Instituto de Pesquisas Tecnolgicas do Estado de So Paulo

Fernando Fernandes Neto

Sistemas Dinmicos Aplicados a Previses no Setor Energtico
Brasileiro















So Paulo
2014



Fernando Fernandes Neto




Sistemas Dinmicos Aplicados a Previses no Setor Energtico Brasileiro.






Dissertao de Mestrado apresentada ao
Instituto de Pesquisas Tecnolgicas do
Estado de So Paulo IPT, como parte dos
requisitos para obteno do ttulo de Mestre
em Processos Industriais.





Data de aprovao ____/____/______




Prof. Dr. Claudio Garcia
(Orientador)
Escola Politcnica da Universidade de So
Paulo USP








Membros da Banca Examinadora:

Prof. Dr. Claudio Garcia (Orientador)
Escola Politcnica da Universidade de So Paulo USP

Prof. Dr. Oswaldo Luiz do Valle Costa (Membro)
Escola Politcnica da Universidade de So Paulo USP

Prof. Dr. Agenor de Toledo Fleury (Membro)
Instituto de Pesquisas Tecnolgicas do Estado de So Paulo IPT


Fernando Fernandes Neto





Sistemas Dinmicos Aplicados a Previses no Setor Energtico Brasileiro.







Dissertao de Mestrado apresentada ao
Instituto de Pesquisas Tecnolgicas do
Estado de So Paulo IPT, como parte dos
requisitos para obteno do ttulo de Mestre
em Processos Industriais.



rea de Concentrao: Desenvolvimento e
Otimizao de Processos Industriais




Orientador: Prof. Dr. Claudio Garcia












So Paulo
Agosto/2014


Ficha Catalogrfica

Elaborada pelo Departamento de Acervo e Informao Tecnolgica DAIT

do Instituto de Pesquisas Tecnolgicas do Estado de So Paulo IPT


Agradecimentos
Gostaria de agradecer primeiramente minha famlia, pois acredito que no
chegaria a lugar algum sem ela. Ao longo desta difcil jornada de conciliao
entre trabalho e estudos, sempre me deram fora para continuar persistindo e
vencendo, me ajudando a transformar lgrimas em gargalhadas e suor em
resultados.

Aproveito tambm para agradecer meu orientador, o Prof. Dr. Claudio Garcia,
que sempre se mostrou uma pessoa disponvel e atenciosa, alm da sua
grande mincia para com as sucessivas correes e melhorias ao longo da
confeco deste trabalho. Alm disso, vem se mostrando um grande
companheiro e fantstico mestre nesta difcil jornada que o
amadurecimento profissional e acadmico, desde os tempos da ps-
graduao lato sensu na Escola Politcnica.

Ao Prof. Dr. Agenor Fleury, pelas suas interessantssimas aulas de Controle,
que transformou as glidas noites frias de julho em divertidas sesses de
discusso da Teoria do Controle e seu fundamental papel na transformao
da sociedade contempornea, relacionando esta rea com tantas outras,
sendo um dos encorajadores para o desenvolvimento deste trabalho dentro
do IPT.

Ao Prof. Dr. Oswaldo Costa, pela oportunidade de acompanhar suas aulas de
Controle Estocstico na Escola Politcnica, matria esta que se mostrou
fundamental para melhor compreenso dos conceitos expostos ao longo
deste trabalho, alm das suas interessantes e importantes crticas feitas no
exame de qualificao, que se mostraram indispensveis para o
amadurecimento deste trabalho.

E, finalmente, toda equipe de suporte do IPT, equipe da secretaria do
mestrado e ao atual e ao ex-coordenador do curso Prof. Dr. Silas Derenzo e
Prof. Dr. Efraim Cekinski, que indo na contramo da cultura da burocracia e
da ineficincia (que permeiam este pas), sempre agilizaram todos os
processos necessrios ao longo do curso, sempre se mostraram disponveis
e sempre demonstraram enorme carinho e dedicao quilo que fazem.


Resumo
Este trabalho investiga a integrao entre modelos macroeconmicos
modernos (modelos DSGE), tcnicas economtricas de aferio de variveis
microeconmicas/setoriais e, modelos de sries temporais, visando prever a
estrutura de evoluo inercial da matriz energtica.

Estes modelos podem orientar a tomada tima de decises, objetivando
maximizar a rentabilidade de empresas que dependam do melhor
entendimento da evoluo da matriz energtica brasileira, na escolha de
alternativas de fontes energticas, composio de portflios financeiros,
estabelecimento de polticas pblicas, entre outras aplicaes.

Para tal, a abordagem deste trabalho consistiu na calibragem de um modelo
macroeconmico para o Brasil, baseado no trabalho apresentado por Smets
& Wouters (2007); um modelo economtrico para o consumo de energia
baseado nos dados do Balano Energtico Nacional (2013) e nas previses
do modelo macroeconmico; modelos de sries temporais baseados em
ARIMA para o consumo das diferentes fontes energticas; e desenvolvimento
de um algoritmo de combinao de previses, que atravs de mnimos
quadrados generalizados, junta as informaes das previses dos modelos
ARIMA com as previses advindas do modelo economtrico e do cenrio
macroeconmico projetado.

A escolha de um modelo macroeconmico do tipo DSGE, apesar de ser mais
difcil de ser construdo e calibrado, pareceu ser o melhor caminho tendo em
vista que no precisa ser reestimado constantemente e no necessita de
intervenes ad hoc para gerar previses de curto e longo prazo
consistentes.

J em relao escolha dos modelos ARIMA para modelagem das sries de
consumo de cada um dos subprodutos, esta se deu basicamente pela
flexibilidade e capacidade deste tipo de modelagem em descrever processos
estocsticos complexos. Ao aliar esta tcnica (ARIMA) com a combinao de
previses advindas de modelos de elasticidade de consumo energtico
versus PIB, se contornou o problema da falta de correlao direta entre o
prprio PIB e as sries diretas dos subprodutos, ao impor restries de
combinao linear e de covarincia das sries ao longo do tempo.

Assim, foram obtidas previses consistentes sob o ponto de vista econmico
para cada uma das fontes energticas, que acompanham as tendncias de
consumo observadas no cotidiano brasileiro.


Palavras-chave:
Macroeconomia; Sistemas Dinmicos; Modelos de Equilbrio Geral Dinmico
Estocstico; Setor Energtico; Otimizao; Modelos Decisrios

Abstract
The present work investigates the integration between modern
macroeconomic models (DSGE based), econometric techniques, the
measurement of microeconomic/sectorial variables and time series models,
aiming to get forecasts of the inertial evolution structure of the energy matrix.

These models can be applied to optimize the decision makings aiming the
profitability maximization of companies which depend on the best
understanding of the Brazilian energy matrix evolution, in the optimal choice
of different alternatives of energy sources, in the composition of financial
portfolios which rely on energy companies, establishment and development of
public policies, as other potential applications.

To achieve that, the approach of this work consisted on the estimation of a
macroeconomic model for the Brazilian economy as presented by Smets &
Wouters (2007); an econometric model for energy consumption based on the
National Energetic Balance Data (2013) and on the macroeconomic forecasts;
time series models based on the ARIMA techniques; and in the development
of a generalized minimum squares algorithm which aims forecast
combinations that joins those from the econometric models and the
predictions from ARIMA models.

The choice of a macroeconomic DSGE model, despite being harder to be built
and calibrated, seemed to be the best strategy due to the fact that it does not
need to be reestimated constantly and does not need any ad hoc intervention
in order to generate consistent short-run and long-run forecasts.

In relation to the choice of ARIMA models for time series modeling of energy
sources consumption, it was done basically due to its flexibility and capability
to describe complex stochastic processes. When jointly applied with the
forecast combination algorithm, the lack of direct correlation between the GDP
versus each one of the energy matrix components consumption was
bypassed, by imposing linear combination and covariance restrictions over
time.

Thus, it was obtained consistent predictions from an economic standpoint, for
each energy source, following the trends observed in the everyday energy
consumption in Brazil.

Keywords:
Macroeconomics; Dynamic Systems; Dynamic Stochastic General Equilibrium
Models; Energy Sector; Optimization; Decision Making Models



Sumrio

1. Introduo ............................................................................................................................... 1
1.1. Justificativas para a Realizao deste Trabalho ..................................... 2
1.2. Objetivos .......................................................................................................................... 4
1.3. Estrutura do Trabalho .............................................................................................. 4
2. Referencial Terico e o Estado-da-Arte ............................................................... 5
2.1. Modelagem Macroeconmica ............................................................................. 6
2.1.1. Modelos Estruturais ......................................................................................... 7
2.1.2. Modelos Vetoriais Auto-Regressivos (VAR) ..................................... 7
2.1.3. Modelos DSGE .................................................................................................... 9
2.2. Processo de Calibragem do Modelo DSGE ............................................. 18
2.2.1. Gerao dos Parmetros de Acordo com a Distribuio a
Priori ........................................................................................................................................ 20
2.2.2. Algoritmo de Soluo dos Modelos DSGE do software
DYNARE ................................................................................................................................ 21
2.2.3. Obteno do Filtro de Kalman a partir do Modelo em Espao
de Estados ........................................................................................................................... 22
2.2.4. Obteno da Funo de Verossimilhana ...................................... 23
2.2.5. Composio das Distribuies dos Parmetros e
Aceitao/Rejeio dos Parmetros Gerados ............................................... 23
2.3. Modelo Setorial ......................................................................................................... 23
2.3.1. Estimao da Elasticidade PIB versus Consumo de Energia
24
2.3.2. Modelos ARIMA para Estimao dos Subprodutos da Matriz
Energtica ............................................................................................................................ 26
2.4. Algoritmo de Combinao de Previses .................................................. 27
3. Discusso dos Resultados ........................................................................................ 30
3.1. Modelo Macroeconmico ................................................................................... 30
3.1.1. Calibragem dos parmetros estruturais via inferncia
Bayesiana ............................................................................................................................. 30
3.1.2. Convergncia dos Parmetros do Modelo ...................................... 33
3.1.3. Previses Resultantes do Modelo DSGE ......................................... 33
3.1.4. Respostas a Impulsos Resultantes do Modelo DSGE ............. 34
3.2. Modelo Setorial ......................................................................................................... 36
3.3. Aplicao do Algoritmo de Combinao de Previses ................... 45
4. Concluses ......................................................................................................................... 51
4.1 Perspectivas de Trabalhos Futuros ............................................................. 52
Referncias Bibliogrficas .................................................................................................. 53
Apndice A Otimizao Dinmica sem Programao Dinmica ............. 56
Apndice B Soluo do Modelo de Ciclo de Negcios Reais Bsico .. 62
Apndice C Soluo do Modelo Estendido de Ciclo de Negcios Reais
com Famlias, Empresas e Autoridade Monetria ................................................ 64
Apndice D Soluo do Modelo Estendido de Ciclo de Negcios Reais
com Famlias, Indstria de Bens Intermedirios, Firmas Finais e
Autoridade Monetria ............................................................................................................. 68
Apndice E Processo de Log-Linearizao .......................................................... 75
Apndice F Estabelecimento dos Parmetros Fixos ...................................... 77
Apndice G Estimativas Populacionais Trimestrais ....................................... 81
Apndice H Algoritmo de Soluo dos Modelos em Expectativas
Racionais obtendo Modelos em Espao de Estados ......................................... 83
Apndice I Derivao do Algoritmo do Filtro de Kalman ............................. 86
Apndice J Testes de Co-integrao entre PIB e Consumo de Energia
.............................................................................................................................................................. 89
Anexo A Descrio dos Parmetros do Modelo de Smets & Wouters
(2007) ................................................................................................................................................ 91
Anexo B Conjunto de Equaes Log-Linearizadas de Smets & Wouters
(2007) ................................................................................................................................................ 93



ndice de Figuras

Figura 1.1 Descrio da estrutura do modelo proposto. ............................... 3
Figura 2.1 Esquema da Estrutura da Obteno das Previses. ................... 5
Figura 2.1 Grfico da Funo Logaritmo. ................................................... 10
Figura 2.3 Esquema do Processo de Inferncia/Calibragem do Modelo
Macroeconmico. ........................................................................................... 20
Figura 3.1 Resultados das Estimaes dos Parmetros do Modelo. .......... 31
Figura 3.2 Resultados das Estimaes dos Parmetros do Modelo
continuao. .................................................................................................. 32
Figura 3.3 Previses das Variveis Observadas Feitas pelo Modelo DSGE.
....................................................................................................................... 34
Figura 3.4 - Impulso-Resposta a um Choque na Inflao. ............................. 35
Figura 3.5 - Impulso-Resposta a um Choque na Taxa de Juros. ................... 35
Figura 3.6 - Impulso-Resposta a um Choque na Produtividade. ................... 36
Figura 3.7 - Modelo de Consumo de Energia vs Desempenho Econmico. .. 37
Figura 3.8 - Composio da Matriz Energtica Brasileira no Perodo 1970
2012. .............................................................................................................. 38
Figura 3.9 Ajuste do Melhor Modelo para o Setor de lcool. ...................... 39
Figura 3.10 Ajuste do Melhor Modelo para o Setor de Gasolina Automotiva.
....................................................................................................................... 39
Figura 3.11 Ajuste do Melhor Modelo para o Setor de leo Diesel. ........... 40
Figura 3.12 Ajuste do Melhor Modelo para o Setor de leo Combustvel. . 40
Figura 3.13 Ajuste do Melhor Modelo para o Setor de GLP. ...................... 41
Figura 3.14 Ajuste do Melhor Modelo para o Setor de NAFTA. .................. 41
Figura 3.15 Ajuste do Melhor Modelo para o Setor de Lenha. .................... 42
Figura 3.16 Ajude do Melhor Modelo para o Setor de Eletricidade. ............ 42
Figura 3.17 Ajuste do Melhor Modelo para o Setor de Bagao de Cana. ... 43
Figura 3.18 - Ajuste do Melhor Modelo para os Demais Setores Agregados. 43
Figura 3.19 Previso do Consumo Energtico no Brasil. ............................ 44
Figura 3.20 Previso do Consumo Energtico Brasileiro para os Prximos 5
Anos Modelos ARIMA. ................................................................................ 44
Figura 3.21 - Comparativo Modelo Macroeconomtrico versus Soma dos
Modelos ARIMA. ............................................................................................ 45
Figura 3.22 Comparativo de Previses Modelos para o Setor de lcool. 46
Figura 3.23 Comparativo de Previses Modelos para o Setor de Gasolina
Automotiva. .................................................................................................... 46
Figura 3.24 Comparativo de Previses Modelos para o Setor de Diesel. 47
Figura 3.25 Comparativo de Previses Modelos para o Setor de leo
Combustvel. .................................................................................................. 47
Figura 3.26 Comparativo de Previses Modelos para o Setor de GLP. ... 48
Figura 3.27 Comparativo de Previses Modelos para o Setor de NAFTA.
....................................................................................................................... 48
Figura 3.28 Comparativo de Previses Modelos para o Setor de Lenha. 49
Figura 3.29 Comparativo de Previses Modelos para o Setor de
Eletricidade. ................................................................................................... 49
Figura 3.30 Comparativo de Previses Modelos para o Setor de Bagao
de Cana. ........................................................................................................ 50
Figura 3.31 Comparativo de Previses Modelos para os Demais Setores.
....................................................................................................................... 50
Tabela F.1 - Clculo da Depreciao. ............................................................ 78
Figura F.1 Sada do Filtro de Hodrick-Prescott Gastos do Governo. ....... 79
Figura F.2 - Sada do Filtro de Hodrick-Prescott PIB. ................................. 80
Figura F.3 - Proporo de Gastos do Governo sobre o PIB. ......................... 80
Figura G.1 - Modelo para a Populao Total. ................................................ 81
Figura G.2 - Modelo Para a Populao Economicamente Ativa. ................... 81

1


1. Introduo

de senso comum que o Brasil sofre historicamente de falta de planejamento para
o desenvolvimento de estratgias de mdio e longo prazo e, muitos fatores j foram
apontados como possveis causas deste comportamento errtico, como por exemplo
a falta de estabilidade do ambiente macroeconmico e empresarial, herana cultural
ibrica e das caractersticas de formao do Brasil como pas propriamente dito
(Prado, 1963; Cardoso, 1970; Holanda, 1987 e Freyre, 1998) e, at a falta de
pessoal capacitado para utilizao das ferramentas necessrias para a execuo de
tarefas de planejamento.

Em relao ao primeiro ponto mencionado, o Brasil j alcanou certo grau de
estabilidade macroeconmica, permitindo um melhor planejamento em funo da
projeo das variveis conjunturais, que, por conseguinte, permitem anlises mais
confiveis do ambiente em que a empresa est inserida.

J a respeito do segundo ponto mencionado, no ser objeto deste trabalho a
discusso dos fatores de formao cultural, mas cabe ressaltar que com a crescente
organizao e internacionalizao das empresas e trabalhadores, h uma grande
tendncia em direo da criao/consolidao de uma cultura global de trabalho,
diminuindo o peso das caractersticas regionais.

No que tange ao terceiro ponto mencionado (falta de pessoal capacitado), com o
avano tcnico-cientfico que vem ocorrendo ao longo dos ltimos anos,
principalmente em funo dos avanos computacionais, possvel criar ferramentas
analticas de planejamento cada vez mais poderosas, com modelos cada vez mais
complexos, que replicam as regras e fatores de funcionamento do negcio. Por
outro lado, a complexidade dos modelos utilizados nos negcios geralmente implica
em uma grande especializao dos trabalhadores que os criam e deles fazem uso,
criando um impeditivo natural para uma viso mais abrangente e sistmica de todo o
ambiente corporativo ou seja, somente quem cria um modelo complexo o entende
(especialistas), no sendo inteligvel para o restante da companhia, que tambm
participa dos processos decisrios.

Parte das companhias vem tentando horizontalizar sua hierarquia, de maneira a
aumentar a integrao entre seus diversos departamentos, na tentativa de criar uma
viso holstica de negcio, visando aumentar a eficincia dos processos.

Outras vm investindo pesado na aquisio de sistemas de informao integrados e
altamente customizados, que tentam integrar todas as etapas dos processos,
incrementando ainda mais o nvel de especializao das pessoas, seguindo ao
extremo o conceito de taylorizao das etapas, e que, conjuntamente com a baixa
latncia inerente dos sistemas informatizados, possibilitam uma maior flexibilizao
dos processos e a adoo de filosofias de produo como o Just-In-Time, conforme
Slack (1999) e Chiavenatto (2003).

Logo, possvel verificar que o arsenal disponvel junto s empresas para a
tomada de deciso de curto prazo vem crescendo enormemente, e que no conflita
com o cotidiano da empresa e do que se espera de um trabalhador mdio.

Entretanto, ainda h uma grande carncia de ferramentas analticas necessrias
tomada de decises estratgicas, que fogem do cotidiano e so necessrias para o
2

estabelecimento da empresa dentro de um cenrio cada vez mais competitivo a
mdio e longo prazo.

Nos ltimos anos, um crescente nmero de ferramentas que se intitulam Business
Intelligence e Business Analytics vem sendo oferecido aos gestores e decisores nas
empresas, com a falsa promessa de trazer inteligncia aos negcios. Promessas
falsas, pois conforme pode ser visto em diversas obras de autores consagrados,
como Porter (2004), a autntica inteligncia de negcio implica em:

conhecer os pontos fortes e fracos da empresa;
saber quais desses pontos so foras internas ou externas empresa; e
para os pontos externos empresa, fundamental a possibilidade de
simular os possveis cenrios, com as devidas probabilidades de ocorrncia.

O conceito de Business Intelligence no se resume simplesmente em criar e
empilhar uma grande quantidade de indicadores de desempenho, mas entender o
impacto deles conjuntamente, saber como eles se relacionam ao longo do tempo,
ou seja, um indicador pode ser precedente do outro e possivelmente vislumbrar
relaes de feedback entre diversas variveis do sistema, acabando por compor um
sistema dinmico real.

Forrester (1961) iniciou uma metodologia denominada Industrial Dynamics, que
posteriormente foi consolidada sob o nome de System Dynamics, que consiste
basicamente na elaborao de um modelo holstico do ambiente, que permite
modelar justamente as relaes das variveis internas e externas empresa,
atravs de equaes diferenciais (ou de diferenas, em caso de domnio temporal
discreto) determinsticas e/ou estocsticas, possibilitando a modelagem de
fenmenos de reforo/inibio (feedback), introduo de incertezas probabilsticas
(componente estocstica) e modelagem de fenmenos de diferentes naturezas,
integrados em um nico sistema (exemplo, combinao de modelos de difuso em
biologia e suas consequncias poltico-econmicas).

Por conseguinte, tendo em vista o acima exposto, este trabalho discute a utilizao
de uma metodologia parecida com o System Dynamics, decorrente do
estabelecimento de um conjunto de equaes dinmicas fenomenolgicas, do que
acontece no entorno das empresas, para a integrao das inteligncias dispersas
ao longo dos processos, visando o estabelecimento de estratgias de mdio e
longo prazo, possibilitando a elaborao de polticas de investimento e previso da
evoluo de custos e despesas.

1.1. Justificativas para a Realizao deste Trabalho

A principal justificativa para o desenvolvimento deste trabalho que os cenrios
econmicos sofrem grandes mudanas o tempo todo, em funo dos choques e
frices existentes na economia e dos efeitos de retroalimentao (Smets &
Wouters, 2007; Gal, 2008 e Benassy, 2011). Logo, contratar consultorias externas
para a previso dos cenrios econmicos constantemente no faz sentido em um
mundo com constantes mudanas, e assim, em parte deste trabalho ser discutida
a obteno de um modelo macroeconmico que possibilite a previso de cenrios
futuros internamente empresa, e que possa ser feito de maneira simples,
utilizando ferramentas modernas para inferncia e diagnstico.

A segunda justificativa se embasa na necessidade de traduzir tambm
constantemente as mudanas no cenrio macroeconmico, que acabam por mudar
3

e transformar o setor, geralmente impactando na formao dos preos e na
composio da demanda.

No caso do setor energtico, o consumo de energia tende a ter forte correlao com
o nvel de atividade econmica do pas, justamente em funo da sua onipresena
nos mais diversos usos e de potencial de gerao de valor (todos os processos
industriais necessitam de energia para acontecer). Alm disso, entender a evoluo
da matriz energtica brasileira implica em uma srie de outras questes que
extrapolam at o pensamento na gesto dos processos industriais. Dentre tais
possveis aplicaes, destacam-se:

Permitir ao gestor escolher qual fonte estar fadada ao fracasso/desuso e,
consequentemente, diminuir o risco de fracasso de investimentos;
Possibilitar anlises setoriais de tendncias de evoluo das empresas, que,
consequentemente, impactam na avaliao econmico-financeira delas;
Formular polticas pblicas voltadas diversificao da matriz energtica;
Fazer uma composio tima de mix de produtos, no caso da indstria
petroqumica e da sucroalcooleira; e
Estabelecer um modelo holstico de interaes que possa ser extrapolado
para outros setores da economia.

Assim, o modelo objeto deste trabalho tem a estrutura conforme a Figura 1.1.


Figura 1.1 Descrio da estrutura do modelo proposto.

No modelo da Figura 1.1, as variveis macroeconmicas delineiam o cenrio em um
primeiro e mais amplo escopo, como nveis de produo, taxa de juros e de cmbio.
As variveis setoriais acabam por ser influenciadas pelas macroeconmicas dentro
de um escopo menos amplo, pois, por exemplo, o nvel de produo deve influenciar
diretamente a demanda por energia, que, por conseguinte, deve influenciar a
formao dos preos.

Um outro exemplo, no menos interessante, que a taxa de cmbio e os juros
tambm devem influenciar o preo do barril do petrleo e do acar, modificando
tanto a capacidade ofertiva, quanto a formao dos preos tambm.

4

Por fim, dado o contexto em que a empresa est inserida, possvel traar
estratgias timas de mix de produtos, estratgias de produo, avaliao da
rentabilidade e grau de atratividade de novos investimentos.

Logo, espera-se que, com o auxlio deste tipo de modelagem proposta, os gestores
possam ampliar seus horizontes cognitivos e tomar as melhores decises.


1.2. Objetivos

Este trabalho tem como objetivo principal o desenvolvimento de um modelo
inspirado na metodologia System Dynamics, que possibilite a elaborao de
polticas de investimento (em funo da previso de demandas futuras) e previses
de mdio prazo, que permitam melhor programao e controle dos custos e
despesas, praticados ao longo dos processos.

Ter como foco um modelo voltado ao setor energtico brasileiro, de maneira a
integrar os nveis macroeconmicos (conjuntura econmica do pas),
microeconmicos (setor de energia) e de combinao de previses (evoluo
inercial da matriz energtica versus previso setorial).

1.3. Estrutura do Trabalho

Este trabalho est estruturado em cinco captulos: o captulo 1 introduo
(presente captulo) com as respectivas justificativas e objetivos do trabalho; o
captulo 2 Referencial Terico e o Estado-da-Arte, que discorre sobre os recentes
avanos nas reas de conhecimento envolvidas, assim como os fundamentos
matemticos e econmicos; o captulo 3 Discusso dos Resultados, onde so
expostos os principais resultados j obtidos; e no captulo 4 as concluses deste
trabalho.



5

2. Referencial Terico e o Estado-da-Arte

Este trabalho fundamentado sobre a ideia do System Dynamics, onde se analisa
dinamicamente as diversas interaes das variveis-objeto, ao longo do tempo. No
entanto, no so todas as relaes que possuem retroalimentao, como nas
formulaes tradicionais.

O modelo macroeconmico, internamente, possui todas as relaes de feedback do
modelo, onde efeitos na poltica monetria/fiscal impactam as demais variveis, que
por sua vez impactam as variveis de deciso dos agentes e, assim por diante.

Da previso do PIB obtida desta dinmica inter-relacional, se obtm previses da
evoluo total do consumo de energia do pas, caracterizando uma dinmica
feedforward simples (por isso, no caracterizando uma implementao completa da
metodologia System Dynamics). Em outras palavras, a economia afeta o consumo
de energia, mas o consumo de energia, para fins deste modelo, no afeta o
desempenho econmico.

Em paralelo a este modelo, so desenvolvidos modelos ARIMA, a fim de prever
individualmente o comportamento de cada uma das fontes energticas presentes na
matriz brasileira e, destas previses, so obtidas previses derivadas daquela do
cenrio macroeconmico, atravs de algoritmo de combinao de previses. Logo, a
partir da matriz de covarincias, de restries lineares e da minimizao do erro
quadrtico mdio, as previses ARIMA so ajustadas para que a soma de cada um
dos consumos das fontes totalize o consumo total previsto, a partir do modelo
dinmico.

O esquema geral de funcionamento do modelo dado na Figura 2.1.

Figura 2.1 Esquema da Estrutura da Obteno das Previses.
Assim, a partir das previses feitas atravs do modelo Macroeconmico e do Modelo
de Elasticidade PIB-Consumo de Energia, obtida uma previso do Consumo Total,
para cada instante de tempo, uma vez que so modelos temporais. Por outro lado, a
partir de previses ARIMA para o consumo individual, so obtidas projees em
separado para as diferentes fontes e, tudo isso, combinado a posteriori, a fim de
se obter previses individuais que tenham consistncia com a realidade econmica,
Previses
Individuais Finais
Combinadas
Previso do
Consumo Toa!
"ode!o
"a#roe#on$mi#o
"ode!o %!asi#idade
PI&'Consumo
%ner(ia
Previso do
Consumo Individua!
)* +esri,es
"ode!os -+I"-
6

visto que modelos ARIMA tm um apelo fortemente estatstico e pouco
fenomenolgico. Cada uma destas etapas discutida nas sees que se seguem do
presente captulo.

2.1. Modelagem Macroeconmica

O modelo macroeconmico sobre o qual este trabalho se apoia do tipo DSGE, que
em traduo livre significa modelo de Equilbrio Geral Dinmico Estocstico
(Dynamic Stochastic General Equilibrium), e deste modelo se extrairo previses
para o cenrio macroeconmico e no menos obstante, permitir a execuo de
anlises de cenrios do tipo what-if (ou seja, anlise de cenrios hipotticos).

Tais modelos, de acordo com a literatura existente, tm como principal fundamento:

... o sistema econmico geralmente visto como um sistema
estvel, porm, permanentemente sujeito a vrios choques
de natureza estocstica. Flutuaes resultam de respostas
timas dos agentes a esses choques. (Benassy, 2011, p.
205, traduo livre)

A motivao para a confeco de tais modelos advm da Crtica de Lucas (1976),
que argumenta que tentar modelar as respostas a mudanas de poltica conduzidas
pelas autoridades monetrias (Bancos Centrais) e/ou fiscais (Governos), ou ainda a
quebras estruturais (rupturas) usando os modelos tradicionais, uma abordagem
extremamente ingnua.

Devido ao fato de que estes modelos (tradicionais) so inferidos a partir de
ferramentas estatsticas, que se embasam fortemente em relaes histricas entre
os principais agregados macroeconmicos (dados de PIB, taxa de desemprego,
inflao, taxa de juros, consumo, investimento, etc), rupturas (mudanas/quebras
estruturais) geralmente implicam no fim da validade das relaes estatsticas que
embasam a inferncia dos parmetros dos modelos (geralmente feita por mtodos
derivados do tradicional mtodo de inferncia via regressores lineares utilizando
mnimos quadrados).

Assim, o ideal no a inferncia de relaes sistmicas histricas, que so a base
de grande parte dos modelos at ento concebidos e utilizados para anlise
conjuntural at meados da primeira dcada deste sculo, mas sim inferir os hiper-
parmetros de comportamento dos agentes econmicos, que determinam as
interaes entre os prprios agentes (bancos, indstrias, demanda por trabalho,
famlias, governo, etc), delineando os microfundamentos, dos quais resultam os
conhecidos agregados macroeconmicos.

Por conseguinte, por exemplo, fazendo uso direto dos microfundamentos, de
maneira a compreender e avaliar a evoluo de consumo, trabalho e investimento,
possvel determinar o hbito de alocao de recursos das famlias no Brasil, de
maneira a entender quanto elas poupam, quanto elas consomem e quanto elas
trabalham, de maneira a impactar na consolidao da poupana sob a forma de
investimento, do trabalho em produtividade e do consumo em demanda por bens.
Relaes desta ordem so as que norteiam a construo de todo o arcabouo
matemtico utilizado para se obter modelos macroeconmicos, a partir das
interaes entre os diferentes agentes, conforme Benassy (2011).

7

Portanto, cabe nesta seo melhor explicar, de maneira muito breve, o histrico do
desenvolvimento dos modelos macroeconmicos, desde os primeiros modelos
desenvolvidos nas dcadas de 1940 e 1950, chamados modelos estruturais,
passando pelo desenvolvimento dos modelos do tipo Vetoriais Auto-Regressivos
(VAR) em meados da dcada de 1980 e, finalmente, chegando obteno dos
modelos do tipo DSGE, que so objeto de parte deste trabalho.

Tambm cabe aqui mencionar que uma caracterstica comum a todos estes tipos de
modelos, que eles so basicamente sistemas de equaes dinmicas (em
diferenas quando o modelo em tempo discreto, ou diferencial quando o modelo
em tempo contnuo), cujo principal objetivo a avaliao de choques sobre o
sistema e/ou fazer previses ceteris paribus (manuteno das condies exgenas
no descritas pelo modelo como constantes).

2.1.1. Modelos Estruturais

Os primeiros modelos eram ditos estruturais, pois advinham de um sistema de
equaes que explicava a estrutura macroeconmica a partir de relacionamentos
dinmicos, inferidos sequencialmente, entre os principais agregados
macroeconmicos, dos quais se destacam os trabalhos de Hicks (1937), Samuelson
(1939), Klein (1950), entre outros.

Dentre suas principais caractersticas, de maneira a contornar problemas de
identificao decorrente de correlao e autocorrelao entre as variveis,
destacam-se a necessidade da imposio de restries de endogeneidade e
exogeneidade das variveis e a obteno de um sistema ortogonal de equaes, de
maneira a permitir corrigir erros decorrentes do vis do estimador de mnimos
quadrados usual, conforme Gujarati & Porter (2011). Em outras palavras, quais
variveis deveriam impactar mutuamente umas nas outras, caracterizando relaes
de simultaneidade, e quais variveis deveriam ser externas ao sistema, impactando
nas demais, mas no sendo impactadas por elas.

Os Modelos Estruturais tm a seguinte forma:

A
t
= B X
t
+e
t


onde:
A uma matriz quadrada de ordem m, onde m o nmero de variveis
endgenas;
B uma matriz de ordem mxn, onde n o nmero de variveis exgenas; e

t
, X
t
e e
t
denotam, respectivamente, o vetor de variveis endgenas,
exgenas, e a componente vetorial de erro presente nas regresses.

Foram amplamente utilizados at o fim da dcada de 1970, sofrendo severas
crticas em decorrncia do j mencionado trabalho de Lucas (1976), tal que, apesar
de estarem fundamentados em evidncias encontradas em dados histricos,
estariam vulnerveis a mudanas abruptas.

2.1.2. Modelos Vetoriais Auto-Regressivos (VAR)

De maneira a contornar as principais imposies e restries dos modelos
estruturais, Sims (1980) props os modelos Vetoriais Auto-Regressivos (Vector Auto
Regression Models), buscando contornar os principais aspectos da Crtica de Lucas
(1976).
8


Tais modelos tm como principais caractersticas modelar todas as variveis como
variveis endgenas, impactando todas umas nas outras, e tambm sendo
explicadas como funo de seus prprios retardos, como na seguinte expresso:

A X
t
= B
0
+B
1
X
t-1
+B
2
X
t-2
++B
n
X
t-n
+e
t


onde A e todos os B

so matrizes quadradas de ordem m, onde m o nmero de

variveis a serem modeladas e n o nmero de componentes auto-regressivas do
vetor de variveis X
t
, que determinado por critrios estatsticos de informao, e
t

o vetor de componentes de erro (choques).

Usualmente, o sistema estimado em sua forma reduzida, conforme a expresso:

X
t
= A
-1
B
0
+A
-1
B
1
X
t-1
+A
-1
B
2
X
t-2
++A
-1
B
n
X
t-n
+A
-1
e
t


que pode ser inferido a partir da utilizao do mtodo dos mnimos quadrados usual,
conforme Gujarati & Porter (2011) e, posteriormente, a matriz A inferida a partir da
anlise residual e de algoritmos numricos, como os propostos por Blanchard &
Quah (1989).

Os aspectos mais atraentes deste tipo de modelagem, segundo Sims (1980), so:

o fato de que os termos auto-regressivos eliminam os problemas
decorrentes da autocorrelao (violao dos pressupostos de que os
resduos so independentemente identicamente distribudos) na
identificao at ento empregados, permitindo a identificao direta via
mnimos quadrados;
maior empirismo na modelagem, tal que as variveis so selecionadas a
partir de critrios e testes estatsticos, que determinam sua incluso ou no,
assim como o nmero de seus respectivos retardos, conforme Engle &
Granger (1987) e Johansen (1987); e
maior plasticidade na modelagem, tal que esta tcnica permite ao modelador
adaptar o modelo de acordo com as janelas temporais observadas e fatos
estilizados utilizados na inferncia em outras palavras, adaptar o modelo
s evidncias reais, conforme elas ocorram.

Assim, Sims (1980) argumenta que os modelos VAR contornam em grande parte as
crticas feitas por Lucas (1976), e consequentemente, em decorrncia dessa crena,
tais modelos vm sendo empregados at os dias atuais.

No entanto, devido falta de capacidade preditiva e de acurcia destes modelos
frente s crises econmicas mais recentes (1998, 2002, 2008), estes modelos
tambm se tornaram objeto da crtica de Lucas (1976).

Uma vez que os fatos estilizados (crises e eventos no usuais) no so facilmente
incorporados neste tipo de modelagem e, em face da sua inabilidade de incorporar a
tomada de deciso dos agentes frente a situaes adversas ( um sistema dinmico
estocstico baseado ainda em autocorrelaes e correlaes), estes modelos vm
sendo substitudos ou combinados gradualmente por uma nova gerao de modelos
macroeconmicos, denominados DSGE.

9


2.1.3. Modelos DSGE

Os modelos do tipo DSGE, conforme j exposto anteriormente, so derivados de
fundamentos microeconmicos para explicar os agregados macroeconmicos, a
partir da anlise das interaes entre os mais diversos agentes. Portanto, a reao
dos agentes sempre ser consequncia explcita da otimizao de algum critrio,
sujeita a um conjunto de restries e por isso que implicitamente se pressupe
que os agentes econmicos reajam inteligentemente s adversidades a eles
propostas. esta ltima caracterstica que o distingue ainda mais dos modelos
economtricos tradicionais, expostos anteriormente.

Os modelos economtricos, baseiam suas expectativas futuras sempre com base no
passado e falham ao projetar o futuro sempre que houver alguma mudana
estrutural importante. J os modelos DSGE capturam o comportamento dos agentes
(e suas respectivas atuaes) em cenrios de adversidade, de maneira endgena,
estabelecendo um paradigma fenomenolgico ao invs de simples correlao serial.

A sigla DSGE advm do fato de que: so modelos com evoluo temporal, por isso
so dinmicos (dynamic); nestes modelos so introduzidos componentes
estocsticos (stochastic) exgenos a fim de produzir flutuaes no entorno de
seus respectivos pontos de estabilidade; e de equilbrio geral (general
equilibrium), pois partem de relaes de equilbrio entre os diferentes agentes
participantes do mercado.

Para melhor exemplificar a estruturao de um modelo deste tipo, partir-se- do
modelo mais simples DSGE, que o modelo de Ciclo de Negcios Reais
simplificado, como exposto por Prescott & Kydland (1982) e passo-a-passo, o
modelo ser estendido at uma mdia complexidade, para que o leitor melhor
compreenda a confeco dos modelos macroeconmicos modernos, a partir das
tradicionais ferramentas de controle disponveis no campo da Engenharia.

2.1.3.1. Modelo Simplificado de Ciclo de Negcios Reais


Neste primeiro modelo simplificado, um sistema de equaes dinmicas obtido a
partir da soluo do seguinte problema de programao matemtica:

max
C
t
,N
t
,K
t+1
E
0
_[
t
(ln(C
t
) -A N
t
)

t=0
_
sujeito a:

_
K
t
-(1 -o) K
t-1
= Z
t
y K
t-1
u
N
t-1
1-u
-C
t-1
ln (Z
t
) = p ln (Z
t-1
) +e
t
~N(u, o
2
)


Traduzindo o problema acima, a primeira expresso a funo a ser maximizada,
que o valor esperado da funo de bem-estar das famlias. Nesta funo, o termo
[
t
o termo de desconto da utilidade futura. Em outras palavras, com u [ < 1, se
[ prximo de 1, potncias deste termo sero mais prximas de 1.
Consequentemente, maior ser o peso da utilidade (bem-estar) futura, dada pela
expresso (ln(C
t
) -A N
t
) . J a expresso da utilidade (bem-estar) em cada
instante de tempo, funo de uma felicidade em consumir, dada por ln(C
t
) e uma
tristeza em trabalhar, dada por A N
t
. A escolha pela funo logaritmo de suma
10

importncia, dadas caractersticas interessantes do comportamento dos
consumidores, que pode ser melhor entendido ao observar a Figura 2.1.


Figura 2.1 r!"ico da Funo #ogaritmo.

Assim, vale destacar a primeira caracterstica da funo, que o fato de ser uma
funo estritamente crescente. Em termos de consumo, isso significa que quanto
mais o agente consome, mais feliz ele fica. A segunda caracterstica no menos
importante o fato de que quanto mais ele consome, menos bem-estar adicional
acrescido, ou seja, mais satisfeito ele est.

Matematicamente, isto se torna mais evidente ao analisar as derivadas (taxas de
variao) da funo logaritmo:

u(ln(x))
ux
=
1
x

u
2
(ln(x))
ux
2
=
u[
1
x

ux
= -
1
x
2


Portanto, a funo varia positivamente quanto mais se consome (primeira derivada
positiva para todo consumo positivo), s que, no entanto, esta variao
decrescente para todo consumo (segunda derivada negativa).

Por outro lado, a tristeza em trabalhar neste modelo simplificada por uma relao
diretamente linear da quantidade de trabalho alocado pela famlia.

Este problema de maximizao tem restries, pois, seno, a maximizao do bem-
estar das famlias seria simplesmente consumir muito e no trabalhar.
Implicitamente, se impe uma restrio estabelecendo uma relao de equilbrio, j
que todo o trabalho vendido pelas famlias comprado em sua integralidade
pelas empresas, que o utilizam como insumo em sua funo de produo. Logo, a
primeira equao das restries dada por:

K
t
-(1 -o) K
t-1
= Z
t
y K
t-1
u
N
t-1
1-u
-C
t-1

11


que traduz simplificadamente a evoluo da economia decorrente da interao entre
famlias e empresas. No lado esquerdo da equao, a expresso K
t
-(1 -o) K
t-1

exprime o investimento lquido de depreciao a ser feito pelas empresas,
decorrente da diferena entre o estoque de capital atual (K
t
) e o estoque de capital
descontada a depreciao (dada pela frao o) do perodo anterior. J no lado
direito da equao, o primeiro termo a riqueza gerada pela aplicao do trabalho
(termo N
t
1-u
), do capital (termo K
t-1
u
), de um nvel de produtividade base (termo y ) e
de um termo de produtividade Z
t
, que segue um processo estocstico, que ser
abordado mais adiante. Este primeiro termo multiplicativo pelo simples motivo de
que, se somente houver mo de obra disponvel, sem equipamento necessrio para
transformar este trabalho em material, a renda decorrente da produo igual a
zero. O mesmo vale para ter capital sob a forma de mquinas e equipamentos, e
sem mo de obra para produzir. O segundo termo do lado direito (C
t-1
) o prprio
consumo, tal que ele diminui a quantidade de renda disponvel.

Assim, a primeira restrio para avaliar a evoluo macroeconmica, neste modelo,
condensa matematicamente o fato de que o investimento s possvel a partir de
um excedente entre a renda gerada nos processos produtivos e o que foi consumido
pelas famlias, sendo esta renda gerada decorrente da aplicao do trabalho e do
prprio estoque de capital.

A segunda restrio funo de que eventuais acrscimos ou decrscimos na
funo de produtividade decorrem do nvel de produtividade (tecnologia) do perodo
anterior (p ln(z
t-1
)), acrescido de uma flutuao (choque) normalmente distribuda
(e
t
~ N(u, o
2
)), que visa modelar saltos de produtividade decorrente de pesquisas ou
decrscimos decorrentes de adversidades. Conforme pode ser visto nos Apndices
A e B, o resultado da soluo do problema de maximizao proposto, resulta no
seguinte sistema de equaes:

1
C
t
= [ E _
1
C
t+1
[(1 -o) +o Z
t
y K
t+1
u-1
N
t+1
1-u
_

A =
1
C
t
(1 -o)Z
t
y K
t
u
N
t
-u


K
t
-(1 -o) K
t-1
= Z
t
y K
t-1
u
N
t-1
1-u
-C
t-1


ln(Z
t
) = p ln(Z
t-1
) +e
t
~ N(u, o
2
)

onde as duas primeiras so solues explcitas a partir da aplicao de tcnicas de
programao dinmica e as duas segundas equaes so equaes de estado j
descritas pelas restries do problema. sobre este resultado bsico que sero
discorridos os principais aspectos da calibragem de modelos DSGE.

2.1.3.2. Modelo Estendido de Ciclo de Negcios Reais
com Empresas

Um modelo um pouco mais complexo/completo pode ser obtido a partir das
respectivas solues dos programas matemticos de outros agentes envolvidos.
Para fim da extenso mais simples do modelo bsico, a fim de se estruturar um
agente representativo das firmas, basta introduzir um novo programa matemtico e
alterar o previamente exposto, tal como na pgina seguinte.

12


Famlias:

max
C
t
,N
t
,s
t+1
E
0
_[
t
(ln(C
t
) -A N
t
)

t=0
_


sujeito a:

s
t+1
= R
t
s
t
+w
t
N
t
-C
t


Empresas:


max
N
t
,K
t
B
t
=
t
-w
t
N
t
-K
t
(R
t
-1 +o)

sujeito a:

_

t
= Z
t
y K
t
o
N
t
1-o
ln(Z
t
) = p ln(Z
t-1
) + e
t
~ N(u, o
2
)


Em palavras, as famlias, ainda como no problema anterior, buscam maximizar sua
felicidade, fazendo escolhas timas entre consumir e trabalhar (que so as
respectivas variveis de controle do seu oramento), s que agora com os salrios
determinados (w
t
) em uma relao de equilbrio de acordo com a produtividade
marginal do insumo trabalho; e ao invs de deter diretamente os ativos, as famlias
agora possuem poupanas ( s
t
) que so remuneradas por um determinado
rendimento (R
t
). J as empresas, agora, como agentes distintos, tm seu prprio
objetivo, que a maximizao de seu lucro, dado pela diferena entre a renda
decorrente da venda da produo Y
t
, do pagamento s famlias pelo trabalho, dado
um determinado salrio (w
t
) e, do pagamento aos financiadores do capital (K
t
),
lquido de depreciao ( o ). A funo de produo continua semelhante do
problema anterior.

Portanto, com a adio desse programa de maximizao da felicidade do
empresariado, que em geral medido pelo lucro, o modelo passa a ter um
acrscimo significativo de complexidade, visto que passa a explicar as relaes de
remunerao do capital e da evoluo da dinmica salarial.

Como pode ser visto em Vernazza (2013), ao aplicar as mesmas ferramentas de
soluo empregadas no problema mais simples para as famlias e, ao aplicar a
otimizao esttica simples s empresas (j que no intertemporal), segue que:

on
oN
t
= u - (1 -o) Z
t
y K
t
u
N
t
-u
= w
t


on
oK
t
= u - o Z
t
y K
t
u-1
N
t
1-u
= (R
t
-1 +o)
R
t
= o Z
t
y K
t
o-1
N
t
1-o
+ (1 - o)


13

1
C
t
= [ E _
1
C
t+1
R
t+1
_

A =
w
t
C
t

t
= Z
t
y K
t
o
N
t
1-o


ln(Z
t
) = p ln(Z
t-1
) +e
t
~ N(u, o
2
)


Neste caso, R
t+1
est ligando a remunerao da poupana das famlias ao
pagamento do custo de capital pago pelas empresas (equilbrio onde todo o capital
advm da aplicao da poupana das famlias), criando um circuito monetrio
extremamente simplificado; e w
t
determina o salrio pago pelas empresas junto s
famlias, criando um esquema de mercado de trabalho muito simplificado.

2.1.3.3. Modelo Estendido de Ciclo de Negcios Reais
com Famlias, Empresas e Autoridade Monetria

Neste terceiro modelo, apresentada uma extenso ainda mais ampla em relao
ao modelo bsico, onde:

as famlias agora poupam explicitamente sob a forma de aplicao junto a
instituies financeiras, sob a forma de ttulos simples, com durao de 1
perodo, acumulam capital e alugam para as empresas e, podem escolher
estocar dinheiro;
as firmas, em um cenrio competitivo, contratam trabalho e dispem de
capital para produzir bens homogneos;
existe uma autoridade monetria que imprime dinheiro, de maneira a
produzir um efeito inflacionrio positivo, como ocorre na grande maioria dos
pases, seguindo um processo AR(1); e
existe um nvel de tecnologia (produtividade) que segue um processo AR(1).

Logo, o modelo proposto possui agora duas variveis aleatrias responsveis por
explicar as flutuaes na economia, uma responsvel pelos choques monetrios e
outra responsvel pelas flutuaes na produtividade.

Portanto, o conjunto de programas matemticos e restries a ser resolvido dado
por:

Famlias
mox
C
t
,N
t
,K
t+1
,B
t+1
,M
t+1
E
0
[
t
`
1
1
ln(C
t
) +0 ln(1 -N
t
) +
[
H
t+1
p
t

1-y
-1
1 -y
1
1
1

t=0

sujeito a:

C
t
+K
t+1
-(1 -o)K
t
+
B
t+1
-B
t
p
t
+
H
t+1
-H
t
p
t
= w
t
N
t
+R
t
k
t
+i
t
B
t
p
t


onde N
t
denota ainda as horas trabalhadas, C
t
o consumo, H
t
o dinheiro em poder,
B
t
os ttulos em poder, i
t
o rendimento dos ttulos, w
t
os salrios, K
t
o capital
14

acumulado, R
t
o rendimento sobre o aluguel do capital e p
t
o ndice de preos que
corrige os ttulos e a unidade monetria. A tristeza em trabalhar, agora segue uma
funo parecida com a do consumo, ao invs de ser linear.



Firmas:
mox
C
t
,N
t
L
t
=
t
-w
t
N
t
-R
t
k
t

sujeito a:

t
= Z
t
K
t
u
N
t
(1-u)


ln(Z
t
) = p ln(Z
t-1
) +e
t
~ N(u, o
2
)

onde as variveis seguem a mesma notao do modelo anteriormente proposto.

Autoridade Monetria:

ln(m
t+1
) -ln(m
t
) = (1 -p
m
)n
-
+p
m
n
t-1
+p
m
(ln(m
t
) -ln(m
t-1
)) -c
m,t

c
m,t
~ N(u, o
m
)

com:
m
t
=
H
t+1
p
t


que denota um processo de injeo monetria na economia, relacionado inflao
no estado estacionrio n
-
. Por conseguinte, um aumento no nvel de preos leva a
famlia a aumentar seu desejo de ter mais dinheiro, introduzindo simplificadamente
as interaes entre dinheiro e inflao.

A soluo deste conjunto, conforme pode ser visto em Sims (2011), dada no
Apndice C.

2.1.3.4. Modelo Estendido de Ciclo de Negcios Reais
com Famlias, Indstria de Bens Intermedirios,
Firmas Finais e Autoridade Monetria

Neste quarto e ltimo modelo introdutrio apresentada uma extenso ainda mais
ampla em relao ao modelo bsico, onde este acaba por ter uma boa parte das
caractersticas do modelo apresentado por Smets & Wouters (2007), porm, ainda
sendo acessvel a uma apresentao breve. Este modelo uma composio da
combinao dos modelos apresentados anteriormente, feita pelo presente autor
para fins deste trabalho, combinando diversas caractersticas tambm discutidas por
Sims (2011), com situaes ainda mais realistas.

Firmas Finais: estas no produzem nenhum bem, somente empacotam
estes bens e disponibilizam na prateleira ao consumidor final, aplicando um
diferencial de preos sobre os estabelecidos pelas empresas intermedirias
que produzem os bens. Este diferencial de preos (mark-up) segue um
processo estocstico, que tambm explicar parte das flutuaes
econmicas. Esta estrutura primitiva se assemelha bastante ao setor tercirio
da economia (comrcio e servios). Os bens produzidos pelas empresas
intermedirias formam os insumos dos servios e produtos por elas (finais)
vendidos e so agregados conforme a funo:
15


y
t
= __ y
],t
-1

J]
1
0
_

-1


onde : denota a elasticidade de cada um dos produtos y
],t
produzidos pelas
firmas intermedirias.

Firmas Intermedirias: so estas firmas que contratam trabalho, captam
recursos da poupana das famlias para aplicar sob a forma de capital,
determinam a intensidade da utilizao do capital e, consequentemente,
podem acelerar/desacelerar a depreciao e desgaste dos bens de maneira
conveniente e pagam juros sobre a poupana das famlias. Tambm
determinam os salrios. Esta estrutura primitiva (agente representativo) se
assemelha bastante aos setores primrios e secundrios da economia. No
obstante, existe uma populao contnua destas empresas, indexadas por
] e |u,1] , produzindo bens diferenciados entre si. Este intervalo unitrio
arbitrrio simplesmente significa que existem muitas empresas, nada mais
do que isso.

Familias: como no modelo anterior, escolhem a quantidade de dinheiro,
ttulos, horas de trabalho e consumo. S que agora escolhem o nvel de
poupana ao invs de acumular explicitamente o capital produtivo.


A autoridade monetria age identicamente em relao ao modelo anterior.

Portanto, o conjunto de programas matemticos e restries a ser resolvido dado
por:

Famlias
mox
C
t
,N
t
,S
t+1
,B
t+1
,M
t+1
E
0
[
t
`
1
1
ln(C
t
) +0 ln(1 -N
t
) +
[
H
t+1
p
t

1-y
-1
1 -y
1
1
1

t=0

sujeito a:
C
t
+S
t+1
+
B
t+1
-B
t
p
t
+
H
t+1
-H
t
p
t
= w
t
N
t
+R
t
S
t
+i
t
B
t
p
t


As famlias maximizam um programa quase idntico ao do modelo anterior, com
uma pequena alterao j mencionada. Ao invs de acumularem explicitamente o
capital e, alugarem este capital s firmas, agora elas poupam explicitamente sob a
forma de uma poupana S
t
e recebem um rendimento R
t
pago pelas firmas
intermedirias.

Firmas Finais:
mox

],t
,p
t

t
= p
t
__ y
],t
-1

J]
1
0
_

-1
-_ p
],t
y
],t
J]
1
0


J as Firmas Finais maximizam seu lucro, compondo uma escolha tima entre os
subprodutos (insumos) y
],t
que tm preo estabelecido pelas firmas intermedirias
16

dado por p
],t
. Esta escolha tima depende da substitubilidade do bem, estabelecida
por : que, por conseguinte, afetar o mark-up do preo p
t
do produto final vendido
por elas. Por inovaes constantes nos subprodutos,

-1
segue um processo
estocstico dado por:

ln(
t
) = (1 -p

-
+p

ln(
t-1
) +c
,t
~ N(u, o

:
: -1
=
t


Firmas Intermedirias:
mox
N
],t
,
],t
,
],t
,
],t
,
],t

],t
= E
0

t
p
],t
y
],t
-w
t
N
],t
-R
t
S
],t

t=0


sujeito a:
y
],t
= Z
t
(
],t
K
],t

u
N
],t
(1-u)


K
],t+1
=
],t
+[1 -o
0

],t

K
],t


S
],t
=
],t
+K
],t


y
],t
=
p
],t
p
t

-
y
t


ln(Z
t
) = p ln(Z
t-1
) +e
t
~ N(u, o
2
)

As Firmas Intermedirias, que so aquelas que escolhem os nveis timos de capital
e trabalho, funcionam de maneira um pouco mais complexa do que em relao s
Firmas dos modelos anteriores. Sua funo de utilidade passa a ser intertemporal,
tendo em vista que elas escolhem como utilizar a poupana disponibilizada pelas
Famlias. O acmulo do capital passa agora pela escolha de duas variveis, no
caso, a intensidade da utilizao do capital
],t

em um determinado perodo, a fim de

compensar flutuaes de demanda que ocorrem ao longo do ano para
aumentar/diminuir sua produo e o nvel de investimento
],t
, que feito para repor
ou expandir a massa de capital disponvel. Todo o capital financiado pelas famlias
neste modelo e, por isso, tm a restrio de que a frao da poupana destinada
firma j dever ser igual soma dos investimentos feitos naquele perodo com o
estoque de capital.

Vale notar tambm que estas Firmas continuam sujeitas funo de produo dos
modelos anteriores, com uma produtividade (tecnologia) que evolui
estocasticamente como um processo AR(1).

No obstante, ainda existem as seguintes restries de agregao, tal que o
somatrio dos recursos disponibilizados pelas Famlias a esse contnuo de Firmas
caracterizado por:

S
t
= S
],t
J]
1
0
e N
t
= N
],t
J]
1
0


Autoridade Monetria:

ln(m
t+1
) -ln(m
t
) = (1 -p
m
)n
-
+p
m
n
t-1
+p
m
(ln(m
t
) -ln(m
t-1
)) -c
m,t

c
m,t
~ N(u, o
m
)
17

com:
m
t
=
H
t+1
p
t


O funcionamento da autoridade monetria continua idntico ao modelo anterior.

A soluo deste modelo proposto discutida no Apndice D.

Com este quarto modelo, espera-se que o leitor tenha uma breve ideia de como
feita a incluso de diversos outros agentes econmicos e seus respectivos
programas matemticos. No obstante, tambm se espera que o leitor perceba que
o nmero de equaes dinmicas (e parmetros) cresce significativamente com o
acrscimo de agentes heterogneos e que diversas fontes de oscilao observadas
nos Ciclos de Negcios aparecem em decorrncia da presuno de
comportamentos externos.

2.1.3.5. Modelo Estendido de Smets & Wouters


Tendo preparado o terreno para a melhor compreenso possvel do ferramental
utilizado na obteno do estado-da-arte em modelos macroeconmicos modernos,
Smets & Wouters (2007) obtiveram um sistema de programas matemticos que
modela uma economia artificial, com as seguintes caractersticas:

Rigidez Nominal de Preos e Salrios: existe uma viscosidade na velocidade
de ajustamento de preos e salrios, decorrente do equilbrio
demanda/oferta, o que faz sentido em uma economia como a do Brasil,
tendo em vista que os salrios so corrigidos (geralmente) por vias de
negociao, por meio dos dissdios e acordos coletivos; e em relao aos
preos, existe uma forte tradio de indexao contratual para a correo
dos mesmos, criando uma defasagem temporal.
As famlias maximizam sua funo de utilidade em relao disponibilidade
de trabalho versus consumo, alugam seu respectivo capital para as
empresas para investimentos e decidem quanto de capital devem
acumular/poupar em face de ajustes de custos de capital que elas sofrem ao
longo do tempo.
A produtividade, de maneira semelhante ao modelo exposto anteriormente,
sofre impactos relativos a progressos tecnolgicos, que aumentam a
produtividade do trabalho empregado.
Firmas produzem bens diferenciados, decidem qual a composio tima
entre capital e trabalho empregado e definem preos.
H dois tipos de firmas, as que produzem os bens finais e as que produzem
bens intermedirios. As que produzem os bens finais concorrem em um
mercado perfeitamente competitivo. J as que produzem os bens
intermedirios, competem em um cenrio monopolstico competitivo (ou seja,
competem umas contra as outras com produtos que so diferenciados entre
si, no sendo substitutos perfeitos em funo de marca, qualidade ou local
de produo, por exemplo).
A depreciao varia com a utilizao do capital.
A inflao em parte indexada pelos valores passados da prpria varivel, o
que faz sentido em uma economia como a brasileira, tendo em vista que
grande parte dos contratos so indexados por algum ndice de inflao,
gerando persistncia.
18

Existe uma autoridade monetria que determina a taxa de juros em funo
dos desvios da meta de crescimento e da inflao
Tambm existe um nvel de gastos da administrao pblica que puxa parte
da demanda.

Tendo em vista a enorme complexidade exposta, este trabalho prosseguir nas
demais sesses com a discusso da metodologia baseada no modelo simplificado
(primeiro modelo DSGE apresentado) sabendo que as equaes log-linearizadas do
modelo final de Smets & Wouters (2007) so apresentadas no Anexo B e seus
respectivos parmetros no Anexo A.

Outro ponto no menos importante perceber que o emprego da estruturao de
modelos via as tcnicas expostas nesta seo, permite obter um modelo do tipo
System Dynamics, delineando a evoluo fenomenolgica do problema via interao
explcita dos desejos de cada um dos agentes heterogneos do sistema, ao invs do
estabelecimento de relaes comportamentais, que geralmente so obtidas atravs
de insights. Portanto, as dinmicas de feedback decorrem naturalmente das
relaes de equilbrio do modelo, ao invs de determinadas arbitrariamente pelo
investigador do problema, como muitas vezes ocorre no emprego direto da tcnica
de System Dynamics.

Por conseguinte, tendo em vista tais caractersticas e um modelo j previamente
concebido, o passo seguinte a estimao/calibragem dos parmetros, passo este
de extrema complexidade. Tradicionalmente, nesta rea de pesquisa, vem sendo
utilizado o pacote DYNARE para desempenhar tal tarefa, que funciona tanto sobre a
plataforma Matlab (comercial), quanto sobre a plataforma Octave (software livre),
que implementa as operaes matemticas que so descritas nesta subseo.

Nas subsees seguintes so apresentadas as tcnicas necessrias inferncia do
modelo.

2.2. Processo de Calibragem do Modelo DSGE

O processo de Calibragem do Modelo Macroeconmico se d basicamente sobre as
verses linearizadas das equaes obtidas na subseo anterior, tendo em vista
que grande parte delas tem natureza no linear, que consequentemente, acaba
gerando algumas dificuldades inerentes a tal caracterstica, como por exemplo, a
possvel presena de diversas solues de equilbrio do sistema. Logo, o primeiro
aspecto anterior prpria calibragem do modelo a Log-Linearizao das equaes
dinmicas.

No obstante, linearidade implica na separabilidade dos parmetros a serem
estimados, o que facilita o clculo das funes de verossimilhana marginais a cada
um deles. No entanto, tambm vale ressaltar que a no-linearidade no impede a
estimao, s a torna excessivamente custosa em termos computacionais. Tal
processo pode ser visto em maiores detalhes no Apndice E.

Ainda no menos importante, conforme pode ser visto em Smets & Wouters (2007),
resta um conjunto de parmetros que no pode ser calibrado seguindo o mtodo
descrito nas subsees 2.2.1 a 2.2.5. Tais parmetros so: a taxa de depreciao
do capital, a razo dos gastos do governo e o PIB, a elasticidade intertemporal, os
parmetros de curvatura de Kimball da funo agregadora e o parmetro de mark-
up de salrios. Consequentemente, estes devem ser estimados em separado do
modelo, sendo esta, uma das contribuies do presente trabalho. A discusso da
19

calibragem destes parmetros e os respectivos resultados podem ser vistos no
Apndice F.

Por fim, para que as sries tenham sua tendncia eliminada e estejam centradas no
entorno de alguma mdia, Smets & Wouters (2007) propem trabalhar com as
medidas de consumo, investimento, PIB e horas trabalhadas per capita.
Consequentemente, ao dividir pela populao total e pela populao
economicamente ativa, as sries se tornam estacionrias. No entanto, se fazem
necessrias estimativas destas duas sries populacionais em intervalos de tempo
mais curtos e, por isso, se faz necessria a aplicao de tcnicas de interpolao
descritas no Apndice G.

Assim sendo, na Figura 2.3 exposto um esquema geral do processo de calibragem
de um modelo DSGE, com as respectivas descries de cada uma das etapas.

Vale ainda ressaltar que todas as sries utilizadas (exceto a srie de taxa de juros)
foram dessazonalizadas (antes das ponderaes pelos fatores populacionais)
utilizando o algoritmo ARIMA X-12, seguindo a proposio original de Smets &
Wouters (2007).

20













Figura 2.$ Esquema do Processo de %n"er&ncia'(alibragem do )odelo )acroecon*mico.

2.2.1. Gerao dos Parmetros de Acordo com a
Distribuio a Priori

A gerao dos parmetros feita a partir do algoritmo de simulao de Monte-Carlo,
tal que a distribuio dos parmetros gerados segue a distribuio a priori
.era,o dos Par/meros de
a#ordo #om 0isribui,es a
Priori
)o!u,o do )isema de
%1ua,es em %23e#aivas
+a#ionais 45ben,o do
)isema em %s3a,o de
%sados6
5ben,o do Fi!ro de
7a!man a 3arir do )isema
em %s3a,o de %sados
.era,o da 8un,o de
verossimi!9an,a do mode!o
versus dados a 3arir do
Fi!ro de 7a!man
-#eia,o*+e:ei,o dos Par/meros
.erados #om base em me!9ora na
8un,o de verossimi!9an,a;
#onver(<n#ia dos 3ar/meros
4an=!ise das )>ries dos Par/meros
.erados6 e sa!os a!ea?rios
@ineariAa,o das
%1ua,es do
"ovimeno
%sabe!e#imeno dos
Par/meros Fi2os
4Bo Ca!ibr=veis6
21

estabelecida pelo investigador do problema, com eventuais restries de magnitude.
Assim, por exemplo, o investigador pode impor tanto sobre a natureza da funo de
densidade de probabilidades, quanto impor que um parmetro tem que ser positivo
ou ser menor do que outro parmetro que est sendo calibrado, por exemplo.

Em relao ao prprio algoritmo de simulao de Monte-Carlo, este consiste na
gerao de um nmero pseudoaleatrio uniformemente distribudo, que, atravs do
emprego da funo inversa da funo de densidade de probabilidades que se
deseja simular, combinado, obtendo um nmero pseudoaleatrio distribudo em
conformidade com o objetivo.

Segundo Griffoli (2013), as distribuies a priori dos parmetros tm a seguinte
forma:

p(0

A)

onde A um determinado modelo, 0

os parmetros deste modelo e a funo p a

funo de densidade de probabilidade destes parmetros, dado um tipo de modelo.


2.2.2. Algoritmo de Soluo dos Modelos DSGE do
software DYNARE

O software DYNARE resolve modelos do tipo DSGE via aproximaes de primeira
ordem do sistema de equaes dinmicas obtido, sendo considerado o estado-da-
arte em calibragem de modelos deste gnero.

Portanto, importante primeiro mencionar que um modelo DSGE, de acordo com
Griffoli (2013), nada mais do que um modelo composto por um conjunto de
equaes dinmicas, compondo parte desta dinmica as expectativas racionais que
cada um dos agentes tm em relao s variveis de estado do sistema.

Logo, o software resolve o conjunto de equaes, tal que deve seguir as condies
de Blanchard & Kahn (1980), que prescreve que devero existir tantas razes com
mdulo maior do que um quantas variveis de expectativa futura houver no modelo,
tentando transformar o modelo que est explicitado sob a forma:

E
t
A(0) X
t+1
= B(0) X
t


onde E
t
denota o operador expectncia, A e B matrizes cujos elementos so funes
lineares dos parmetros 0 do modelo linearizado, em um modelo explicitado sobre a
forma:

X
t
= (0) X
t-1
+ :
t


sendo esta transformao uma converso de um sistema de equaes em
expectativas racionais para um sistema em Espao de Estados, onde :
t
um vetor
de inovaes estocsticas, conforme Uhlig (1999), Klein (2000) e Sims (2001). Ou
seja, agora ao invs de depender das expectativas futuras que os agentes tm, se
obtm um sistema de equaes que determina quais devem ser as prximas
realizaes em funo somente das observaes passadas.

22

Para exemplificao do emprego de uma destas tcnicas em relao ao caso
simplificado (Modelo de Ciclo de Negcios Reais Bsico), basta consultar o
Apndice H.

2.2.3. Obteno do Filtro de Kalman a partir do Modelo
em Espao de Estados

A fim de se obter o Filtro de Kalman a partir do modelo em Espao de Estados
discutido na subseo anterior, o primeiro passo, conforme Davis (1984) a
remoo das mdias das variveis, resultando em um sistema estacionrio de
mdia zero (processos centrados), tal como:


X
t
-
= H X
t

+ X
t

+
t


X
t

= (0) X
t-1

+ :
t


E
t
|:
t
:
t

] =

E
t
|
t

] =

onde X
t

a mdia das variveis. Por convenincia de notao, nos passos que se

seguem, (0) = .

Aps esta operao basta, conforme Davis (1984) e Adjemian (2005), aplicar as
frmulas para o Estimador Linear timo, de maneira a obter o Filtro de Kalman para
o respectivo Modelo em Espao de Estados, tal que:

:
t
= X
t
-
-X
t

-H X
t

t
= H
t
H
t

+

K
t
=
t
H
t

t
-1


X
t+1

= X
t

+K
t
:
t

t+1
=
t
( -
t
H)

Para maiores detalhes em relao derivao do Filtro de Kalman, consultar
Apndice I.

A aplicao do Filtro de Kalman se d pelo fato de que os parmetros que
estabelecem as utilidades dos agentes envolvidos no so observveis atravs de
sries histricas. Por outro lado, possvel observar os principais agregados
macroeconmicos, como consumo, investimento, PIB, desemprego, atravs de
levantamentos realizados pelo IBGE em frequncia trimestral.

Assim, os agregados macroeconmicos so as variveis observveis no problema
de filtragem e as equaes do movimento so aquelas obtidas atravs do processo
de log-linearizao das equaes dinmicas obtidas na soluo dos problemas
matemticos de maximizao da utilidade de cada um dos agentes representativos.

23


2.2.4. Obteno da Funo de Verossimilhana

A funo de Verossimilhana obtida a partir dos valores estimados utilizando o
Filtro de Kalman obtido na subseo anterior. Assim, ao comparar os valores
observados com os efetivamente previstos, se obtm os resduos, que ao se
pressupor sua normalidade, so inseridos na seguinte expresso:

=
1
2n
xp_-
_ (x

-x
i
)
2 N
=1
N -1
_

onde x

o valor efetivamente observado, x

i
o valor previsto decorrente da
aplicao do Filtro de Kalman e N o nmero de observaes utilizadas no clculo, e
a funo que se deseja minimizar.

Por conseguinte, quanto menor o valor de , maior a aderncia do modelo proposto
versus os dados utilizados para inferncia.

2.2.5. Composio das Distribuies dos Parmetros e
Aceitao/Rejeio dos Parmetros Gerados

Por fim, o software DYNARE compara as funes de verossimilhana da estimativa
dos parmetros obtida versus a estimativa anterior dos parmetros. Se (k) <
(k -1), aceita-se diretamente os parmetros da iterao atual k. Seno, aceita-se
com probabilidade p definida pelo investigador do problema, esta nova distribuio
de parmetros, mesmo que a funo de verossimilhana tenha um desempenho
pior na iterao atual.

A justificativa para tal que estes saltos na mudana, mesmo que para pior, nos
parmetros, evita com que a busca pelo conjunto timo de parmetros que
maximiza a verossimilhana fique presa em uma regio de mnimo local, no
atingindo o mnimo global.

No obstante, outra verificao deve ser feita, no caso as condies de estabilidade
e convergncia da evoluo dos parmetros. Se (k) -(k -1) A onde A um
critrio de convergncia arbitrariamente definido pelo investigador, o critrio de
parada acionado.

Por fim, tendo o critrio de parada sido acionado, so extrados os momentos das
sequncias de parmetros gerados ao longo do processo de inferncia bayesiana,
para compor as distribuies a posteriori de cada um deles, assim como a mdia, a
mediana e a moda (especialmente teis em caso de distribuies altamente
assimtricas).

Para maiores detalhes, consultar Zellner (1971), Hamilton (1994) e Greene (2002).

2.3. Modelo Setorial

Tendo a modelagem macroeconmica completa, o prximo passo a estimao da
elasticidade do Produto Interno Bruto versus o consumo de energia eltrica, para
que seja possvel inferir qual o impacto das polticas fiscais e monetrias sobre o
consumo de energia no pas.

24

2.3.1. Estimao da Elasticidade PIB versus Consumo de
Energia

Os modelos de aferio de elasticidade entre duas variveis so geralmente
inferidos atravs de mtodos de regresso linear simples, desde que as duas
variveis estudadas no tenham raz unitria (processos estocsticos no-
estacionrios).

Assim sendo, se as sries do PIB e do Consumo de Energia so estacionrias por
hiptese, a aferio da elasticidade PIB versus Consumo de Energia pode ser feita a
partir da seguinte equao:

ln(E) = o +[ ln(PIB)

Tal que, conforme pode ser visto nos principais livros-texto de microeconomia
aplicada, por exemplo Pindyck & Rubinfeld (2009), a elasticidade do Consumo de
Energia (varivel E) versus PIB, funo da derivada parcial da expresso acima:

oln(E)
oln(B)
= [

A interpretao do coeficiente que se o PIB crescer x por cento, os Pousos e
Decolagens devero crescer vezes x por cento. Matematicamente:

AE% = APIB%

Tal interpretao decorre do fato de que:

lim
Ax-0
|ln(1 +Ax)] = lim
Ax-0
Ax

Por outro lado, pela definio de derivada, segue que:

uy
ux
= lim
Ax-0
y(x +Ax) -y(x)
Ax


Portanto:
u
ux
(ln(x) = lim
Ax-0
ln(x +Ax) -ln(x)
Ax
= lim
Ax-0
ln [
x +Ax
x

Ax
lim
Ax-0
ln[1 +
Ax
x

Ax
= lim
Ax-0
Ax
Ax x
=
1
x


Consequentemente:

u
ux
(ln(x) =
1
x


uln(x) =
ux
x
=
Ax
x
= Ax%

Logo:
oln(E)
oln(B)
=
AE%
AB%

25

No entanto, caso as sries sejam no estacionrias, conforme pode ser visto em
Engle & Granger (1987), possvel obter regresses completamente esprias em
decorrncia justamente da no-estacionariedade das sries em questo.

Para melhor exemplificar, se duas sries, por exemplo, seguem processos
estocsticos no-estacionrios, tal que por hiptese apresentem evoluo
estritamente positiva, ao se calcular uma regresso entre as duas variveis, haver
uma falsa elasticidade entre as duas variveis, decorrente da minimizao do erro
quadrtico mdio.

Assim, por exemplo, duas variveis no-estacionrias que no possuem relao
alguma, como por exemplo um ndice de preos e uma srie de populao, ao terem
sua suposta elasticidade inferida, iro produzir uma relao positiva que no tem
sentido fsico/econmico algum.

Logo, para corrigir eventual vis, primeiramente dever ser testado se as sries
possuem razes unitrias, conforme pode ser visto em Dickey & Fuller (1979). Tendo
constado que as variveis possuem raz unitria, necessrio verificar se as
variveis possuem uma relao de co-integrao. Em outras palavras, se variaes
nas diferenas das variveis forem funo de um desvio de um estado de equilbrio
entre elas, existe uma relao de co-integrao.

Matematicamente, caso existam relaes de autocorrelao, isto se traduz em uma
relao do tipo:

Aog(E
t
) = o (og(E
t-1
) -[ og(B
t-1
) +
1
Aog(E
t-1
) ++
n
Aog(E
t-n
)
+
1
Aog(B
t-1
) ++
n
Aog(B
t-n
)

onde a relao de co-integrao caracterizada por:

og(E
t
) -[ og(B
t
) = p
t
~ N(u, o)

conforme Johansen (1988).

Vale ressaltar ainda que este novo [ estimado, tambm possui a mesma
interpretao de elasticidade que o [ estimado no caso da regresso linear
simpes.

Portanto, para estimar a evoluo do Consumo de Energia em um primeiro
momento, estima-se a evoluo do PIB em um dado cenrio e, em funo do
coeficiente [ estimado seja por regresso linear simples ou por co-integrao, o
cenrio macroeconmico convertido em um cenrio de consumo de energia.

Tendo em vista o crescimento do consumo de energia, dado por AE%, o prximo
passo estimar a evoluo da matriz energtica em si, a fim de se analisar a
participao de cada um dos subprodutos.

Para tal, a partir do Balano Energtico Nacional de 2013 (BEN), dado pelo
Ministrio da Energia, sero utilizados modelos do tipo ARIMA, para cada uma das
sries individuais. Logo, cabe aqui introduzir os modelos ARIMA.

26


2.3.2. Modelos ARIMA para Estimao dos Subprodutos
da Matriz Energtica

Os modelos ARIMA consistem em equaes de diferenas, que tentam capturar a
evoluo inercial de um determinado sistema dinmico, com base nas observaes
passadas, quanto nos choques aleatrios (perturbaes) que possam impactar a
srie. Para melhor apresent-los, comea-se pelos modelos ARMA(p,q), que so
um subtipo dentro da famlia de modelos ARIMA. Tais modelos (ARMA) tm a
seguinte forma:

t
=
1

t-1
+
2

t-2
++
p

t-p
+0
1
c
t-1
+0
2
c
t-2
++0
q
c
t-q
+p

onde
t
denota a observao no instante t, c
t
as inovaes normalmente distribudas
no instante t e p denota a mdia da varivel. Estes modelos so referenciados pela
nomenclatura ARMA(p,q), onde p o nmero de retardos sobre a prpria varivel
observada que so considerados e q a quantidade de retardos das inovaes
(erros) para a composio da previso para o prximo perodo.

Tambm importante ressaltar que os modelos ARMA partem do pressuposto que a
srie
t
estacionria, conforme pode ser visto em (Morettin & Toli, 2004), ou seja,
flutuam em torno de uma mdia fixa. Quando a srie em questo no estacionria,
dever ser aplicado o processo de diferenciao da srie, at que esta se torne
estacionria. Logo, um processo ARMA pode ser visto como um subtipo dos
processos ARIMA, onde a srie modelada j estacionria.

Assim, por exemplo, uma srie que somente estacionria na segunda diferena,
seu processo de modelagem via modelos ARIMA ser dada pela transformao
desta em uma srie estacionria e aps isso, modelar a srie resultante utilizando
um modelo ARMA(p,q) padro.

Por conseguinte, um modelo ARIMA denotado por ARIMA(p,d,q), onde d denota o
nmero de diferenas aplicadas sobre a srie original, at o atingir a condio de
estacionariedade. O modelo ARIMA tem a seguinte forma:

w
t
=
1
w
t-1
+
2
w
t-2
++
p
w
t-p
+0
1
c
t-1
+0
2
c
t-2
++0
q
c
t-q
+p

onde, seguindo a mesma notao dos modelos ARMA apresentados, w
t

decorrente da diferenciao em d vezes da srie original.

A fim de se detectar a quantidade de termos referentes s inovaes (c
t-q
) e s
componentes autorregressivas ( w
t-p
), uma busca pelo melhor modelo feita
atravs da anlise do Critrio de Informao de Akaike (1974), que tem por
caracterstica a imposio de penalidades para a imposio de coeficientes a serem
estimados visto que o aumento gradual de coeficientes diminui a confiabilidade
dos prprios parmetros estimados e contribui para o fenmeno de Overfitting
1


ponderados pela verossimilhana do modelo, que por sua vez uma medida de
aderncia do modelo atravs da anlise da soma dos resduos quadrticos.


1
Fa!a de #a3a#idade do mode!o em 3rever 3onos 8ora da amosra ui!iAada 3ara sua in8er<n#ia. Bo #aso de
um sisema din/mi#o dese i3o; #ara#eriAa a in#a3a#idade do mode!o em 3rever o 8uuro; somene em
des#rever o o#orrido.
27

A frmula a seguir, que condensa em um nico nmero o total da distncia entre
ocorrido e previsto, evitando compensaes entre erros positivos e negativos,
representa a funo de soma dos resduos quadrticos:

SR = (

-
`

2
N
=1


onde N o nmero de observaes,

o observado e
`

o previsto pelo modelo.

J a funo de verossimilhana dada por:

= -
N
2
(1 +log(2n) +log (SR))

Tendo feito as definies anteriores, possvel escrever o Critrio de Informao de
Akaike (1974) como:

AIC = 2k -log ()

em que k o nmero de parmetros a serem estimados.

Logo, quanto maior o nmero k de parmetros a serem estimados, maior o nmero
AIC, e quanto maior a verossimilhana, menor o valor AIC.

Consequentemente, quanto menor o valor do AIC, melhor o modelo, descontados os
possveis efeitos de eventual Overfitting, e assim, baseado neste critrio, possvel
escolher a melhor estrutura de atrasos para um modelo autorregressivo, por
exemplo.

Portanto, tendo um modelo evolutivo para a demanda por cada um dos subprodutos,
possvel aplicar um algoritmo de combinao de previses para que a soma das
previses dos subprodutos seja igual previso do consumo total de energia, para
que se obtenha uma previso consistente da prpria matriz energtica.


2.4. Algoritmo de Combinao de Previses


Partindo do pressuposto de que a quantidade de energia consumida deve ser igual
(ou quase igual) quantidade de energia produzida pressuposto esse que dentro
da realidade do Balano Energtico Nacional parece ser razovel, dada a pequena
participao do fluxo exterior a soma das previses obtidas atravs dos modelos
ARIMA deve ser igual previso de consumo, obtida atravs da anlise de
elasticidade PIB versus Consumo de Energia.

Assim sendo, se por definio existe uma srie
t
que pode ser explicada a partir da
combinao linear de quatro sries independentes entre si, por exemplo, possvel
obter um algoritmo de combinao de previses, tal que a combinao linear (soma)
destas quatro seja igual srie agregada.


28

A fim de demonstrar tal tcnica, a partir deste exemplo simplificado, seguem as
definies:

t
= |
1 1 1 1
]
l
l
l
l
X
1,t
X
2,t
X
3,t
X
4,t
1
1
1
1


onde
t
a srie agregada, tal que se deseja corrigir as sries desagregadas (X
,t
)
para que a soma (combinao linear) destas seja igual a ela. Assim as sries
desagregadas so combinadas a partir do vetor de uma srie de operaes
matriciais que combinam o vetor de pesos e a matriz de covarincias das sries X
,t
,
dada por uma matriz quadrada L de ordem quatro (no caso para quatro sries).

Ao impor que:

|
1 1 1 1
] = E

l
l
l
l
X
1,t
X
2,t
X
3,t
X
4,t
1
1
1
1
= Z
t

e sabendo que o objetivo do algoritmo a minimizao da distncia quadrtica entre
a combinao linear (soma) das sries desagregadas que sero modificadas, ao
definir que:

e
1
= [I
-1
(Z
t
-Z
t

1


ou seja, que e
1
um vetor ponderado pela inversa da matriz de covarincias (a fim
de se normalizar a distncia) entre o vetor Z
t
e o respectivo esperado, dado por Z
t

.

E tambm, ao definir que:

E(Ie +Z
t

-
t
= u

Realizando as seguintes operaes algbricas, segue que:

EIe =
t
-EZ
t

e =
t
-EZ
t

e = (
t
-EZ
t

-1


e
1
= |(
t
-EZ
t

-1
]
1


Ao formar uma funo Lagrangeana para o programa de minimizao da distncia
entre as observaes e a combinao linear (soma) das variveis desagregadas,
segue que:

L = e e
1
+z
1
(E(Ie +Z
t

-
t

29


Derivando esta funo por e e igualando a zero, segue que:

z
1
EI - z
1
= -2e
1


z
1
= -2e
1

-1


z
1
= -2j[I
-1
(Z
t
-Z
t

-1
[
1

-1


z
1
= -2|(
t
-EZ
t

-1
]
1

-1


z = -2|(
t
-EZ
t

]|
1
]
-1


Substituindo-se na prpria equao derivada, conforme Bayes (2013), segue que:

z
1
= -2e
1

1
|(
t
-EZ
t

]|
1
]
-1
= e

I
1
|(
t
-EZ
t

]|
1
]
-1
= (Z
t
-Z
t

Finalmente, se obtm:

I
1
|(
t
-EZ
t

]|
1
]
-1
+Z
t

= Z
t



Por conseguinte, tendo em vista a obteno de uma expresso que torne possvel a
combinao das previses tendenciais da evoluo do consumo de cada uma das
fontes que compem a matriz energtica versus a evoluo do consumo total
esperada em funo do nvel de atividade econmica, se tem o arcabouo tcnico
completo para a anlise proposta ao longo deste trabalho.

Portanto, no prximo captulo se discutem os resultados obtidos decorrentes do
emprego das tcnicas aqui discorridas.



30

3. Discusso dos Resultados

Neste captulo so apresentados os resultados referentes modelagem que j foi
realizada que, em suma, se deu sobre o modelo macroeconmico proposto, suas
respectivas componentes, a captura da elasticidade PIB versus Consumo
Energtico e uma breve anlise do Balano Energtico Brasileiro.

3.1. Modelo Macroeconmico

Ao longo desta seo so apresentados os resultados obtidos na calibragem dos
parmetros e sries necessrias inferncia do modelo macroeconmico, assim
como sobre os resultados preliminares dos parmetros do prprio modelo que so
calibrados via mtodo de amostreamento bayesiano.


3.1.1. Calibragem dos parmetros estruturais via inferncia
Bayesiana

Seguindo Smets & Wouters (2007), foram estimados os parmetros estruturais da
economia de acordo com o algoritmo de inferncia bayesiana implementado sob a
plataforma DYNARE, que funciona tanto sobre o Matlab quanto sobre o Octave. As
distribuies a priori seguiram as sugestes feitas por estes autores, tendo em vista
que, em grande parte da literatura nacional analisada, os autores nacionais tambm
as seguiram. Assim, seguem nas Figuras 3.1 e 3.2, as estimativas das distribuies
a priori (em cinza) consideradas, e as respectivas distribuies a posteriori (preto)
obtidas aps a execuo do algoritmo de calibragem. Vale tambm notar que a linha
tracejada em verde a mdia da distribuio a posteriori.


31





Figura $.1 +esultados das Estimaes dos Par,metros do )odelo.
32



Figura $.2 +esultados das Estimaes dos Par,metros do )odelo continuao.

Assim, conforme pode ser visto nas Figuras 3.1 e 3.2, possvel verificar
primeiramente que h um considervel distanciamento entre as distribuies a priori
(em cinza) inseridas no modelo versus as distribuies a posteriori (em preto)
obtidas depois da execuo do algoritmo de inferncia bayesiana, a menos de
poucas excees. O segundo ponto, no menos interessante, que as distribuies
tm uma grande assimetria, quando no tambm, caudas gordas grandes, fato este
que merece destaque, pois o tradicional mtodo dos mnimos quadrados, que
amplamente utilizado na inferncia de sistemas dinmicos, pressupe que os
parmetros sigam distribuies conhecidas e bem comportadas.

Para a soluo do sistema de equaes de diferenas, a fim de se computar as
previses, o programa de computador considera os valores mdios (em verde
tracejado) das distribuies. A distribuio a posteriori indica a densidade de
probabilidade de se assumir diferentes valores como verdadeiros e, em conjunto
com simulaes de choques, utilizada para simular os intervalos de confiana das
previses, que so discutidos na prxima subseo.

33



3.1.2. Convergncia dos Parmetros do Modelo

Um dos pontos centrais deste trabalho o fato de que com todas as variveis
contempladas no modelo original de Smets & Wouters (2007), no se obtm
convergncia e estacionariedade na inferncia dos parmetros, condio esta
necessria para se afirmar que os parmetros inferidos so estveis para qualquer
condio inicial imposta ao algoritmo de amostreamento.

Tal problema para a economia brasileira j havia sido reportado por Boynard &
Divino (2012), que contornaram tal questo eliminando as variveis investimento,
horas trabalhadas e salrios reais do modelo como variveis observveis, e
eliminando os choques nas horas trabalhadas e no investimento, acabando por ficar
com quatro variveis observveis e cinco choques estocsticos. Tais mudanas
contriburam para a convergncia das sries dos parmetros estimados.

As variveis observveis cujo objetivo a previso, so:

dy: denota a diferena da srie logartmica do PIB real
dc: denota a diferena da srie logartmica do Consumo Total
pinfobs: denota a diferena da srie logartmica do IPCA
robs: o logaritmo da taxa anual de juros em base 100

Tendo em vista esta literatura j existente, neste trabalho tambm se adotou tal
estratgia de inferncia, acabando por se obter resultados de convergncia
satisfatrios.


3.1.3. Previses Resultantes do Modelo DSGE


Tendo calibrado os parmetros estruturais e conhecidas as sries, cujo objetivo a
previso, basta, atravs da evoluo das variveis de estado do modelo, fazer as
previses.

Vale lembrar que algumas das sries que possuem tendncia, como o PIB,
Consumo, ndice de Preos, so transformadas em sries estacionrias a partir da
remoo de tendncias decorrentes da evoluo populacional. Assim, por exemplo,
as variaes so estudadas sob a ptica per capita e no em termos absolutos. Os
resultados so mostrados na Figura 3.3.

34


Figura $.$ Previses das -ari!veis Observadas Feitas pelo )odelo D.E.
Portanto, ao olhar para a Figura 3.3, possvel verificar que h uma tendncia de
subida da taxa de juros (funo da poltica monetria, visando trazer a inflao para
o centro da meta) no curto prazo e essa subida causa uma desacelerao no
consumo e no Produto Interno Bruto. J a inflao (IPCA) parece ter seu valor de
equilbrio (longo prazo) por volta de 5,5%.

Vale ressaltar que a economia parece ter uma tendncia de crescimento em termos
de renda per capita (PIB sobre populao) de cerca de 0,5% por trimestre e a taxa
de juros permanece em um patamar de 7,5% nominais (cerca de 1,8% em termos
trimestrais), se todas as condies permanecerem constantes, fatores estes os
principais determinantes no estabelecimento de estratgias de investimento.

3.1.4. Respostas a Impulsos Resultantes do Modelo DSGE

Um dos aspectos mais interessantes da modelagem DSGE a previso de como os
agentes econmicos reagiriam a choques sobre as taxas de juros, assim como o
Governo e o Banco Central responderiam a choques na inflao, visando maximizar
o bem-estar geral.

Estas respostas advm dos parmetros estruturais calculados na inferncia e da
aplicao dos respectivos choques sobre o sistema em espao de estados. Assim,
por exemplo, ao reconsiderar o primeiro modelo simplificado apresentado no
Captulo 2, que era o modelo de Ciclo de Negcios Reais, ao somar um choque
determinstico na varivel de nvel estocstico de tecnologia, simula-se um choque
tecnolgico, conforme pode ser visto em Uhlig (2006).

A situao se torna um pouco mais complexa quando o pesquisador se depara com
um modelo onde existe mais de uma componente estocstica, e consequentemente,
0;00C
2;00C
4;00C
6;00C
8;00C
10;00C
12;00C
m
a
r
*
1
4
a
(
o
*
1
4
:
a
n
*
1
5
:
u
n
*
1
5
n
o
v
*
1
5
a
b
r
*
1
6
s
e

*
1
6
8
e
v
*
1
7
:
u
!
*
1
7
d
e
A
*
1
7
m
a
i
*
1
8
o
u

*
1
8
m
a
r
*
1
9
a
(
o
*
1
9
:
a
n
*
2
0
:
u
n
*
2
0
n
o
v
*
2
0
a
b
r
*
2
1
s
e

*
2
1
8
e
v
*
2
2
:
u
!
*
2
2
d
e
A
*
2
2
m
a
i
*
2
3
o
u

*
2
3
Ta2a de Duros Bomina! 12 "eses In8!a,o 12 meses
Cres#imeno PI& -#umu!ado 12 meses Cres#imeno Consumo -#umu!ado 12 meses
Ta2a de Duros +ea! 12 "eses
35

mais de um possvel choque, que acaba necessitando de mtodos de perturbao
de soluo de ordem superior, seguindo a mesma lgica do que fora apresentado no
Captulo 2, conforme Collard & Juillard (2001).

Consequentemente, alm de possvel, se torna interessante fazer anlises de
cenrios hipotticos, como os feitos nesta subseo, permitindo complementar
anlises condicionais aos dados passados. Portanto, ao se incorporar os resultados
obtidos nas Figuras 3.4 a 3.6 possvel fazer tais anlises condicionais.


Figura $./ 0 %mpulso0+esposta a um (1oque na %n"lao.


Figura $.2 0 %mpulso0+esposta a um (1oque na 3a4a de 5uros.


36


Figura $.6 0 %mpulso0+esposta a um (1oque na Produtividade.
Conforme pode ser visto na Figura 3.4, um choque na inflao (IPCA), desestimula o
consumo (dc) (pois afeta a renda disponvel para consumo) e o Produto Interno
Bruto (dy), o que leva o Banco Central, a fim de diminuir a inflao, a praticar uma
taxa de juros mais alta (robs), at que a inflao esteja sob efetivo controle, indo de
encontro com o que prega a Teoria Econmica.

J na Figura 3.5, possvel ver que um choque na taxa de juros, por sua vez, reduz
a inflao por meio de desestmulo do consumo (queda no consumo por
financiamento, por exemplo, j que o custo do financiamento se torna maior),
afetando as demais variveis macroeconmicas.

Por fim, na Figura 3.6, verificvel que um aumento na produtividade eleva o
Produto Interno Bruto, diminuindo a presso inflacionria, resultante do aumento da
capacidade ofertiva e de ganhos marginais inerentes ao prprio aumento de
produtividade, tambm indo de encontro ao que prev a Teoria Econmica moderna
de Ciclo de Negcios Reais (Gal, 2008).

Logo, nesta subseo, se torna evidente o poder que este tipo de anlise hipottica
tem em relao a possveis cenrios e como os agentes econmicos devem reagir a
eles.

No obstante, tambm vale ressaltar que os outros dois choques estimados pelo
modelo no foram aqui comentados tendo em vista que so de difcil interpretao
como forma de validao dos resultados junto Teoria Econmica.

3.2. Modelo Setorial

O modelo setorial, para efeitos de simplicidade deste trabalho, parte da premissa
que todo o consumo energtico do Brasil tem sua demanda ditada pelo nvel de
atividade de produo (PIB). Logo, conforme j discorrido no Captulo 2, foi
calculada a elasticidade PIB-Consumo Energtico e verificada a consistncia de tal
premissa a partir da anlise do coeficiente de explicao do modelo proposto versus
as realizaes passadas do consumo energtico, conforme indicado na Figura 3.7.

37


Figura $.7 0 )odelo de (onsumo de Energia vs Desempen1o Econ*mico.
Assim, como pode ser verificado na Figura 3.7, possvel a obteno de um modelo
com um alto grau de explicao (R
2
de 0,99), com a mencionada simplificao, para
a previso do consumo de Energia em Toneladas Equivalentes de Petrleo.

Neste caso especial, possvel se afirmar que um timo modelo, tendo em vista
que a equao obtida possui somente dois parmetros (elasticidade e constante)
representando um baixo risco de overfitting, dada a pequena quantidade de
parmetros e tendo uma alta correlao entre o modelo obtido e os dados
observados por um longo perodo de observaes (mais de 40 observaes anuais).

O parmetro de elasticidade obtido deste modelo de 1,05, extrado da relao de
co-integrao existente (conforme Apndice J), ou seja, para cada 1% que a
economia cresce, em mdia, o consumo de energia cresce 1,05%. Portanto, a partir
dos cenrios econmicos gerados e da traduo da produo econmica em
quantidade de energia consumida para tal, basta aplicar os percentuais de variao
obtidos sobre o vetor mdio de participao de cada um dos subprodutos na
composio da matriz energtica brasileira.

Consequentemente, a partir do Balano Energtico Nacional de 2013, possvel
extrair um vetor sobre a participao de cada um dos principais subprodutos na
matriz energtica, assim como (para um prximo trabalho), modelar as tendncias
de mudana da matriz energtica, como apresentado na Figura 3.8.

10;5
11
11;5
12
12;5
13
1
9
7
2
1
9
7
4
1
9
7
6
1
9
7
8
1
9
8
0
1
9
8
2
1
9
8
4
1
9
8
6
1
9
8
8
1
9
9
0
1
9
9
2
1
9
9
4
1
9
9
6
1
9
9
8
2
0
0
0
2
0
0
2
2
0
0
4
2
0
0
6
2
0
0
8
2
0
1
0
2
0
1
2
E
v
o
l
u

o

d
o

(
o
n
s
u
m
o

d
e

E
n
e
r
g
i
a

e
m

#
o
g
a
r
i
t
m
o

)
i
l
1

e
s

d
e

3
E
P
Per8odo 9:nos;
5#orrido Previso
38


Figura $.< 0 (omposio da )atri= Energ>tica ?rasileira no Per8odo 1@7A 2A12.
Como pode ser visto na Figura 3.8, h um aumento crescente e considervel na
participao da eletricidade, lcool e bagao de cana, enquanto que os derivados do
petrleo e lenha tiveram sua participao diminuda. A partir dos valores obtidos
para 2012 e aplicando um cenrio ceteris paribus na participao das fontes
energticas, possvel projetar, a partir das mudanas no cenrio econmico, o
crescimento das fontes de interesse para o setor petroqumico.

Os ajustes individuais de cada um dos setores obtidas atravs de modelos ARIMA
seguem em conformidade com as Figuras 3.9 a 3.18, onde a linha em vermelho
representa cada uma das observaes setoriais. As linhas em preto representam os
respectivos ajustes do melhor modelo ARIMA e o consumo est representado em
Milhes de Toneladas Equivalentes de Petrleo.

0C
10C
20C
30C
40C
50C
60C
70C
80C
90C
100C
1
9
7
0
1
9
7
3
1
9
7
6
1
9
7
9
1
9
8
2
1
9
8
5
1
9
8
8
1
9
9
1
1
9
9
4
1
9
9
7
2
0
0
0
2
0
0
3
2
0
0
6
2
0
0
9
2
0
1
2
P
a
r
t
i
c
i
p
a

o
Per8odo
5uros
&a(a,o de Cana
%!eri#idade
@en9a
Euerosene
B-FT-
.@P
F!eo CombusGve!
F!eo 0iese!
.aso!ina -uomoiva
H!#oo!
39


Figura $.@ :Buste do )el1or )odelo para o .etor de Clcool.

Figura $.1A :Buste do )el1or )odelo para o .etor de asolina :utomotiva.
40


Figura $.11 :Buste do )el1or )odelo para o .etor de Dleo Diesel.

Figura $.12 :Buste do )el1or )odelo para o .etor de Dleo (ombust8vel.
41


Figura $.1$ :Buste do )el1or )odelo para o .etor de #P.

Figura $.1/ :Buste do )el1or )odelo para o .etor de E:F3:.
42


Figura $.12 :Buste do )el1or )odelo para o .etor de #en1a.

Figura $.16 :Bude do )el1or )odelo para o .etor de Eletricidade.
43


Figura $.17 :Buste do )el1or )odelo para o .etor de ?agao de (ana.

Figura $.1< 0 :Buste do )el1or )odelo para os Demais .etores :gregados.
Com base nas Figuras 3.9 a 3.18, possvel visualizar que os principais setores que
compem a Matriz Energtica Brasileira possuem grandes flutuaes
aparentemente de natureza estocstica, e por isso, se escolheu modelos da classe
ARIMA para o respectivo ajuste e previso. Contudo, tais previses, conforme j
discorrido anteriormente, naturalmente carecem de fundamentao econmica, ou
44

seja, como o comportamento da economia brasileira determina a demanda por
energia.

Portanto, o primeiro passo a previso da totalidade do consumo de energia,
conforme metodologia apresentada no captulo anterior, de maneira a combinar a
previso da evoluo do PIB versus a elasticidade PIB-Consumo de Energia
discorrida neste captulo, obtendo-se a evoluo mostrada na Figura 3.19.


Figura $.1@ Previso do (onsumo Energ>tico no ?rasil.

Na Figura 3.19 possvel observar que, em funo da elasticidade PIB positiva e de
um cenrio de crescimento econmico, o consumo total de energia deve tambm
crescer, como de se esperar.

Por outro lado, tambm foram obtidas as previses para cada um dos setores
utilizando-se modelos ARIMA, conforme a Figura 3.20.


Figura $.2A Previso do (onsumo Energ>tico ?rasileiro para os PrF4imos 2 :nos )odelos :+%):.
0
50000
100000
150000
200000
250000
300000
350000
1
9
7
0
1
9
7
4
1
9
7
8
1
9
8
2
1
9
8
6
1
9
9
0
1
9
9
4
1
9
9
8
2
0
0
2
2
0
0
6
2
0
1
0
2
0
1
4
(
o
n
s
u
m
o

e
m

)
i
l
1

e
s

d
e

3
E
P
Per8odo
Consumo oa!
Consumo oa!
Previso
'10000
0
10000
20000
30000
40000
50000
60000
70000
2013
2014
2015
2016
2017
45

Ao somar as previses dos modelos ARIMA e comparar esta soma com a previso
decorrente do modelo macroeconomtrico, se obtm o grfico da Figura 3.21.


Figura $.21 0 (omparativo )odelo )acroeconom>trico versus .oma dos )odelos :+%):.
Assim, conforme j antecipado anteriormente, possvel verificar um significativo
descasamento entre a quantidade de energia prevista pelo modelo
Macroeconomtrico (Modelo Macroeconmico cruzado com a elasticidade PIB
versus Consumo Energtico) e o somatrio das sadas dos modelos ARIMA.

Portanto, o passo seguinte a aplicao do algoritmo de combinao de previses,
de maneira a obter previses consistentes para cada um dos setores, com a
evoluo macroeconmica.


3.3. Aplicao do Algoritmo de Combinao de Previses


A aplicao do algoritmo de combinao de previses imediata, uma vez que,
conforme j demonstrado no captulo anterior, existe uma soluo analtica. Logo, os
valores a priori que so considerados na combinao de previso, so os resultados
das previses obtidas atravs dos Modelos ARIMA e os valores que so
considerados para efeito de combinao de previso, so os valores previstos pelo
modelo Macroeconomtrico. Assim sendo, seguem as Figuras 3.22 a 3.31, que
apresentam os comparativos das previses resultantes da aplicao do algoritmo de
combinao versus seus respectivos valores a priori.

240000
250000
260000
270000
280000
290000
300000
310000
2013 2014 2015 2016 2017
(
o
n
s
u
m
o

e
m

)
i
l
1

e
s

d
e

3
E
P
Per8odo
Toa! "ode!o
"a#roe#onom>ri#o
Toa! -+I"-
46


Figura $.22 (omparativo de Previses )odelos para o .etor de Clcool.




Figura $.2$ (omparativo de Previses )odelos para o .etor de asolina :utomotiva.
0
5000
10000
15000
20000
25000
30000
35000
1 2 3 4 5
(
o
n
s
u
m
o

e
m

)
i
l
1

e
s

d
e

3
E
P
Per8odos :diante
H!#oo!
H!#oo! -+I"-
46000
48000
50000
52000
54000
56000
58000
60000
62000
64000
1 2 3 4 5
(
o
n
s
u
m
o

e
m

)
i
l
1

e
s

d
e

3
E
P
Per8odos :diante
.aso!ina -uomoiva
.aso!ina -uomoiva
-+I"-
47


Figura $.2/ (omparativo de Previses )odelos para o .etor de Diesel.



Figura $.22 (omparativo de Previses )odelos para o .etor de Dleo (ombust8vel.


'100
0
100
200
300
400
500
600
700
800
1 2 3 4 5
(
o
n
s
u
m
o

e
m

)
i
l
1

e
s

d
e

3
E
P
Per8odos :diante
F!eo 0iese!
F!eo 0iese! -+I"-
'4000
'3000
'2000
'1000
0
1000
2000
3000
4000
5000
6000
7000
1 2 3 4 5
(
o
n
s
u
m
o

e
m

)
i
l
1

e
s

d
e

3
E
P
Per8odos :diante
F!eo CombusGve!
F!eo CombusGve! -+I"-
48


Figura $.26 (omparativo de Previses )odelos para o .etor de #P.



Figura $.27 (omparativo de Previses )odelos para o .etor de E:F3:.


0
2000
4000
6000
8000
10000
12000
1 2 3 4 5
(
o
n
s
u
m
o

e
m

)
i
l
1

e
s

d
e

3
E
P
Per8odos :diante
.@P
.@P -+I"-
'70
'60
'50
'40
'30
'20
'10
0
1 2 3 4 5
(
o
n
s
u
m
o

e
m

)
i
l
1

e
s

d
e

3
E
P
Per8odos :diante
B-FT-
B-FT- -+I"-
49


Figura $.2< (omparativo de Previses )odelos para o .etor de #en1a.




Figura $.2@ (omparativo de Previses )odelos para o .etor de Eletricidade.


0
5000
10000
15000
20000
25000
1 2 3 4 5
(
o
n
s
u
m
o

e
m

)
i
l
1

e
s

d
e

3
E
P
Per8odos :diante
@en9a
@en9a -+I"-
0
10000
20000
30000
40000
50000
60000
70000
80000
90000
1 2 3 4 5
(
o
n
s
u
m
o

e
m

)
i
l
1

e
s

d
e

3
E
P
Per8odos :diante
%!eri#idade
%!eri#idade -+I"-
50


Figura $.$A (omparativo de Previses )odelos para o .etor de ?agao de (ana.




Figura $.$1 (omparativo de Previses )odelos para os Demais .etores.
Ao visualizar as Figuras 3.22 a 3.31, possvel perceber que, em mdia, as
previses obtidas aps a aplicao do algoritmo de combinao de previses
tendem a ser mais consistentes do que as demais, uma vez que os Modelos ARIMA
em alguns casos especficos geram uma expectativa de consumo negativo,
acarretando em perda de sentido fsico em relao varivel projetada; nos
modelos em que h um decrscimo nas projees ARIMA, esta informao a priori
aparentemente devidamente utilizada na inferncia, resultando em
desacelerao/decrscimo nas previses obtidas a posteriori; e finalmente, a soma
das projees individuais igual previso macroeconomtrica feita, gerando
consistncia em relao possibilidade de estudo sobre a evoluo da matriz
energtica como um todo.

0
10000
20000
30000
40000
50000
60000
1 2 3 4 5
(
o
n
s
u
m
o

e
m

)
i
l
1

e
s

d
e

3
E
P
Per8odos :diante
&a(a,o de Cana
&a(a,o de Cana -+I"-
0
10000
20000
30000
40000
50000
60000
1 2 3 4 5
(
o
n
s
u
m
o

e
m

)
i
l
1

e
s

d
e

3
E
P
Per8odos :diante
5uros
5uros -+I"-
51

4. Concluses


Neste trabalho foram discutidas as principais motivaes para a obteno de
modelos de previso, tendo em vista melhorias nas tomadas de deciso, as
caractersticas e tendncias naturais presentes no ambiente organizacional e nos
aspectos culturais do brasileiro.

No obstante, tambm foram expostos o Estado da Arte em relao ao conjunto de
conhecimentos que englobam os sistemas dinmicos e tcnicas matemticas
utilizadas na confeco de previses econmicas, de previses via mtodos de
sries temporais e de mtodos de combinao de diferentes previses.

Em relao aos modelos macroeconmicos, foram introduzidos os conceitos-chave
para o entendimento e confeco de modelos do tipo DSGE (Equilbrio Geral
Dinmico Estocstico), que partem de fundamentos microeconmicos, onde agentes
representativos buscam maximizar suas respectivas funes de utilidade, dadas
restries oramentrias, tecnolgicas e fsicas. Para tal, foram introduzidos ao
longo dos apndices diversos conceitos e solues dos programas matemticos que
podem ser facilmente derivados atravs do ferramental disponvel no campo da
Engenharia, acessveis com os conceitos de Teoria de Controle. Apesar desta
estratgia ser mais custosa e complexa, em relao aos modelos VAR, no
necessita de interveno alguma para adequao da estimao aos fatos estilizados
e to pouco requer calibragem contnua, uma vez que consiste em uma construo
fenomenolgica.

J no que tange os mtodos de sries temporais, foram apresentados e discutidos
mtodos de previso baseados na tcnica de regresso linear simples sobre os
logaritmos das sries, modelos ARIMA e, posteriormente, apresentada uma tcnica
de combinao de previses baseada na minimizao dos erros quadrticos mdios
e na matriz de covarincias. Em relao a esta ltima tcnica, foi desenvolvida uma
frmula fechada, para que se obtivesse uma previso onde a distncia entre o que
fora projetado pelo modelo ARIMA fosse a mnima em relao projeo final, com
a restrio de que a combinao linear das sries individuais (soma delas) fosse
igual previso da srie agregada, dada uma matriz de covarincias histricas entre
as sries.

Em sequncia, foram expostos os resultados finais obtidos atravs da aplicao das
tcnicas discutidas e verificou-se que, em larga medida, os resultados obtidos
conferem com a evoluo mdia das utilizaes verificadas no cotidiano das plantas
industriais, com exceo do leo Diesel, que apresentou um crescimento nos
ltimos anos que destoa da evoluo de sua utilizao ao longo de todo o perodo
histrico. Tal ocorrncia acaba implicando em um impacto direto na matriz de
covarincias, que por sua vez, distorce as previses para este componente dentro
da prpria matriz energtica.

No obstante, vale ressaltar que, como um mtodo puramente matemtico, tambm
verificou-se que este capaz de gerar nmeros que implicam em um resultado
esprio em termos fsicos, como por exemplo previso de consumo negativo de um
determinado produto verificado nas sries de NAFTA e leo Combustvel mas,
que no entanto, so passveis de serem interpretados como exportaes, uma vez
que quando seu consumo interno seja menor que zero, o pas passa a ser
exportador da grandeza negativa em Toneladas Equivalentes de Petrleo.

52

Portanto, de maneira integrada, se mostrou que possvel a obteno de previses
que combinem as tendncias setoriais com as macroeconmicas, com a
possibilidade de anlises de cenrios hipotticos e, que com a devida introduo,
so plenamente capazes de ser implementados e utilizados nas tomadas de deciso
dos Processos Industriais.

Do ponto de vista do presente autor, a maior contribuio deste trabalho, alm da
demonstrao da integrao entre diferentes camadas de previso dinmicas
estocsticas, a demonstrao da capacidade em se contornar problemas como a
falta de correlao direta entre as sries de consumo das diferentes fontes de
energia e o PIB.

Caso houvesse alguma correlao significativa entre os processos e o PIB, seria
possvel estimar modelos da famlia ARIMAX, onde a varivel exgena seria o
prprio PIB e, por conseguinte, necessitaria somente do modelo macroeconmico
para a gerao dos prprios cenrios futuros econmicos e deste segundo modelo
hipottico. Foi justamente a inexistncia desta correlao significativa, conforme
pode ser constatado atravs de observao direta das sries versus PIB, que
motivou a construo da segunda parte deste trabalho, que parece ser uma
significativa contribuio ao conhecimento para este tipo de modelagem.

Este tipo de problema no est restrito ao setor de energia, mas em diversos outros
onde a evoluo sub-setorial ou regional parece evoluir de acordo com algum
processo estocstico local, mas quando agregado, guarda significativa correlao
com a evoluo do cenrio macroeconmico.

Assim, importante ressaltar que tal metodologia expansvel para outros setores
da economia brasileira, estando sujeita somente disponibilidade pblica dos
dados.

4.1 Perspectivas de Trabalhos Futuros

Tendo em vista o aumento gradativo de observaes disponveis com o passar do
tempo, uma das perspectivas de trabalhos futuros, em relao poro
macroeconmica do modelo proposto, seria uma nova estimao dos parmetros
estruturais com o nmero mximo de variveis possveis e comparar esta eventual
nova estimativa com a estimativa feita no presente trabalho.

J em relao poro setorial do modelo, como proposta futura de trabalho, a
investigao de mtodos analticos (se possveis) ou numricos que busquem impor
a restrio de no-negatividade sobre os resultados obtidos ao se utilizar o mtodo
de combinao de previses.

No obstante, em relao ao modelo integrado como um todo, tambm se torna
interessante o acompanhamento do desempenho das previses feitas em relao s
observaes, de maneira a fazer uma validao cruzada, possibilitando a realizao
de melhorias marginais no mtodo aqui proposto.



53



Referncias Bibliogrficas

ADJEMIAN, Stphane. Estimation of a DSGE Model. Dynare Development
Meeting, Paris, 2005.

ANTON, Howard, RORRES, Chris. lgebra Linear com Aplicaes. Editora
Bookman, Porto Alegre, 2001.

AREOSA, Waldyr Dutra, COELHO, Christiano Arrigoni. Using a DSGE Model to
Assess the Macroeconomic Effects of Reserve Requirements in Brazil. Working
Papers Series in Brazilian Central Bank, 2013.

BALANO ENERGTICO NACIONAL, no stio http://www.ben.epe.gov.br, visitado
em 21/12/2013.

BAYES, Combinacin Lineal de Variables Aleatrias Normales, no stio
https://mms.tol-project.org/wiki/Combinations/LinearNormalSolution, vistado em
30/02/2013.

BENASSY, Jean Pascal. Macroeconomic Theory. Editora Oxford University Press,
Nova Iorque, 2011.

BLANCHARD, Olivier Jean, QUAH, Danny. The Dynamic Effects of Aggregate
Demand and Supply Disturbances. Em The American Economics Review, vol. 79,
No. 4, 1989.

BLANCHARD, Olivier Jean, KAHN, Charles M. The Solution of Linear Difference
Equations under Rational Expectations. Em Econometrica, vol. 48, No. 5, 1305-
1313, 1980.

BOYNARD, Bruno Freitas de Vasconcelos, DIVINO, Jos Angelo. O desempenho
recente da poltica monetria brasileira sob a tica da modelagem DSGE.
Textos para Discusso do Banco Central do Brasil, 2012.

CARDOSO, Fernando Henrique, et al. Dependncia e desenvolvimento na
Amrica Latina: Ensaio de interpretao sociolgica. Editora LTC, Rio de
Janeiro, 7
a
ed, 1970.

CASTRO, M.R., GOUVEA, S.N., MINELLA, A., SANTOS, R.C., SOUZA-SOBRINHO,
N.F. SAMBA: Stochastic Analytical Model with a Bayesian Approach. Banco
Central do Brasil, Working Paper Series n. 240, 2011.

CHIAVENATTO, Idalberto. Introduo Teoria Geral da Administrao. Editora
Elsevier, Rio de Janeiro, 7
a
ed., 2003.

CHOW, Gregory C., Dynamic Optimization Without Dynamic Programming.
Econometric Research Program, Research Memorandum No. 361, Princeton
University, 1991.

COLLARD, Fabrice, JUILLARD, Michel. Accuracy of Stochastic Perturbation
Methods: The Case of Asset Pricing Models. Em Journal of Economic Dynamics &
Control, vol. 25, pp. 979-999, 2001.
54


DAVIS, M.H.A. Stochastic Modelling and Control (Monographs on Statistics and
Applied Probability). Editora Chapman and Hall, 1984.

DICKEY, D.A., FULLER, W.A. Distribution of the estimators for autoregressive time
series with a unit root. Em European Journal of Finance, vol. 15, 619-637, 1979.

ELLISON, Martin Real Business Cycle Theory. Em Material Didtico de Aulas do
Curso de Mestrado e Doutorado em Economia da Oxford University, 2011.

ENGLE, R.F., GRANGER, C.W.J. Cointegration and error correction:
Representation, estimation and testing. Em Econometrica, vol. 55, 251-276, 1987.

FORRESTER, Jay Wright. Industrial Dynamics. Editora Pegasus Communications,
1961.

FREYRE, Gilberto. Casa-Grande & Senzala. Editora Record, Rio de Janeiro, 34
a

ed, 1998.

GAL, Jordi et. al. Monetary Policy, Inflation and Business Cycle. Editora
Princeton University Press, 2008.

GREENE, William H. Econometric Analysis, 5a Edio, Upper Saddle River, New
Jersey Prentice Hall, 2002.

GRIFFOLI, Tommaso Mancini. DYNARE User Guide: An Introduction to the
Solution & Estimation of DSGE models. Dynare Development and Support Team,
2013.

GUJARATI, Damodar N., PORTER, Dawn C. Econometria Bsica, Editora
Bookman, So Paulo, 2011.

HAMILTON, James D. Time Series Analysis, 1 Edio, Princeton, New Jersey
Princeton University Press, 1994.

HICKS, John R. Mr. Keynes and The Classics A Suggested Interpretation. Em
Econometrica, vol. 5, 147-159, 1937.

HOLANDA, Srgio Buarque de. Razes do Brasil. Coleo Documentos Brasileiros.
Rio de Janeiro, 19
a
Edio, 1987.

HODRICK, Robert, PRESCOTT, Edward C. Postwar U.S. Business Cycles: An
Empirical Investigation. Em Journal of Money, Credit and Banking, vol. 29, 1-16,
1997.

JOHANSEN, S. Statistical Analysis of cointegration vectors. Em Journal of
Economic Dynamics and Control, vol. 12, 231-254, 1988.

KLEIN, L. Economic Fluctuations in the United States 1921-1941. Editora Wiley
and Sons, Nova Iorque, 1950.

KYDLAND, Finn E., PRESCOTT, Edward C. Time to Build and Aggregate
Fluctuations. Em Econometrica, vol. 50, No. 6, 1345-1370, 1982.

55

LUCAS, Robert. Econometric Policy Evaluation: A Critique. Em Carnegie-Rochester
Conference Series on Public Policy. 1, 19-46. Elsevier, 1976.

MORANDI, Lucilene, REIS, Eustquio J. Estoque de Capital Fixo no Brasil 1950 -
2002. Em Encontro Nacional de Economia, 32, Joo Pessoa, 2004.

PINDYCK, Robert S, RUBINFELD, Daniel L. Microeconomics. 8
th
Edition, Pearson,
2009.

PORTER, Michael. Estratgia Competitiva. Editora Elsevier, Rio de Janeiro, 2004.

PRADO, Caio Jr. Formao do Brasil Contemporneo. Editora Brasiliense, 7
a
ed.,
1963.

SAMUELSON, Paul Anthony A Synthesis of the Principle of Acceleration and the
Multiplier. Em Journal of Political Economy University of Chicago Press, vol. 47,
p. 786, Chicago, 1939.

SLACK, Nigel et al. Administrao da Produo. Editora Atlas, So Paulo, 1999.

SMETS, Frank, WOUTERS, Rafael. Shocks and Frictions in US Business Cycles
A Bayesian DSGE Approach. Banco Central Europeu, artigo para discusso,
2007.

SIMS, Christopher. Macroeconomics and Reality. Em Econometrica, vol. 48, 1-48,
1980.

SIMS, Eric. Extensions of Basic RBC Framework. Notas de aula do curso de
Macroeconomia II, Universidade de Notre Dame, 2011.

ZELLNER, Arnold. An Introduction to Bayesian Inference in Econometrics.
Editora John Wiley and Sons, Nova Iorque, 1971.

UHLIG, Harald G. Solving DSGE models: an example. Hansens Real Business
Cycle Model. Em IAMA, Lecture Series, 5, 2006.

VERNAZZA, Daniel. Personal Notes on Real Business Cycle Models. London
School of Economics, 2013.

ZIETZ, Joachim. Log-Linearizing Around the Steady State: A Guide with
Examples. Working Paper Series, 2006.

56

Apndice A Otimizao Dinmica sem Programao Dinmica

A soluo de um programa de otimizao dinmica pode ser feita atravs da
aplicao da tcnica dos Multiplicadores de Lagrange, seguindo Chow (1991), sendo
que sua principal justificativa sua facilidade analtica de soluo.
Assim sendo, seja um problema dado por:

mox
{u
t
]
t=0
T
E
0
_[
t
r(s
t
, u
t
)
1
t=0
_
sujeito a:

s
t+1
= (s
t
, u
t
) +e
t+1


onde s
t+1
denota um vetor de variveis de estado, u
t
um vetor de variveis de
controle, e r e f funes contnuas, onde r cncava.
Chow (1991) demonstra que ao introduzir um vetor i
t
(t = T, T -1, .,u) de
Multiplicadores de Lagrange em uma funo Lagrangeana da forma:

L = E
0
_[
t
r(s
t
, u
t
) -[
t+1
z
t+1
(s
t+1
-(s
t
, u
t
) -e
t+1
)
1
t=0
_

e, calculando suas respectivas condies de primeira ordem:

oL
ou
t
= [
t
or
ou
t
+[
t+1
E
t
_z
t+1
o
ou
t
_ = u
oL
os
t
= [
t
or
os
t
+[
t+1
E
t
_z
t+1
o
os
t
_ -[
t
z
t
= u
oL
oz
t
= -[
t+1
E
t
|s
t+1
-(s
t
, u
t
)] = u

Da primeira condio, dividindo por [
t
, decorre:

or
ou
t
+[ E
t
_z
t+1
o
ou
t
_ = u

Dividindo a outra equao por [
t
, segue que:

or
os
t
+[ E
t
_z
t+1
o
os
t
_ = z
t

Portanto:

or
ou
t
+[ E
t
_z
t+1
o
ou
t
_ = u

z
t
=
or
os
t
+[ E
t
_z
t+1
o
os
t
_

E, por conseguinte, o problema se resume escolha da sequncia u
0
, u
1
, ., u
1
,
dada uma sequncia de informaes s
t
, de maneira anloga, porm no idntica, ao
que feito na estratgia de programao dinmica.

57

Tambm vale ressaltar que a primeira das condies de primeira ordem
equivalente condio de primeira ordem referente ao controle, dada a Equao de
Bellman do problema, conforme Chow (1991). No obstante, possvel demonstrar
a equivalncia do resultado timo dos dois mtodos, tambm conforme Chow
(1991).

A fim de provar tal afirmao de maneira prtica, ser brevemente discutido o
mtodo de programao dinmica de Bellman e apresentada a soluo de um
problema de maximizao do bem-estar de um agente obtida com este mtodo,
cabendo ao leitor comparar com a outra soluo obtida com o mtodo dos
Multiplicadores de Lagrange, conforme Apndice B.

Os problemas de otimizao dinmica podem ser resolvidos tradicionalmente pela
abordagem variacional (Hamiltoniana) e pela abordagem de Bellman.
Em geral, um problema de otimizao dinmica baseia-se na otimizao de uma
funo Valor (objetivo da otimizao intertemporal) denominada v, sujeita a uma
equao de evoluo dos estados do sistema.

1. Princpio da Otimalidade de Bellman

O Prncipio da Otimalidade de Bellman se resume em dividir um complexo problema
de otimizao em subproblemas menores, onde, ao otimizar tais subproblemas,
encontra-se a soluo tima do problema maior.
Assim, por exemplo, possvel um problema simples de maximizao de alguma
funo intertemporal dada por:

mox
c
t
,N
t
(t) = [
t
(c
t
, N
t
, k
t
)

t=0


sujeito a:

k
t+1
= g(c
t
, N
t
, k
t
)

onde as variveis de controle so c
t
e N
t
, e a varivel de estado k
t
.

Tal funo pode ser primeiramente reescrita como:

mox
c
t
,N
t
(t) = _(c
0
, N
0
, k
0
) +[ _[
t-1

t=1
(c
t
, N
t
, k
t
)__

sujeito a:
k
t+1
= g(c
t
, N
t
, k
t
)

Apesar de que, primeira vista, o problema pode parecer mais complicado, basta
notar que:

_[
t-1

t=1
(c
t
, N
t
, k
t
)_ = (t +1)

E portanto, o problema pode ser reescrito recursivamente como:

58

mox
c
t
,N
t
(t) = |(c
t
, N
t
, k
t
) +[ (t +1)]
sujeito a:

k
t+1
= g(c
t
, N
t
, k
t
)

que a Equao de Bellman e que pode ser maximizada atravs dos tradicionais
mtodos de maximizao de funes, como por exemplo a anlise direta das suas
condies de primeira ordem.

2. Prova do Teorema do Envelope

Seja uma funo Valor denominada (x, y, z) = (x, y, z), onde x e y so variveis
de controle (escolha) e i um parmetro auxiliar.

sabido, dos problemas clssicos de maximizao, que o mximo de (x, y, z)
obtido quando
](x,,x)
x
=
](x,,x)

= u, para cada parmetro z.

Assim, o resultado da maximizao, resolvendo as condies de primeira ordem,
gera uma soluo da forma:

x
-
= x(z); y
-
= y(z)

Por outro lado, calculando-se o resultado da derivada total da funo Valor sobre i,
se obtm:

o
oz
=
o(x, y, z)
ox

ox
oz
+
o(x, y, z)
oy

oy
oz
+
o(x, y, z)
oz


Aplicando-se as condies de primeira ordem, segue que:

o
oz
=
o(x, y, z)
ox

ox
oz
+
o(x, y, z)
oy

oy
oz
+
o(x, y, z)
oz


Logo, no ponto timo (x
-
; y
-
), segue que:

o
oz
=
o
oz


3. Problema de Maximizao Exemplo Princpio de Otimalidade
de Bellman

Seja a deciso das famlias entre trabalho e consumo dada por:

mox
C
t
,N
t
E
0
_[
t
(ln(C
t
) -A N
t
)

t=0
_
sujeito a:


_
K
t+1
-(1 -o) K
t
= Z
t+1
y K
t
u
N
t
1-u
-C
t
ln (Z
t+1
) = p ln (Z
t
) +e
t
~N(u, o
2
)


59

A soluo de tal problema de maximizao pode ser feita atravs da aplicao de
tcnicas de programao dinmica (Equao de Bellman), onde as variveis de
estado so dadas por K
t
(endgena) e Z
t
(exgena, estocstica) e, as variveis de
controle por C
t
(endgena) e N
t
(endgena).

Logo, o primeiro passo a obteno da Equao de Bellman, como se segue:

(K
t+1
, Z
t+1
) = mox
C
t
,N
t
(ln(C
t
) -A N
t
+[ E|(K
t+2
, Z
t+2
)])
sujeito a:

_
K
t+1
-(1 -o) K
t
= Z
t+1
y K
t
u
N
t
1-u
-C
t
ln (Z
t+1
) = p ln (Z
t
) +e
t
~N(u, o
2
)


O primeiro passo interessante mudar um dos controles do problema acima para a
varivel K
t+1
, tal que:

(K
t+1
, Z
t+1
) = mox
K
t+1
,N
t
(ln(Z
t+1
y K
t
u
N
t
1-u
+(1 -o) K
t
-K
t+1
) -A N
t
+[
E|(K
t+2
, Z
t+2
)])
sujeito a:

_
-K
t+1
+(1 -o) K
t
+Z
t+1
y K
t
u
N
t
1-u
= C
t
ln (Z
t+1
) = p ln (Z
t
) +e
t
~N(u, o
2
)



Calculando-se a condio de primeira ordem relativa K
t+1
, segue que:

o(K
t+1
, Z
t+1
)
oK
t+1
= -
1
-K
t+1
+(1 -o) K
t
+Z
t+1
y K
t
u
N
t
1-u
+[ E _
o(K
t+2
, Z
t+2
)
oK
t+1
_
= u
Por outro lado, em economia, existe um famoso teorema chamado Teorema do
Envelope que garante que a derivada da funo de valor (K
t+1
, Z
t+1
) em relao
varivel de estado K
t
igual derivada da funo de utilidade que possui a varivel
de controle, neste caso C
t
, no ponto timo.

Portanto:


o(K
t+1
, Z
t+1
)
oK
t
=
o|ln(C
t
)]
oC
t

o|Z
t+1
y K
t
u
N
t
1-u
+(1 -o) K
t
-K
t+1
]
oK
t
=
1
C
t
|o Z
t+1
y K
t
u-1
N
t
1-u
+(1 -o)]

Iterando um perodo de tempo:

o(K
t+2
, Z
t+2
)
oK
t+1
=
1
C
t+1
|o Z
t+2
y K
t+1
u-1
N
t+1
1-u
+(1 -o)]


60

Logo:
[ E _
1
C
t+1
|o Z
t+2
y K
t+1
u-1
N
t+1
1-u
+(1 -o)]_ =
=
1
-K
t+1
+(1 -o) K
t
+Z
t+1
y K
t
u
N
t
1-u
=
1
C
t
[ E _
1
C
t+1
|o Z
t+2
y K
t+1
u-1
N
t+1
1-u
+(1 -o)]_ =
1
C
t


que a conhecida Equao de Euler.

Agora resta repetir o processo para a outra varivel de controle, N
t
. Assim, se torna
interessante a substituio do controle N
t
por K
t+1
, a fim de se utilizar o Teorema do
Envelope. Ao repetir se obtm:

(K
t+1
, Z
t+1
) = mox
C
t
,K
t+1
_ln(C
t
) -A _
K
t+1
-(1 -o) K
t
+C
t
Z
t+1
y K
t
u

_
1
1-u
+[
E|(K
t+2
, Z
t+2
)]_

sujeito a:

_
_
K
t+1
-(1 -o) K
t
+C
t
Z
t+1
y K
t
u
_
1
1-u
= N
t
ln (Z
t+1
) = p ln (Z
t
) +e
t
~N(u, o
2
)


A condio de primeira ordem referente a N
t
dada por:

o(K
t+1
, Z
t+1
)
oK
t+1
= -A
1
Z
t+1
y K
t
u

1
(1 -o)
_
K
t+1
-(1 -o) K
t
+C
t
Z
t+1
y K
t
u
_
u
(1-u)
+[
E _
o(K
t+2
, Z
t+2
)
oK
t+1
_

Reescrevendo a primeira poro do lado direito da equao, em termos de N
t
:

= -A
N
t
u
Z
t+1
y K
t
u

1
(1 -o)
+[ E _
o(K
t+2
, Z
t+2
)
oK
t+1
_
= -A
N
t

t

1
(1 -o)
+[ E _
o(K
t+2
, Z
t+2
)
oK
t+1
_ = u

Denotando:
Z
t+1
y K
t
u
N
t
1-u
=
t

Assim:
A
N
t

t

1
(1 -o)
= [ E _
o(K
t+2
, Z
t+2
)
oK
t+1
_



61

Por outro lado, do resultado obtido j no comeo desta demonstrao:

[ E _
o(K
t+2
, Z
t+2
)
oK
t+1
_ =
1
C
t


Portanto:

A
N
t

t

1
(1 -o)
=
1
C
t
A =

t
N
t
(1 -o)
1
C
t


62

Apndice B Soluo do Modelo de Ciclo de Negcios Reais
Bsico

Famlias
mox
C
t
,N
t
,K
t+1
E
0
_[
t
(ln(C
t
) -A N
t
)

t=0
_
sujeito a:

_
K
t+1
-(1 -o) K
t
= Z
t
y K
t
u
N
t
1-u
-C
t
ln (Z
t
) = p ln (Z
t-1
) +e
t
~N(u, o
2
)


Soluo:

Nas famlias, os agentes escolhem quanto de capital devem acumular, quanto
devem trabalhar e quanto devem consumir, que so as variveis de controle.

Assim, para resolver o programa acima, deve-se formar o Lagrangeano, de acordo
com o mtodo proposto no Apndice A:

L = E
0
|[
t
{ln(C
t
) -A N
t
] -[
t+1
z
t+1
{K
t+1
-(1 -o) K
t
-Z
t
y K
t
u
N
t
1-u
+C
t
]]

t=0


Calculando-se as condies de primeira ordem, segue que:

Capital:

oL
oK
t+1
= E
t
_-[
t+1
z
t+1
+[
t+2
z
t+2
_
Z
t+1
y K
t+1
u
N
t+1
1-u
K
t+1
+(1 -o)__ = u

Portanto, dividindo-se tudo por [
t+1
:

E
t
_[z
t+2
_
Z
t+1
y K
t+1
u
N
t+1
1-u
K
t+1
+(1 -o)__ = E
t
|z
t+1
]

Trabalho:

oL
oN
t
= -[
t
A -E
t
_[
t+1
z
t+1
Z
t
y K
t
u
N
t
1-u
N
t
_ = u

Logo, dividindo-se tudo por [
t+1
:


A = -[E
t
_z
t+1
Z
t
y K
t
u
N
t
1-u
N
t
_

63


Consumo:

oL
oC
t
=
[
t
C
t
-E
t
|[
t+1
z
t+1
]

Logo, dividindo-se tudo por [
t+1
:

1
C
t
= [E
t
|z
t+1
]

Portanto, se obtm as seguintes equaes dinmicas:

K
t+1
-(1 -o) K
t
= Z
t
y K
t
u
N
t
1-u
-C
t


ln (Z
t
) = p ln (Z
t-1
) +e
t
~N(u, o
2
)

A =
1
C
t
Z
t
y K
t
u
N
t
1-u
N
t


[E
t
_
1
C
t+1
_
Z
t+1
y K
t+1
u
N
t+1
1-u
K
t+1
+(1 -o)__ =
1
C
t


64

Apndice C Soluo do Modelo Estendido de Ciclo de Negcios
Reais com Famlias, Empresas e Autoridade Monetria


Famlias
mox
C
t
,N
t
,K
t+1
,B
t+1
,M
t+1
E
0
[
t
`
1
1
ln(C
t
) +0 ln(1 -N
t
) +
[
H
t+1
p
t

1-y
-1
1 -y
1
1
1

t=0

sujeito a:

C
t
+K
t+1
-(1 -o)K
t
+
B
t+1
-B
t
p
t
+
H
t+1
-H
t
p
t
= w
t
N
t
+R
t
k
t
+i
t
B
t
p
t


Formando o Lagrangeano, de acordo com o mtodo proposto no Apndice A, segue
que:

L = E
0

l
l
l
l
[
t
`
1
1
ln(C
t
) +0 ln(1 -N
t
) +
[
H
t+1
p
t

1-y
-1
1 -y
1
1
1

t=0
-[
t+1
z
t+1
_C
t
+K
t+1
-(1 -o)K
t
+
B
t+1
-B
t
p
t
+
H
t+1
-H
t
p
t
-w
t
N
t
-R
t
k
t
-i
t
B
t
p
t
_
1
1
1
1


Calculando-se as Condies de Primeira Ordem, segue que:

oL
oK
t+1
= E
t
|-[
t+1
z
t+1
] +E
t
|[
t+2
z
t+2
(R
t+1
+(1 -o)] = u

Dividindo-se por [
t+1
, segue que:

E
t
|z
t+1
] = E
t
|[z
t+2
(R
t+1
+(1 -o)]

J em relao aos ttulos:

oL
oB
t+1
= E
t
_-
[
t+1
z
t+1
p
t
_ +E
t
_
[
t+2
z
t+2
p
t+1
(1 +i
t+1
)_

Dividindo-se por[
t+1
, segue que:

E
t
|z
t+1
] = E
t
_p
t
[z
t+2
p
t+1
(1 +i
t+1
)_

A condio de primeira ordem para o consumo ser dada por:

oL
oC
t
=
[
t
C
t
-[
t+1
E
t
(z
t+1
) = u -
1
C
t
= [E
t
(z
t+1
)

65


Para as horas trabalhadas:

oL
oN
t
= [
t
0
1 -N
t
+E
t
([
t+1
z
t+1
w
t
) -
0
1 -N
t
= [E
t
(z
t+1
)w
t


E finalmente, para o dinheiro, segue que:

oL
oH
t+1
=
[
t
[
H
t+1
p
t

-y
p
t
-E
t
_
[
t+1
z
t+1
p
t
_ +E
t
_
[
t+2
z
t+2
p
t+1
_ = u

Dividindo-se por [
t
, segue que:

[
H
t+1
p
t

-y
p
t
= E
t

[z
t+1
p
t
-E
t
_
[
2
z
t+2
p
t+1
_

Combinando-se as condies de primeira ordem do trabalho e do consumo:

1
C
t
= [E
t
(z
t+1
)

0
1 -N
t
= [E
t
(z
t+1
)w
t

Resultando em:

0
1 -N
t
=
w
t
C
t


Combinando-se as condies de primeira ordem do consumo e do capital:

1
C
t
= [E
t
(z
t+1
)

E
t
|z
t+1
] = E
t
|[z
t+2
(R
t+1
+(1 -o)]

Resultando em:

1
C
t
= [E
t
_
1
C
t+1
(R
t+1
+(1 -o)_

Combinando-se as condies de primeira ordem do consumo e dos ttulos:

1
C
t
= [E
t
(z
t+1
)

E
t
|z
t+1
] = E
t
_p
t
[z
t+2
p
t+1
(1 +i
t+1
)_

Resultando em:
1
C
t
= [E
t
_p
t
1
C
t+1
p
t+1
(1 +i
t+1
)_
66


Combinando-se as condies de primeira ordem do dinheiro, dos ttulos e do
consumo:

H
t+1
p
t

-y
= E
t
([z
t+1
) -E
t
_
[
2
z
t+2
p
t
p
t+1
_

E
t
|z
t+1
] = E
t
_p
t
[z
t+2
p
t+1
(1 +i
t+1
)_
Resultando em:

H
t+1
p
t

-y
= E
t
_[ _p
t
[z
t+2
p
t+1
(1 +i
t+1
)_ -
[
2
z
t+2
p
t
p
t+1
_

Portanto:

H
t+1
p
t

-y
= E
t
_p
t
[
2
z
t+2
p
t+1
i
t+1
_

Substituindo-se E
t
|z
t+2
]:

E
t
_
z
t+1
[(1 +i
t+1
)p
t
p
t+1
_ = E
t
|z
t+2
]

Resultando em:

H
t+1
p
t

-y
= E
t
_
[z
t+1
(1 +i
t+1
)
i
t+1
_ -
H
t+1
p
t

-y
=
1
C
t

i
t+1
1 +i
t+1


Firmas:

mox
C
t
,N
t
L
t
=
t
-w
t
N
t
-R
t
k
t


sujeito a:
Y
t
= Z
t
+
t
u
N
t
(1-u)


ln (Z
t
) = p ln (Z
t-1
) +e
t
~N(u, o
2
)

Este problema de maximizao pode ser resolvido atravs de otimizao esttica,
tal que:
on
oK
t
=
o
t
K
t
-R
t
= u - R
t
=
o
t
K
t


on
oN
t
= (1 -o)

t
N
t
-w
t
= u - (1 -o)

t
N
t
= w
t


67


Autoridade Monetria

ln(m
t+1
) -ln(m
t
) = (1 -p
m
)n
-
+p
m
n
t-1
+p
m
(ln(m
t
) -ln(m
t-1
)) -c
m,t

c
m,t
~ N(u, o
m
)

com:

m
t
=
H
t+1
p
t


Conjunto final de equaes dinmicas:

ln(m
t+1
) -ln(m
t
) = (1 -p
m
)n
-
+p
m
n
t-1
+p
m
(ln(m
t
) -ln(m
t-1
)) -c
m,t
~ N(u, o
m
)

(1 -o)

t
N
t
= w
t


R
t
=
o
t
K
t


ln (Z
t
) = p ln (Z
t-1
) +e
t
~N(u, o
2
)

t
= Z
t
K
t
u
N
t
(1-u)


n
t
=
t
-w
t
N
t
-R
t
k
t

H
t+1
p
t

-y
=
1
C
t

i
t+1
1 +i
t+1


0
1 -N
t
=
w
t
C
t


1
C
t
= [E
t
_
1
C
t+1
(R
t+1
+(1 -o)_

1
C
t
= [E
t
_p
t
1
C
t+1
p
t+1
(1 +i
t+1
)_

C
t
+K
t+1
-(1 -o)K
t
+
B
t+1
-B
t
p
t
+
H
t+1
-H
t
p
t
= w
t
N
t
+R
t
k
t
+i
t
B
t
p
t




68

Apndice D Soluo do Modelo Estendido de Ciclo de Negcios
Reais com Famlias, Indstria de Bens Intermedirios, Firmas
Finais e Autoridade Monetria

Famlias
max
C
t
,N
t
,S
t+1
,B
t+1
,M
t+1
E
0
[
t
`
1
1
ln(C
t
) +0 ln(1 -N
t
) +
[
H
t+1
p
t

1-y
-1
1 -y
1
1
1

t=0


sujeito a:

C
t
+S
t+1
+
B
t+1
-B
t
p
t
+
H
t+1
-H
t
p
t
= w
t
N
t
+R
t
S
t
+i
t
B
t
p
t


Formando o Lagrangeano, de acordo com o mtodo proposto no Apndice A, segue
que:
L = E
0

l
l
l
l
[
t
`
1
1
ln(C
t
) +0 ln(1 -N
t
) +
[
H
t+1
p
t

1-y
-1
1 -y
1
1
1

t=0
-[
t+1
z
t+1
_C
t
+K
t+1
+
B
t+1
-B
t
p
t
+
H
t+1
-H
t
p
t
-w
t
N
t
-R
t
S
t
-i
t
B
t
p
t
_
1
1
1
1


Calculando-se as Condies de Primeira Ordem, segue que:

oL
oS
t+1
= E
t
|-[
t+1
z
t+1
] +E
t
|[
t+2
z
t+2
(R
t+1
)] = u

Dividindo-se por[
t+1
, segue que:

E
t
|z
t+1
] = E
t
|[z
t+2
(R
t+1
)]

J em relao aos ttulos:

oL
oB
t+1
= E
t
_-
[
t+1
z
t+1
p
t
_ +E
t
_
[
t+2
z
t+2
p
t+1
(1 +i
t+1
)_

Dividindo-se por[
t+1
, segue que:

E
t
|z
t+1
] = E
t
_p
t
[z
t+2
p
t+1
(1 +i
t+1
)_

A condio de primeira ordem para o consumo ser dada por:

oL
oC
t
=
[
t
C
t
-[
t+1
E
t
(z
t+1
) = u -
1
C
t
= [E
t
(z
t+1
)

69


Para as horas trabalhadas:

oL
oN
t
= [
t
0
1 -N
t
+E
t
([
t+1
z
t+1
w
t
) -
0
1 -N
t
= [E
t
(z
t+1
)w
t


E finalmente, para o dinheiro, segue que:

oL
oH
t+1
=
[
t
[
H
t+1
p
t

-y
p
t
-E
t
_
[
t+1
z
t+1
p
t
_ +E
t
_
[
t+2
z
t+2
p
t+1
_ = u

Dividindo-se por[
t
, segue que:

[
H
t+1
p
t

-y
p
t
= E
t

[z
t+1
p
t
-E
t
_
[
2
z
t+2
p
t+1
_

A partir destas condies de primeira ordem, segue que:

Combinando-se as condies de primeira ordem do trabalho e do consumo:

1
C
t
= [E
t
(z
t+1
)

0
1 -N
t
= [E
t
(z
t+1
)w
t

Resultando em:
0
1 -N
t
=
w
t
C
t


Combinando-se as condies de primeira ordem do consumo e do capital:

1
C
t
= [E
t
(z
t+1
)

E
t
|z
t+1
] = E
t
|[z
t+2
(R
t+1
)]

Resultando em:
1
C
t
= [E
t
_
1
C
t+1
(R
t+1
)_

Combinando-se as condies de primeira ordem do consumo e dos ttulos:

1
C
t
= [E
t
(z
t+1
)

E
t
|z
t+1
] = E
t
_p
t
[z
t+2
p
t+1
(1 +i
t+1
)_


70

Resultando em:
1
C
t
= [E
t
_p
t
1
C
t+1
p
t+1
(1 +i
t+1
)_

Combinando-se as condies de primeira ordem do dinheiro, dos ttulos e do
consumo:

H
t+1
p
t

-y
= E
t
([z
t+1
) -E
t
_
[
2
z
t+2
p
t
p
t+1
_
E
t
|z
t+1
] = E
t
_p
t
[z
t+2
p
t+1
(1 +i
t+1
)_
Resultando em:

H
t+1
p
t

-y
= E
t
_[ _p
t
[z
t+2
p
t+1
(1 +i
t+1
)_ -
[
2
z
t+2
p
t
p
t+1
_

Portanto:

H
t+1
p
t

-y
= E
t
_p
t
[
2
z
t+2
p
t+1
i
t+1
_

Substituindo-se E
t
|z
t+2
]:

E
t
_
z
t+1
[(1 +i
t+1
)p
t
p
t+1
_ = E
t
|z
t+2
]

Resultando em:

H
t+1
p
t

-y
= E
t
_
[z
t+1
(1 +i
t+1
)
i
t+1
_ -
H
t+1
p
t

-y
=
1
C
t

i
t+1
1 +i
t+1


Firmas Finais:
max

],t

t
= p
t
__ y
],t
-1

J]
1
0
_

-1
-_ p
],t
y
],t
J]
1
0


Condio de primeira ordem:

o
t
oy
],t
= u - p
t
[
:
: -1
_
: -1
:
y
],t
-1

-1
_ __ y
],t
-1

J]
1
0
_

-1
-1
= p
],t


Eliminando-se alguns termos, seque que:

p
t
_y
],t
-1

_ __ y
],t
-1

J]
1
0
_
1
-1
= p
],t


Invertendo-se a equao, segue que:

_y
],t
-1

_ =
p
],t
p
t
__ y
],t
-1

J]
1
0
_
-1
-1

71

Elevando-se toda a equao por -:, segue que:
y
],t
=
p
],t
p
t

-
__ y
],t
-1

J]
1
0
_

-1


Como a condio agregadora dada por:

__ y
],t
-1

J]
1
0
_

-1
= y
t


Logo:
y
],t
=
p
],t
p
t

-
y
t


Firmas Intermedirias:
max
N
],t
,
],t
,
],t
,
],t
,
],t

],t
= E
0
u
t
p
],t
y
],t
-w
t
N
],t
-R
t
S
],t

t=0

sujeito a:
y
],t
= Z
t
(
],t
K
],t

u
N
],t
(1-u)


K
],t+1
=
t
+[1 -o
0

],t

K
],t


S
],t
=
],t
+K
],t


y
],t
=
p
],t
p
t

-
y
t


S
t
= _ S
],t
J]
1
0


N
t
= _ N
],t
J]
1
0


ln(Z
t
) = p ln(Z
t-1
) +e
t
~ N(u, o
2
)

Formando o Lagrangeano, de acordo com o mtodo proposto no Apndice A, segue
que:
L = E
0
_u
t
p
],t
y
],t
-w
t
N
],t
-R
t
(K
],t
+
],t

t=0
-
t+1
z
t+1
]K
],t+1
-
],t
-[1 -o
0

],t

K
],t

-
t+1
e
t+1
_y
],t
-
p
],t
p
t

-
y
t
_
-
t+1

t+1
]y
],t
-Z
t
(
],t
K
],t

u
N
],t
(1-u)
_





72

Calculando-se as Condies de Primeira Ordem, segue que:

oL
oN
],t
= u - E
t
_u
t
{-w
t
] +
t+1

t+1
_(1 -o)
Z
t
(
],t
K
],t

u
N
],t
(1-u)
N
],t
__ = u - w
t
= _(1 -o)
Z
t
(
],t
K
],t

u
N
],t
(1-u)
N
],t
_ E
t
|
t+1
]
oL
o
],t
= u - -E
t
j
t+1
z
t+1
] o
0

],t
-1
K
t
[ +E
t
_
t+1

t+1
_o
Z
t
(
],t
K
],t

u
N
],t
(1-u)

],t
__
= u
] o
0

],t
-1
K
t
E
t
|z
],t+1
] = E
t
|
],t+1
] _o
Z
t
(
],t
K
],t

u
N
],t
(1-u)

],t
_

Substituindo-se a condio anterior:

] o
0

],t
-1
K
t
E
t
|z
],t+1
] =
w
t
_(1 -o)
Z
t
(
],t
K
],t

u
N
],t
(1-u)
N
],t
_
_o
Z
t
(
],t
K
],t

u
N
],t
(1-u)

],t
_
] o
0

],t
-1
K
t
E
t
|z
],t+1
] =
o
(1 -o)
w
t
N
],t

E
t
|z
],t+1
] =
o
(1 -o)
w
t
N
],t
] o
0

],t
-1
K
],t

oL
o
],t
= u - -E
t
|
t
R
t
] +E
t
|
t+1
z
],t+1
] = u -
t
R
t
= E
t
|
t+1
z
],t+1
] - R
t
= E
t
|z
],t+1
]

Portanto:

R
t
=
o
(1 -o)
w
t
N
],t
] o
0

],t
-1
K
],t

J para as outras condies de primeira ordem:

oL
op
],t
= u - E
t
|
t
y
],t
] +E
t
_(-:)
t+1
e
],t+1

p
],t
p
t

-

y
t
p
],t
_
- E
t
|
t
y
],t
] = E
t
_
t+1
e
],t+1
:
p
],t

p
],t
p
t

--1
y
t
_

Logo:
y
],t
= _:
p
],t
p
t

-

y
t
p
],t
_E
t
|e
],t+1
]

Substituindo-se a condio de primeira ordem extrada no problema das firmas
finais, segue que:

p
],t
p
t

-
y
t
= _:
p
],t
p
t

-

y
t
p
],t
_ E
t
|e
],t+1
]

73

E, portanto:
p
],t
:
= E
t
|e
],t+1
]
oL
oy
],t
= u - E
t
|
t
p
],t
] -E
t
|
t+1
e
],t+1
] -E
t
|
t+1

],t+1
] = u -
t
p
],t
= E
t
|
t+1
e
],t+1
] +E
t
|
t+1

],t+1
] - p
],t
= E
t
|e
],t+1
] +E
t
|
],t+1
]

Por conseguinte:
: -1
:
p
],t
=
w
t
_(1 -o)
Z
t
(
],t
K
],t

u
N
],t
(1-u)
N
],t
_

Autoridade Monetria

ln(m
t+1
) -ln(m
t
) = (1 -p
m
)n
-
+p
m
n
t-1
+p
m
(ln(m
t
) -ln(m
t-1
)) -c
m,t

c
m,t
~ N(u, o
m
)
Com:
m
t
=
H
t+1
p
t


Conjunto final de equaes dinmicas:

ln(m
t+1
) -ln(m
t
)
= (1 -p
m
)n
-
+p
m
n
t-1
+p
m
(ln(m
t
) -ln(m
t-1
))
-c
m,t
~ N(u, o
m
)

R
t
=
o
(1 -o)
w
t
N
],t
] o
0

],t
-1
K
],t

ln (Z
t
) = p ln (Z
t-1
) +e
t
~N(u, o
2
)

ln(
t
) = (1 -p

-
+p

ln(
t-1
) +c
,t
~ N(u, o

t
= Z
t
(
t
K
t
)
u
N
t
(1-u)

],t
=
],t
-w
t
N
],t
-R
t
S
],t


y
],t
=
p
],t
p
t

-
y
t

H
t+1
p
t

-y
=
1
C
t

i
t+1
1 +i
t+1


0
1 -N
t
=
w
t
C
t


1
C
t
= [E
t
_
1
C
t+1
(R
t+1
)_

1
C
t
= [E
t
_p
t
1
C
t+1
p
t+1
(1 +i
t+1
)_

74

C
t
+S
t+1
+
B
t+1
-B
t
p
t
+
H
t+1
-H
t
p
t
= w
t
N
t
+R
t
S
t
+i
t
B
t
p
t


S
t
= K
t
+
t


K
],t+1
=
t
+[1 -o
0

],t

K
t

m
t
=
H
t+1
p
t


: -1
:
p
],t
=
w
t
_(1 -o)
Z
t
(
],t
K
],t

u
N
],t
(1-u)
N
],t
_


__ y
],t
-1

J]
1
0
_

-1
= y
t


y
],t
=
p
],t
p
t

-
y
t


S
t
= _ S
],t
J]
1
0


N
t
= _ N
],t
J]
1
0


o
],t
= o
0

],t

75

Apndice E Processo de Log-Linearizao

A Log-Linearizao se baseia na expanso em um Polinmio de Taylor em relao a
um estado estacionrio (de equilbrio) que pode ser facilmente obtido eliminando
os subscritos da equao, de maneira a obter a igualdade x
t+1
= x
t
. Assim sendo,
conforme Zietz (2006) e Uhlig (1999), o log-desvio de uma varivel em relao ao
seu estado estacionrio dado por:

x
t
= lnx
t
-lnx

A partir das propriedades da operao logartmica, o lado direito da equao pode
ser reescrito como:

ln x
t
-lnx = ln[
x
t
x
= ln [1 +
x
t
-x
x


Aproximando-se esta expresso por um Polinmio de Taylor de primeira ordem:

ln [1 +
x
t
-x
x
ln(1) +
1
x
(x
t
-x) =
x
t
-x
x


Portanto:

x
t
=
x
t
-x
x
=
x
t
x
-1 - x
t
= x(1 +x
t
)

Assim, para efeito de exemplificao, ao aplicar o processo descrito acima em uma
das equaes dinmicas obtidas anteriormente, segue que necessrio calcular o
mencionado estado estacionrio (ou seja, todas as variveis so constantes), e
fazer a log-linearizao em seu entorno. No caso do sistema exposto, basta apenas
eliminar os subscritos temporais para obter o estado estacionrio.

Conforme Ellison (2011), o estado estacionrio do sistema DSGE bsico dado por
(simplesmente eliminando os subscritos das relaes):

c +k

= k
u
n
1-u
+(1 -o)k

1 = [|ok
u
n
1-u
+1 -o]

A =
1
c
(1 -o)k
u
n
1-u


E destas relaes, conclui-se que:

_
k

n
_ = _
1 -(1 -o)[
o[
_
1
u-1


c =
1 -o
A
_
k

n
_
u


k

= c __
k

n
_
u-1
-o_
-1

76


n = k

_
k

n
_
-1


y = k
u
n
1-u


E assim, a partir da equao:

1
C
t
= [ E _
1
C
t+1
[(1 -o) +o Z
t
y K
t-1
u-1
N
t
1-u
_

Aplica-se o operador logaritmo em todos os componentes, tal que:

-ln(C
t
) = ln([) +E j-ln(C
t+1
) +ln [(1 -o) +o Z
t
y K
t+1
u-1
N
t+1
1-u
[

Fazendo-se uma expanso de Taylor de primeira ordem no termo = ln [(1 -o) +
o Z
t
y K
t+1
u-1
N
t+1
1-u
, em torno do ponto estacionrio, segue que:

ln[(1 -o) +o Z
t
y K
t+1
u-1
N
t+1
1-u

= ln[(1 -o) +o y k
u-1
n
1-u
+
o
oZ
t
(Z
t
-z) +
o
oK
t
(K
t
-k

+
o
oN
t
(N
t
-n)

Sabendo que o estado estacionrio do choque de produtividade (tecnologia) igual
a 1, tendo em vista que seu logaritmo tem mdia zero, e aplicando as condies
estacionrias encontradas anteriormente, segue que:

-ln(C
t
) = ln([)
+E|-ln(C
t+1
) +(1 -(1 -o)[)z
t+1
+(o -1)(1 -(1 -o)[)k
t+1

+(1 -o)(1 -(1 -o)[)n

t+1
]

E que, se definido que ln(C
t
) -ln(c) = c
t
, obtido:

-c
t
= ln([) +E|-c
t+1
+(1 -(1 -o)[)z
t+1
+(o -1)(1 -(1 -o)[)k
t+1

+(1 -o)(1 -(1 -o)[)n

t+1
]

Repetindo-se o processo para as demais equaes, segue que:

z
t+1
= pz
t
+e
t


c
t
= z
t
+ok
t

-on
t


cc
t
+k

k
t+1

= (oy +(1 -o)k

k
t

+(1 -o)yn
t
+yz
t


E, para eventual equao de observao, relacionando horas trabalhadas e capital
com o produto, segue que:

y
t
=
o
k

k
t

+
(1 -o)
n
n
t
+z
t

77

Apndice F Estabelecimento dos Parmetros Fixos

Neste trabalho se sugere a utilizao do filtro de Hodrick-Prescott (1997), que uma
ferramenta matemtica que possibilita separar a componente cclica de uma srie
temporal, sendo interessante para o isolamento de polticas fiscais cclicas e anti-
cclicas feitas pelo governo para estabilizar a economia e alcanar o crescimento.
De acordo com estes autores, seja uma srie composta por:

y
t
=
t
+c
t


onde y
t
a srie em seu estado bruto,
t
sua componente de tendncia e c
t
sua
componente cclica, a tendncia obtida a partir da soluo da seguinte expresso:

min
:
_(y
t
-
t
)
2
+z |(
t+1
-
t
) -(
t
-
t-1
)]
2
1-1
t=2
1
t=1
_

Nesta expresso, o primeiro termo a soma do quadrado dos desvios entre a srie
e sua componente de tendncia e o segundo termo um mltiplo da soma dos
quadrados entre a segunda diferena da componente de tendncia. Logo, o primeiro
termo penaliza a componente cclica, enquanto que o segundo termo penaliza a taxa
de crescimento da componente de tendncia.

Assim, por exemplo, se z, no limite, igual a infinito, o problema de minimizao se
traduz em um problema de mnimos quadrados, onde a diferena sobre a taxa de
crescimento se mantm constante, e logo, se inferir uma tendncia determinstica.

Neste mesmo trabalho, Hodrick & Prescott (1997) sugerem que o valor de z seja de
1600 para sries trimestrais, valor este que deve ser adotado na filtragem das sries
livres dos ciclos.

Portanto, a proporo mdia de gastos do governo sobre o PIB dada por:

=
_ (o:)
t
1
t=1
_ (B)
t
1
t=1


onde (o:)
t
a componente de tendncia dos gastos do governo e (B)
t
a
componente de tendncia da srie do PIB, ambos na mesma base monetria
calculada utilizando o filtro de Hodrick-Prescott.

J para o clculo da taxa de depreciao, esta deve ser calculada como funo da
diferena entre o investimento bruto em capital e a variao do estoque lquido de
capital, ponderado pelo prprio estoque lquido de capital, como na expresso que
se segue, em conformidade com Morandi & Reis (2004).

B
t
-AEIK
t
=
t

B
t
= BC
t
+AE
t


B
t
denota o investimento bruto, BC
t
denota a formao de capital bruta, AE
t

denota a variao nos estoques de capitais fsicos, AEIK
t
a variao do estoque
lquido de capital fsico e, finalmente,
t
denota a depreciao em reais do capital no
perodo.

78

Para calcular a taxa, basta ponderar a depreciao em reais pelo estoque lquido de
capital fsico. Logo:

o
t
=

t
EIK
t


Posteriormente, basta calcular o valor mdio destas taxas de depreciao, para se
obter uma taxa de depreciao mdia anual. Esta taxa deve ser trimestralizada
atravs da seguinte expresso:

o
t
t
= (1 +o
t
unuuI

1
4
-1


Para os demais parmetros, sero utilizados dados empricos extrados de outros
trabalhos semelhantes, no caso, Areosa & Coelho (2013), que fixa a utilidade
intertemporal em 1,3, e, para os parmetros de curvatura dos agregadores de
Kimball foram fixados em 10, como mostrado em Boynard & Divino (2010).
Finalmente, para o mark-up de salrio foi utilizado o parmetro de 1,5, tambm de
acordo com Boynard & Divino (2010).

Com base na srie de Investimento Bruto em Valores nominais, que foi convertida
em valores reais atravs do processo de deflacionamento pelo IPCA e na srie de
Estoque Lquido de Capital Fsico, foi calculada a depreciao perodo a perodo,
que pode ser conferido na Tabela F.1.

1. Clculo da Depreciao


3abela F.1 0 (!lculo da Depreciao.
Ano
Investimento
Bruto
Estoque
Lquido de
Capital Fsico Depreciao
Depreciao
(%)
1991 106596,34 2400121,273
1992 113286,22 2426731,204 86676,29178 0,035717302
1993 115781,56 2460092,204 82420,56064 0,033503037
1994 151724,44 2513302,857 98513,78255 0,03919694
1995 173819,4 2576066,357 111055,9022 0,043110653
1996 180338,44 2637598,016 118806,7857 0,045043553
1997 194355,58 2714774,932 117178,6638 0,043163307
1998 230408,12 2786838,065 158344,9851 0,056818868
1999 225585,16 2838414,663 174008,5672 0,061304844
2000 185084,76 2896106,147 127393,2753 0,043987778
2001 243679,33 2957859,517 181925,9615 0,061505951
2002 232090,45 3008079,209 181870,7548 0,06046076
2003 250105,18 3050436,145 207748,2399 0,068104438
2004 325838,24 3107957,44 268316,9403 0,086332244
2005 318380,81 3167423,057 258915,1901 0,081743166
2006 403330,26 3239764,988 330988,3286 0,102164302
2007 400628,2 3339570,772 300822,4141 0,090078167
2008 353735,52 3468769,281 224537,0113 0,064731031

79

A partir da Tabela F.1, foram calculados os valores relativos da depreciao
(depreciao do perodo dividida pelo Estoque Lquido de Capital Fsico), de
maneira a obter uma depreciao percentual anual. Este valor foi convertido para
valores trimestrais, que resultou em uma depreciao mdia trimestral de 1,5%, indo
de encontro aos valores utilizados por Castro et. al (2011), que tambm de 1,5%.

2. Gastos do Governo

J em relao obteno dos dados relativos aos gastos do governo, foi aplicado,
conforme metodologia j exposta anteriormente, o filtro de Hodrick-Prescott sobre as
sries de consumo do Governo e do PIB, a fim de eliminar as flutuaes decorrentes
dos ciclos econmicos, e assim, a partir das sries filtradas, se calcula a mdia da
razo entre elas, para a obteno do parmetro dos gastos, proposto por Smets &
Wouters (2007). Todos os valores foram deflacionados a valores de 2013.



Figura F.1 .a8da do Filtro de GodricH0Prescott astos do overno.
+I450.000;006
+I'
+I50.000;00
+I100.000;00
+I150.000;00
+I200.000;00
+I250.000;00
+I300.000;00
+I350.000;00
1
9
9
1
T
1
1
9
9
2
T
1
1
9
9
3
T
1
1
9
9
4
T
1
1
9
9
5
T
1
1
9
9
6
T
1
1
9
9
7
T
1
1
9
9
8
T
1
1
9
9
9
T
1
2
0
0
0
T
1
2
0
0
1
T
1
2
0
0
2
T
1
2
0
0
3
T
1
2
0
0
4
T
1
2
0
0
5
T
1
2
0
0
6
T
1
2
0
0
7
T
1
2
0
0
8
T
1
2
0
0
9
T
1
2
0
1
0
T
1
2
0
1
1
T
1
2
0
1
2
T
1
2
0
1
3
T
1
-
a
l
o
r
e
s

D
e
"
l
a
c
i
o
n
a
d
o
s

e
m

)
i
l
1
a
r
e
s

d
e

+
I
Per8odo
.asos do .overno .asos do .overno 4Fi!rado6
80


Figura F.2 0 .a8da do Filtro de GodricH0Prescott P%?.
Conforme pode ser visto nas Figuras F.1 e F.2, o filtro de Hodrick-Prescott capaz
de filtrar tanto os efeitos sazonais, como os efeitos cclicos na srie, produzindo
sries suavizadas, que permitem a realizao de anlises livres de tais influncias.

Logo, a partir de tais sries, calculada a proporo dos gastos do Governo versus
PIB, conforme a Figura F.3.


Figura F.$ 0 Proporo de astos do overno sobre o P%?.

Com base na Figura F.3, calculada a proporo mdia dos gastos do Governo
sobre o PIB que, no perodo compreendido, foi de 20,19%, valor prximo dos
valores utilizados por Boynard & Divino (2010) e Castro et. al (2011), de 20%.

+I4200.000;006
+I'
+I200.000;00
+I400.000;00
+I600.000;00
+I800.000;00
+I1.000.000;00
+I1.200.000;00
+I1.400.000;00
1
9
9
1
T
1
1
9
9
2
T
1
1
9
9
3
T
1
1
9
9
4
T
1
1
9
9
5
T
1
1
9
9
6
T
1
1
9
9
7
T
1
1
9
9
8
T
1
1
9
9
9
T
1
2
0
0
0
T
1
2
0
0
1
T
1
2
0
0
2
T
1
2
0
0
3
T
1
2
0
0
4
T
1
2
0
0
5
T
1
2
0
0
6
T
1
2
0
0
7
T
1
2
0
0
8
T
1
2
0
0
9
T
1
2
0
1
0
T
1
2
0
1
1
T
1
2
0
1
2
T
1
2
0
1
3
T
1
-
a
l
o
r
e
s

D
e
"
l
a
c
i
o
n
a
d
o
s

e
m

)
i
l
1
a
r
e
s

d
e

+
I
Per8odo
PI& PI& 4Fi!rado6
15;00C
16;00C
17;00C
18;00C
19;00C
20;00C
21;00C
22;00C
23;00C
24;00C
1
9
9
1
T
1
1
9
9
2
T
1
1
9
9
3
T
1
1
9
9
4
T
1
1
9
9
5
T
1
1
9
9
6
T
1
1
9
9
7
T
1
1
9
9
8
T
1
1
9
9
9
T
1
2
0
0
0
T
1
2
0
0
1
T
1
2
0
0
2
T
1
2
0
0
3
T
1
2
0
0
4
T
1
2
0
0
5
T
1
2
0
0
6
T
1
2
0
0
7
T
1
2
0
0
8
T
1
2
0
0
9
T
1
2
0
1
0
T
1
2
0
1
1
T
1
2
0
1
2
T
1
2
0
1
3
T
1
P
r
o
p
o
r

o

d
o
s

a
s
t
o
s

s
'

P
%
?
Per8odo
81

Apndice G Estimativas Populacionais Trimestrais

Para estimar a populao e a populao economicamente ativa em intervalos
trimestrais, variveis essas necessrias para remover a tendncia de algumas das
sries, seguindo o trabalho de Smets & Wouters (2007), so necessrios ajustes
polinomiais de grau dois que podem ser estimados via mtodo dos mnimos
quadrados ordinrios (regresses lineares mltiplas), para inferir uma curva contnua
de ambas as sries. Por conseguinte, basta aplicar valores fracionados dos
perodos, de maneira a calcular as estimativas em frequncia mais alta.

Estimativas da Populao Economicamente Ativa e da Populao
Total

As estimativas da populao total e da populao economicamente ativa para a
frequncia trimestral foram feitas tomando por base modelos de regresso linear
com tendncia temporal linear e quadrtica, conforme as Figuras G.1 e G.2.


Figura .1 0 )odelo para a Populao 3otal.

Figura .2 0 )odelo Para a Populao Economicamente :tiva.
Ambos os modelos das Figuras G.1 e G.2 tm R
2
superior a 99%, ou seja, so
capazes de explicar mais de 99% da variao da populao em funo do tempo.
130.000.000
140.000.000
150.000.000
160.000.000
170.000.000
180.000.000
190.000.000
200.000.000
P
o
p
u
l
a

o

3
o
t
a
l
:no
5bservado Previso 3e!o "ode!o
50.000.000
55.000.000
60.000.000
65.000.000
70.000.000
75.000.000
80.000.000
85.000.000
90.000.000
95.000.000
100.000.000
1996 1997 1998 1999 2001 2002 2003 2004 2005 2006 2007 2008 2009
P
o
p
u
l
a

o

E
c
o
n
o
m
i
c
a
m
e
n
t
e

:
t
i
v
a
:no
5bservado Previso 3e!o "ode!o
82

Assim, tendo os modelos estabelecidos, possvel estimar cada uma das
populaes em tempo contnuo. No caso, a frequncia de interesse a trimestral.
Estas estimativas trimestrais so ento consideradas no clculo das demais
variveis macroeconmicas, com o objetivo de tornar as sries analisadas
estacionrias, conforme Smets & Wouters (2007).


83

Apndice H Algoritmo de Soluo dos Modelos em Expectativas
Racionais obtendo Modelos em Espao de Estados

A fim de se retornar ao exemplo aplicado do modelo DSGE bsico j linearizado,
se torna interessante coloc-lo primeiro na forma de espao de estados, conforme
Ellison (2011):

E
t
_
(1 -(1 -o)[) (o -1)(1 -(1 -o)[) (1 -o)(1 -(1 -o)[) -1
u k

u u
1
u
u
u
u u
u u
_
l
l
l
l
z
t+1

k
t+1

n
t+1

c
t+1
1
1
1
1
= _
u u u -1
y (oy +(1 -o)k

(1 -o)y -c
p
1
u
o
u u
-o -1
_
l
l
l
l
z
t

k
t

n
t

c
t
1
1
1
1


Ou, em notao matricial compacta:

E
t
A X
t+1
= B X
t



Por simplificao para fins desta discusso neste trabalho, j que outros autores
como Sims (2000), Klein (2000) e outros j desenvolveram tcnicas igualmente
simples para matrizes singulares, baseadas no problema de autovalores
generalizados das matrizes A e B se assumido que a matriz B invertvel, segue
que o sistema pode ser reescrito como:

E
t
C X
t+1
= X
t


onde:

C = A B
-1


E assim, o objetivo da soluo deste sistema, a obteno de um sistema em
espao de estados, com uma lei de movimento que siga uma recorrncia,
exprimindo os controles em funo das variveis pr-determinadas e exgenas, ao
invs da expectativa racional futura. Essa outra forma a utilizada no algoritmo do
Filtro de Kalman e na Estimao Bayesiana dos modelos.

O algoritmo de Blanchard & Kahn (1980) primeiro divide o vetor X
t
em dois grupos
de variveis: as variveis de controle e as variveis pr-determinadas / exgenas.
No caso deste modelo bsico, as variveis pr-determinadas / exgenas so os
choques de produtividade e o capital, enquanto que as variveis de controle so
consumo e horas trabalhadas, sendo denotadas respectivamente por y
t
e w
t
.

Sendo assim, o modelo assume a seguinte forma:

E
t
C j
w
t+1
y
t+1
[ = j
w
t
y
t
[

O cerne do algoritmo de Blanchard & Kahn (1980) a decomposio de Jordan da
matriz C sob a forma:

C =
-1
z
84


onde z uma matriz diagonal com os autovalores de C e a matriz com os
respectivos autovetores, e a matriz z deve ter um nmero de autovalores menores
do que 1 igual ao nmero de variveis de controle.

Tendo feito a decomposio de Jordan, importante colocar o sistema na seguinte
forma, separando os autovalores absolutos menores do que 1, em uma matriz z
2
e
seus respectivos autovetores, multiplicando as variveis de controle w
t
; e os
autovalores maiores do que 1 em uma matriz z
1
e seus respectivos autovetores
multiplicando o vetor y
t
, tal que:

E
t
_
z
1
u
u z
2
_ _

11

12

21

22
_ j
w
t+1
y
t+1
[ = _

11

12

21

22
_ j
w
t
y
t
[

Simplifica-se a expresso anterior por:

E
t
_
z
1
u
u z
2
_ _
w
t+1

y
t+1

_ = _
w
t

y
t

_

onde:
_
y
t

w
t

_ = _

11

12

21

22
_ j
y
t
w
t
[

Portanto, resolvendo a equao, segue que:

z
1
E
t
w
t+1
= w
t


z
2
E
t
y
t+1
= y
t


Ao resolver a primeira das duas equaes, por inverter a matriz z
2
:

E
t
y
t+]
= (z
2
-1
)
]
y
t


vale notar que se os autovalores contidos em z
2
so menores do que 1, sua inversa
tem valores maiores do que 1, e logo, existe um comportamento explosivo. Para que
no haja tal comportamento explosivo, y
t
= u obrigatoriamente.

Por conseguinte, segue que:

21
y
t
+
22
w
t
= u

Desta relao, se obtm:

y
t
= -
11
-1

12
w
t


J a partir da primeira equao, por inverter a matriz z
1
, existe uma soluo estvel,
e logo:

E
t
w
t+]
= (z
1
-1
)
]
w
t


w
t
=
11
y
t
+
12
w
t
- -
11

21
-1

22
w
t
+
12
w
t
= (
12
-
11

21
-1

22
)w
t


E
t
w
t+]
= (
12
-
11

21
-1

22
)
-1
(z
1
-1
)
]
(
12
-
11

21
-1

22
)w
t


85


Assim se obtm um modelo em espao de estados da seguinte forma:

w
t+1
= (
12
-
11

21
-1

22
)
-1
z
1
-1
(
12
-
11

21
-1

22
)w
t


y
t
= -
11
-1

12
w
t


Para fins de mensurao do sistema, includa uma equao para a observao,
que relaciona os estados com a varivel observvel. No caso do modelo DSGE
bsico, de ciclos de negcios reais, ao observar o PIB, se torna interessante
relacionar a renda com a aplicao do capital e horas trabalhadas, tendo em vista
que o modelo possui uma varivel de choque de produtividade, que explicar o
resduo no explicado pela aplicao dos mencionados insumos.

Portanto, para cada varivel observvel na mensurao do sistema, dever haver
pelo menos uma varivel de choque estocstico para acomodar as componentes
no explicveis pela estrutura endgena do sistema.

Assim, possvel incluir no sistema em espao de estados, a seguinte equao para
observao:

y
t
= _1
o
k

(1 -o)
n
u
_
l
l
l
l
z
t

k
t

n
t

c
t
1
1
1
1


onde tanto a varivel de observao quanto o seu respectivo choque so
acomodados.

86

Apndice I Derivao do Algoritmo do Filtro de Kalman

Seja um processo descrito pelo seguinte sistema de equaes:

x
k+1
= x
k
+w
k

z
k
= Ex
k
+:
k


onde x
k
denota o vetor de variveis de estado, z
k
denota o vetor de variveis
observveis, w
k
e :
k
denotam os vetores de rudo branco sob os quais x
k
e z
k
esto
sujeitos.

No obstante, a matriz de covarincia de w
k
dada por
k
e a matriz de covarincia
de :
k
dada por R
k
.

Por fim, o erro quadrtico mdio das variveis de estado dado por:

c
k
= (x
k
-x
k
)


tal que:

k
= E|c
k
1
c
k
]

A fim de se derivar o sistema de equaes do Filtro de Kalman, deve-se minimizar a
distncia entre o vetor de observaes esperado versus aquele efetivamente
observado, e a partir da, se derivar as demais equaes de atualizao.

Se definido que x
k
seja a estimativa a priori do vetor do valor esperado x
k
, de
maneira que se leve em considerao a correo em relao ao vetor de variveis
observadas versus uma previso inicial:

x
k
= x
k

+K
k
(z
k
-Ex
k

Logo (z
k
-Ex
k

o vetor do erro de medida ou choque.

Caso se substitua a expresso das variveis observveis, segue que:

x
k
= x
k

+K
k
(Ex
k
+:
k
-Ex
k

que, por sua vez, ao substituir tal expresso na equao do erro quadrtico mdio
das variveis de estado, se obtm:

c
k
= |x
k
-x
k

+K
k
(Ex
k
+:
k
-Ex
k

] - c
k
= |( -K
k
E)(x
k
-x
k

-K
k
:
k
]

Portanto:

k
= E ]|( -K
k
E)(x
k
-x
k

-K
k
:
k
]|( -K
k
E)(x
k
-x
k

-K
k
:
k
]
1


Como, por hiptese, os erros de medida so descorrelacionados com os choques
sobre as prprias variveis observveis, possvel reescrever a expresso do valor
esperado separando em dois termos.

87

k
= ( -K
k
E)E j(x
k
-x
k

(x
k
-x
k

1
[ ( -K
k
E)
1
+K
k
E|:
k
:
k
1
]K
k
1


Denotando
k

= E j(x
k
-x
k

(x
k
-x
k

1
[, como a estimativa a priori da matriz
k
e
tomando a definio de R
k
, segue que:

k
= ( -K
k
E)
k

( -K
k
E)
1
+K
k
R
k
K
k
1


Se lembrado que a soma dos elementos diagonais de uma matriz o trao dela, no
caso de uma matriz de covarincia, o trao ser a soma dos erros quadrticos
mdios. Assim, minimizar o trao de uma matriz de covarincia igual a minimizar
os erros quadrticos mdios.

Quando a matriz
k
estendida, se obtm:

k
=
k

-K
k
E
k

-
k

E
1
K
k
1
+K
k
(E
k

E
1
+R)K
k
1


Calculando-se o trao de cada um dos termos (lembrando que o trao de uma matriz
transposta igual ao trao da matriz original):

I|
k
] = I|
k

] -2I|K
k
E
k

] +I|K
k
(E
k

E
1
+R)K
k
1
]

Derivando-se em relao a K
k
, segue que:

JI|
k
]
JK
k
= -2(E
k

)
1
+2K
k
(E
k

E
1
+R)

Igualando-se a zero, segue que:

(E
k

)
1
= K
k
(E
k

E
1
+R)

Portanto:

E
1

1
(E
k

E
1
+R)
-1
= K
k


que a expresso da obteno do ganho do Filtro de Kalman. Ao combinar este
resultado com a equao para a matriz
k
, se obtm:

k
=
k

-E
1

1
(E
k

E
1
+R)
-1
E
k

-
k

E
1
E
k

(E
k

E
1
+R)
-1
1
+E
1

1
E
k

(E
k

E
1
+R)
-1
1


que, ao simplificar, equivalente a (lembrando que a matriz
k

simtrica, e logo,
sua transposta igual prpria matriz):

k
=
k

-E
1

1
(E
k

E
1
+R)
-1
E
k

Finalmente, a partir da previso dos estados, tambm possvel obter uma equao
para a estimativa a priori da matriz
k
, dada por
k

.

Ao considerar a equao de previso das variveis de estado, para projet-los:

E|x
k+1
] = E|x
k
+w
k
] - x
k+1

= x
k


88

Por outro lado, a estimativa do erro para o prximo passo, a priori, ser dada por:

c
k+1

= x
k+1
-x
k+1

- x
k
+w
k
-x
k

que, de maneira a se obter uma recorrncia, pode ser reescrita como:

c
k+1

= c
k
+w
k


Por outro lado, pela definio de
k
= E|c
k
1
c
k
], segue que:

k+1

= E|(c
k
+w
k
)
1
(c
k
+w
k
)] - E|(c
k
)
1
(c
k
)] +E|w
k
1
w
k
]

E, portanto, se obtm:

k+1

=
k

1
+
k


que a ltima equao do algoritmo do Filtro de Kalman.


89

Apndice J Testes de Co-integrao entre PIB e Consumo de
Energia

Teste de Raz Unitria para a Varivel Log_PIB.

Teste Aumentado de Dickey-Fuller para Log_PIB
incluindo 2 defasagens de (1-L)Log_PIB
(o mximo foi 2, critrio AIC modificado)
dimenso de amostragem 40
hiptese nula de raiz unitria: a = 1

teste com constante
modelo: (1-L)y = b0 + (a-1)*y(-1) + ... + e
coeficiente de 1 ordem para e: -0,018
diferenas defasadas: F(2, 36) = 1,703 [0,1965]
valor estimado de (a - 1): -0,0261477
estatstica de teste: tau_c(1) = -1,49647
p-valor assinttico 0,5357

5u se:a; endo em visa 1ue a 9i3?ese nu!a > de 1ue 9= raGA uni=ria; e endo um
3'va!or de 0,5357, a s>rie a3resena raGA uni=ria

Teste de Raz Unitria para a Varivel Log_E.

Teste Aumentado de Dickey-Fuller para Log_E
incluindo 2 defasagens de (1-L)Log_E
(o mximo foi 2, critrio AIC modificado)
dimenso de amostragem 40
hiptese nula de raiz unitria: a = 1

teste com constante
modelo: (1-L)y = b0 + (a-1)*y(-1) + ... + e
coeficiente de 1 ordem para e: -0,032
diferenas defasadas: F(2, 36) = 2,581 [0,0896]
valor estimado de (a - 1): -0,00690715
estatstica de teste: tau_c(1) = -0,437909
p-valor assinttico 0,9004

5u se:a; endo em visa 1ue a 9i3?ese nu!a > de 1ue 9= raGA uni=ria; e endo um
3'va!or de 0,9004, a s>rie a3resena raGA uni=ria.

Teste de Cointegrao de Johansen

Test type: maximal eigenvalue statistic (lambda max) , without linear trend
and constant in cointegration

Eigenvalues (lambda):

[1] 4.450445e-01 1.146886e-01 -5.496713e-15

Values of teststatistic and critical values of test:

test 10pct 5pct 1pct

r <= 1 | 4.99 7.52 9.24 12.97
r = 0 | 24.14 13.75 15.67 20.20


90

Eigenvectors, normalised to first column:
(These are the cointegration relations)

Log_PIB.l2 Log_E.l2 constant
Log_PIB.l2 1.000000 1.000000 1.000000
Log_E.l2 -1.052114 -1.078896 -1.481031
constant 10.778470 11.298030 15.978011

Weights W:
(This is the loading matrix)

Log_PIB.l2 Log_E.l2 constant
Log_PIB.d -0.3379937 0.009602511 -1.543640e-12
Log_E.d -0.1997001 0.061661355 -6.891806e-13

Porano; a 3arir das re!a,es de #o'ine(ra,o norma!iAadas 3ara #ada 1C 1ue
o PI& varia; o #onsumo de ener(ia varia em 1;05C.

91

Anexo A Descrio dos Parmetros do Modelo de Smets &
Wouters (2007)

Smbolo Descrio do Parmetro
- Parmetros fixos na estimao
[ fator de desconto intertemporal
o taxa de depreciao
z
w
mark up no mercado de trabalho
g

razo entre o gasto do governo

p
parmetro de curvatura na agregao da restrio dos produtores finais

w
parmetro de curvatura do mercado de trabalho
- Parmetros estimados do comportamento dos agentes
o participao do capital na funo de produo
y crescimento das variveis reais em estado estacionrio
o
c
elasticidade intertemporal do consumo

p
participao dos custos fixos na produo
elasticidade do custo de ajustamento do capital
z parmetro de formao de hbito

w
parmetro de Calvo de salrios

p
parmetro de Calvo de preos
o
x
elasticidade de substituio da oferta de trabalho em relao ao salrio
t
w
grau de indexao dos salrios
t
p
ndice de indexao inflao passada
funo positiva da elasticidade do custo de utilizao do capital
- Parmetros da regra de juros
r
n
coeficiente da inflao corrente na regra de juros da poltica monetria
p coeficiente dos juros passados na regra de poltica monetria
r
A
coeficiente da taxa de crescimento do produto na regra de poltica monetria
- Parmetros de tendncia
B

taxa de crescimento da inflao em estado estacionrio

y taxa natural de crescimento das variveis reais
r taxa de crescimento dos juros em estado estacionrio
- Parmetros de persistncia dos choques
p
u
coeficiente !"#$% do cho&ue de produtividade
p
b
coeficiente !"#$% do cho&ue financeiro
p
g
coeficiente !"#$% de gastos ex'genos
p

coeficiente !"#$% de investimentos

p

coeficiente !"#$% na poltica monetria

p
p

coeficiente !"#$% do ajuste do markup de preos
p
w

coeficiente !"#$% do ajuste do markup de salrios
p
p

coeficiente do termo de m(dia m'vel no cho&ue de mark up de preos
p
w

coeficiente do termo de m(dia m'vel no cho&ue de mark up de salrios
p
gu
coeficiente do cho&ue de produtividade na funo de cho&ue de gastos
- Parmetros de intensidade dos choques
o
q
c

desvio padro do cho&ue de produtividade
92

o
q
b

desvio padro do cho&ue financeiro
o
q
g

desvio padro do cho&ue de gastos ex'genos
o
q
i

desvio padro do cho&ue de investimentos
o
q
r
desvio padro do cho&ue na poltica monetria


93

Anexo B Conjunto de Equaes Log-Linearizadas de Smets &
Wouters (2007)

O conjunto de equaes dinmicas log-linearizadas presentes no trabalho original
de Smets & Wouters (2007) dado por:

y
t
= c

c
t
+i

i
t
+z

z
t
+e
t
g


c
t
= c
1
c
t-1
+(1 -c
1
)E
t
c
t+1
+c
2
(l
t
-E
t
l
t+1
) -c
3
(r
t
-E
t
n
t+1
+e
t
b


i
t
= i
1
i
t-1
+(1 -i
1
)E
t
i
t+1
+i
2
q
t
+e
t

q
t
= q
1
E
t
q
t+1
+(1 -q
1
)E
t
r
t+1
k
-(r
t
-E
t
n
t+1
+e
t
b


k
t
s
= k
t-1
+z
t


z
t
= z
1
r
t
k


k
t
= k
1
k
t-1
+(1 -k
1
)i
t
+k
2
e
t

p
t
w
= w
t
-mrs
t
= w
t
-
`

o
t
l
t
+
1
1 -
z
y
c
t
-
z
y
c
t-1

w
t
= w
1
w
t-1
+(1 -w
1
)(E
t
w
t+1
+E
t
n
t+1
) -w
2
n
t
+w
3
n
t-1
+w
4
p
t
w
+e
t
w


p
t
p
= w
t
-mpl
t
= w
t
-o(k
t
s
-lt) +e
t
u


r
t
k
= -(k
t
s
-l
t
) +w
t


n
t
= n
1
n
t-1
+n
2
E
t
n
t+1
-n
3
p
t
p
+e
t
p


onde:

c
1
=
z
y
1 +
z
y
, c
2
= _
(o
c
-1)
w
-
h
I
-
C
-

o
c
[1 +
z
y

_ , c
3
=
1 -
z
y
o
c
[1 +
z
y

i
1
=
1
1 +[y
(1-c
c
)
, i
2
= _
1
(1 +[y
(1-c
c
)
)y
2

_

q
1
= [y
-c
c
(1 -o) =
1 -o
r
-
k
+(1 -o)


z
1
=
1 -

k
1
=
1 -o
y
, k
2
= (1 -k
1
)
1
i
2

94

n
1
=
1
1 +[y
(1-c
c
)
t
p
, n
2
= n
1
[y
(1-c
c
)
, n
3
= n
1

1 -[y
(1-c
c
)

p
(1 -
p

p
[(
p
-1e
p
+1



w
1
=
1
1 +[y
(1-c
c
)
, w
2
= w
1
(1 +[y
(1-c
c
)
t
w
, w
3
= w
1
t
w
,
w
4
= w
1

1 -[y
(1-c
c
)

w
(1 -
w
)

w
((z
w
-1)e
w
+1