso dos valores da srie n perodos de tempo frente (no nosso
caso dezoito meses), bem como os intervalos de predio desejados, 80% e 95%.

y <- forecast(Teste, h=18, conf=c(80,95))


Os resultados de todos esses procedimentos so apresentados gracamente nas Figuras 4.5, 4.7, 4.8 e 4.8. No primeiro grco inferior de cada gura, direita, mostrada
a srie tratada, com os valores previstos em azul e os intervalos de predio, em preto e
vermelho. Tanto as sries modeladas com tendncia linear, como aquelas com tendncia
quadrtica, aparentam ser estacionrias. Os correlogramas das sries dos resduos corroboram essa impresso, no apresentando picos fora do intervalo de conana. Note-se que as
caractersticas de sazonalidade somem das sries dos resduos, evidenciando que o modelo
capturou bem esse comportamento.
No grco maior das guras so mostradas as evolues das sries de arrecadao,
das sries ajustadas pelo modelos2 e dos valores de arrecadao previstos pela SRF. Regra
geral, todos os modelos lograram acompanhar a evoluo da srie de arrecadao. No
perodo de previso, o ano de 2006, as trs sries, para os quatro modelos, se embaralham,
o que pode ser uma evidncia de que os modelos, desenvolvidos no presente trabalho e da
SRF, apresentam uma certa aderncia realidade.
Nos Quadros 4.4 e 4.3 so apresentados os resultados numricos das previses
com os modelos, inacionados pelo IGP-DI previsto pela SPE e o mensurado pela FGV,
respectivamente.

4.2 Concluso
Nos quadros 4.3 e 4.4 so apresentados os resultados das previses para os modelos
escolhidos, inacionados para os meses de 2006 com base no IGP-DI previsto pela SPE e
no IGP-DI apurado pela FGV, respectivamente.
Tendo em vista os valores apurados para o Erro Quadrtico Mdio (EQM) e o Erro
Pecrentual Mdio Absoluto (EPMA), os modelos que tiveram a tendncia aproximada por
2 J

inacionadas pelo IGP-DI previsto pela SPE, aps a aplicao do operador logaritmo e da
insero das tendncias, nessa ordem.

CAPTULO 4. METODOLOGIA BOX&JENKINS

50

Arrecadao Efetiva e Previses

15

Arrecadao SRF
Modelo Tend. Linear SARIMA(0,0,0)(1,0,0)

10
5

(R$ Bilhes)

Previsao SRF

1996

1998

2000

2002

2004

2006

0.6
0.2
0.0

0.0

FACP

0.4
0.2

0.4

0.0

0.1

0.2

0.2

FAC

0.6

0.1

0.4

0.8

1.0

0.2

Ano

10 15 20 25 30 35

10 15 20 25 30 35

Defasagem

Defasagem

20 40 60 80

120

Meses

Figura 4.5: Modelo SARIMA (0,0,0)(1,0,0) c/ Tendncia Linear

Arrecadao Efetiva e Previses

15

Arrecadao SRF
Modelo Tend. Linear SARIMA(0,0,0)(1,0,1)

10
5

(R$ Bilhes)

Previsao SRF

1996

1998

2000

2002

2004

2006

0.6
0.4
0.2

0.2

0.4

0.15

0.0

0.2

0.0

FACP

0.05 0.00

0.4
0.2

FAC

0.6

0.05

0.10

0.8

0.15

1.0

Ano

10 15 20 25 30 35
Defasagem

10 15 20 25 30 35
Defasagem

20 40 60 80

120

Meses

Figura 4.6: Modelo SARIMA (0,0,0)(1,0,1) c/ Tendncia Linear

CAPTULO 4. METODOLOGIA BOX&JENKINS

51

Arrecadao Efetiva e Previses

15

Arrecadao SRF
Modelo Tend. Quad. SARIMA(0,0,0)(1,0,0)

10
5

(R$ Bilhes)

Previsao SRF

1996

1998

2000

2002

2004

2006

0.6
0.2

0.05

0.2

0.4

0.15

0.0

0.2

0.0

FACP

0.05 0.00

0.6
0.4
0.2

FAC

0.4

0.10

0.8

0.15

1.0

Ano

10 15 20 25 30 35

10 15 20 25 30 35

Defasagem

Defasagem

20 40 60 80

120

Meses

Figura 4.7: Modelo SARIMA (0,0,0)(1,0,0) c/ Tendncia Quadrtica

Arrecadao Efetiva e Previses

15

Arrecadao SRF
Modelo Tend. Quad. SARIMA(0,0,0)(1,0,1)

10
5

(R$ Bilhes)

Previsao SRF

1996

1998

2000

2002

2004

2006

0.6
0.2

0.05

0.2

0.4

0.15

0.0

0.2

0.0

FACP

0.05 0.00

0.6
0.4
0.2

FAC

0.4

0.10

0.8

0.15

1.0

Ano

10 15 20 25 30 35
Defasagem

10 15 20 25 30 35
Defasagem

20 40 60 80

120

Meses

Figura 4.8: Modelo SARIMA (0,0,0)(1,0,1) c/ Tendncia Quadrtica

CAPTULO 4. METODOLOGIA BOX&JENKINS

52

uma curva quadrtica se revelaram menos adequados (com erros maiores) que os de tendncia linear. Tambm apresentaram uma diferena maior com relao soma da arrecadao
anual. Como j previsto quando dos clculos do AIC e BIC, o modelo cujas previses
se mostraram mais acertadas foi o SARIMA(0,0,0)(1,0,0). Com um erro no somatrio da
arrecadao de -4.51% e um Erro Percentual Mdio Absoluto de 7,44%, o resultado obtido
com esse modelo um pouco melhor do que da previso realizada pela SPE.
Uma segunda observao que quando as sries com tendncia linear so inacionadas com o ndice previsto pela SPE, os resultados se mostram melhores que aqueles
obtidos quando o ndice utilizado o mensurado pela FGV. Como os ndices previstos pela
SPE so maiores que os da FGV, uma concluso possvel que o mtodo subestimou a
arrecadao de 2006, subestimao essa que foi parcialmente corrigida com a aplicao de
um ndice maior para o inacionamento. Em outras palavras, um erro corrigindo o outro.
Ao contrrio do mtodo de suavizao exponencial, Captulo 3, cuja utilizao
redundou em uma sobre-estimativa da arrecadao do Imposto de Renda, como pode ser
visto nos Quadros 3.2 e 3.3, os modelos Box&Jenkins utilizados nesse captulo subestimaram
a arrecadao real, apresentando um carter conservador. Considerando que os modelos
de suavizao exponencial superestimaram a arrecadao, uma possvel experincia seria
fazer uma combinao dos dois modelos, de molde a vericar se as previses se tornam mais
acuradas. Pode ser uma boa idia para trabalhos futuros.

9.492.285.018

16.606.948.120

133.816.086.835

Total

EQM

EPMA

out/06

dez/06

11.703.111.572

set/06

nov/06

9.485.565.072

10.312.573.908

ago/06

10.397.486.714

jul/06

12.588.188.574

abr/06

9.180.874.262

10.189.952.436

mar/06

13.956.711.467

9.259.073.435

fev/06

jun/06

10.643.316.250

jan/06

mai/06

Valores Arrecadados

Ms

7, 44

5, 49

1018

127.784.607.885

11.923.035.932

10.086.468.722

10.846.235.646

10.524.807.176

10.248.422.589

10.666.369.000

12.174.654.209

9.880.284.992

11.147.014.826

10.345.321.467

9.349.197.302

10.592.796.016

Valores Previstos

4.51

28.20

6.26

7.32

2.06

8.04

2.59

12.77

7.62

11.45

1.53

0.97

0.47

(%)

SARIMA(0,0,0)(1,0,0)

7, 18

6, 12

1018

127.183.642.915

12.446.346.505

9.779.347.460

11.081.710.512

10.266.576.224

9.654.964.528

10.826.554.322

10.935.305.937

9.754.850.429

11.400.284.431

10.200.484.437

9.412.143.259

11.425.074.866

Valores Previstos

4.96

25.05

3.02

5.31

0.45

1.79

4.13

21.65

6.25

9.44

0.10

1.65

7.34

(%)

SARIMA(0,0,0)(1,0,1)

Tendncia Linear

11, 16

2, 99

1019

116.433.081.666

10.500.325.223

8.984.586.762

9.657.228.483

9.414.299.327

9.207.608.963

9.592.074.481

11.235.475.315

9.183.957.547

10.351.223.640

9.643.804.840

8.754.566.319

9.907.930.760

Valores Previstos

12.99

36.77

5.34

17.48

8.71

2.93

7.75

19.50

0.03

17.77

5.36

5.45

6.91

(%)

SARIMA(0,0,0)(1,0,0)

12, 31

33, 25

1019

115.391.493.816

11.169.948.503

8.620.679.207

9.872.948.645

9.138.050.398

8.566.032.576

9.766.707.791

9.694.772.202

8.983.666.995

10.539.307.036

9.504.667.859

8.726.557.456

10.808.155.142

Valores Previstos

13.77

32.74

9.18

15.64

11.39

9.69

6.07

30.54

2.15

16.28

6.72

5.75

1.55

(%)

SARIMA(0,0,0)(1,0,1)

Tendncia Quadrtica

Quadro 4.3: Metodologia de Box-Jenkins - Srie Inacionada com Previses da SPE

CAPTULO 4. METODOLOGIA BOX&JENKINS


53

9.492.285.018

16.606.948.120

133.816.086.835

Total

EQM

EPMA

out/06

dez/06

11.703.111.572

set/06

nov/06

9.485.565.072

10.312.573.908

ago/06

10.397.486.714

jul/06

12.588.188.574

abr/06

9.180.874.262

10.189.952.436

mar/06

13.956.711.467

9.259.073.435

fev/06

jun/06

10.643.316.250

jan/06

mai/06

Valores Arrecadados

Ms

7, 85

1, 40

1019

122.423.781.569

11.414.716.634

9.654.197.559

10.361.793.160

9.999.228.803

9.734.784.842

10.152.028.755

11.629.214.456

9.431.470.394

10.672.976.256

9.955.592.029

9.076.535.331

10.341.243.343

Valores Previstos

8.51

31.27

1.716

11.46

3.04

2.63

2.36

16.68

2.73

15.21

2.30

1.97

2.84

(%)

SARIMA(0,0,0)(1,0,0)

8, 21

1, 15

1019

121.872.372.948

11.915.716.709

9.360.238.451

10.586.750.641

9.753.893.156

9.171.070.134

10.304.489.822

10.445.390.539

9.311.733.730

10.915.475.303

9.816.211.307

9.137.645.519

11.153.757.632

Valores Previstos

8.93

28.25

1.39

9.54

5.42

3.32

0.89

25.16

1.43

13.29

3.67

1.31

4.79

(%)

SARIMA(0,0,0)(1,0,1)

Tendncia Linear

14, 87

4, 74

1019

111.560.245.202

10.052.660.888

8.599.538.449

9.225.892.494

8.944.176.498

8.746.135.455

9.129.537.517

10.732.111.953

8.766.773.810

9.911.026.930

9.280.502.970

8.499.246.292

9.672.641.941

Valores Previstos

16.63

39.47

9.41

21.17

13.27

7.79

12.19

23.10

4.51

21.27

8.93

8.21

9.12

(%)

SARIMA(0,0,0)(1,0,0)

15, 70

5, 14

1019

110.588.404.492

10.693.735.866

8.251.226.713

9.431.977.607

8.681.722.639

8.136.714.050

9.295.749.878

9.260.434.269

8.575.581.510

10.091.111.881

9.146.607.564

8.472.054.286

10.551.488.223

Valores Previstos

17.36

35.61

13.07

19.41

15.81

14.22

10.60

33.65

6.59

19.84

10.24

8.50

0.86

(%)

SARIMA(0,0,0)(1,0,1)

Tendncia Quadrtica

Quadro 4.4: Metodologia de Box-Jenkins - Srie Inacionada com IGP-DI Mensurado pela FGV

CAPTULO 4. METODOLOGIA BOX&JENKINS


54

Parte II
Anlise da Srie Reduzida no
Deacionada

55

Captulo 5
Suavizao Exponencial
Nesta segunda parte do trabalho, englobando este captulo e o seguinte, ser feita a
anlise da srie composta pelos valores originais de arrecadao do Imposto de Renda, sem
deacionamento/inacionamento, para o perodo de janeiro de 1995 a junho de 2005. Os
procedimentos que sero adotados nos dois captulos no diferem muito daqueles utilizados nos Captulos 3 e 4, nos quais a srie deacionada/inacionada foi objeto de anlise,
primeiramente utilizando-se suavizao exponencial e, em seguida, a metodologia desenvolvida por Box&Jenkins.
No primeiro grco da Figura 6.1 apresentada a evoluo da arrecadao em
valores originais. No segundo grco da gura apresentado o comportamento da srie
aps a sua transformao utilizando-se o operador logaritmo. Note-se que o comportamento
da srie transformada aparenta ser mais regular, o que poderia em um primeiro momento
fazer o analista optar apenas pela sua anlise. De forma a vericar se isso verdade, ambas
as sries, em valor original e em logaritmo, sero analisadas.
Primeiramente sero utilizados modelos baseados na suavizao exponencial. Os
resultados das anlises so apresentados nas sees que se seguem. No Quadro 5.1, na
concluso do captulo, so apresentados os resultados das previses (jan/2006 a dez/2006)
para os modelos que melhor se adaptaram ao conjunto de dados existentes.
Foi utilizado o comando ets (exponential smoothing state space modes ) do R, que
permite escolher em que tipo de modelo de suavizao exponencial que se quer que os dados
sejam amoldados. O comando realiza automaticamente um processo de minimizao no
linear do critrio de informao adotado (AIC, AICC ou BIC), escolhendo os parmetros
(, e ) que sero utilizados nas equaes de previso, conforme j visto no Captulo 3.
No sero estudados modelos com amortecimento, uma vez que os grcos das sries no
apontam para qualquer comportamento amortecido da arrecadao do tributo.

56

CAPTULO 5. SUAVIZAO EXPONENCIAL

57

8
6
2

(R$ Bilhes)

10

12

Janeiro/1985 junho/2005

1996

1998

2000

2002

2004

2002

2004

Ano

22.5
22.0
21.5

log(Arrec.)

23.0

Janeiro/1995 junho/2005

1996

1998

2000
Ano

Figura 5.1: Evoluo da Arrecadao no Deacionada

5.1 Modelo Log - Tendncia Aditiva e sem Sazonalidade (A-N)


No grco maior da Figura 5.2 so apresentadas as evolues das sries de arrecadao realizada, do modelo ajustado e da previso da SRF. Pode-se ver que, embora a
srie ajustada acompanhe, em mdia, a de arrecadao realizada, ela no consegue simular
as subidas e descidas da srie original. Est faltando algo para o modelo.
Os dois grcos dos correlogramas das Funes de Autocorrelao e de Autocorrelao Parcial dos resduos, apresentados na parte inferior da gura, apontam para o
elemento que est faltando. H um claro comportamento sazonal da srie, com perodo de
doze meses, que no est sendo captado pelo modelo, o que se reete nos resduos, que ainda
apresentam informao que no foi utilizada. O Modelo A-N, portanto, no adequado
para o ajuste da srie.
bvio que j sabamos que a srie tem comportamento sazonal, uma vez que j
zemos esses testes nos captulos anteriores. O objetivo, porm, estudar cada mtodo por
inteiro, procurando no herdar informaes dos demais captulos. O Teste de Box-Pierce
para a vericao do grau de adequao dos resduos forneceu o valor do 2 = 82.62, para

CAPTULO 5. SUAVIZAO EXPONENCIAL

58

Arrecadao Efetiva e Previses

15

Arrecadao SRF
Modelo AN Log

10
5

(R$ Bilhes)

Previsao SRF

1996

1998

2000

2002

2004

2006

0.4
0.3
0.0
0.1
0.2

0.0
0.2

21.5
1996

2000
Meses

2004

0.1

FACP

0.2

0.6
0.4
0.2

FAC

22.5
22.0

Log(Arrec.)

23.0

0.8

23.5

1.0

Ano

0.0

0.5

1.0

1.5

2.0

Defasagem

2.5

3.0

0.0

0.5

1.0

1.5

2.0

2.5

3.0

Defasagem

Figura 5.2: Suavizao Exponencial Modelo A-N Log


vinte graus de liberade, com p-valor de 1.404 109 . O valor da estatstica do teste est
muito alto, outro indicador de que o modelo poderia ser descartado.
Como foi identicado um comportamento sazonal da srie, apenas modelos de
suavizao exponencial que possam simular esse comportamento sero estudados doravante.

5.2 Modelo Log - Tendncia Aditiva e Sazonalidade


Multiplicativa (A-M)
As sries e os correlogramas das FAC e das FACP dos resduos podem ser vistos
na Figura 5.3. Os correlogramas das funes de autocorrelao dos resduos indicam que
o comportamento sazonal foi bem modelado. O valor calculado para o Teste Box-Pierce
foi de 2 = 18.61, com vinte graus de liberdade e p-valor de 0.55, o que tambm um
resultado bastante superior ao modelo da Seo 5.1.
Comparando-se visualmente os intervalos de previso de 80% e 95% para a srie
logaritmizada, apresentada no primeiro grco na parte inferior esquerda de cada gura,
v-se que os intervalos para esse modelo so menores que para o modelo anterior, o que
um outro indicador da superioridade desse modelo ajustado.

CAPTULO 5. SUAVIZAO EXPONENCIAL

59

20

Arrecadao Efetiva e Previses

Modelo AM Log

10

Previsao SRF

(R$ Bilhes)

15

Arrecadao SRF

1996

1998

2000

2002

2004

2006

0.15
0.10
FACP

0.15

0.2

21.5

0.0

0.05 0.00

0.05

0.6
0.2

0.4

FAC

23.0
22.5
22.0

Log(Arrec.)

23.5

0.8

24.0

1.0

Ano

1996

2000
Meses

2004

0.0

0.5

1.0

1.5

2.0

Defasagem

2.5

3.0

0.0

0.5

1.0

1.5

2.0

2.5

3.0

Defasagem

Figura 5.3: Suavizao Exponencial Modelo A-M Log


Apesar de um ajuste melhor, pode-se ver, a partir dos grcos das evolues das
sries, que esse modelo claramente superestima a arrecadao para 2006. A soma dos valores
previstos para o ano atinge R$ 164,85 bilhes, um valor 23,19% superior ao efetivamente
arrecadado, R$ 133,82 bilhes.

5.3 Modelo Log - Tendncia Aditiva e Sazonalidade


Aditiva (A-A)
Os correlogramas das funes de autocorrelao da srie dos resduos indicam que
o modelo ajustado captou bem as informaes da srie original, conforme pode ser visto
nos grcos da Figura 5.4. O resultado para a estatstica do Teste Box-Pierce semelhante
ao do modelo anterior, com valor do 2 de 18.15, e p-valor de 0.58.
outro modelo que superestima consideravelmente a arrecadao (em 29,35%),
como pode ser visto no grco. possvel que ao considerarmos a tendncia como aditiva,
estejamos levando a essas superestimativas.

CAPTULO 5. SUAVIZAO EXPONENCIAL

60

20

Arrecadao Efetiva e Previses

Modelo AA Log

10

Previsao SRF

(R$ Bilhes)

15

Arrecadao SRF

1996

1998

2000

2002

2004

2006

0.15
0.10
FACP

0.15

0.0
0.2

21.5
1996

2000
Meses

2004

0.05 0.00

0.05

0.6
0.2

0.4

FAC

23.0
22.5
22.0

Log(Arrec.)

23.5

0.8

24.0

1.0

24.5

Ano

0.0

0.5

1.0

1.5

2.0

Defasagem

2.5

3.0

0.0

0.5

1.0

1.5

2.0

2.5

3.0

Defasagem

Figura 5.4: Suavizao Exponencial Modelo A-A Log

5.4 Modelo Log - Tendncia Multiplicativa e Sazonalidade Multiplicativa (M-M)


Quarto e ltimo dos modelos de suavizao exponencial estudados para a srie em
logaritmo, foi tambm o que melhor resultados obteve. O valor calculado para o Texte
Box-Pierce foi de 16.73, com o p-valor de 0.67. No Quadro 5.1 so apresentados os valores
para as previses de arrecadao do Imposto de Renda para 2006 utilizando-se este modelo.
Os resultados obtidos esto muito distantes dos realizados, com uma superestimativa de
24,37% com relao ao valor arrecadado.
Aparentemente, aplicar o operador logaritmo srie no deacionada, antes de
utilizar o mtodo de suavizao exponencial, no pode ser considerada uma boa estratgia
para o clculo de previses. Esse fato ser corroborado a seguir, onde resultados obtidos com
os mesmos modelos, mas para sries sem a aplicao do logaritmo, apresentaram resultados
superiores para as previses.

CAPTULO 5. SUAVIZAO EXPONENCIAL

61

20

Arrecadao Efetiva e Previses

Modelo MM Log

10

Previsao SRF

(R$ Bilhes)

15

Arrecadao SRF

1996

1998

2000

2002

2004

2006

0.10
FACP

0.15

0.2

21.5

0.0

0.05 0.00

0.05

0.6
0.2

0.4

FAC

23.0
22.5
22.0

Log(Arrec.)

23.5

0.8

24.0

0.15

1.0

Ano

1996

2000
Meses

2004

0.0

0.5

1.0

1.5

2.0

Defasagem

2.5

3.0

0.0

0.5

1.0

1.5

2.0

2.5

3.0

Defasagem

Figura 5.5: Suavizao Exponencial Modelo M-M Log

5.5 Modelo /s Log - Tendncia Aditiva e Sazonalidade Multiplicativa (A-M)


Vamos estudar agora o comportamento da srie quando modelada sem a aplicao
prvia do operador logaritmo. Como j se sabe que ela apresenta um comportamento
sazonal, s sero utilizados modelos que incorporem essa caracterstica s equaes. O
primeiro modelo tentado aquele com tendncia aditiva e sazonalidade multiplicativa, Modelo A-M.
A Figura 5.6 apresenta o grco da srie, bem como os correlogramas das FAC e das
FACP dos resduos. Ambos os correlogramas indicam que o comportamento dos resduos
se encontra prximo daquele do ruduo branco. Realizado o Teste Box-Pierce, encontra-se
o valor para o 2 de 14.12, com p-valor de 0.82. Esse resultado foi melhor que para todos
os modelos de suavizao exponencial quando aplicado o operador logaritmo natural.
Analisando a evoluo das sries no grco maior da gura, v-se que a srie do
modelo ajustado se adapta bem aos dados reais e as previses tambm. Os valores calculados para a previso esto no Quadro 5.1 e indicam uma superestimativa de 6,33% frente
aos valores efetivamente arrecadados.

CAPTULO 5. SUAVIZAO EXPONENCIAL

62

15

Arrecadao SRF
Modelo AM
Previsao SRF

10

Intervalo de Previso 95%

(R$ Bilhes)

20

Arrecadao Efetiva e Previses

1996

1998

2000

2002

2004

2006

0.05
FACP

0.2

0.15

0.05 0.00

0.4
0.0

0.2

FAC

0.6

0.10

0.8

0.15

1.0

Ano

0.0

0.5

1.0

1.5
Defasagem

2.0

2.5

3.0

0.0

0.5

1.0

1.5

2.0

2.5

3.0

Defasagem

Figura 5.6: Suavizao Exponencial Modelo A-M Sem Log


Como no houve nenhuma transformao nos valores da srie, podemos utilizar
diretamente os intervalos de previso calculados pelo comando forecast para o modelo,
representados pelas linhas vermelhas no grco. Os valores previstos pela SRF e os valores
arrecadados esto dentro do intervalo de 95%, no se encontrando nenhum outlier.

5.6 Modelo s/ Log - Tendncia Multiplicativa e Sazonalidade Multiplicativa (M-M)


Esse o ltimo modelo analisado nesse captulo. A Figura 5.7 apresenta o grco
das sries, bem como os correlogramas das FAC e das FACP dos resduos. Os resultados
encontrados se assemelham bastante ao do modelo A-M, com o valor obtido para a estatstica do Teste Box-Pierce, 2 = 14.42, com p-valor de 0.81. Os correlogramas indicam uma
boa captura das caractersticas de sazonalidade da srie.
Apesar desses bons resultados, quando se calculam as previses, verica-se que
o erro do somatrio da arrecadao anual chega a 10,51%, com um EPMA de 16,39. O
erro quadrtico mdio foi de 4, 01 1018 . Esses resultados so bem piores que os obtidos no
modelo A-M, apresentados na Seo 5.5 e por esse motivo no sero includos no Quadro
5.1. Apesar disso, ainda so melhores que os do modelo M-M c/ Log.

CAPTULO 5. SUAVIZAO EXPONENCIAL

63

20

25

Arrecadao Efetiva e Previses

15

Modelo MM
Previsao SRF
Intervalo de Previso 95%

10

(R$ Bilhes)

Arrecadao SRF

1996

1998

2000

2002

2004

2006

0.05
FACP

0.2

0.15

0.05 0.00

0.4
0.0

0.2

FAC

0.6

0.10

0.8

0.15

1.0

Ano

0.0

0.5

1.0

1.5
Defasagem

2.0

2.5

3.0

0.0

0.5

1.0

1.5

2.0

2.5

3.0

Defasagem

Figura 5.7: Suavizao Exponencial Modelo M-M Sem Log

5.7 Concluso
Com base nas anlises realizadas nesse captulo, vericou-se que a aplicao do
operador logaritmo srie, em que pese t-la tornado mais regular, no foi uma boa estratgia. Todos os modelos que tiveram por base a srie logaritmizada apresentaram uma
capacidade de ajuste srie real e de previso inferiores aos que utilizaram a srie original.
Dos modelos sem log, destacou-se o A-M, com o menor valor para a estatstica
do Teste Box-Pierce. Dos modelos com log, o que apresentou os melhores resultados foi
o M-M. No Quadro 5.1 so apresentados os valores da arrecadao do Imposto de Renda
no ano de 2006, bem como os resultados das previses para os dois modelos citados. Com
base nos dois critrios de erro utilizados (EPMA e EQM), v-se que o Modelo A-M sem a
aplicao do operador logaritmo bastante superior ao melhor dos modelos com aplicao
do logaritmo.
Apesar disso, a qualidade das previses realizadas com esse modelo se demonstrou, no geral, inferior obtida com os modelos de suavizao exponencial inacionados/deacionados pelas previses do IGP-DI, conforme apresentado no Captulo 3. Tambm a qualidade das previses realizadas com a metodologia de Box&Jenkins aplicada
srie inacionada se revelou superior.

CAPTULO 5. SUAVIZAO EXPONENCIAL

64

Quadro 5.1: Suavizao Exponencial s/ Deacionamento - Valores Previstos e Arrecadados 2006


Ms

Valores Arrecadados

Valores Previstos

(%)

Valores Previstos

jan/06

10.643.316.251

12.684.825.143

19,18

13.534.453.327

27,16

fev/06

9.259.073.435

10.173.009.141

9,87

11.104.867.593

19,93

mar/06

10.189.952.438

13.367.882.022

31,19

14.577.922.433

43,06

(A-M s/ Log)

(%)

(M-M Log)

abr/06

12.588.188.576

12.338.280.642

-1,99

13.897.461.533

10,40

mai/06

9.180.874.264

10.649.541.456

16,00

12.338.409.026

34,39

jun/06

13.956.711.468

10.145.830.796

-27,31

12.151.997.646

-12,93

jul/06

10.397.486.714

12.113.375.768

16,50

14.514.766.460

39,59

ago/06

9.485.565.072

10.382.357.773

9,45

12.483.622.333

31,60

set/06

10.312.573.909

11.269.675.953

9,28

13.480.928.354

30,72

out/06

11.703.111.573

12.132.547.147

3,67

14.865.782.582

27,02

nov/06

9.492.285.019

10.880.130.886

14,62

13.375.973.208

40,91

dez/06

16.606.948.121

16.147.593.175

-2,77

20.105.812.401

21,06

Total

133.816.086.841

142.285.049.902

6,33

166.432.000.000

24,37

EQM

EPMA

3, 24

1018

13, 49

1, 37

1019

32, 57

Uma outra caracterstica dos resultados obtidos que vale a pena mencionar que
houve uma superestimativa dos valores arrecadados em praticamente todos os meses, para
os trs modelos. Esse comportamento semelhante ao encontrado no Captulo 3 para a
srie deacionada.

Captulo 6
Metodologia Box&Jenkins
Nesse captulo ser feita a anlise da srie de arrecadao do Imposto de Renda
sem deacionamento utilizando-se a metodologia desenvolvida por Box&Jenkins. Os procedimentos utilizados no diferem substantivamente daqueles adotados no Captulo 4. Ao
nal do captulo, aps serem deduzidos os modelos que melhor lograram simular o comportamento da srie original, so feitas previses para o montante mensal de arrecadao do
tributo para 2006.
No primeiro grco da Figura 6.1 mostrada a evoluo da srie original. No h
dvidas acerca de sua no estacionariedade, nem em relao mdia, nem varincia. De
forma a tentar estacionarizar a varincia, aplicado o operador logaritmo natural a todos
os valores da srie. O resultado obtido da operao pode ser visto no segundo grco da
gura, tendo aparentemente conseguido tornar a varincia estacionria. Como a aplicao
da metodologia pressupe a estacionariedade da varincia, apenas a srie qual foi aplicada
o operador logaritmo ser objeto de anlise doravante.
Com relao mdia, procurar-se- analisar qual o procedimento mais apropriado
para torn-la estacionria: a aplicao do operador de diferena (L = 1 B), ou o clculo
da equao da curva de tendncia, com a posterior retirada de seus efeito para a realizao
das previses. Em um primeiro momento, ao analisar-se a forma do grco, j se pensaria
em optar pela utilizao da linha de tendncia, mas alguns testes estatsticos devem ser
feitos antes de se adotar qualquer um dos procedimentos.
Na Figura 6.2 so apresentados os correlogramas das FAC e das FACP da srie em
logaritmo. Como esperado, o comportamento de ambos os correlogramas aponta para a sua
no estacionariedade. Realizando-se o Teste de Dickey-Fuller, verica-se que a mesma no
apresenta raiz unitria1 , favorecendo ento a primeira opinio de que o comportamento no
1O

resultado obtido para o teste foi de 5.93, com p-valor de 0.01.

65

CAPTULO 6. METODOLOGIA BOX&JENKINS

66

8
6
2

(R$ Bilhes)

10

12

Janeiro/1985 junho/2005

1996

1998

2000

2002

2004

2002

2004

Ano

22.5
22.0
21.5

log(Arrec.)

23.0

Janeiro/1995 junho/2005

1996

1998

2000
Ano

Figura 6.1: Evoluo da Srie Original e em Logaritmo


Quadro 6.1: Parmetros das Equaes de Regresso
Parmetro

Valor

Estat. t

Prob. (t)

21.47

683.92

< 2 1016

28.41

< 2 1016

1.22

1002

estacionrio da mdia da srie se deve a um efeito de tendncia.


H que se identicar, ento, qual a melhor equao que possa representar essa
tendncia. Da observao visual do grco da srie, entendeu-se que a equao da reta2
seria a mais apropriada. Faz-se, ento, uma regresso linear em relao ao tempo, obtendose os parmetros da equao apresentados no Quadro 6.1. O valor calculado para R2
0.8668 e a estatstica F 807.3 com p-valor < 2.2 1016 . Todos esses valores indicam que
a reta calculada ajusta de forma bastante satisfatria o comportamento linear dos pontos
da srie.
Subtraindo-se da srie o efeito da tendncia e calculando-se os valores das FAC e das
FACP, obtm-se o seu novo grco, bem como os correlogramas, os quais so apresentados
2 Equao

da reta: y = + t.

0.2

FAC

67

0.2 0.4 0.6 0.8 1.0

CAPTULO 6. METODOLOGIA BOX&JENKINS

10

15

20

25

30

35

30

35

0.4
0.2
0.2 0.0

FACP

0.6

0.8

Defasagem

10

15

20

25

Defasagem

Figura 6.2: FAC e FACP da Srie no Deacionada


no Figura 6.3. Todos os elementos da gura apontam para um comportamento sazonal
estacionrio da srie, com perodo de doze meses.
Essa srie transformada ser utilizada ento para a escolha dos coecientes dos
modelos SARIMA mais adequados para a previso. Ser adotado o mesmo procedimento
utilizado no Captulo 4: variam-se os parmetros da equao (p,d,q,P,D,Q) em um processo
iterativo, calculam-se os valores dos critrios de informao, AIC e BIC, adotam-se ento os
modelos que minimizaram estes critrios. possvel que tcnicos com grande experincia em
anlise de sries temporais, com a simples observao do comportamento dos correlogramas
dos resduos, j consigam inferir quais os modelos so possveis. Dado que no temos toda
essa experincia, preferimos vericar numericamente quais os modelos mais adequados.
Os resultados obtidos para as anlises so apresentados no Quadro 6.2. Ambos os
critrios de informao so concordantes no sentido de que o modelo SARIMA(0,0,0)(1,0,1)
o mais adequado para representar a srie. Como segundo melhor, cada um aponta para
um modelo diverso. Como esperado, o AIC menos parcimonioso que o BIC, apontando
para um modelo3 com trs parmetros a serem determinados. Para as previses sero
utilizados os modelos SARIMA (0,0,0)(1,0,1), (0,0,0)(1,0,2) e (0,0,0)(1,0,0).
3 SARIMA(0,0,0)(1,0,2).

CAPTULO 6. METODOLOGIA BOX&JENKINS

68

0.2

0.0

0.2

0.4

0.6

Srie sem Tendncia

1996

1998

2000

2002

2004

0.2
0.2

0.2

0.0

0.1

0.0

0.1

FACP

0.4
0.2

FAC

0.6

0.3

0.8

0.4

1.0

Ano

10

20

30

40

Defasagem

10

20

30

40

Defasagem

Figura 6.3: Srie no Deacionada sem Tendncia

Quadro 6.2: Melhores Modelos - AIC/BIC


AIC

Hierarquia

Modelos

-124,94

1o

SARIMA(0,0,0)(1,0,1)

-124,33

2o

SARIMA(0,0,0)(1,0,2)

-123,92

3o

SARIMA(0,0,0)(2,0,1)

BIC

Hierarquia

Modelos

-123,28

1o

SARIMA(0,0,0)(1,0,1)

-123,17

2o

SARIMA(0,0,0)(1,0,0)

-120,23

3o

SARIMA(0,0,0)(2,0,0)

CAPTULO 6. METODOLOGIA BOX&JENKINS

69

Arrecadao Efetiva e Previses

15

Arrecadao SRF
SARIMA(0,0,0)(1,0,1)

10
5

(R$ Bilhes)

Previsao SRF

1996

1998

2000

2002

2004

2006

0.15
0.10
FACP

0.4

FAC

0.2
0.2

0.15

0.0

0.05 0.00

0.05

0.6

0.4
0.2
0.0
0.2
0.4

Srie Arrecad. Transformada

0.8

0.6

1.0

Ano

20 40 60 80

120

10 15 20 25 30 35

Meses

Defasagem

10 15 20 25 30 35
Defasagem

Figura 6.4: Box&Jenkins - SARIMA(0,0,0)(1,0,1)

Arrecadao Efetiva e Previses

15

Arrecadao SRF
SARIMA(0,0,0)(1,0,0)

10
5

(R$ Bilhes)

Previsao SRF

1996

1998

2000

2002

2004

2006

0.15
0.10

0.8

FACP

0.4

FAC

0.2

0.05 0.00

0.05

0.6

0.4
0.2
0.0

0.15

0.2

0.4

0.0

0.2

Srie Arrecad. Transformada

0.6

1.0

Ano

20 40 60 80
Meses

120

10 15 20 25 30 35
Defasagem

10 15 20 25 30 35
Defasagem

Figura 6.5: Box&Jenkins - SARIMA(0,0,0)(1,0,0)

CAPTULO 6. METODOLOGIA BOX&JENKINS

70

Arrecadao Efetiva e Previses

15

Arrecadao SRF
SARIMA(0,0,0)(1,0,2)

10
5

(R$ Bilhes)

Previsao SRF

1996

1998

2000

2002

2004

2006

0.15
0.10

0.8

FACP

0.4

FAC

0.2

0.15

0.0
0.2
0

20 40 60 80

120

Meses

0.05 0.00

0.05

0.6

0.4
0.2
0.0
0.2
0.4

Srie Arrecad. Transformada

0.6

1.0

Ano

10 15 20 25 30 35
Defasagem

10 15 20 25 30 35
Defasagem

Figura 6.6: Box&Jenkins - SARIMA(0,0,0)(1,0,2)


As guras 6.4, 6.5 e 6.6 apresentam as sries de arrecadao, as sries com as
previses, bem como os correlogramas das funes de autocorrelao e de autocorrelao
parcial das sries dos resduos. Todos os trs modelos aparentam se ajustar srie de
arrecadao muito bem. Os resultados para a estatstica do Teste de Box-Pierce para as
trs sries de resduos so, para o primeiro modelo, 19,72, com p-valor de 0,48, para o
segundo, 20.07, com p-valor de 0.45 e para o terceiro, 18,68, com p-valor de 0,54.
No Quadro 6.3 so apresentados os resultados para as previses com os trs modelos utilizados. O que apresentou o melhor resultado, adotando os critrios EQM e EPMA,
foi o SARIMA(0,0,0)(1,0,1), que foi exatamente o modelo que minimizou ambos os critrios
de informao (AIC e BIC). O segundo modelo, SARIMA(0,0,0)(1,0,0), embora um pouco
pior4 , ainda apresenta erros de ordem de grandeza semelhante ao do primeiro. J os resultados para o terceiro modelo se revelaram bem piores que para os dois primeiros.

6.1 Concluso
Das quatro metodologias apresentadas em cada um dos captulos do presente trabalho, a de Box&Jenkins, aplicada srie sem deacionamento, foi a que melhor conseguiu
4 Segundo

os critrios adotados.

CAPTULO 6. METODOLOGIA BOX&JENKINS

71

realizar as previses para a arrecadao de Imposto de Renda de 2006. Os trs modelos apresentados neste captulo lograram calcular o montante de arrecadao anual com um erro,
em mdia, de 2,87%; um erro absoluto inferior a todos os demais modelos, sendo inferior
tambm quele apresentado pela RFB em sua previso na Lei Oramentria Anual. Assim
como nos captulos 3, para a srie deacionada, e 5, para a srie no deacionada, houve
uma superestimativa dos valores arrecadados em praticamente todos os meses, para os trs
modelos.

16.606.948.121
133.816.086.841
-

EQM

EPMA

9.492.285.019

nov/06

Soma

11.703.111.573

out/06

dez/06

9.485.565.072
10.312.573.909

jul/06

set/06

10.397.486.714

jun/06

ago/06

9.180.874.264
13.956.711.468

mai/06

12.588.188.576

abr/06

9.980.289.534

9.259.073.435
10.189.952.438

fev/06

mar/06

12.227.847.819

10.643.316.251

jan/06

7, 85

1, 40

1019

137.576.042.458

14.006.380.014

10.737.579.270

12.190.824.881

11.145.304.322

10.359.056.865

11.677.424.997

11.648.902.374

10.399.142.777

12.288.447.250

10.914.842.356

Valores Previstos

2,81

-15,66

13,12

4,17

8,07

9,21

12,31

-16,54

13,27

-2,38

7,11

7,79

14,89

(%)

SARIMA(0,0,0)(1,0,1)

Valores Arrecadados

Ms

8, 20

1, 52

1019

137.486.585.768

13.339.933.692

10.916.488.450

11.840.251.117

11.379.507.772

10.979.052.347

11.474.533.630

13.028.055.043

10.447.443.519

11.964.504.447

11.026.609.919

9.836.698.821

11.253.507.012

Valores Previstos

2,74

-19,67

15,00

1,17

10,35

15,74

10,36

-6,65

13,80

-4,95

8,21

6,24

5,73

(%)

SARIMA(0,0,0)(1,0,0)

14, 87

4, 74

1019

137.929.579.453

14.135.341.427

10.720.122.224

12.052.923.228

11.165.792.138

10.415.571.956

11.669.382.660

11.892.746.375

10.488.597.589

12.259.650.586

11.188.799.426

9.870.040.462

12.070.611.383

Valores Previstos

3,07

-14,88

12,94

2,99

8,27

9,80

12,23

-14,79

14,24

-2,61

9,80

6,60

13,41

(%)

SARIMA(0,0,0)(1,0,2)

Quadro 6.3: Previses para Arrecadao do Imposto de Renda Sem Deacionamento - Box&Jenkins

CAPTULO 6. METODOLOGIA BOX&JENKINS


72

Captulo 7
Concluso
O objetivo do presente trabalho foi estudar diferentes formas de realizar a previso
de arrecadao do Imposto de Renda agregado, em valores brutos, sem reticaes, utilizando duas metodologias ligadas a sries temporais, j consagradas na literatura tcnica:
a Suavizao Exponencial e os modelos Box&Jenkins. Para cada uma dessas metodologias,
foi estudado o comportamento das previses com base nas sries em valores originais e
deacionados pelo IGP-DI, calculado pela Fundao Getlio Vargas, do Rio de Janeiro.
Buscou-se avaliar, tambm, qual a performance desses modelos, quando cotejados
com a previso de arrecadao realizada pela Secretaria da Receita Federal do Brasil-RFB
para o ano de 2006.
Das metodologias estudadas, e com base nos parmetros utilizados para comparao, vericou-se que aquela que apresentou modelos com melhor capacidade de previso
da arrecadao em 2006 foi a de Box&Jenkins, para a srie original, sem deacionamento.
Deve-se acrescentar, tambm, que as quatro metodologias apresentaram modelos cuja capacidade de previso se revelou superior apresentada pelo modelo da RFB para o ano
considerado.
Esses resultados, no entanto, devem ser vistos com cautela, uma vez que os clculos
foram feitos para apenas um ano. Uma armao mais assertiva acerca da pertinncia da
troca da metodologia atualmente utilizada pela Secretaria s seria possvel aps um estudo
envolvendo diversos anos de arrecadao e previso. Se, aps um estudo como esse, fosse
vericado que os mtodos aqui apresentados se comportam melhor que o da RFB de forma
contumaz, a sim, alguma proposta nesse sentido poderia ser realizada.
Um outro aspecto que deve ser levado em conta, como foi comentado na Introduo,
que o rgo arrecadador tem por obrigao natural ser conservador em suas previses.

73

CAPTULO 7. CONCLUSO

74

Considerando as presses eternas por mais e mais gastos, sempre melhor prever menos do
que realmente ser arrecadado. Dos mtodos estudados, porm, apenas um, Box&Jenkins
para a srie deacionada, subestimou a arrecadao, enquanto os demais a superestimaram.
Talvez a RFB no possa correr esse risco.
Por ltimo, deve-se acrescentar que h inmeros outros estudos que podem ser
realizados com base nas sries de arrecadao disponveis. Ao invs de estudar a srie
do Imposto de Renda agregado, seria possvel estudar a evoluo de cada um de seus
componentes e ver se as previses iriam melhorar. Uma outra possibilidade seria estudar
a combinao dos diversos modelos estudados e ver como as previses se comportam. So
sugestes que cam para prximos trabalhos.

Referncias Bibliogrcas
Billah, Baki, King, Maxell L., Snyder, Ralph D., Koehler, Anne B. Exponential Smoothing
Model Selection for Forecasting. Department of Econometrics and Business Statistics,
Monash University, Australia, 2005.
Bowerman, B. L. e O'Connell, R. T. Time Series Forecasting Unied Concepts and Computer Implementation. 2 ed. USA: Duxbury Press. 1987. 540 p.
Cordeiro, Nilton Jos Neves. Modelos Univariados da Previso da Dinmica Inacionria
Brasileira. Dissertao de Mestrado em Estatstica, Universidade Federal de Pernambuco,
2002, 183 p.
Dunn, Peter. Statistics for Climate Research - Study Book. Faculty of Sciences - The
University of Southern Queensland, 2005. Disponvel no stio www.usq.edu.au, acessado
em 10/12/2006.
Enders, Walter. Applied Econometric Time Series 1 ed. USA: John Wiley & Sons, Inc.
1995. 433 p.
Gardner, E. S., Jr. Exponential smoothing: The state of the art - Part II. Bauer College of
Business, University of Houston, 2005. Disponvel no stio www.bauer.uh.edu/gardner,
acessado em 03/01/2007.
Garrett, Thomas A. e Leatherman, John C. An Introduction to State and Local Public
Finance. Regional Research Institute, West Virginia University, 2000. Disponvel no
stio www.rri.wvu.edu/WebBook/Garrett/chapterfour.htm, acessado em 31/08/2006.
Guajardo, S.A. e Miranda, R. An Elected Ocial's Guide to Revenue Forecasting. Chicago:
Government Finance Ocers Association, 2000.
Hyndman, Rob J., Koehler, Anne B., Snyder, Ralph D., Grose, Simone A State Space
Framework for Automatic Forecasting Using Exponencial Smoothing Methods. Department of Econometrics and Business Statistics, Monash University, Australia, 2000.

75

REFERNCIAS BIBLIOGRFICAS

76

Kyobe, Annette e Danninger, Stephan. Revenue Forecasting - How is it done? Results from
a Survey of Low-Income Countries. IMF Working Paper 05/24. International Monetary
Fund. Washington, 2005.
Makridakis, Spyros, Wheelwright, Steven C., Hyndman, Rob J. FORECASTING Methods
and Applications 3 ed. USA: John Wiley & Sons, Inc. 1998. 642 p.
Melo, Bruno Stephan Veras de. Modelo de Previso para Arrecadao Tributria Braslia:
ESAF, 2001 97 p. Monograa vencedora em primeiro lugar do VII Prmio do Tesouro
Nacional - 2001.
Penner, Rudolph G. Errors in Budget Forecasting. The Urban Institute, 2001.
Siqueira, Marcelo. Melhorando a Previso da Arrecadao Tributria Federal Atravs da
Utilizao de Modelos de Sries Temporais. Braslia: ESAF, 2002 79 p. Monograa
vencedora em primeiro lugar do VI Prmio do Tesouro Nacional - 2002.