Você está na página 1de 100

ANLISE DE MODELOS DE SRIES TEMPORAIS PARA

A PREVISO MENSAL DO IMPOSTO DE RENDA

Alan Vasconcelos Santos

FORTALEZA CEAR
2003

UNIVERSIDADE FEDERAL DO CEAR


CURSO DE PS-GRADUAO EM ECONOMIA - CAEN

ANLISE DE MODELOS DE SRIES TEMPORAIS PARA


A PREVISO MENSAL DO IMPOSTO DE RENDA
ALAN VASCONCELOS SANTOS
Dissertao submetida coordenao do
Curso de Ps-Graduao em Economia
CAEN, como requisito parcial para a
obteno do grau de Mestre.
Orientador: Luiz Ivan de Melo Castelar

FORTALEZA CEAR
2003

ANLISE DE MODELOS DE SRIES TEMPORAIS PARA A PREVISO


MENSAL DO IMPOSTO DE RENDA
ALAN VASCONCELOS SANTOS

Esta dissertao foi submetida como parte dos requisitos necessrios obteno
do grau de Mestre em Teoria Econmica, outorgado pela Universidade Federal do
Cear, e encontra-se disposio dos interessados na Biblioteca do Curso de Mestrado
em Economia da referida Universidade.
Dissertao aprovada em 03/07/2003.

BANCA EXAMINADORA

________________________________________
Prof. PhD. Luiz Ivan de Melo Castelar (Orientador)
Universidade Federal do Cear

________________________________________
Prof. Dr. Emerson Lus Lemos Marinho
Universidade Federal do Cear

________________________________________
Prof. Dr. Lauro Gomes de Oliveira
Universidade Federal do Maranho

ii

AGRADECIMENTOS
A toda minha famlia que sempre esteve presente nos momentos mais difceis.
Em particular, minha esposa e ao meu filho, pois foram as pessoas que mais
acreditaram e as que mais se sentem orgulhosas pela concluso deste trabalho. A eles,
minha famlia, eu dedico esta dissertao.
tia Marister, ao tio Jos Drio e aos primos Benedito, Kilderye e Darlano pelo
conforto, material e espiritual, que recebi durante todo o perodo em que com eles
residi.
Ao CNPq por me ter acolhido como bolsista e Procuradoria Geral de Justia do
Estado do Maranho por ter me concedido licena para dedicao integral ao curso.
Aos

professores,

tanto

da

graduao

como

da

ps-graduao,

que

acompanharam e que viveram de perto cada etapa desta jornada. Ao professor Ivan
Castelar que, alm de ter sido meu orientador, contribuiu consideravelmente para a
realizao deste trabalho. Aos professores Emerson Marinho e Lauro Oliveira pelas
pertinentes sugestes. Agradeo ainda a todos os professores e funcionrios do CAEN
que sempre estiveram disposio para ajudar no que fosse necessrio.
Finalmente, deixo como ltimo agradecimento aos amigos. Aos fiis amigos que
ficaram em So Lus e aos amigos que compuseram a melhor turma de ps-graduao
em economia do CAEN dos ltimos tempos: Alexandre, Andrei, Campos, Carlos
Eduardo, Danilo, Francis, Mariana, Paulo, Rgis, Roberto e Soares. Sem eles, no
mnimo, a vida aqui seria muito mais difcil.

iii

SUMRIO
1

INTRODUO...................................................................................................... 11

ASPECTOS DE TRIBUTAO ........................................................................... 13


2.1

Conceitos de Tributao ................................................................................. 13

2.2

Princpios de Tributao................................................................................. 15

2.2.1 Princpio do Benefcio.................................................................................. 16


2.2.2 Princpio da Habilidade de Pagamento......................................................... 17
2.3

Categorias de Tributao ................................................................................ 18

2.4

Sistemas de Tributao................................................................................... 18

2.5

Imposto de Renda e Proventos de Qualquer Natureza (IR) ........................... 19

2.5.1 Competncia ................................................................................................. 20


2.5.2 Funo .......................................................................................................... 20
2.5.3 Fato Gerador ................................................................................................. 21
2.5.4 Contribuinte .................................................................................................. 21
2.5.5 Base de Clculo ............................................................................................ 21
3

CONCEITOS BSICOS DE SRIES TEMPORAIS ........................................... 24


3.1

Modelos Determinsticos de Sries Temporais .............................................. 27

3.1.1 Modelo de Alisamento Exponencial Simples (AES) ................................... 27


3.1.2 Modelo de Alisamento Exponencial Duplo (AED)...................................... 30
3.1.3 Modelo de Alisamento Exponencial Biparamtrico de Holt (AEH)............ 31
3.1.4 Modelo de Alisamento Exponencial Sazonal de Holt-Winters (HW).......... 32
3.2

Modelos Estocsticos de Sries Temporais.................................................... 33

3.2.1 Modelos ARIMA de Box-Jenkins ................................................................ 34


3.2.2 Modelos de Correo de Erro....................................................................... 45
3.3

Combinao de Previses............................................................................... 49

RESULTADOS EMPRICOS................................................................................ 53

CONCLUSES ...................................................................................................... 75

REFERNCIA BIBLIOGRFICA................................................................................ 78
ANEXO 1 ....................................................................................................................... 80
ANEXO 2 ....................................................................................................................... 87
ANEXO 3 ....................................................................................................................... 89
ANEXO 4 ....................................................................................................................... 91
iv

LISTA DE GRFICOS
Grfico 01: Sries IR e IRHWAD (perodo: 2000:12 a 2001:12)...................................55
Grfico 02: Sries IR, IRHWAD e IRHWMU (perodo: 2000:12 a 2001:12)................56
Grfico 03: Sries IR e IRHWAD2 (perodo:1990:01 a 2002:12)..................................59
Grfico 04: Srie IR (perodo: 1990:01 a 2001:12).........................................................60
Grfico 05: Primeira diferena da srie IR (perodo: 1990:01 a 2001:12)......................60
Grfico 06: Diferena sazonal da srie IR (perodo: 1990:01 a 2001:12).......................61
Grfico 07: Primeira diferena da srie IR desazonalizada (perodo: 1990:01 a
2001:12)......................................................................................................61
Grfico 08: Sries IR, IR01 e IR02 (perodo: 2000:12 a 2001:12).................................63
Grfico 09: Sries IRSA e PIBSA (perodo: 1994:08 a 2001:12)...................................67
Grfico 10: Resduos do Modelo IR01 (SARIMA(0,1,1)(0,1,2)12).................................88

LISTA DE TABELAS
Tabela 01: Resultado de estimao da srie IR pelo mtodo do alisamento exponencial
Holt-Winters aditivo (perodo: 1990:01 a 2000:12)......................................54
Tabela 02: Resultado de estimao da srie IR pelo mtodo do alisamento exponencial
Holt-Winters multiplicativo (perodo: 1990:01 a 2000:12)...........................55
Tabela 03: Comparao para a escolha do modelo de alisamento exponencial..............57
Tabela 04: Resultado de estimao da srie IR pelo mtodo do alisamento exponencial
Holt-Winters aditivo (perodo: 1990:01 a 2001:12)......................................58
v

Tabela 05: Resultados de previso para o ano de 2002 (Mtodo: Alisamento


Exponencial Holt-Winters Aditivo)............................................................58
Tabela 06: Modelos SARIMA selecionados...................................................................62
Tabela 07: Comparao para a escolha do modelo SARIMA.........................................62
Tabela 08: Resultados de previso para o ano de 2002 (Mtodo: Box-Jenkins).............64
Tabela 09: Resultado do teste DF para a srie IRSA......................................................65
Tabela 10:Resultado do teste DF para a srie PIBSA.....................................................65
Tabela 11: Resultado do teste DF para a primeira diferena da srie IRSA...................66
Tabela 12: Resultado do teste DF para a primeira diferena da srie PIBSA.................66
Tabela 13: Resultado do teste de Johansen para as sries IRSA e PIBSA......................67
Tabela 14: Comparao para a escolha do modelo de correo de erro..........................68
Tabela 15: Resultados de previso para o ano de 2002 (Mtodo: Modelo de correo de
erro)...............................................................................................................69
Tabela 16: Resultado do clculo dos pesos do modelo de combinao de previses.....70
Tabela 17: Resultados de previso para o ano de 2001 com respectivo clculo do
EPAM............................................................................................................70
Tabela 18: Resultados de previso para o ano de 2002 (Mtodo: modelo de combinao
de previses)..................................................................................................71
Tabela 19: Resultados de previso do modelo de combinao para o ano de 2001........72
Tabela 20: Comparao dos valores observados e previstos para o ano de 2002...........73
Tabela 21: Correlograma de IR.......................................................................................81
vi

Tabela 22: Correlograma de D(IR)..................................................................................82


Tabela 23: Correlograma de IR(-12)...............................................................................83
Tabela 24: Correlograma de D(IR(-12))..........................................................................84
Tabela 25: Correlograma dos resduos do modelo IR01.................................................85
Tabela 26: Correlograma dos resduos do modelo IR02.................................................86
Tabela 27: Estimao do modelo IR01 (SARIMA(0,1,1)(0,1,2)12)................................88
Tabela 28: Estimao do modelo de correo de erro.....................................................90
Tabela 29: Srie Imposto de Renda.................................................................................92
Tabela 30: Srie PIB........................................................................................................96

vii

RESUMO
O presente trabalho objetiva realizar previses mensais da srie do imposto de
renda para o perodo de 2002. A metodologia empregada para alcanar essa finalidade
consiste na utilizao da tcnica de combinao de previses. Especificamente,
combinam-se os resultados de previso advindos de trs mtodos diferentes: tcnica do
alisamento exponencial, metodologia de Box-Jenkins (modelos ARIMA) e modelos
vetoriais de correo de erro. Obtida a previso final, compara-se este resultado com os
valores reais observados da srie do imposto de renda para o ano de 2002 a fim de
verificar o desempenho e a acurcia do modelo.
Palavras-chaves: Alisamento exponencial, combinao de previso, imposto de renda,
modelos ARIMA, modelo de correo de erro, previso.

viii

10

ABSTRACT
The main objective of this work was to generate predictions, at a monthly
frequency, from 1990 to 2001, of income tax revenue. The methodology used was the
one of forecast combining. Specifically, exponential smoothing, an ARIMA and VAR
with error correction models were pooled to obtain final prediction. Ex-post forecast
errors were used to test the performance of the model. Results indicated that combining
performs better than individual models, and errors are in an acceptable interval for this
type of prediction.
Key words: Exponential smoothing, forecast combining, income tax revenue, ARIMA
models, VAR with error correction model, forecast.

ix

11

INTRODUO
Um dos aspectos primordiais dos mtodos e tcnicas economtricas est em seu

poder de criar modelos de previso confiveis, principalmente os de curto prazo. Uma


previso nada mais que uma estimativa quantitativa sobre eventos futuros baseados
em informaes de perodos passados e recentes. Assim o planejamento, o controle e a
elaborao de polticas econmicas so bastante facilitados se podem contar com
ferramentas que possibilitem antecipar valores de certas variveis econmicas.
O presente trabalho tem por finalidade principal desenvolver um modelo de
previso mensal da srie temporal imposto de renda (IR) para o ano de 2002. Para
atingir este objetivo utiliza-se a tcnica de combinao de previses. Isto , combinamse os resultados de previso advindos de trs mtodos diferentes: i) da tcnica do
alisamento exponencial (Mtodo Sazonal de Holt-Winters); ii) dos modelos ARIMA de
sries temporais (Metodologia de Box-Jenkins); iii) e do modelo de correo de erro.
Dessa forma, para se obter o resultado final de previso, combinam-se as previses
geradas por trs metodologias.

A escolha de se fazer previses da varivel imposto de renda decorre do fato de,


alm da mesma ser responsvel por uma das maiores fontes de receita tributria do
Governo Federal (funo fiscal), este imposto se constitui em um importante
instrumento de interveno do Poder Pblico no campo econmico (funo extrafiscal)
principalmente no tocante distribuio de renda. Desta forma, dado que a previso
constitui-se em um meio de fornecer informaes para uma conseqente tomada de
decises, a previso desse tributo pode auxiliar o governo em suas decises que visem o
aumento do bem-estar econmico.
A estrutura deste trabalho est dividida em trs etapas principais alm desta
primeira introdutria. A segunda etapa, que compreende os captulos dois e trs, inicia
com uma abordagem terica acerca do assunto proposto. Especificamente, o captulo
dois trata de questes relacionadas aos aspectos de tributao onde alguns conceitos,
princpios, categorias e sistemas de tributao so brevemente comentados. Neste
captulo ainda se faz consideraes sobre o imposto de renda onde se destaca sua

12
competncia, funes, fato gerador, contribuinte e base de clculo. A idia central
atentar para a importncia que o imposto de renda possui dentro do sistema econmico
particularmente como mecanismo de redistribuio de renda.
O terceiro captulo, que compe ainda a segunda etapa da dissertao, aborda
questes tericas sobre modelos economtricos utilizados pela Cincia Econmica para
efetuar previses. Neste captulo as quatro metodologias empregadas no trabalho para a
obteno dos valores futuros da srie do imposto de renda so discutidas verificando-se
as vantagens e as desvantagens de cada mtodo. De uma forma geral, tal captulo expe,
com base na bibliografia consultada, os principais aspectos tericos dos modelos
empregados na previso do imposto de renda. Assim, discute-se os mtodos de
alisamento exponencial, da metodologia de Box-Jenkins, dos modelos de correo de
erro e a anlise da combinao de previses.
A terceira parte do trabalho, composta pelo quarto captulo, aborda os resultados
empricos de previso obtidos. Para cada tcnica individual mostram-se os critrios
utilizados para a seleo dos modelos capazes de gerar previses do imposto de renda e
os seus principais resultados. Destacam-se neste captulo os resultados de previso
oriundos do mtodo de combinao de previses, j que comparado com as demais
tcnicas o mesmo apresenta melhor performance (menores erros de previso). Ainda
nesta etapa, como forma de analisar o desempenho do modelo de combinao proposto,
faz-se dois tipos de comparaes. Primeiramente, elabora-se a comparao dos
resultados de previso para o ano de 2001 da tcnica de combinao de previso com os
resultados obtidos pelo modelo dinmico de Siqueira (2002) na tentativa de averiguar
qual modelo gera melhores previses. A segunda comparao feita, para o ano de
2002, dos valores reais observados para o imposto de renda com os valores previstos
apresentados pelo modelo de combinao. Neste caso, busca-se mensurar a acurcia e o
desempenho do modelo de combinao objetivando verificar se o mesmo apresenta
resultados satisfatrios para realizar previses do imposto de renda para o ano de 2002.
Finalmente, a quarta etapa refere-se s concluses do trabalho.

13

2
2.1

ASPECTOS DE TRIBUTAO
Conceitos de Tributao
Qualquer governo deve ter disposio mecanismos que gerem recursos

necessrios para desenvolver suas funes.1 Dentre as principais alternativas para o


financiamento de recursos do governo, para a execuo de suas tarefas, destacam-se: i)
emisso de moeda; ii) lanamento de ttulos pblicos; iii) emprstimos bancrios
(interno e externo); iv) e tributao. Deve-se observar que a adoo de cada uma destas
formas de financiamento implica em diferentes efeitos sobre a atividade econmica. O
mecanismo de tributao, por exemplo, intervm diretamente na alocao de recursos,
na distribuio de recursos na sociedade e pode, tambm, reduzir as desigualdades na
riqueza, na renda e no consumo (Riani, 2002).
A arrecadao tributria representa, dentre os mecanismos de financiamento, a
principal fonte de obteno de receitas. Da ser o foco mais relevante deste estudo na
tributao, especificamente, na previso da arrecadao do imposto de renda e
proventos de qualquer natureza (IR).
Conforme o Cdigo Tributrio Nacional (CTN), tributo toda prestao
pecuniria compulsria, em moeda ou cujo valor nela se possa exprimir, que no
constitua sano de ato ilcito, constituda em lei e cobrada mediante atividade
administrativa plenamente vinculada (CTN, art. 3).
A fim de se ter uma melhor compreenso deste conceito, pode-se examinar
separadamente os seus diversos elementos.2 Inicialmente, o tributo de natureza
pecuniria porque assegura ao Estado os meios financeiros, expressos em moeda, de que
necessita para a consecuo de seus objetivos. compulsria, pois o dever de pagar o
tributo nasce independentemente da vontade, no se podendo afirmar que a prestao
tributria compulsria porque o pagamento do tributo obrigatrio (tome o exemplo
de prestaes contratuais, que so obrigatrias, mas que, entretanto, nascem da vontade

Tais funes consistem basicamente em funo alocativa, funo distributiva e funo estabilizadora.
Para maiores detalhes ver Musgrave & Musgrave (1980), Giambiagi & Alm (1999) e Riani (2002).
2
Ver Machado (2002).

14
das partes constituintes do contrato). O tributo, ainda, no constitui sano de ato ilcito,
significando que a sua hiptese de incidncia sempre algo lcito, o que o distingue de
penalidade, esta tendo como hiptese de incidncia um ato ilcito. Assim, a lei no pode
incluir na hiptese de incidncia tributria o elemento ilicitude, ou seja, no pode
estabelecer como necessria e suficiente ocorrncia da obrigao de pagar em tributo
uma situao que no seja lcita (Machado, 2002). Por fim, atividade administrativa
plenamente vinculada estabelece que a autoridade administrativa no goze de liberdade
para apreciar a convenincia nem a oportunidade de agir.
Pode-se classificar os tributos, de acordo com o sistema tributrio brasileiro, de
quatro formas distintas: i) quanto espcie; ii) quanto competncia impositiva; iii)
quanto vinculao com a atividade estatal; iv) quanto funo.
Quanto espcie, os tributos podem ser: i) impostos; ii) taxas; iii) contribuies
de melhoria; iv) contribuies sociais; v) emprstimos compulsrios.3
No que se refere particularmente aos impostos, segundo art. 16 do CTN, imposto
o tributo cuja obrigao tem por fato gerador uma situao independente de qualquer
atividade estatal especfica, relativa ao contribuinte. Diz-se, portanto, que o imposto
uma exao (exigncia) no vinculada, isto , independente de atividade estatal
especfica (Machado, 2002). Assim, a obrigao de pagar imposto no se origina de
nenhuma atividade especfica do Estado relativa ao contribuinte.
O CTN classifica os impostos levando em considerao a natureza do fato sobre
o qual incidem, que so: i) impostos sobre o comrcio exterior; ii) impostos sobre o
patrimnio e a renda; iii) impostos sobre a produo e a circulao; iv) impostos
especiais. A Constituio Federal, em contrapartida, elaborou uma classificao dos
impostos a partir da competncia tributria das diversas entidades integrantes da
Federao. Deste modo, os impostos podem ser: i) federais; ii) estaduais; iii)
municipais.

A caracterizao aprofundada de cada espcie de tributo encontra-se em Machado (2002) e em


Chimente (2001).

15
Quanto competncia impositiva, os tributos so: i) federais; ii) estaduais; iii)
municipais. Competncia tributria o poder que a Constituio Federal atribui a
determinado ente poltico para que este institua um tributo, descrevendo,
legislativamente, sua hiptese de incidncia, seu sujeito ativo, seu sujeito passivo, sua
base de clculo e sua alquota (Chimente, 2001).
Quanto vinculao com a atividade estatal, os tributos so: i) vinculados (as
taxas, as contribuies de melhoria e as contribuies sociais); ii) no-vinculados (os
impostos).
Por fim, quanto funo, os tributos so: i) fiscais; ii) extrafiscais; iii)
parafiscais. Esta classificao decorre do fato de, no estgio atual das Finanas Pblicas,
o tributo no ser utilizado apenas como instrumento de arrecadao, pois o mesmo
interfere de forma diversa na economia, estimulando atividades, setores econmicos ou
regies, desestimulando o consumo de certos bens. Tendo isto em vista, imposto fiscal
aquele em que o objetivo principal a arrecadao de recursos financeiros para o
Estado. O imposto extrafiscal aquele em que seu objetivo principal a interferncia no
domnio econmico, e no a simples arrecadao de recursos. Por fim, o imposto
parafiscal aquele em que seu objetivo arrecadar recursos para o custeio de atividades
que, em princpio, no integram funes prprias do Estado, mas que este as
desenvolvem atravs de entidades especficas (Machado, 2002).
2.2

Princpios de Tributao

Dada a conceituao e classificao dos tributos, deve-se evidenciar como


deveria funcionar o sistema tributrio e quais objetivos o mesmo deveria tentar alcanar.
De uma forma ampla, o sistema de tributao deveria seguir quatro pontos bsicos4: i)
obteno de receitas para financiar os gastos do setor pblico; ii) cada indivduo deve
ser taxado conforme sua habilidade de pagamento (conceito da progressividade); iii) os
tributos devem ser universais, no sentido de no haver distino a indivduos em
situaes similares (conceito da eqidade); iv) os tributos devem ser escolhidos de

Esta abordagem inicial dos princpios de tributao encontra-se em Riani (2002).

16
forma a minimizar sua interferncia no sistema econmico, no o tornando ineficiente
(conceito da neutralidade).
Assim, para que o sistema de tributao seja o mais justo possvel, aproximandose do ideal, a anlise da aplicao da tributao deve se basear no princpio dos
benefcios e no princpio da habilidade de pagamento.5
2.2.1

Princpio do Benefcio

O princpio do benefcio estabelece que cada indivduo deve contribuir com uma
quantia proporcional aos benefcios gerados pelo consumo do bem pblico (Giambiagi
& Alm, 1999). Quanto maior o benefcio, maior a contribuio do indivduo, e viceversa. Dessa forma, tal princpio associa a contribuio do indivduo conforme os
benefcios recebidos pelos bens e servios oferecidos pelo governo.
Entretanto, este mtodo de clculo no de fcil implementao, j que os
benefcios decorrentes do consumo no so conhecidos pelo governo e, ento, precisam
ser revelados. Assim, no existe garantia, caso os indivduos fossem obrigados a revelar
seus benefcios (preferncias), de que tais benefcios seriam verdadeiros. Em resumo,
este princpio demonstra duas dificuldades intransponveis que so: i) a existncia dos
agentes caronas ou free riders, o que mostra a ineficincia do princpio em evitar que
alguns indivduos no paguem pelo bem pblico; ii) e a dificuldade de se medir o
benefcio de cada indivduo.
Deve-se destacar ainda, que alguns indivduos estariam excludos de consumir
os bens oferecidos pelo governo por no possurem renda suficiente se o princpio do
benefcio fosse aplicado. Neste sentido, uma das funes bsicas do governo, a
distributiva, no estaria sendo desempenhada satisfatoriamente.
Portanto, o mecanismo de tributao baseado apenas no princpio do benefcio
se mostra ineficiente, tanto sob a tica econmica, quanto sob a tica social. A soluo

Juridicamente, os princpios da tributao so: i) legalidade; ii) anterioridade; iii) igualdade; iv)
competncia; v) capacidade contributiva; vi) vedao do confisco; vii) liberdade de trfego.

17
seria a formulao de uma regra geral de tributao tal que torne a estrutura de
tributao mais justa e menos ineficiente. Em outras palavras, busca-se um outro
princpio para determinar, juntamente com o princpio dos benefcios, quanto cada
indivduo deve pagar de imposto. Este princpio denominado princpio da capacidade
ou habilidade de pagamento.
2.2.2

Princpio da Habilidade de Pagamento

O princpio da habilidade de pagamento estabelece que o indivduo deve


contribuir de acordo com sua capacidade de pagamento, medida, preferencialmente,
pelo nvel de renda. Sendo mais especfico, este princpio determina que todo indivduo
deve contribuir no custo total da oferta de bens pblicos em linha com sua habilidade de
pagamento, isto , indivduos com habilidades iguais devem contribuir no mesmo
montante, enquanto indivduos com habilidades diferentes devem ter um pagamento
diferenciado (Riani, 2002). Dessa forma, para que o sacrifcio de pagamento entre os
indivduos seja igualado, deve existir a eqidade horizontal (indivduos com iguais
capacidades de pagamento devem pagar o mesmo montante de tributo) e a eqidade
vertical (as contribuies dos indivduos devem se diferenciar conforme suas diversas
capacidades de pagamentos).
Esse princpio tem duas vantagens sobre o anterior: primeiro, permite que
determinada pauta de servios pblicos seja oferecida sociedade sem que haja
excluso ou discriminao, entre os indivduos, quanto a seu uso e benefcios; segundo,
ele se torna um princpio mais justo medida que o sacrifcio individual feito na
mesma proporo e de acordo com a habilidade de pagamento de cada um (Riani,
2002).
Em suma, a busca de um sistema de tributao ideal implica em tomar como
base os princpios do benefcio e da habilidade de pagamento.6 Ento, a sociedade tem
sua disposio um instrumento de financiamento dos gastos pblicos em que o governo
obtm as condies necessrias para desempenhar suas funes que, em ltima anlise,
aumentar o bem-estar social.

Leva-se em considerao tambm os princpios jurdicos da tributao citados anteriormente.

18
2.3

Categorias de Tributao

De grande importncia a classificao dos tributos em diretos e indiretos. Os


tributos diretos incidem sobre os rendimentos dos indivduos e, assim, esto associados
capacidade de pagamento de cada contribuinte. Por outro lado, os tributos indiretos
incidem sobre atividades ou objetos (consumo, vendas ou posse de propriedade),
independentemente da capacidade de pagamento do indivduo.
A importncia de se definir estas categorias deve-se ao fato de que o peso de
cada um, dentro da estrutura tributria, indica como os indivduos so afetados pela
incidncia dos tributos. Especificamente, verifica-se que, quando maior a participao
relativa dos impostos indiretos, a carga tributria recai indiscriminadamente sobre todos,
tendo em vista que o imposto indireto possui uma base de incidncia principalmente
sobre o consumo de bens e servios. No caso contrrio, em que a participao do
imposto direto maior, a implicao seria que o sistema de tributao estaria sendo
utilizado com base na capacidade de pagamento, indicando que a maior parte das
receitas seria originada das camadas mais ricas da populao.7 De certa forma, o peso de
cada um desses impostos afeta diretamente a eficcia do sistema de tributao como um
instrumento de correo das desigualdades na distribuio da renda.
2.4

Sistemas de Tributao

O sistema tributrio pode ser: i) proporcional; ii) progressivo; iii) ou regressivo.


Eles se diferenciam entre si conforme o tratamento tributrio dado s diversas camadas
de renda da sociedade.
O sistema proporcional o sistema em que a alquota do tributo, para os
diferentes nveis de renda, a mesma. Neste sistema no h qualquer impacto sobre a
redistribuio da renda na sociedade, tendo em vista que o perfil da renda da sociedade,
aps a aplicao do imposto, no altera a participao relativa da renda entre as
camadas sociais.

No primeiro caso, so as camadas mais pobres que contribuem com a maior parte do bolo tributrio.

19
O sistema progressivo, por outro lado, caracteriza-se pela imposio de maiores
percentuais de impostos para as classes de renda mais alta, isto , o percentual do
imposto a ser pago aumenta com o aumento do nvel de renda. No que tange ao seu
poder de redistribuio de renda, tal sistema a torna menos desigual, pois aps a
aplicao do imposto, o percentual da renda disponvel, para as camadas que detm
nveis de renda elevados, menor. A magnitude dessa redistribuio da renda depender
da diferenciao das alquotas para as diversas classes de renda.
Por fim, o sistema regressivo possui caractersticas opostas ao do sistema
progressivo, ou seja, dentro do sistema regressivo ocorre uma tributao mais forte nas
camadas que possuem menores rendimentos. Assim, quanto menor o nvel de renda,
maior o percentual do imposto pago. No difcil concluir que neste sistema tem-se
uma maior concentrao de renda, prejudicando, dessa forma, a distribuio de renda
em favor dos mais pobres.
2.5

Imposto de Renda e Proventos de Qualquer Natureza (IR)

Esta etapa do trabalho trata do imposto de renda. Mais precisamente, se


verificar sua competncia tributria, funo, fato gerador, base de clculo, dentre
outras especificidades que caracterizam tal imposto. A razo principal de estudar o
imposto de renda que o mesmo se configura como uma das maiores fontes de
arrecadao de recursos tributrios para o governo federal. Ressalte-se, ainda, que um
percentual do IR destina-se ao Fundo de Participao dos Estados (FPE), ao Fundo de
Participao dos Municpios (FPM) e ao Fundo de Manuteno e Desenvolvimento do
Ensino Fundamental e de Valorizao do Magistrio (FUNDEF). Assim, algumas
transferncias governamentais esto fortemente atreladas ao montante arrecadado do
imposto de renda. Considerando-se o fato de que muitos municpios das Regies Norte
e Nordeste tm no FPM sua maior fonte de arrecadao de receitas, percebe-se a grande
importncia deste imposto (e a sua conseqente previso), j que o imposto de renda
possui uma funo bastante relevante na distribuio da riqueza.

20
2.5.1

Competncia

O imposto sobre renda e proventos de qualquer natureza pertence competncia


da Unio Federal (CF, art. 153, inc. III, e CTN, art. 43).
Conveniente, antes de expor as justificativas para que este imposto seja de
competncia da Unio, esclarecer dois conceitos intimamente relacionados: i)
competncia tributria; ii) competncia financeira. O que a CF estabelece a
competncia tributria que se refere definio de qual nvel de governo ser
responsvel pela arrecadao e administrao legal de determinado tipo de tributo. Tal
arrecadao e administrao so definidas ou atribudas de acordo com a caracterstica
do tributo, em que se levam em considerao a maior eficincia e controle da
arrecadao. Por outro lado, a competncia financeira se refere apropriao da
arrecadao entre os nveis de governo, de modo que um tributo arrecadado em certo
nvel de governo dever ser distribudo entre as outras esferas de governo. A idia deste
conceito de evitar a concentrao de recursos em um nvel especfico de governo.
Dessa forma, o imposto de renda pertence ao domnio da Unio, no que se refere
competncia tributria, porque somente assim ele pode ser utilizado como um
instrumento de distribuio de renda, buscando manter em equilbrio o desenvolvimento
econmico das diversas regies (Machado, 2002). Constitui-se como uma outra razo, o
fato de se evitar dupla ou mltipla tributao que certamente ocorreria se o imposto de
renda fosse de competncia dos Estados e Municpios.
2.5.2

Funo

A funo do imposto de renda nitidamente fiscal, haja vista que representa


uma das principais fontes de receita tributria da Unio Federal. Porm, como o IR
constitui-se em um importante instrumento de interveno do Poder Pblico no campo
econmico, inegvel sua funo extrafiscal. Portanto, pode-se afirmar que o imposto
de renda tenha funo predominantemente fiscal tendo, tambm, funo extrafiscal
bastante significativa.

21
2.5.3

Fato Gerador

O art. 43 do Cdigo Tributrio Nacional afirma que o mbito material de


incidncia do imposto de renda a aquisio da disponibilidade econmica ou jurdica
da renda (assim entendido o produto do capital, do trabalho ou da combinao de
ambos); e de proventos de qualquer natureza (assim entendidos os acrscimos
patrimoniais no compreendidos no conceito de renda). Em outras palavras, a
disponibilidade econmica decorre do recebimento do valor que se vem a acrescentar ao
patrimnio do contribuinte. J a disponibilidade jurdica decorre do simples crdito
desse valor, do qual o contribuinte passa a juridicamente dispor, embora este no lhe
esteja ainda nas mos (Machado, 2002).
Deve-se atentar ao significado de renda e proventos. Na expresso do Cdigo,
renda sempre um produto, um resultado, quer do trabalho, quer do capital, quer da
combinao destes dois fatores. Proventos constituem os demais acrscimos
patrimoniais que no se enquadram no conceito de renda. Assim os dois conceitos
envolvem acrscimo patrimonial. No se deve excluir, entretanto, a tributao da renda
consumida.
Portanto, o fato gerador do imposto de renda no a renda, mas a aquisio da
disponibilidade da renda, ou dos proventos de qualquer natureza.
2.5.4

Contribuinte

O contribuinte do imposto de renda pode ser pessoa fsica ou jurdica, isto ,


pode-se dizer que o imposto de renda se classifica em imposto de renda da pessoa fsica
(IRPF) e imposto de renda da pessoa jurdica (IRPJ), entendendo-se por pessoa fsica a
pessoa natural, o indivduo; e por pessoa jurdica aquela criada pelo Direito.
2.5.5

Base de Clculo

A base de clculo do imposto de renda o montante real, arbitrado ou presumido


da renda ou dos proventos tributveis (art. 44 do CTN). A determinao da base de
clculo varia conforme o tipo de contribuinte.

22

O imposto de renda incidente sobre a pessoa fsica tem como base de clculo o
rendimento bruto mensal auferido pela pessoa fsica, podendo-se admitir algumas
dedues estabelecidas em lei.8 O IRPF apresenta as vantagens de se basear em uma
medida abrangente da capacidade de pagamento e de permitir uma adaptao s
caractersticas pessoais do contribuinte. Ou seja, ele o imposto pessoal por excelncia
e, sendo assim, aquele que mais se adapta aos princpios da eqidade e
progressividade, medida que permite, de fato, uma discriminao entre os
contribuintes no que diz respeito sua capacidade de pagamento (Giambiagi & Alm,
1999)
Em se tratando de pessoa jurdica, a base de clculo do imposto o lucro, que
pode ser, conforme o critrio de determinao, real, arbitrado ou presumido.
O lucro real pode ser entendido como o acrscimo real do patrimnio da
empresa em determinado perodo. O Decreto-lei n 1.598/77 (art. 6) define como lucro
real o lucro lquido do exerccio ajustadas pelas adies, excluses ou compensaes
prescritas ou autorizadas pela legislao tributria. De outra forma, o lucro lquido
determinado mediante escriturao contbil de todos os fatos com implicaes
patrimoniais, todas as receitas e todos os custos e despesas, observando-se, em tudo isto,
as regras da legislao pertinente ao imposto de renda, que extensa e complexa
(Machado, 2002). Em suma, o lucro real calculado pela diferena entre receitas e
custos da empresa, em que esta mantm um sistema contbil de acordo com as
exigncias da legislao.
O lucro presumido uma forma simplificada de tributao de firmas individuais
e pessoas jurdicas cuja renda bruta anual no supere os limites estabelecidos pela
autoridade fiscal, em que no ocorre a obrigatoriedade das firmas em fazer a
escriturao contbil de suas transaes.9 Este mtodo o mais indicado s empresas
impossibilitadas de viabilizar a implementao de um sistema contbil organizado
exigida pela legislao tributria.
8
9

As penses alimentcias e os encargos por dependentes so alguns exemplos de dedues permitidas.


Trata-se de uma opo do contribuinte em apresentar ou no a escrita contbil.

23

Por ltimo, quando a pessoa jurdica no possua as condies para optar pela
tributao com base no lucro presumido e, ao mesmo tempo, no dispe de escriturao
contbil para demonstrar seu lucro real, a mesma ser tributada com base no lucro
arbitrado.10 O lucro arbitrado ser uma percentagem da receita bruta (se esta for
conhecida) fixada pelo Ministro da Fazenda, em que se leva em considerao a
atividade econmica do contribuinte. No caso de no se conhecer a receita bruta do
contribuinte, a autoridade poder arbitrar o lucro com base no valor do ativo, do capital
social, do patrimnio lquido, da folha de pagamento dos empregados, das compras, do
aluguel das instalaes ou do lucro lquido auferido pelo contribuinte em perodos
anteriores (Machado, 2002).

10

Para maiores informaes sobre todos os mtodos, inclusive acerca da exposio dos casos em que o
mtodo do lucro arbitrado pode ser aplicado, ver Machado (2002) e Chimente (2001).

24

CONCEITOS BSICOS DE SRIES TEMPORAIS


De uma forma bastante simples, uma srie temporal qualquer conjunto de

observaes ordenadas no tempo. Em outras palavras, consiste em um conjunto de


observaes geradas seqencialmente no tempo. Uma srie temporal pode ser discreta
ou contnua, dependendo se o conjunto de observaes discreto ou contnuo,
respectivamente. possvel, todavia, obter uma srie temporal discreta por meio da
amostragem de uma srie contnua em intervalos de tempo iguais. As sries que sero
estudadas e modeladas neste trabalho so discretas tendo em vista que as observaes
disponveis so dadas em tempo discreto e em intervalos eqidistantes no tempo.
Para uma definio formal de srie temporal necessita-se primeiramente
conceituar um processo estocstico. Um processo estocstico qualquer fenmeno
estatstico que evolui no tempo de acordo com as leis probabilsticas. Pode-se entendlo como um modelo que descreve a estrutura probabilstica de uma seqncia de
observaes (Box, Jenkins & Reinsel, 1994). Neste sentido, uma srie temporal
considerada uma realizao particular produzida pelo mecanismo probabilstico, ou
seja, pura e simplesmente uma realizao de um processo estocstico.
Dessa forma, assume-se que cada valor de uma srie y = ( y1 , y 2 ,...., yT )
extrado aleatoriamente de uma distribuio de probabilidade. Assim, se fosse possvel
especificar a funo de distribuio de probabilidade de uma determinada srie
temporal, se poderia determinar tambm a probabilidade de um resultado futuro da
srie. A completa especificao da funo de distribuio de probabilidade para uma
srie, no entanto, uma tarefa geralmente impossvel.
A fim de determinar um modelo que descreva o comportamento aleatrio da
srie com o propsito de realizar previses faz-se necessrio supor que o processo
gerador da srie seja estacionrio. Esta suposio indica que o processo estocstico que
gerou determinada srie considerado invariante com respeito ao tempo. Em outras
palavras, o processo estocstico baseado na suposio de que o mesmo se encontra em
um particular estado de equilbrio estatstico. Se as caractersticas do processo
estocstico mudam ao longo do tempo, ento o processo dito no-estacionrio. Caso

25
contrrio, se o processo fixado no tempo, ento se tem um processo estacionrio e
pode-se model-lo via uma equao com coeficientes fixos que podem ser estimados a
partir das observaes passadas. Em suma, assume-se que os processos aleatrios esto
em equilbrio em torno de um nvel mdio constante e que a probabilidade de uma dada
flutuao do nvel mdio a mesma em qualquer ponto do tempo.
Dado o conceito de estacionaridade das sries temporais, pode-se classific-las
tecnicamente de duas formas: i) estacionaridade estrita ou forte; ii) e estacionaridade
fraca ou de segunda ordem. Um processo estocstico estritamente estacionrio se suas
propriedades no so afetadas pela mudana da origem do tempo, ou seja, se a
distribuio de probabilidade conjunta com m observaes yt1 , yt 2 ,..., yt m , feitas em
qualquer conjunto de tempo t1, t2, ..., tm, a mesma que a associada com m observaes
yt1 + k , yt 2 + k ,..., yt m + k , feitas no tempo t1+k, t2+k, ..., tm+k. Assim, para um processo
discreto ser estritamente estacionrio a distribuio conjunta de qualquer conjunto de
observaes no dever ser afetada pela alterao de todos os tempos de observao
para qualquer constante k. Por outro lado, a estacionaridade fraca requer menos
restries, pois somente as condies listadas a seguir devem ser satisfeitas para que um
processo seja fracamente estacionrio: 11
i)

E [Yt ] = = cons tan te, t ;

ii)

E (Yt )(Yt j ) = j , t , j

Portanto, diferentemente do processo estritamente estacionrio, em que toda a


estrutura probabilstica dever depender da diferena do tempo, no processo fracamente
estacionrio necessita-se apenas que os dois primeiros momentos da funo densidade
de probabilidade dependam da defasagem do tempo.
No tocante previso de sries temporais, esta se constitui em uma das
finalidades mais importantes da construo de modelos estocsticos. Dentre outros
objetivos da anlise de sries temporais destacam-se, alm de se elaborar previses
futuras de uma srie, os seguintes: i) investigar o mecanismo gerador da srie temporal;

11

Ver Hamilton (1994).

26
ii) descrever o comportamento da srie (construo de grficos, histogramas, diagramas
de disperso, verificao de existncia de ciclos, tendncias e sazonalidades, etc); iii) e a
de procurar periodicidades relevantes nos dados (a anlise espectral pode ser de grande
utilidade para que este objetivo seja alcanado). Dessa forma, uma suposio importante
que se faz a respeito de uma srie a estacionaridade, isto , que ela se desenvolva no
tempo aleatoriamente ao redor de uma mdia constante, refletindo alguma forma de
equilbrio estvel. Os modelos que sero desenvolvidos a partir de agora partem do
princpio de que a srie, cuja previso ser efetuada, estacionria ou pode se tornar
estacionria por meio de uma transformao dos dados.12
Finalmente, convm distinguir os principais procedimentos disponveis para
fazer previses de sries econmicas. De uma forma ampla, existem em Economia dois
mtodos bastante utilizados para esta tarefa. So eles: i) Modelos Economtricos; ii) e
Modelos de Sries Temporais. Um modelo, primeiramente, consiste em uma descrio
probabilstica de uma srie temporal, cabendo ao usurio decidir o modo como utilizlo, dado seus objetivos. Deve-se salientar que a previso no se constitui um fim em si,
mas apenas um meio de fornecer informaes para uma conseqente tomada de
decises, visando a determinadas finalidades (Morettin & Toloi, 1987). Retornando aos
mtodos utilizados em Economia, o mtodo economtrico fortemente baseado na
teoria econmica para a construo do modelo, onde h a incluso de vrias variveis
relacionadas entre si (relao causal). Por sua vez, os mtodos de anlise de sries
temporais consideram o padro de movimentos passados de uma varivel e utiliza essas
informaes para prever valores futuros dessa varivel. Ou seja, na construo do
modelo os dados falam por si, pois no se utiliza teoria econmica alguma. Pode-se,
ainda, classificar os mtodos de anlise de sries temporais em dois subgrupos: i)
determinsticos; ii) ou estocsticos.13 Os modelos determinsticos so aqueles que no
consideram nenhuma fonte ou natureza aleatria da srie. So denominados tambm de
mtodos automticos de previso, pois no existe um tratamento estatstico adequado,
embora apresentem resultados satisfatrios em muitas aplicaes. Os modelos
estatsticos pressupem que uma srie tenha sido gerada por um processo estocstico,

12

A transformao mais comum consiste em tomar diferenas sucessivas da srie original. Este tipo de
srie no estacionria, mas que pode se tornar estacionria, denominada srie no estacionria
homognea.
13
Ver Ferreira (1996).

27
em que cada observao da varivel em estudo realizada aleatoriamente a partir de
uma distribuio de probabilidade.
3.1

Modelos Determinsticos de Sries Temporais

Os modelos de sries temporais a serem enumerados a seguir so do tipo


determinsticos, pois no fazem referncia alguma fonte de aleatoriedade da srie.
Esses modelos fornecem previses de uma srie com base em seu comportamento
passado e o motivo de serem aqui explicitados decorre do fato de serem simples, de
baixo custo e ainda adequados para realizar previses.
Especificamente, sero tratados alguns modelos de alisamento exponencial.
Estes modelos so na verdade mtodos simples de previses adaptativas, no sentido de
que automaticamente ocorre um ajuste para a incluso de dados mais recentes. Uma das
caractersticas principais deste mtodo de previso que o mesmo fornece uma previso
efetiva mesmo quando se dispe de poucas observaes. Alm disso, diferentemente do
que acontece com os modelos de regresso, os quais se utilizam de coeficientes fixos, as
previses obtidas atravs dos modelos de alisamento exponencial so baseadas nos erros
de previso passados.
A seguir breves consideraes tericas sero expostas acerca dos mtodos de
alisamento exponencial mais utilizados para a realizao de previses, que so: i)
Alisamento Exponencial Simples (AES); ii) Alisamento Exponencial Duplo (AED); iii)
Alisamento Exponencial Biparamtrico de Holt (AEH); iv) e o Alisamento Exponencial
Sazonal de Holt-Winters (HW).
3.1.1

Modelo de Alisamento Exponencial Simples (AES)

A tcnica do alisamento exponencial simples (AES) representa uma classe de


modelos determinsticos de mdias mveis tendo como principal caracterstica
utilizao de diferentes pesos para as observaes na obteno do valor alisado. Mais
precisamente, diferentemente do que acontece com o modelo determinstico de mdia
mvel, tal modelo atribui maior ponderao s observaes mais recentes e menor
ponderao (decrescendo exponencialmente) s observaes mais antigas, eliminando,

28
dessa forma, uma das desvantagens do modelo de mdia mvel. Este mtodo
apropriado para sries que possuem uma trajetria aleatria em torno de uma mdia
constante. Sendo assim, no indicado para realizar previses de uma srie temporal
que apresente tendncia ou algum padro sazonal. Analiticamente, pode-se descrever
uma srie exponencialmente alisada ~
y como:
t

~
yt +1 = yt + (1 ) yt 1 + (1 ) 2 yt 2 +

(eq. III-01)

O parmetro da equao acima denominado coeficiente ou constante de


alisamento e pode assumir qualquer valor entre 0 e 1 (isto , 0 1 ). Quanto menor
for o valor de mais estveis sero as previses finais, uma vez que a utilizao de
baixo valor de implica na atribuio de maiores pesos s observaes passadas e,
conseqentemente, qualquer flutuao aleatria no presente contribui com menor
importncia para a obteno da previso.
Com base na equao anterior pode-se entender a razo desse mtodo se chamar
alisamento exponencial. Nota-se que a previso da srie yt (ou srie alisada) uma
mdia ponderada dos valores passados de yt , onde os pesos atribudos declinam
exponencialmente com o decorrer do tempo.
Uma outra maneira de expressar o modelo de AES por meio da diferena
resultante entre a expresso (eq. III-01) e a equao
(1 ) ~
yt = (1 ) yt 1 + (1 ) 2 yt 2 +

(eq. III-02)

de onde se obtm:
~
yt +1 = yt + (1 ) ~
yt

(eq. III-03)

Em se tratando de previso, pode-se obter o valor alisado de perodos frente da


seguinte forma:

29
yT +1 = yT + (1 ) yT 1 + (1 ) 2 yT 2 +

= (1 ) i yT i
i=0

yT + 2 = yT +1 + (1 ) yT + (1 ) 2 yT 1 +
= [yT + (1 ) yT 1 + (1 ) yT 2 + ] + (1 ) yT + (1 ) 2 yT 1 +

i =0

i =0

= 2 (1 )i yT i + (1 ) (1 )i yT i

= (1 )i yT i
i =0

Generalizando, obtm-se a previso para o perodo h:

yT + h = (1 )i yT i

(eq. III-04)

i =0

Assim, partindo-se do perodo em que est disponvel a observao mais recente,


a previso de valores frente, independentemente do perodo futuro de que se faa a
previso, constante. Porm, medida que o modelo absorve novas observaes, podese determinar uma equao de atualizao de previso em que o valor previsto consiste
na soma da previso do perodo imediatamente anterior e de uma proporo do erro de
previso do mesmo perodo anterior. Dessa maneira, a nova previso pode ser obtida da
anterior, adicionando-se um mltiplo do erro de previso, indicando que a previso est
sempre alerta a mudanas no nvel da srie, revelada pelo erro de previso (Morettin
&Toloi, 1987). Portanto, para a previso do valor da srie no perodo h frente tem-se:
yT + h = ( yT + h 1 yT + h 1 ) + yT + h 1 = (eT + h 1 ) + yT + h 1

(eq. III-05)

onde yT + h 1 o ltimo valor previsto da srie e (eT + h 1 ) o erro de previso no perodo


T+h-1.
Finalmente, deve-se salientar algumas vantagens e desvantagens do modelo de
AES. Dentre as principais vantagens destacam-se o seu fcil entendimento e sua

30
aplicao no dispendiosa, bem como sua grande flexibilidade decorrente da variao
da constante de alisamento . Alm disso, para fins de previso, o modelo armazena
somente os valores de yt , ~
yt e . Em contrapartida, a dificuldade em determinar o
valor mais apropriado para a constante de alisamento constitui-se em sua principal
desvantagem.
3.1.2

Modelo de Alisamento Exponencial Duplo (AED)

O mtodo de alisamento exponencial simples, quando aplicado s sries


temporais que apresentam tendncia linear positiva ou negativa entre as observaes
passadas, fornece prognsticos de predio subestimados ou superestimados dos valores
reais da srie. A fim de evitar tal erro sistemtico, foram desenvolvidos mtodos de
alisamento exponencial com a propriedade de reconhecer a presena da tendncia na
srie de dados. Sero descritos aqui superficialmente dois desses mtodos: i) o
alisamento exponencial duplo (AED); ii) e o alisamento exponencial biparamtrico de
Holt (AEH).
A tcnica de alisamento exponencial duplo (AED), tambm denominada de
mtodo de Brown, consiste, como o prprio nome deixa transparecer, simplesmente na
aplicao repetida do mtodo de alisamento exponencial simples (AES), utilizando-se
do mesmo parmetro de alisamento . Tal tcnica resumida pelas equaes abaixo:14
~
yt = yt + (1 ) ~
yt 1
~
~
~
yt = ~
yt + (1 ) ~
yt 1
~
at = 2 ~
yt ~
yt

bt =

~ ~
yt )
( yt ~
1

yt + h = at + hbt

14

As dedues das frmulas podem ser encontradas em Morettin & Toloi (1987).

31
onde: ~yt o valor exponencialmente alisado de yt ;
~
~
yt o valor exponencialmente alisado de ~yt ;
a constante de alisamento (0< <1);
at a diferena entre os valores exponencialmente alisados;
bt a medida de inclinao (fator de ajustamento);
h o nmero de perodos frente.
3.1.3

Modelo de Alisamento Exponencial Biparamtrico de Holt (AEH)

O AEH outra tcnica de alisamento exponencial dirigido para sries que


apresentam tendncia linear. Ao contrrio do mtodo de Brown, em que somente uma
constante de alisamento utilizada e os valores estimados da tendncia so bastante
sensveis a influncias aleatrias, o mtodo de Holt utiliza dois coeficientes diferentes
de alisamento e descrito pelas equaes dadas a seguir:
~
yt = yt + (1 )( ~
yt 1 + Tt 1 )

Srie alisada exponencialmente (0< <1)

Tt = ( ~
yt ~
yt 1 ) + (1 )Tt 1

Estimativa da tendncia (0< <1)

yt + h = ~
yt + hTt

Previso da srie h perodos frente

onde: Tt a tendncia da srie;


a constante de alisamento da estimativa da tendncia.

O procedimento de determinao das constantes de alisamento deste modelo


anlogo ao de determinao da constante de alisamento de um modelo AES, s que ao
invs de se escolher o valor de que torna a soma dos erros quadrticos de previso
mnimo, escolhe-se o valor do vetor ( , ) tal que isto ocorra (Morettin & Toloi,
1987). Deve-se atentar para o fato de que a determinao dos valores das constantes
e constituem na maior desvantagem deste modelo.

32
3.1.4

Modelo de Alisamento Exponencial Sazonal de Holt-Winters (HW)

O modelo de alisamento exponencial sazonal de Holt-Winters (HW) possui


aplicabilidade para a previso de dados em sries temporais que apresentem um padro
de comportamento mais complexo. Em outras palavras, este mtodo apropriado para
sries com tendncia linear e variaes sazonais. Existem dois tipos de procedimentos
diferentes indicados para a previso deste tipo de srie e a sua utilizao depende das
caractersticas da srie considerada. Especificamente, adota-se um determinado
procedimento para sries que apresentam variao sazonal multiplicativa e um outro
para sries que apresentam variao sazonal aditiva.
O primeiro procedimento (aplicado a sries com variao sazonal multiplicativa)
segue de acordo com as expresses abaixo:
y
~
yt = t + (1 )( ~
yt 1 + Tt 1 )
St L

Srie alisada exponencialmente (0< <1)

Tt = ( ~
yt ~
yt 1 ) + (1 )Tt 1

Estimativa da tendncia (0< <1)

y
S t = ~t + (1 ) S t L
yt

Estimativa da sazonalidade (0< <1)

yt + h = ( ~
yt + hTt )St L + h

Previso da srie h perodos frente

onde: a constante de alisamento;


a constante de alisamento da estimativa da tendncia;
a constante de alisamento da estimativa da sazonalidade;
Tt a estimativa da tendncia;
St a estimativa sazonal;
L a extenso da sazonalidade.
O segundo procedimento utilizado quando a srie temporal possui variao
sazonal aditiva sendo resumido pelas equaes a seguir:

33
~
yt = ( yt St L ) + (1 )( ~
yt 1 + Tt 1 )

Srie alisada exponencialmente (0< <1)

Tt = ( ~
yt ~
yt 1 ) + (1 )Tt 1

Estimativa da tendncia (0< <1)

St = ( yt ~
yt ) + (1 ) St L

Estimativa da sazonalidade (0< <1)

y t + h = ~
yt + hTt + St L + h

Previso da srie h perodos frente

Tanto para a sazonalidade multiplicativa quanto para a sazonalidade aditiva, os


valores das constantes de alisamento so calculados de forma a minimizar a soma dos
quadrados dos erros de previso.
As formas multiplicativas e aditivas do algoritmo de Holt-Winters sazonal
podem fornecer previses bem diferentes. Se a srie apresentar oscilaes sazonais
aproximadamente constantes, o modelo aditivo mais indicado. Porm, se as oscilaes
sazonais forem proporcionais ao nvel da srie, o modelo multiplicativo mais indicado.
Alternativamente, pode-se utilizar os dois procedimentos e escolher aquele que fornece
menor erro de previso.
Finalmente, cabe alertar para as desvantagens que geralmente se encontra ao
aplicar esta metodologia. As principais desvantagens so as dificuldades em determinar
os valores mais apropriados das constantes de alisamento e a impossibilidade e/ou
dificuldade de estudar as propriedades estatsticas, tais como mdia e varincia de
previso e, conseqentemente, construo de um intervalo de confiana.
3.2

Modelos Estocsticos de Sries Temporais

Os modelos estocsticos de sries temporais constituem o mtodo mais


sofisticado de extrapolao de uma srie temporal. A idia fundamental em que se
baseia esta metodologia de que a srie a ser prevista gerada por um processo
estocstico cuja estrutura pode ser caracterizada e descrita. Tais modelos fornecem uma
descrio da natureza aleatria do processo que gerou uma srie temporal particular.
Dentre os principais modelos estocsticos de sries temporais que se destacam
na tarefa de realizar previses esto os modelos da metodologia Box-Jenkins,
denominados comumente de modelos de srie temporais os quais so objetos de estudo

34
da prxima seo. Esta metodologia se tornou bastante popular a partir de meados dos
anos 70 em virtude de sua simplicidade e maior poder de previso (em curto prazo) se
comparados aos modelos economtricos.
3.2.1

Modelos ARIMA de Box-Jenkins

A metodologia mais difundida e utilizada para a realizao de previses de


sries temporais geradas por um processo estocstico a metodologia de Box-Jenkins,
tambm conhecida como modelos ARIMA (autoregressivo integrado de mdia mvel).
Essa metodologia consiste em uma classe de modelos que ignoram completamente as
variveis independentes, pois se utilizam de valores correntes e passados da varivel
dependente para produzir previses.
Para a escolha de um modelo adequado de previso, o mtodo de Box-Jenkins
baseado na aplicao de trs etapas distintas: i) identificao; ii) estimativa; iii) e
checagem de diagnstico. Porm, antes de desenvolver os procedimentos de cada etapa,
deve-se caracterizar a estrutura dos principais modelos destinados previso de sries
temporais. Estes modelos (modelos ARIMA) so resultantes da combinao de trs
componentes ou filtros: i) o componente autoregressivo (AR); ii) o componente de
integrao (I); iii) e o filtro de mdia mvel (MA). As caractersticas especficas dos
modelos ARIMA so decorrentes da presena ou no destes trs elementos.
O primeiro modelo a ser descrito o processo de mdias mveis de ordem q,
denotado MA(q) e escrito como:
yt = + t + 1 t 1 + 2 t 2 + + q t q

onde: , 1 , , q so constantes;
E ( t ) = 0

t um processo de rudo branco, isto , E ( t2 ) = 2


E ( ) = 0, t
t

(eq. III-06)

35
O termo mdia mvel advm do fato de que a srie yt construda a partir de
uma soma ponderada dos q+1 valores mais recentes de t , muito embora tal
denominao no seja estritamente correta.15
A mdia e a varincia deste processo so dadas a seguir:
E ( yt ) = E ( + t + 1 t 1 + + q t q ) = + E ( t ) + 1 E ( t 1 ) + + q E ( t q ) =
0 = E ( y t ) 2 = E ( t + 1 t 1 + + q t q ) 2 = 2 (1 + 12 + + q2 )

pois trata-se de um rudo branco em que os t s no so autocorrelacionados. Observase ainda que a restrio imposta ao modelo para que a varincia seja finita, e
conseqentemente para que o processo seja estacionrio, que a seguinte condio seja
satisfeita:

i =1

2
i

<

Pode-se, para caracterizar mais ainda este modelo, mostrar os valores das
autocovarincias deste processo:

[
= E [
= [

j = E ( t + 1 t 1 + + q t q )( t j + 1 t j 1 + + q t j q ) =
j

2
t j

j +1 1

+ j +1 1 t2 j 1 + j + 2 2 t2 j 2 + + q q j t2 q =

+ j + 2 2 + + q q j 2 , para j = 1, 2, ..., q

Para valores de j superiores a q, em virtude da esperana matemtica do produto


de t s em diferentes datas ser igual a zero, as autocovarincias do modelo so iguais a
zero.
Note que a mdia e as autocovarincias do processo MA(q) no so funes do
tempo t. Logo, pode-se afirmar que o mesmo fracamente estacionrio. Alm disso, um

15

A soma dos pesos excede o valor um.

36
outro conceito intimamente relacionado com a estacionaridade de uma srie o conceito
de ergodicidade. Diz-se que um processo fracamente estacionrio ergdico para a
mdia se a mdia de uma realizao particular de um processo estacionrio converge em
probabilidade para a mdia do conjunto de todas as trajetrias (ensemble) quando a
dimenso da srie T tende ao infinito ( T ). Algebricamente, afirma-se que uma srie
estacionria ergdica para a mdia se a condio abaixo for satisfeita:

j =0

<

Porm, se o processo estocstico, alm de ser estacionrio, Gaussiano, ento a


condio acima suficiente para garantir ergodicidade em todos os momentos.16
Portanto, para o caso especfico de um processo MA(q), a condio de ergodicidade
satisfeita (implicando que o processo ergdico para a mdia) e se o rudo branco t
for Gaussiano, o processo ergdico tambm para todos os momentos.

Por fim, existem casos particulares do modelo de mdias mveis. So os


modelos MA(1) e MA(2) denominados de modelos de mdias mveis de ordem um e
dois, respectivamente, e que na prtica so os mais utilizados.
O segundo tipo de modelo ARIMA o composto pelo componente
autoregressivo, isto , a srie modelada com base em uma mdia ponderada de seus
valores passados e por um erro aleatrio (rudo branco). Especificamente, um processo
autoregressivo de ordem p, denotado de AR(p), expresso por:
y t = c + 1 y t 1 + 2 y t 2 + + p y t p + t

onde: c, 1 , 2 ,..., p so constantes;


yt 1 ,..., yt p so valores defasados da varivel yt .

16

Ver Hamilton (1994) para maiores detalhes sobre ergodicidade.

(eq. III-07)

37
A mdia e as autocovarincias do processo AR(p) so dados por:

= E(yt ) =

c
1 1 2 p

1 j 1 + 2 j 2 + + p j p , j = 1,2,
j =
1 1 + 2 2 + + p p , j = 0

17

Um terceiro tipo de modelo utilizado com bastante freqncia pela metodologia


de Box-Jenkins o que possui os dois filtros analisados at o momento, ou seja,
consiste em um modelo expresso tanto por componentes de mdias mveis quanto por
componentes autoregressivos. Tais processos so denominados ARMA (autoregressivo
com mdia mvel) e pode-se represent-lo da seguinte maneira:

y t = c + 1 y t 1 + 2 y t 2 + + p y t p + t + 1 t 1 + 2 t 2 + + q t q

(eq. III-08)

(1 L

(eq. III-09)

p L p )y t = c + (1 + 1 L + + p L p ) t

E se as razes da equao caracterstica (1 1 z 2 z 2 p z p ) = 0 estiverem


fora do crculo unitrio a expresso acima ainda pode ser escrita como:
y t = + ( L) t

(eq. III-10)

q
onde: ( L) = (1 + 1 L + + q L ) ;

(1 L
1

Lp

c
.
1 1 p

com:

j =0

<

Novamente, comumente utiliza-se na prtica modelos ARMA de pequena ordem


(geralmente at segunda ordem).

17

Dividindo

por 0 temos as equaes de autocorrelaes do processo AR(p). Tal conjunto de

equaes denominado equaes de Yule-Walker.

38
Antes de dar prosseguimento ao estudo de outro modelo, faz-se necessrio
esclarecer as condies de estacionaridade e invertibilidade dos processos at aqui
analisados. Os modelos MA no necessitam de nenhuma condio para serem
considerados estacionrios. No entanto, para que os mesmos possam ser transformados
ou representados por um modelo AR( ) a condio necessria e suficiente que as
razes unitrias da equao (1 + 1 z + 2 z 2 + + q z q ) = 0 , para o exemplo de um
processo MA(q), estejam fora do crculo unitrio (o que implica i < 1, i = 1,..., q ). O
inverso acontece com o processo AR, pois nenhuma restrio necessria ser feita para
o mesmo ser representado por um processo MA( ) mas, em contrapartida, para
assegurar que o processo seja estacionrio as razes da equao caracterstica

(1 z
1

z 2 p z p = 0 devem estar fora do crculo unitrio.

A metodologia de Box-Jenkins pode ser ainda direcionada a sries no


estacionrias, mas que podem se tornar estacionrias aps a aplicao de diferenas. O
nmero de diferenas necessrio para tornar uma srie estacionria constitui o terceiro
componente ou filtro do modelo e denominado ordem de integrao d. Este modelo
mais geral de sries temporais que contm os trs filtros chamado de ARIMA. Pode-se
represent-lo como:
wt = 1wt 1 + 2 wt 2 + + p wt p + t + 1 t 1 + 2 t 2 + + q t q

(eq. III-11)

onde: wt = d yt = (1 L ) d yt
Assim, pode-se escrev-lo ainda como:

(1 L
1

L p wt = c + 1 + 1 L + + q Lq t

(1 L)d (L) yt = (L)t


Aps a srie ser integrada, ou seja, tornar-se estacionria, o processo resultante
um ARMA (p,q) apresentando as mesmas propriedades e caractersticas analisadas
anteriormente. Existem ainda uma srie de combinaes possveis dos modelos

39
apresentados (que dependem da presena ou no dos trs filtros) ocasionando em
diferentes modelos.
Aps esta rpida caracterizao da estrutura dos possveis modelos ARIMA
destinados previso de sries temporais, passa-se a analisar os procedimentos
(instrumentos) necessrios para alcanar o objetivo da previso.18
A identificao do modelo constitui-se no primeiro passo quando esta
metodologia aplicada a sries econmicas. Em outras palavras, o que se busca nesta
etapa descobrir qual das verses dos modelos ARIMA melhor descreve o
comportamento da srie. Sendo ainda mais especfico, nesta etapa procura-se determinar
o valor dos trs filtros (p, d, q) do modelo que ir servir de base para a realizao de
previses. Com este propsito, a identificao de um modelo ARIMA obtida por meio
da anlise de trs instrumentos: i) grfico; ii) funo de autocorrelao (AC); iii) e
funo de autocorrelao parcial (PAC).
Rigorosamente, a anlise grfica da srie poder somente informar se a srie
aparentemente estacionria e se apresenta algum tipo de tendncia e/ou sazonalidade.
A funo de autocorrelao, por outro lado, se mostra extremamente til na
identificao porque fornece uma descrio parcial do processo ao qual se est querendo
modelar. A mesma nos informa quanto de autocorrelao existe (e, assim, quanta
independncia existe) entre pontos de dados vizinhos de uma srie (Pindyck &
Rubinfeld, 1998). Esta funo definida da seguinte forma:

k =

k E ( y t y )( y t + k y )
=
0
y2

Na prtica, devido limitao do nmero de observaes, utiliza-se, para a


descrio do processo estocstico, uma estimativa da funo de autocorrelao que a
funo de autocorrelao amostral denotada por:

18

Mais adiante sero caracterizados os modelos sazonais ARIMA ou modelos SARIMA.

40
T

rk =

(y

t = k +1

y )( y t + k y )

(y
t =1

y)

Conhecendo-se a distribuio de probabilidade de rk pode-se construir intervalos


de confiana e realizar testes de hipteses para verificar se cada coeficiente
separadamente estatisticamente igual a zero. Bartlett (1946) demonstrou que se a srie
temporal foi gerada por um processo de rudo branco, os coeficientes de autocorrelao
tm distribuio aproximadamente normal com mdia zero e varincia 1/T.19 Pode-se
ainda testar conjuntamente se os primeiros k coeficientes so estatisticamente diferentes
de zero. Para tanto, utiliza-se o teste Q de Ljung-Box que se distribui assintoticamente
como uma 2 ( K ) e cuja estatstica dada por:

rk2
j =1 T k
k

QLB = T (T + 2)

Desta forma, pode-se determinar se uma srie econmica estacionria ou no


por meio da funo de autocorrelao amostral, pois se a mesma converge rapidamente
para zero quando o valor da defasagem k aumenta, ento a srie considerada
estacionria.20 Alm disso, atravs do comportamento desta funo pode-se ainda
determinar os componentes p e q dos modelos ARIMA.
O terceiro instrumento utilizado na identificao dos modelos ARIMA a
funo de autocorrelao parcial. Esta funo, diferentemente da funo de
autocorrelao, mensura a correlao entre pontos da srie (yt e yt-k, por exemplo)
descontando a influncia exercida entre os pontos intermedirios. Ou seja, a funo de
autocorrelao parcial mede a autocorrelao lquida entre duas observaes.

19

O programa E-Views calcula o intervalo de confiana de aproximadamente 2/T1/2. Assim, se as


autocorrelaes esto neste intervalo, os mesmos no so significativamente diferentes de zero em um
nvel de 5% de significncia.
20
Sries no estacionrias apresentam fortes correlaes seriais.

41
A etapa de identificao constitui-se em uma das mais importantes e difceis da
metodologia de Box-Jenkins. Muitas vezes, na realidade o que geralmente acontece,
so selecionados vrios modelos capazes de gerar previses de uma srie especfica.
Esta dificuldade decorre do fato de as funes de autocorrelao e autocorrelao
parcial utilizadas na identificao do modelo serem funes amostrais o que impede a
sua exata identificao.
Selecionados alguns modelos na etapa de identificao parte-se para a segunda
etapa que a estimao desses modelos. Em outras palavras, o que se busca a
obteno dos parmetros e presentes nos modelos, bem como a obteno da
varincia do erro 2 . De uma forma geral, os modelos a serem estimados so escritos
como:
( L)d y t = ( L) wt = ( L) t

(eq. III-12)

O mtodo de estimao, seja ele qual for21, requer a minimizao da soma dos
erros ao quadrado, isto :

S (1 , , p , 1 , , q ) = t2 = 1 ( L) ( L) wt
t

(eq. III-13)

Para se estimar esses modelos preciso atribuir valores a w0 , w1 , , w p +1 e a


0 , 1 , , q +1 . Uma alternativa atribuir aos s o valor zero que corresponde a suas
esperanas no condicionais. Aos w s passados atribui-se o valor mdio da srie w . As
estimativas obtidas por mnimos quadrados dependero, portanto, dos valores atribudos
aos s e aos w s.
Caso algum termo de mdia mvel estiver presente no modelo o processo
utilizado de estimao dos parmetros envolver mtodos no-lineares (mtodos dos
mnimos quadrados no-lineares).

21

Usa-se normalmente o mtodo dos mnimos quadrados e o mtodo da mxima verossimilhana.

42
A estimao de modelos ARIMA por meio da funo de mxima
verossimilhana obtida utilizando-se do fato de que os erros 1 , , T so, por
hiptese, normalmente distribudos e independentes com mdia zero e varincia 2 .22
Isto tem como principal implicao que ambos os mtodos de estimao fornecem
estimativas iguais para os parmetros do modelo.
A terceira etapa da metodologia de Box-Jenkins consiste na checagem de
diagnstico do modelo. Nesta fase nada mais se faz que verificar se o modelo
identificado e estimado adequado para a realizao de previses. Caso o seja, faz-se a
previso da srie. Caso contrrio, inicia-se todo o processo de identificao e estimao
novamente. Especificamente no que se refere a forma de como ocorre a verificao do
modelo, a ateno se concentra no comportamento da estimativa de t , ou seja, nos
resduos t do modelo estimado. Como por suposio os distrbios t so distribudos
normalmente

independentes

as

estimativas

de

devem

se

comportar

aproximadamente como um rudo branco para que o modelo esteja devidamente


especificado. Assim, pode-se testar isoladamente ou conjuntamente a significncia
estatstica dos coeficientes da funo de autocorrelao amostral dos resduos t para
verificar se os mesmos se comportam como um rudo branco. Estes coeficientes tm
distribuio aproximadamente normal com mdia zero e varincia 1/T23 e so expressos
por:
T

rk ( ) =

t = k +1
T


t =1

t k

2
t

Pode-se conjuntamente testar se os coeficientes so estatisticamente iguais a


zero por meio de teste Q*(K) de Ljung-Box dado por:

22
23

Ver Pindyck & Rubinfeld (1998).


Para valores pequenos de k, a varincia de rk ( t ) pode ser bem menor que 1/T.

43
rk2 ()
Q * ( K ) = T (T + 2)
j =1 T k
k

em que Q*(K) se distribui com uma 2 ( k p q ) .

Finalmente, como forma de auxlio na verificao dos resduos pode-se observar


o grfico dos mesmos a fim de constatar se a varincia permanece constante ao longo do
tempo. Alm disso, os critrios de Akaike (AIC) e o de Schwarz (BIC) podem ser
utilizados quando restar dvidas acerca da escolha do modelo. Estes critrios de seleo
so baseados na varincia estimada de t , no tamanho da amostra e nos valores de p e q
e cujas frmulas so:

AIC (Akaikes Information Criteria) = ln 2 +

2( p + q )
T

BIC (Bayesian Information Criteria) = ln 2 +

( p + q ) ln T
T

onde: T o tamanho da amostra;


2 a varincia estimada de t .

Dentre os modelos selecionados na etapa de identificao escolhe-se aquele que


apresentar o menor valor para os critrios acima, pois como se pode observar pelas
frmulas acima h uma punio para modelos mais complexos que apresentarem
valores maiores para p e q (princpio da parcimnia).
Por ltimo, cabe ressaltar que esta metodologia tem como objetivo final fornecer
previses de sries temporais. O que se deseja , com base nas informaes disponveis,
obter uma maneira de prever valores futuros de uma srie econmica. Assim, a questo
que se coloca estabelecer qual o melhor previsor para a srie yt em instantes de tempo
futuros. Este previsor timo aquele que minimiza o erro quadrtico mdio de
previso, isto , o que minimiza a expresso abaixo:

2
E [ yT + l yT (l )] = E eT2 (l )

(eq. III-14)

44

em que: yT + l o valor da srie y t em T+l;


yT (l ) a previso da srie y t em T+l.

A soluo para este problema, cuja prova pode ser encontrada nos livros de
referncia24, dada pela esperana condicional de yT + l , ou seja:
yT (l ) = E[ yT + l / yT , yT 1 , , y1 ]

(eq. III-15)

Feitos alguns esclarecimentos a respeito das etapas da metodologia de BoxJenkins, parte-se para a caracterizao de modelos que, alm de explorarem a correlao
de valores observados da srie em instantes de tempo consecutivos, exploram a
correlao existente entre valores observados distantes por s ou mltiplos de s.25 Esta
nova classe de modelos ARIMA, em que so utilizados para a modelagem de sries que
apresentam variaes sazonais, denominado modelo SARIMA.
Dentre os modelos SARIMA existem aqueles que consideram apenas as
observaes consecutivas no correlacionadas, isto , levam em considerao somente
as correlaes existentes entre t, t-s, t-2s, ... (modelo puramente sazonal) e existem
aqueles que, alm de considerarem a correlao sazonal, incorporam a correlao entre
instantes de tempo sucessivos (modelo sazonal multiplicativo geral). Este ltimo tipo de
modelo geral denominado ARIMA (p,d,q)(P,D,Q)s e escrito como:
( L) ( Ls )d Ds yt = ( L)( Ls ) t

em que: ( L) = (1 1L p Lp ) ;
( Ls ) = (1 1Ls P LPs ) ;
d = (1 L) d ;

Ds = (1 Ls ) D ;

24
25

Para citar algumas obras ver Pindyck & Rubinfeld (1998) e Hamilton (1994).
Neste outro tipo de correlao serial as sries tm periodicidade inferior a um ano.

(eq. III-16)

45
( L) = (1 1L q Lq ) ;
( Ls ) = (1 1Ls Q LQs ) ;

t um rudo branco.
Com exceo da etapa de identificao, as demais etapas aplicadas aos modelos
sazonais so anlogas quelas descritas anteriormente para os modelos no sazonais.
Isto , inicialmente quando se deseja identificar a ordem dos filtros do modelo SARIMA
(p,d,q,P,D,Q) utiliza-se as funes AC e PAC. Por exemplo, a anlise da funo AC da
srie original e das sries resultantes da aplicao de diferenas consecutivas e/ou
sazonais indicar quais os valores de d e D. Dessa forma, se a primeira diferena da
srie ( yt ) apresentar funo AC com valores altos e que declinam lentamente nas
ordens mltiplas de s, ento necessrio aplicar srie uma diferena sazonal ( s yt ).
Por outro lado, para se determinar os restantes dos elementos do modelo utiliza-se as
funes AC e PAC observando agora no somente os coeficientes de autocorrelao
consecutivos, mas tambm os coeficientes de autocorrelao de ordens mltiplas de s
para realizar a identificao dos filtros sazonais. Aps a elaborao das trs etapas,
realiza-se previses para a srie considerada.
3.2.2

Modelos de Correo de Erro

As variveis cointegrantes possuem a caracterstica particular de que suas


trajetrias so influenciadas pela extenso de qualquer desvio em relao ao equilbrio
de longo prazo. Em outras palavras, quando certas variveis se cointegram existe algum
processo de ajustamento que impede que os erros da relao de longo prazo dessas
variveis se tornem grandes. O modelo que tenta capturar a dinmica das relaes de
curto prazo das variveis, influenciadas pelos seus desvios do equilbrio a longo prazo,
denominado modelo de correo de erro.
Os modelos vetoriais de correo de erro (VEC) constituem em um caso restrito
dos modelos vetoriais autoregressivos (VAR) em que se incorporam na especificao do
modelo relaes cointegrantes entre as variveis. Isto , representa um modelo linear
que apresenta uma estrutura para modelagem de relaes multivariadas em que as
variveis presentes no modelo so no estacionrias e cointegrantes (tais variveis

46
devem possuir a mesma ordem de integrao). A idia da incorporao das relaes
cointegrantes ao modelo capturar o comportamento de longo prazo das variveis
envolvidas no modelo. Tais modelos correntemente representam a abordagem mais
comum para situaes em que se deseja incorporar tanto a teoria econmica das
relaes de longo prazo entre as variveis como o comportamento de equilbrio no curto
prazo (Charemza & Deadman, 1997).
Especificamente, pode-se escrever um modelo de correo de erro, na sua forma
mais simples, como:

yt = yt 1 + 1yt 1 + t

(Forma Matricial)

Ou ainda:

(
)
y2t = 2 (y2(t 1) y1(t 1) ) + y1(t 1) + y2(t 1) + 2t
y1t = 1 y2(t 1) y1(t 1) + y1(t 1) + y2(t 1) + 1t

em que: (y2(t 1) y1(t 1) ) o termo de correo de erro;


1 e 2 so os coeficientes de ajustamento;
1t e 2t so rudos brancos que podem ser correlacionados.
No equilbrio a longo prazo o termo de correo de erro zero. No entanto, caso
as variveis y1t e y2t sofram algum desvio do estado de equilbrio em um perodo de
tempo particular, o termo de correo de erro diferente de zero e cada varivel se
ajusta parcialmente no perodo posterior para restaurar a condio de equilbrio. Os
coeficientes 1 e 2, por sua vez, medem a velocidade desse ajustamento.
Quando da elaborao de um modelo de correo de erro a etapa inicial
constitui-se na determinao da ordem de integrao das sries envolvidas no modelo a
fim de verificar se as mesmas so cointegradas. Desta forma, os testes de razes
unitrias ADF26, para a obteno da ordem de integrao das sries, so as ferramentas
26

ADF: Augmented Dickey-Fuller.

47
necessrias para esta finalidade. No entanto, para sries que apresentam fortes padres
sazonais este teste tradicional no fornece resultados consistentes. Assim, em
substituio aos testes ADF, pode-se utilizar o teste proposto por Dickey, Hasza e Fuller
(1984), denominado teste DHF, em que se aplica a sries que apresentam
comportamento sazonal.
O teste DHF baseia-se na estatstica t da estimativa do parmetro obtido da
estimao por mnimos quadrados ordinrios (OLS) da seguinte equao de regresso:
k

s z t = z t s + i s y t i + t

(eq. III-17)

i =1

em que: yt representa a srie original a ser testada;


zt uma nova srie construda conforme demonstrado abaixo.

Para realizar o teste DHF primeiramente necessrio regredir a equao eq. III18, dada a seguir, para encontrar por OLS as estimativas dos parmetros nela contida:
h

s yt = i s yt i + t

(eq. III-18)

i =1

Aps a obteno das estimativas de , representadas por i , a varivel zt


construda a partir da seguinte equao:
h

zt = yt i yt i

(eq. III-19)

i =1

Realizada a construo da varivel zt e estimada a equao eq. III-19 o teste da


ordem de integrao feito de forma similar aos testes ADF convencionais. Se a
estimativa de significativamente negativa rejeita-se a hiptese nula da existncia de
uma raiz unitria sazonal em favor da hiptese alternativa da no existncia de
sazonalidade estocstica. Caso a hiptese nula no for rejeitada usual considerar a
ordem de diferenciao no sazonal ao invs de considerar ordens maiores de integrao

48
sazonal. Dessa forma, quando no se rejeita a hiptese nula a prxima etapa verificar
se a srie SI12(1,1) ou SI12(0,1) a partir de um teste ADF simples conforme demonstra
a equao abaixo:
k

s yt = s yt 1 + i s yt i + t

(eq. III-20)

i =1

Neste caso a hiptese nula de que a srie SI12(1,1). Se a mesma no for


rejeitada, ento se realiza outro teste em que a nova hiptese nula SI12(2,1) e a
hiptese alternativa de que a srie SI12(1,1). O procedimento se repete at que se
rejeite a hiptese nula.
Alguns pontos importantes do teste DHF devem ser examinados. O primeiro
que a escolha dos valores de k e h anloga a escolha da defasagem do teste ADF
aumentado (ADF), isto , toma-se valores de k e h de forma que os resduos t e t se
comportem como um rudo branco. O outro ponto diz respeito aos valores crticos do
teste DHF que podem ser encontrados nas obras de referncia ou em alguns pacotes
economtricos.
Dada a identificao da ordem de integrao das sries envolvidas no modelo de
correo de erro, h o interesse, antes de realizar propriamente a previso das variveis
endgenas do modelo, de se verificar se estas sries so cointegradas e, em caso
afirmativo, determinar o equilbrio de longo prazo (vetores cointegrantes) dessas
variveis. A metodologia mais empregada para alcanar esta finalidade consiste no teste
de Johansen. Este teste se baseia na estimao dos coeficientes da matriz da equao
VEC ilustrada abaixo e testa as restries aplicadas ao posto desta matriz.
yt = A1 yt 1 + A2 yt 2 + + Ap yt p + t

yt = yt 1 +

(VAR)

p 1

i yt i + t
i =1

(VEC)

49

onde: = Ai I
i =1

i =

Aj

j = i +1

em que: yt um vetor no estacionrio (kx1);


t um vetor de inovaes (kx1);
uma matriz de coeficientes (kxk).
O Teorema da Representao de Granger27 afirma que se a matriz possui
posto r < k, ento existem matrizes e , cada uma com posto r, tal que = e yt
seja estacionrio. O nmero de relaes cointegrantes determinado pelo valor de r e
cada coluna constitui um vetor cointegrante.
Desta forma, se o modelo possui k variveis endgenas, supondo-se que cada
uma dessas variveis possua uma raiz unitria, o nmero mximo de vetores
cointegrantes independentes que podem existir igual a k 1. Caso o teste de Johansen
indique r = 0, ou seja, a no existncia de relaes cointegrantes, ento o modelo VAR
pode ser aplicado em primeira diferena. No outro caso extremo, se o teste indicar o
valor r = k, ento nenhuma das sries que compem o modelo possui raiz unitria e o
modelo VAR pode ser especificado em nvel. No caso do posto da matriz for r < k,
ento existem r relaes cointegrantes e, assim, o modelo de correo de erro pode ser
especificado e aplicado.
3.3

Combinao de Previses

A tcnica da combinao de previses, como o prprio nome deixa transparecer,


consiste em obter resultados de predio a partir de uma mdia (simples ou ponderada)
dos valores de previses realizados por diferentes mtodos. O principal objetivo desta
tcnica aprimorar o poder de previso da varivel em estudo j que estudos empricos

27

Este teorema diz que quaisquer sries cointegradas podem ser representadas por um modelo de
correo de erro e que o inverso tambm verdadeiro.

50
tm demonstrado que a mesma fornece resultados superiores, ou no mnimo iguais,
quando comparada aos outros mtodos de predio.
A atribuio dos pesos da combinao pode ser feita de duas maneiras distintas:
i) por meio de pesos iguais; ii) ou por meio de pesos diferentes. No primeiro caso
(mdia simples) no se considera qualquer informao sobre o desempenho relativo das
previses individuais (FERREIRA, 1996). Assim, no existe uma ponderao maior
para os mtodos que fornecem melhores previses. No segundo caso, entretanto,
considera-se a eficincia dos vrios resultados de previso, pois modelos que
apresentam melhores resultados de predio recebem maior ponderao.
Dessa forma, a questo que se coloca como determinar os pesos para cada
mtodo que compe a tcnica de combinao de previses. Vrias alternativas esto
disponveis na literatura para a derivao destes pesos. No caso de se utilizar
ponderao igual, a forma mais fcil de obteno dos pesos da combinao linear
consiste em calcular a mdia simples para cada previso individual. Por outro lado,
quando se utilizam pesos diferentes (embora constantes) para combinar os diversos
mtodos de previso, vrias opes se encontram a disposio do econometrista.
Bates & Granger (1969) sugerem que os pesos sejam calculados, sob a hiptese
de que as previses que iro compor o modelo de combinao no apresentem vis, pelo
mtodo dos mnimos quadrados restritos da seguinte equao:
yt = 1 f t1 + 2 f t 2 + + k f t k

(eq. III-21)

onde: 1 , 2 , , k so as estimativas das ponderaes para os respectivos k mtodos de


previses

que

compem

modelo

de

combinao

(sendo

que

k = 1 1 2 k 1 );
f t1 , f t 2 , , f t k so as previses para o perodo t dos respectivos k mtodos.

Demonstra-se que estes resultados produzem previses no viesadas com menor


erro quadrtico mdio quando comparadas aos modelos de previses individuais que
integram a tcnica da combinao de previso.

51

Entretanto, em geral no existe razo para assegurar que todas as predies


isoladas sejam no viesadas. Diante desta dificuldade, Granger & Ramanathan (1984)
mostraram que a combinao
yt = 0 + 1 f t1 + 2 f t 2 + + k f t k

(eq. III-22)

em que as ponderaes so obtidas por mnimos quadrados ordinrios proporciona


freqentemente uma previso combinada no viesada com erro quadrtico mdio menor
que as predies individuais f t i (i = 1,...,k). Deve-se destacar que neste procedimento
os pesos estimados no necessitam somar a unidade e que as previses individuais
podem ser viesadas. Ainda, a estimao eficiente das ponderaes depender do
cumprimento dos pressupostos do modelo de regresso linear.
Uma outra forma de atribuir pesos diferentes aos modelos que compem a
tcnica de combinao aquela em que consiste na determinao dos pesos a partir da
inverso de seu erro percentual absoluto mdio.28 Evidentemente que a determinao
dos pesos tambm pode ser obtida a partir da utilizao de qualquer outro critrio que
mea a eficincia de predio.
Resultados empricos apresentados por Makridakis & Winkler (1983) mostraram
que, aps a comparao de desempenho de alguns procedimentos para a determinao
dos pesos, um dos mais apropriados decorrente da equao dada a seguir:
1

t 1 ( i ) 2
es

s =t v

Wi =
1
p
t 1

( j)2
es

j =1 s = t v

28

(eq. III-23)

Uma vasta gama de mtodos de determinao dos pesos pode ser encontrada em Castelar & Mynbaev
(2001) e em Vlez & Velandia.

52
em que: p = nmero de previses includas na combinao;
i = 1, ...,p;
v = nmero de perodos inclusos no processo de determinao dos pesos.
Finalmente, cabe alertar que ainda existem outras tcnicas para o clculo das
ponderaes. Uma tcnica que vem sendo empregada com bastante freqncia consiste
em utilizar ponderaes diferentes, mas que apresentam variaes com o decorrer do
tempo. Vrios autores tm enfatizado que em muitos casos os procedimentos anteriores
de combinao com coeficientes constantes podem resultar em resultados inadequados e
apresentam alguns argumentos para se utilizar ponderaes variveis com o tempo. Em
primeiro lugar, geralmente os pesquisadores tentam cada vez mais melhorar seus
modelos, o que sugere que o comportamento das previses poderiam estar variando com
o tempo e, portanto, as ponderaes da combinao provavelmente tambm variariam
com o tempo. Em segundo lugar, alguns modelos que compem a combinao fornecem
melhores resultados que outros em determinados perodos de tempo. Assim, uma forma
de aumentar a acurcia de predio do modelo seria incorporar pesos que variassem de
acordo com esses perodos crticos. Na determinao dos pesos do modelo de
combinao para a previso do imposto de renda proposto por este trabalho utilizou-se
desta ltima metodologia. Isto , os pesos do modelo variam para cada ms que se
realizar a previso.

53

RESULTADOS EMPRICOS
Nesta seo, como forma de desenvolver o modelo de combinao de previses

e assim obter os valores previstos para o ano de 2002, sero apresentados os principais
resultados de previso mensal do imposto de renda (IR) utilizando-se das trs
metodologias discutidas anteriormente: alisamento exponencial, modelos ARIMA e
modelo de correo de erro. Posteriormente se far a comparao dos resultados do
modelo de combinao com os valores reais observados do imposto de renda a fim de
verificar o poder de predio do modelo. Outro tipo de comparao ainda ser realizado,
mas agora para o ano de 2001. Em outras palavras, confrontam-se os resultados de
previso do modelo de combinao com os resultados do modelo dinmico de Siqueira
(2002) com o objetivo de averiguar qual dos modelos apresenta melhores resultados.
Inicialmente deflacionou-se os dados disponveis do IR (perodo: Jan/90 a
Dez/02; fonte: Banco Central do Brasil) pelo IGP-DI (base Dez/2002).29 Os resultados
dos trs mtodos de previso (alisamento exponencial sazonal de Holt-Winters, modelos
ARIMA e modelo de correo de erro) foram obtidos por meio da utilizao do
programa

computacional

E-Views

(verso

3.1).

seguir

encontram-se

os

procedimentos e os resultados de previso do IR:


Resultados da Previso Utilizando a Tcnica do Alisamento Exponencial
Existem vrias maneiras de realizar o alisamento exponencial de uma srie.
Quando se suspeita que a srie a ser alisada apresenta alguma forma de tendncia e/ou
sazonalidade recorre-se metodologia em que se incorpora ambos os componentes.
Dessa forma, os dois mtodos a serem empregados para a obteno da srie alisada do
IR sero o do alisamento exponencial sazonal de Holt-Winters aditivo e o do alisamento
exponencial sazonal de Holt-Winters multiplicativo. Dentre esses dois mtodos, o
escolhido para a tarefa de realizar previses se basear no valor do critrio do erro
percentual absoluto mdio (EPAM). Ou seja, o mtodo que apresentar menor EPAM
para a previso ex-post (2001:01 a 2001:12) ser adotado para gerar as previses exante (2002:01 a 2002:12) do imposto de renda.
29

O anexo 4 contm os valores das variveis IR e PIB.

54
Primeiramente sero apresentados os resultados da srie IR alisada atravs do
modelo de alisamento exponencial sazonal aditivo (esta nova srie ser denominada
IRWHAD), onde se far algumas consideraes a respeito destes resultados. Logo em
seguida, os resultados da mesma srie, alisada agora pelo mtodo do alisamento
exponencial sazonal multiplicativo (srie denominada IRHWMU), sero mostrados e
discutidos. Deve-se observar, entretanto, que primeiramente reduziu-se o perodo da
amostra em um ano (de 2001 para 2000) para que se pudesse confrontar os resultados de
previso (ano: 2001) dos dois modelos com os dados disponveis e, assim, evidenciar
qual dos mtodos apresentaria melhor ajustamento. Segue, ento, os resultados do
primeiro mtodo de alisamento (aditivo):
Sample: 1990:01 2000:12
Included observations: 132
Method: Holt-Winters Additive Seasonal
Original Series: IR
Forecast Series: IRHWAD
Parameters:

Alpha
Beta
Gamma
Sum of Squared Residuals
Root Mean Squared Error
End of Period Levels:

0.2400
0.0000
0.0000
1.78E+08
1162.834
Mean
Trend
Seasonals:

2000:01
2000:02
2000:03
2000:04
2000:05
2000:06
2000:07
2000:08
2000:09
2000:10
2000:11
2000:12

7056.411
9.858163
361.0631
-370.6155
771.3836
816.3250
712.9604
-487.1675
-143.6753
-656.5639
-650.1819
-690.8689
-914.3433
1251.684

Tabela 01: Resultado de estimao da srie IR pelo mtodo do alisamento exponencial Holt-Winters
aditivo (perodo: 1990:01 a 2000:12)

Verifica-se que a srie alisada apresenta somente um dos seus trs coeficientes
(ou constantes) de alisamento diferente de zero (deve-se destacar que os mesmos foram
livremente estimados). O significado destes coeficientes serem zero que os
componentes tendncia e sazonalidade estimados so fixos e no mudam ao longo do
tempo. Por outro lado, tem-se um valor relativamente baixo para o parmetro o que
implica que as previses finais sero mais estveis, pois pesos maiores sero dados s

55
observaes passadas. O grfico abaixo destaca a srie alisada (pelo mtodo sazonal
aditivo) e a srie original do imposto de renda para o perodo de 2000:12 a 2001:12:
9000

8000

7000

6000

5000
01:01

01:03

01:05
IR

01:07

01:09

01:11

IRHWAD

Grfico 01: Sries IR e IRHWAD (perodo: 2000:12 a 2001:12)

Com relao aos resultados do segundo modelo (o sazonal multiplicativo) os


mesmos se apresentaram da seguinte forma:
Sample: 1990:01 2000:12
Included observations: 132
Method: Holt-Winters Multiplicative Seasonal
Original Series: IR
Forecast Series: IRHWMU
Parameters:

Alpha
Beta
Gamma
Sum of Squared Residuals
Root Mean Squared Error
End of Period Levels:

0.2200
0.0000
0.0000
1.78E+08
1159.926
Mean
Trend
Seasonals:

2000:01
2000:02
2000:03
2000:04
2000:05
2000:06
2000:07
2000:08
2000:09
2000:10
2000:11
2000:12

7093.346
9.858163
1.044697
0.917544
1.103586
1.165362
1.171366
0.931844
0.976414
0.885250
0.875210
0.874194
0.840086
1.214448

Tabela 02: Resultado de estimao da srie IR pelo mtodo do alisamento exponencial Holt-Winters
multiplicativo (perodo: 1990:01 a 2000:12)

56

Semelhantemente aos resultados da tcnica de alisamento anterior a estimativa


do coeficiente de alisamento baixa evidenciando que as previses finais da srie do
imposto de renda sero estveis. A figura a seguir ilustra trs sries: a srie original do
imposto de renda, a srie do IR alisada pelo mtodo sazonal aditivo e a srie do IR
alisada pelo mtodo sazonal multiplicativo para o perodo de 2000:12 a 2001:12:

9000

8000

7000

6000

5000
01:01

01:03

01:05

IR

01:07

IRHWAD

01:09

01:11

IRHWMU

Grfico 02: Sries IR, IRHWAD e IRHWMU (perodo: 2000:12 a 2001:12)

Como se pode observar pelo grfico anterior as sries IRHWAD e IRHWMU


so bastantes parecidas. Isto decorre dos resultados de estimao serem prximos um do
outro.
Para a deciso da tcnica utilizada para gerar previses da srie do IR recorreuse comparao do erro percentual absoluto mdio de cada modelo. O clculo deste
critrio baseado na seguinte frmula:30
n

/ yt yt /
yt
EPAM = t =1
n

30

(eq. IV-01)

Outros critrios de medida e controle de predio podem ser encontrados em FERREIRA (1996) e em
Hanke & Reitsch (1992).

57

Os resultados do clculo deste indicador esto resumidos na tabela abaixo, a


partir dos quais chega-se a concluso de que, dentre os dois mtodos disponveis de
alisamento exponencial para se obter a previso da srie do imposto de renda, o modelo
de alisamento exponencial sazonal aditivo de Holt-Winters mostra-se mais indicado
pelo fato de apresentar menor EPAM.

PERODO

IR

IRHWAD

IRHWMU

EPAM-AD

EPAM-MU

Jan/01

8601.817

7427.332

7420.699

0.136539

0.137310

Fev/01

5482.212

6705.512

6526.545

0.223140

0.190495

Mar/01

6823.903

7857.369

7860.755

0.151448

0.151944

Abr/01

7714.506

7912.169

8312.267

0.025622

0.077485

Mai/01

6826.406

7818.662

8366.641

0.145356

0.225629

Jun/01

6685.793

6628.393

6665.011

0.008585

0.003108

Jul/01

7430.427

6981.743

6993.420

0.060385

0.058813

Ago/01

6967.576

6478.712

6349.201

0.070163

0.088750

Set/01

6393.484

6494.953

6285.819

0.015871

0.016840

Out/01

7762.130

6464.124

6287.141

0.167223

0.190024

Nov/01

6419.178

6250.508

6050.118

0.026276

0.057493

Dez/01

8740.033

8426.393

8758.167

0.035885

0.002075

0.088874
0.099997
Tabela 03: Comparao para a escolha do modelo de alisamento exponencial

Determinado o modelo mais adequado pode-se gerar uma nova srie alisada
considerando-se, desta vez, todo o perodo amostral disponvel (no caso o novo perodo
de 1990:01 2001:12) para obter as previses para o ano de 2002. Procedendo-se
ento dessa forma os resultados obtidos, utilizando-se o mtodo de alisamento
exponencial sazonal aditivo de Holt-Winters (a nova srie denominada de
IRHWAD2), foram os seguintes:

58
Sample: 1990:01 2001:12
Included observations: 144
Method: Holt-Winters Additive Seasonal
Original Series: IR
Forecast Series: IRHWAD2
Parameters:

Alpha
Beta
Gamma
Sum of Squared Residuals
Root Mean Squared Error
End of Period Levels:

0.2300
0.0000
0.0000
1.86E+08
1136.203
Mean
Trend
Seasonals:

2001:01
2001:02
2001:03
2001:04
2001:05
2001:06
2001:07
2001:08
2001:09
2001:10
2001:11
2001:12

7429.885
11.13068
463.1468
-469.6197
686.9263
800.2456
629.3923
-484.5368
-109.7101
-620.5229
-664.6078
-589.9444
-908.8026
1268.033

Tabela 04: Resultado de estimao da srie IR pelo mtodo do alisamento exponencial Holt-Winters
aditivo (perodo: 1990:01 a 2001:12)

Portanto, de posse dos novos coeficientes estimados pode-se partir


definitivamente para a obteno dos valores de previso da srie do imposto de renda
para o ano de 2002. Os resultados, utilizando-se o mtodo do alisamento exponencial
sazonal aditivo de Holt-Winters, esto resumidos logo abaixo em forma de tabela e
grfico:
PERODO ALIS. EXP.
Jan/02
7904.162
Fev/02
6982.526
Mar/02
8150.203
Abr/02
8274.653
Mai/02
8114.93
Jun/02
7012.132
Jul/02
7398.089
Ago/02
6898.407
Set/02
6865.453
Out/02
6951.247
Nov/02
6643.519
Dez/02
8831.486
Tabela 05: Resultados de previso para o ano de 2002 (Mtodo: Alisamento Exponencial Holt-Winters
Aditivo)

59
14000
12000
10000
8000
6000
4000
2000
90 91 92 93 94 95 96 97 98 99 00 01 02
IR

IRHWAD2

Grfico 03: Sries IR e IRHWAD2 (perodo:1990:01 a 2002:12)

Resultados da Previso Utilizando a Metodologia de Box-Jenkins


A segunda forma de realizar a previso da srie IR foi baseada na metodologia
de Box-Jenkins, tambm conhecida como modelos ARIMA. Para alcanar este objetivo
o procedimento utilizado consistiu na adoo de trs etapas metodolgicas: i)
identificao; ii) estimao; iii) e a checagem de diagnstico.
Na primeira etapa, com base nas funes amostrais de autocorrelao e
autocorrelao parcial, foram selecionados alguns modelos suspeitos de terem gerado a
srie de estudo. Os resultados das duas funes, bem como a estatstica Q de Ljung-Box
para a srie original, esto expostos no anexo 1 (tabela 21). Observa-se que a funo de
autocorrelao amostral da srie do imposto de renda no converge rapidamente para
zero quando o valor de k aumenta. Em outras palavras, esta funo nos informa que a
srie IR no estacionria indicando que se deve diferenci-la a fim de verificar se a
mesma se torna estacionria. De forma similar, a anlise grfica desta srie est de
acordo com a funo AC, pois se pode observar a existncia de uma leve tendncia
positiva (no estacionaridade). O grfico da srie do imposto de renda mostrado a
seguir:

60
12000
10000
8000
6000
4000
2000
90 91 92 93 94 95 96 97 98 99 00 01
IR

Grfico 04: Srie IR (perodo: 1990:01 a 2001:12)

A tabela 22 do anexo 1 fornece os resultados das funes AC e PAC para a


primeira diferena da srie do imposto de renda (o seu grfico, denominado D(IR), pode
ser visto abaixo). Analisando-se estas funes observa-se que a nova srie estacionria
apresentando, porm, um forte padro de sazonalidade.
8000
6000
4000
2000
0
-2000
-4000
-6000
90 91 92 93 94 95 96 97 98 99 00 01
D(IR)

Grfico 05: Primeira diferena da srie IR (perodo: 1990:01 a 2001:12)

Recomenda-se, para sries temporais que apresentam forte padro de


sazonalidade, tomar primeiro a diferena sazonal (no caso especfico da srie do
imposto de renda s = 12) e depois verificar a funo AC da srie resultante. Caso a srie
desazonalizada ainda no for estacionria toma-se ento a primeira diferena.

61
Adotando-se este procedimento o grfico a seguir mostra a srie do IR quando se realiza
a diferena sazonal (yt yt-12). A funo de autocorrelao amostral para esta srie
encontra-se na tabela 23 do anexo 1. Como se pode observar, a srie ainda pode ser
considerada no estacionria, necessitando-se realizar a primeira diferena da mesma
para iniciar a identificao dos modelos. Os resultados da funo de autocorrelao para
a primeira diferena da srie desazonalizada so dados na tabela 24 do anexo 1 e de
acordo com tais resultados nota-se que esta nova srie estacionria podendo-se, desta
forma, utiliz-la para identificar os modelos. A seguir so ilustrados os grficos destas
duas sries:
6000
4000
2000
0
-2000
-4000
-6000
90 91 92 93 94 95 96 97 98 99 00 01
IR(-12)

Grfico 06: Diferena sazonal da srie IR (perodo: 1990:01 a 2001:12)


6000
4000
2000
0
-2000
-4000
-6000
90 91 92 93 94 95 96 97 98 99 00 01
D(IR(-12))

Grfico 07: Primeira diferena da srie IR desazonalizada (perodo: 1990:01 a 2001:12)

62

Portanto, com base no correlograma da tabela 4 do anexo 1, partiu-se para a


identificao dos outros dois componentes (p e q) do modelo. Dessa forma, analisandose atentamente a tabela 4, pde-se selecionar alguns modelos sazonais ARIMA a fim de
descobrir qual seria o melhor para a tarefa de previso. A tabela a seguir fornece um
resumo dos dois modelos selecionados:
Modelos SARIMA Selecionados
Modelo 01 (IR01):
SARIMA(0,1,1)(0,1,2)12
Modelo 02 (IR02):
SARIMA(1,1,0)(0,1,2)12

Especificao
12

(1 L )(1 L) yt = (1 + 1L)(1 + 1L12 )(1 + 2 L24 ) t


(1 L12 )(1 L)(1 1L) yt = (1 + 1L12 )(1 + 2 L24 ) t

Tabela 06: Modelos SARIMA selecionados

A escolha do modelo ARIMA mais apropriado ser, a princpio, similar ao


realizado pelo mtodo de alisamento exponencial no sentido de que se reduzir o
tamanho da amostra em um ano a fim de verificar qual modelo apresenta menor EPAM
(erro percentual absoluto mdio). Aps a adoo deste critrio recorre-se checagem de
diagnstico para eleger o modelo que ser o responsvel pela previso da srie do
imposto de renda. Os resultados dos respectivos clculos do EPAM, juntamente com o
respectivo grfico, encontram-se logo abaixo:
PERODO
Jan/01
Fev/01
Mar/01
Abr/01
Mai/01
Jun/01
Jul/01
Ago/01
Set/01
Out/01
Nov/01
Dez/01

IR
8601.817
5482.212
6823.903
7714.506
6826.406
6685.793
7430.427
6967.576
6393.484
7762.130
6419.178
8740.033

IR01
7525.419
6473.052
8090.586
7543.153
7151.578
6452.258
7002.091
6460.566
6301.524
6481.594
6269.724
8558.822

IR02
7887.599
6622.539
8585.904
7430.294
6705.858
6499.447
7256.838
6610.886
6673.469
6749.354
6445.568
9086.078

Tabela 07: Comparao para a escolha do modelo SARIMA

EPAM-IR01
0.1251361
0.1807373
0.1856244
0.0222118
0.0476344
0.03493
0.0576462
0.0727671
0.0143834
0.1649722
0.0232824
0.0207334
0.0791716

EPAM-IR02
0.0830311
0.2080049
0.2582101
0.0368412
0.0176591
0.0278719
0.0233619
0.0511928
0.0437922
0.1304766
0.0041111
0.0395931
0.0770122

63
10000
9000
8000
7000
6000
5000
01:01

01:03

01:05
IR

01:07
IR01

01:09

01:11

IR02

Grfico 08: Sries IR, IR01 e IR02 (perodo: 2000:12 a 2001:12)

Como se pde observar acima, os modelos selecionados apresentaram-se


prximos um do outro necessitando de uma outra ferramenta para realizar a escolha do
melhor modelo. Desta forma, fez-se a estimao destes dois modelos levando-se em
considerao todo o perodo amostral (1990:01 2001:12) a fim de observar o
comportamento dos resduos. Com base nos grficos e nos correlogramas notou-se que
aparentemente todos os modelos constituram-se em um processo de rudo branco. No
entanto, a estatstica Q*(K) do modelo 01 apresentou-se mais consistente, pois seus
valores p indicaram que conjuntamente os coeficientes de correlao dos resduos para
este modelo so estatisticamente iguais a zero (no anexo 1 a tabela 25 ilustra o
correlograma dos resduos do modelo IR01, enquanto a tabela 26 demonstra o
correlograma dos resduos do modelo IR02). Como a anlise do correlograma apontou o
modelo 01 como sendo o mais conveniente para gerar predies, elaborou-se a previso
da srie do imposto de renda com base no modelo SARIMA(0,1,1)(0,1,2)12.31 Logo
abaixo segue a tabela de valores da previso do IR para o ano de 2002:

31

O anexo 2 fornece os resultados de estimao do modelo 01.

64
PERODO
SARIMA
Jan/02
8183.493
Fev/02
6539.158
Mar/02
7772.114
Abr/02
8025.862
Mai/02
7520.017
Jun/02
6779.156
Jul/02
7312.919
Ago/02
6785.302
Set/02
6658.100
Out/02
7088.050
Nov/02
6383.443
Dez/02
8708.236
Tabela 08: Resultados de previso para o ano de 2002 (Mtodo: Box-Jenkins)

Resultados da Previso Utilizando o Modelo Vetorial de Correo de Erro (VEC)


A terceira metodologia utilizada para a previso da srie mensal do imposto de
renda foi a aplicao de um modelo vetorial de correo de erro (VEC). Este tipo de
modelo economtrico consiste em um caso particular de modelos vetoriais
autoregressivos (VAR) em que as variveis endgenas no so estacionrias. No caso
especfico, as variveis endgenas empregadas para a previso do imposto de renda
foram imposto de renda desazonalizado (IRSA)32 e produto interno bruto
desazonalizado (PIBSA) para o perodo de 1994:08 a 2001:12. Assim, utilizou-se a
varivel PIB como uma proxy da varivel renda.
Inicialmente o procedimento empregado consistiu no uso do teste de
estacionaridade destas duas sries. Em outras palavras, o teste de Dickey-Fuller (DF)
para razes unitrias foi utilizado para averiguar a ordem de integrao das mesmas.
Aps a aplicao do teste de DF, a etapa seguinte constituiu na adoo do teste de
Johansen com o intuito de verificar se as sries eram cointegradas. De posse do
resultado deste ltimo teste seguiu-se para a construo do modelo vetorial de correo
de erro.

32

O mtodo utilizado para desazonalizar as sries foi a diferena da mdia mvel encontrada no programa
E-Views (verso 3.1).

65
Os resultados dos testes para as duas sries encontram-se logo abaixo. Verificouse que as sries no so estacionrias tendo em vista que a hiptese nula da existncia
de raiz unitria no foi rejeitada.
ADF Test Statistic

0.365201

1% Critical Value*
5% Critical Value
10% Critical Value

-2.5902
-1.9440
-1.6177

*MacKinnon critical values for rejection of hypothesis of a unit root.


Augmented Dickey-Fuller Test Equation
Dependent Variable: D(IRSA)
Method: Least Squares
Sample(adjusted): 1994:12 2001:12
Included observations: 85 after adjusting endpoints
Variable

Coefficient

Std. Error

t-Statistic

Prob.

IRSA(-1)
D(IRSA(-1))
D(IRSA(-2))
D(IRSA(-3))

0.006033
-0.652008
-0.489305
-0.240583

0.016520
0.109906
0.120149
0.109829

0.365201
-5.932401
-4.072488
-2.190531

0.7159
0.0000
0.0001
0.0314

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood

0.314046
0.288640
977.3541
77372911
-703.7734

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
Durbin-Watson stat

22.68194
1158.797
16.65349
16.76844
2.069092

Tabela 09: Resultado do teste DF para a srie IRSA

ADF Test Statistic

0.228458

1% Critical Value*
5% Critical Value
10% Critical Value

-2.5899
-1.9439
-1.6177

*MacKinnon critical values for rejection of hypothesis of a unit root.


Augmented Dickey-Fuller Test Equation
Dependent Variable: D(PIBSA)
Method: Least Squares
Sample(adjusted): 1994:11 2001:12
Included observations: 86 after adjusting endpoints
Variable

Coefficient

Std. Error

t-Statistic

Prob.

PIBSA(-1)
D(PIBSA(-1))
D(PIBSA(-2))

0.000703
0.227664
-0.164746

0.003078
0.106187
0.105826

0.228458
2.143988
-1.556767

0.8199
0.0350
0.1233

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood

0.066433
0.043938
3807.240
1.20E+09
-829.5427

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
Durbin-Watson stat

Tabela 10:Resultado do teste DF para a srie PIBSA

166.6905
3893.742
19.36146
19.44707
2.162288

66
Dado que os resultados do teste indicaram a existncia de uma raiz unitria
partiu-se para determinar a ordem de integrao das sries. Assim, utilizando-se
novamente do teste de DF, dessa vez para a primeira diferena, obteve-se os seguintes
resultados:
ADF Test Statistic

-8.833768

1% Critical Value*
5% Critical Value
10% Critical Value

-2.5902
-1.9440
-1.6177

*MacKinnon critical values for rejection of hypothesis of a unit root.


Augmented Dickey-Fuller Test Equation
Dependent Variable: D(IRSA,2)
Method: Least Squares
Sample(adjusted): 1994:12 2001:12
Included observations: 85 after adjusting endpoints
Variable

Coefficient

Std. Error

t-Statistic

Prob.

D(IRSA(-1))
D(IRSA(-1),2)
D(IRSA(-2),2)

-2.364272
0.719402
0.236577

0.267640
0.197340
0.108700

-8.833768
3.645494
2.176411

0.0000
0.0005
0.0324

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood

0.757346
0.751428
972.1758
77500310
-703.8433

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
Durbin-Watson stat

-13.59370
1949.927
16.63161
16.71782
2.066468

Tabela 11: Resultado do teste DF para a primeira diferena da srie IRSA

ADF Test Statistic

-6.150070

1% Critical Value*
5% Critical Value
10% Critical Value

-2.5909
-1.9441
-1.6178

*MacKinnon critical values for rejection of hypothesis of a unit root.


Augmented Dickey-Fuller Test Equation
Dependent Variable: D(PIBSA,2)
Method: Least Squares
Sample(adjusted): 1995:02 2001:12
Included observations: 83 after adjusting endpoints
Variable

Coefficient

Std. Error

t-Statistic

Prob.

D(PIBSA(-1))
D(PIBSA(-1),2)
D(PIBSA(-2),2)
D(PIBSA(-3),2)
D(PIBSA(-4),2)

-1.666463
0.709413
0.613943
0.304194
0.044570

0.270967
0.215034
0.169235
0.142892
0.105552

-6.150070
3.299068
3.627742
2.128838
0.422252

0.0000
0.0015
0.0005
0.0364
0.6740

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood

0.548545
0.525393
3304.558
8.52E+08
-787.7472

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
Durbin-Watson stat

-148.6135
4796.741
19.10234
19.24806
2.053351

Tabela 12: Resultado do teste DF para a primeira diferena da srie PIBSA

67
Deste modo, como se rejeitou a hiptese nula da existncia de duas razes
unitrias, indicando que as sries possuam a mesma ordem de integrao (I=1), pde-se
realizar o teste de Johansen. A seguir apresenta-se o resultado do teste de cointegrao
de Johansen juntamente com o grfico das sries IRSA e PIBSA:
Sample: 1994:08 2001:12
Included observations: 84
Test assumption: No deterministic trend in the data
Series: IRSA PIBSA
Lags interval: 1 to 4
Eigenvalue

Likelihood
Ratio

5 Percent
Critical Value

1 Percent
Critical Value

0.248211
0.049006

28.18600
4.220797

19.96
9.24

24.60
12.97

*(**) denotes rejection of the hypothesis at 5%(1%) significance level


L.R. test indicates 1 cointegrating equation(s) at 5% significance level
Unnormalized Cointegrating Coefficients:
IRSA
-0.000116
-0.000126

PIBSA
-3.99E-06
1.88E-05

C
1.314453
-1.695953

Normalized Cointegrating Coefficients: 1 Cointegrating Equation(s)


IRSA
1.000000

PIBSA
0.034306
(0.03823)

Log likelihood

-1477.415

C
-11306.94
(5178.97)

Tabela 13: Resultado do teste de Johansen para as sries IRSA e PIBSA

160000

120000

80000

40000

0
95

96

97

98
IRSA

99

00

01

PIBSA

Grfico 09: Sries IRSA e PIBSA (perodo: 1994:08 a 2001:12)

Hypothesized
No. of CE(s)
None **
At most 1

68
Realizado o teste de cointegrao de Johansen e verificado que as sries so de
fato cointegradas, o prximo passo foi construir um modelo vetorial de correo de erro
para gerar a previso da srie do imposto de renda. Foram selecionados e estimados
cinco modelos de correo de erro em que os lags foram escolhidos de acordo com o
comportamento dos resduos. Para realizar a escolha do modelo mais apropriado
procedeu-se de forma similar as duas metodologias anteriormente empregadas, isto ,
fez-se inicialmente uma previso ex-post da srie do imposto de renda e calculou-se
para cada modelo o erro percentual absoluto mdio (EPAM). Como se pode observar na
tabela dada a seguir, o EPAM do modelo VEC02 apresentou menor valor:

PERODO

IR

VEC01

VEC02

VEC03

VEC04

VEC05

Jan/01

8601.817

7369.743

7580.288

7637.073

7695.717

7502.957

Fev/01

5482.212

5914.275

6134.958

6090.341

6172.800

6174.043

Mar/01

6823.903

8031.445

8282.597

8276.417

7984.534

8033.998

Abr/01

7714.506

6632.161

6719.514

6865.570

6933.975

7004.507

Mai/01

6826.406

6411.532

6631.480

6742.432

6880.899

6948.987

Jun/01

6685.793

5772.396

5740.327

5938.514

5795.065

5903.031

Jul/01

7430.427

6970.079

6992.659

7003.268

7241.442

7324.861

Ago/01

6967.576

5589.640

5988.012

5738.671

5821.796

5752.905
5709.419

Set/01

6393.484

6101.619

6338.517

6443.712

5744.297

Out/01

7762.130

5995.242

6622.864

6489.707

6491.241

6125.214

Nov/01

6419.178

5838.016

6401.639

6637.193

6728.080

6870.550

Dez/01

8740.033

8517.316

9066.964

9245.499

9016.431

8697.465

EPAM-VEC01 EPAM-VEC02 EPAM-VEC03

EPAM-VEC04 EPAM-VEC05

0.14323411

0.118757304

0.112155792

0.105338163

0.127747382

0.078811783

0.119066154

0.110927651

0.125968843

0.126195576

0.176957674

0.213762417

0.212856777

0.170083162

0.1773318

0.140300001

0.128976787

0.110044143

0.101177081

0.092034305

0.06077485

0.028554674

0.012301319

0.007982707

0.017956916

0.136617676

0.141414265

0.111771259

0.133227053

0.117078483

0.061954414

0.058915558

0.05748778

0.025433902

0.014207225

0.197764

0.140588879

0.176374782

0.164444521

0.174331891

0.045650447

0.008597409

0.007856061

0.101538911

0.106994152

0.22762922

0.146772291

0.163926989

0.163729363

0.210884847

0.090535268

0.002732281

0.033963071

0.048121738

0.070316168

0.025482398

0.037406152

0.05783342

0.031624366

0.004870462

0.115475987

0.095462014

0.097291587

0.098222484

0.103329101

Tabela 14: Comparao para a escolha do modelo de correo de erro

Feita a escolha do modelo de correo de erro reestimou-se o modelo VEC02


levando-se em considerao todo o perodo amostral (1994:08 a 2001:12) a fim de obter
a previso mensal ex-ante para o ano de 2002 (essa estimao encontra-se no anexo 3,
tabela 28). Os resultados obtidos esto resumidos na tabela abaixo:

69
PERODO
VEC
Jan/02
7389.733
Fev/02
8141.013
Mar/02
7889.312
Abr/02
8256.701
Mai/02
8490.893
Jun/02
7723.063
Jul/02
7934.850
Ago/02
8124.166
Set/02
7677.810
Out/02
8320.435
Nov/02
8258.538
Dez/02
8359.643
Tabela 15: Resultados de previso para o ano de 2002 (Mtodo: Modelo de correo de erro)

Resultados da Previso Utilizando a Tcnica de Combinao de Previses


Elaborada as trs previses da srie do imposto de renda para o perodo de 2002,
partiu-se para a obteno da previso desta srie por meio da tcnica da combinao de
previses. Em outras palavras, tendo em mos as previses oriundas dos trs mtodos
buscou-se combinar esses trs resultados por meio de uma mdia ponderada varivel a
fim de alcanar melhores resultados de predio.
Inicialmente, devido aos melhores resultados conseguidos, se utilizou
ponderao diferente para cada ms. A tcnica escolhida para a determinao dos pesos
foi definida pelo critrio da ponderao inversa ao erro quadrtico mdio (EQM) em
que, para cada ms, os resultados de previso mais acurados obtiveram maiores pesos.
Desta forma, para cada ms utilizou-se a seguinte frmula para se determinar os pesos:

W( j )

(e )
=
(e )
2 1
( j)

j =1

2 1
( j)

(eq. IV-02)

em que: e(2j ) o erro quadrtico mdio de previso da j-sima tcnica.

Os resultados dos pesos que comporam o modelo de combinao encontram-se


abaixo sendo que W1, W2 e W3 so os pesos para a tcnica de alisamento exponencial,
modelos ARIMA e modelo de correo de erros, respectivamente:

70
PERODO
W1
W2
W3
Jan/01
0,284702381 0,338953626 0,376343993
Fev/01
0,165660375 0,252509389 0,581830236
Mar/01
0,461335414 0,30709539 0,231569196
Abr/01
0,421918556 0,561430454 0,016650989
Mai/01
0,027606005 0,257054221 0,715339774
Jun/01
0,939763661 0,05677256 0,003463779
Jul/01
0,31768619 0,348586327 0,333727483
Ago/01
0,458975744 0,426709977 0,114314279
Set/01
0,177772705 0,216438201 0,605789094
Out/01
0,300701464 0,308962206 0,39033633
Nov/01
0,010553248 0,013441469 0,976005283
Dez/01
0,203416845 0,609369467 0,187213688
Tabela 16: Resultado do clculo dos pesos do modelo de combinao de previses

Os resultados da previso ex-post da combinao de previso so ilustrados a


seguir onde se verifica que de fato esta tcnica fornece um erro percentual absoluto
mdio (EPAM) menor comparada com os EPAM dos outros modelos analisados
anteriormente:
PERODO
IR
Jan/01 8601,817
Fev/01 5482,212
Mar/01 6823,903
Abr/01 7714,506
Mai/01 6826,406
Jun/01 6685,793
Jul/01 7430,427
Ago/01 6967,576
Set/01 6393,484
Out/01 7762,130
Nov/01 6419,178
Dez/01 8740,033

IRHWAD
7427,332
6705,512
7857,369
7912,169
7818,662
6628,393
6981,743
6478,712
6494,953
6464,124
6250,508
8426,393

SARIMA
7525,419
6473,052
8090,586
7543,153
7151,578
6452,258
7002,091
6460,566
6301,524
6481,594
6269,724
8558,822

VEC
7580,288
6134,958
8282,597
6719,514
6631,480
5740,327
6992,659
5988,012
6338,517
6622,864
6401,639
9066,964

C.P.
7518,143167
6314,848041
8027,458572
7685,133291
6797,946881
6615,317299
6992,479087
6414,874938
6358,32011
6531,483715
6398,270946
8627,014848

EPAM
0,125981968
0,151879577
0,176373488
0,003807465
0,004168975
0,010541113
0,058939804
0,079324727
0,005499957
0,158544921
0,003256968
0,01293109
0,065937504
Tabela 17: Resultados de previso para o ano de 2001 com respectivo clculo do EPAM

Desta forma, elaborado o modelo de combinao de previses pde-se dispor


dos resultados da srie do imposto de renda para o ano de 2002. Abaixo se encontram os
valores previstos por essa metodologia:

71
PERODO
C. P.
Jan/02
7805,23999
Fev/02
7544,61418
Mar/02
7973,67929
Abr/02
8134,67524
Mai/02
8230,94639
Jun/02
7001,36786
Jul/02
7547,53180
Ago/02
6990,26572
Set/02
7312,69090
Out/02
7527,95778
Nov/02
8216,29027
Dez/02
8668,04575
Tabela 18: Resultados de previso para o ano de 2002 (Mtodo: modelo de combinao de previses)

Comparao dos Resultados de Previso


Esta etapa possui dois objetivos fundamentais. O primeiro consiste em realizar
uma comparao dos resultados de previso da srie do imposto de renda, para o ano de
2001, do presente trabalho com os resultados apresentados pelo modelo dinmico de
Siqueira (2002), no intuito de verificar qual das duas tcnicas apresenta melhor
performance. O segundo ponto essencial, por outro lado, consiste em elaborar uma
comparao entre os resultados de previso fornecidos pelo modelo de combinao de
previses com os valores reais observados do imposto de renda para os meses do ano de
2002. Esta ltima comparao tem por finalidade determinar o poder de predio do
modelo para o perodo considerado.
Como dito anteriormente, objetivou-se, no tocante a primeira comparao,
evidenciar o modelo que forneceu resultados mais satisfatrios. A tabela a seguir ilustra
os resultados do clculo do erro percentual absoluto mdio (EPAM) de previso para os
dois modelos: i) EPAM 1, referente ao modelo de combinao; ii) e EPAM 2, referente
ao modelo dinmico de Siqueira:

72
PERODO
Jan/01
Fev/01
Mar/01
Abr/01
Mai/01
Jun/01
Jul/01
Ago/01
Set/01
Out/01
Nov/01
Dez/01

IR
8601,817
5482,212
6823,903
7714,506
6826,406
6685,793
7430,427
6967,576
6393,484
7762,130
6419,178
8740,033

C.P.
7518,14316
6314,84804
8027,45857
7685,13329
6797,94688
6615,31729
6992,47908
6414,87493
6358,32011
6531,48371
6398,27094
8627,01484

EPAM 1
EPAM 2
0,12598196 0,090617
0,15187957 0,0869021
0,17637348 0,0823599
0,00380746 0,0554795
0,00416897 0,0932285
0,01054111 0,1027397
0,05893980 0,1386171
0,07932472 0,074505
0,00549995 0,0901578
0,15854492 0,0984666
0,00325696 0,1760072
0,01293109 0,1134696
0,0659375 0,1002125
Tabela 19: Resultados de previso do modelo de combinao para o ano de 2001

Ao analisar a tabela acima, pode-se julgar os seus resultados de duas formas


distintas. Inicialmente, atravs da anlise da mdia global de todos os meses, em que se
observa somente o desempenho mdio dos modelos. O segundo julgamento,
diferentemente do primeiro, pode ser realizado considerando-se as previses individuais
dos meses de 2001, destacando-se, para cada modelo, os meses em que os resultados se
mostraram mais eficientes, isto , apresentaram menores erros de predio.
De uma forma geral, como se pode constatar pela tabela, considerando a mdia
de todos os meses previstos, a tcnica de combinao de previso apresentou erro
percentual absoluto inferior ao do modelo elaborado por Siqueira (2002).
Especificamente, o modelo de combinao forneceu um EPAM no valor de 6,59%,
enquanto o modelo dinmico gerou erro mdio de previso de 10,02%. Portanto, na
mdia, a tcnica de combinao apresentou resultado bastante superior quando
confrontado com o modelo concorrente.
Por outro lado, ao realizar uma comparao individual dos resultados
apresentados pelos dois modelos, verificou-se que para alguns meses o modelo
dinmico de Siqueira se mostrou mais competente. Observa-se que para os meses de
janeiro, fevereiro, maro, agosto e outubro, os resultados demonstrados por Siqueira
(2002) foram mais consistentes (j que indicaram menores erros percentuais absolutos),
muito embora, para o ms de agosto, admita-se a ocorrncia de um empate tcnico. Em
contrapartida, para o restante do perodo (abril, maio, junho, julho, setembro, novembro

73
e dezembro) o modelo de combinao forneceu resultados mais eficientes que os do
modelo de Siqueira (2002).
Portanto, aps realizar esta primeira comparao, constatou-se que o modelo de
combinao, tanto sob a tica da mdia global como da mdia individual, forneceu
melhores resultados de previso para o imposto de renda.
Para analisar os resultados de predio do modelo de combinao, para o ano de
2002, confrontaram-se tais valores com os de fato realizados para esse perodo. Em
outras palavras, fez-se o clculo do erro percentual absoluto mdio (EPAM) para todo
ano de 2002. Abaixo se encontram os referidos clculos:

PERODO
Jan/02
Fev/02
Mar/02
Abr/02
Mai/02
Jun/02
Jul/02
Ago/02
Set/02
Out/02
Nov/02
Dez/02

IR
12352,64
7923,264
7911,8
9497,264
7859,916
7022,601
8456,112
6383,094
9443,574
8684,596
6759,598
8186

C. P.
7805,23999
7544,61418
7973,67929
8134,67524
8230,94639
7001,36786
7547,53180
6990,26572
7312,69090
7527,95778
8216,29027
8668,04575

EPAM
0,3681318
0,0477896
0,0078211
0,1434717
0,0472054
0,0030235
0,1074466
0,0951219
0,2256437
0,1331827
0,2154998
0,0588866
0,121102
Tabela 20: Comparao dos valores observados e previstos para o ano de 2002

Seguindo a anlise anterior, para elaborar a comparao dos resultados, realizouse os julgamentos pela mdia global do erro percentual absoluto e pelo erro percentual
absoluto individual. Dessa forma, orientando-se pela tabela acima, observa-se que, em
termos mdios, o EPAM do modelo de combinao para o ano de 2002 foi de 12,11%.
Obtm-se assim um pior resultado quando comparado ao EPAM para o ano de 2001,
pois, para este ltimo ano, o modelo apresentou um erro percentual absoluto mdio de
6,59%.
Quando se analisa individualmente o resultado de previso nota-se que se tem
bons resultados para os meses de fevereiro maro, maio, junho e dezembro. De outro
modo, para estes meses o modelo apresentou pequenos erros de predio. Para os meses

74
de abril, julho, agosto e outubro, por outro lado, o erro absoluto de previso possui
mdia de aproximadamente 11,97%. Assim, para esses quatro meses o modelo de
combinao revelou, na mdia, erros considerados razoveis. No que se refere aos erros
percentuais absolutos para os restantes dos meses do ano, no entanto, os mesmos no se
mostraram satisfatrios, pois apresentaram valores significativamente altos sendo,
conseqentemente, inapropriado para realizar previses para esses meses.

75

CONCLUSES
O principal objetivo do presente trabalho foi realizar previses mensais da srie

do imposto de renda (IR) para o ano de 2002. Na busca desse objetivo, utilizou-se a
tcnica de combinao de previses, que, de uma forma bastante simples, consiste em se
combinar adequadamente vrios resultados de previses oriundos de diferentes
metodologias. Ainda como parte integrante do trabalho, realizou-se, a fim de analisar o
desempenho e a acurcia do modelo de combinao, dois tipos de comparaes. A
primeira consistiu em confrontar os resultados de predio, para o ano de 2001, do
presente trabalho com os resultados apresentados por Siqueira (2002). Com base no
critrio do erro percentual absoluto mdio (EPAM), buscou-se verificar qual modelo
forneceria melhores resultados futuros (menores erros de predio) para a srie imposto
de renda. A segunda foi realizada comparando-se os resultados de previso advindos da
tcnica de combinao com os reais valores observados da srie imposto de renda para
os meses do ano de 2002.
Com respeito aos meios usados para a obteno de previses, na utilizao da
tcnica de alisamento exponencial, adotou-se o modelo de Alisamento Exponencial
Sazonal de Holt-Winters Aditivo, pois, como visto no decorrer do trabalho, alm da
srie do imposto de renda apresentar forte padro sazonal, a anlise dos resultados da
previso ex-post, atravs da verificao do erro percentual absoluto mdio, mostraramse superiores ao modelo de Alisamento Exponencial de Holt-Winters Multiplicativo.
Quanto aplicao dos modelos ARIMA, na tentativa de se chegar aos resultados de
previso, seguiu-se cada etapa proposta pela metodologia de Box-Jenkins.
Primeiramente, identificou-se, por meio da anlise das funes amostrais de
autocorrelao e autocorrelao parcial, dois modelos capazes de gerar previses da
srie IR. Em seguida, reduzindo-se o tamanho da amostra em um ano, os modelos foram
estimados com o intuito de verificar o que apresentou menor erro percentual absoluto
mdio para a previso ex-post. A ltima etapa, anterior a elaborao da previso,
constituiu-se na anlise dos resduos (etapa da checagem de diagnstico) onde se elegeu
definitivamente o melhor modelo SARIMA capaz de realizar a previso mensal da srie
em discusso para o ano de 2002. No tocante ao modelo de correo de erro, aps a
constatao de todos os requisitos necessrios para a construo do mesmo (testes de

76
Dickey-Fuller e Johansen), selecionou-se e estimou-se cinco modelos com diferentes
defasagens. Atravs do critrio do EPAM, escolheu-se somente um modelo e
novamente o estimou-se para que se obtivesse as previses para o ano de 2002. Por
ltimo, de posse dos trs resultados de previso, elaborou-se um modelo de combinao
de previso com ponderao varivel no decorrer dos meses.
A principal concluso que se verificou nesta primeira etapa do trabalho foi a de
que, conforme explica a teoria economtrica sobre combinao de previses e como
demonstra trabalhos empricos nessa rea, o resultado de previso oriundo dessa tcnica
foi a que apresentou melhor desempenho, tendo em vista que o critrio adotado para a
mensurao do erro de predio ex-post (EPAM) do modelo de combinao, quando
comparado aos demais modelos individuais, foi o menor (6,59%).
Acerca da segunda etapa do trabalho, as concluses que se chegaram foram as
seguintes. No que se refere anlise dos resultados da primeira comparao, de uma
forma geral, considerando a mdia global dos meses previstos, a tcnica de combinao
de previso apresentou erro percentual absoluto mdio menor que o do modelo
demonstrado por Siqueira (2002). Ou seja, isto indica que o modelo de combinao
prev em mdia melhor que o modelo dinmico de Siqueira. Na anlise realizada sob a
tica individual dos meses, deve-se ressaltar, entretanto, que a previso de alguns meses
do modelo dinmico de Siqueira (2002) apresentou melhores resultados (janeiro,
fevereiro, maro, agosto e outubro), mas que para os restantes dos meses do ano de
2001 o modelo de combinao forneceu resultados superiores.
Quando se confrontam os resultados de previso gerados pela tcnica de
combinao com os reais valores observados para o ano de 2002 e se analisam os
resultados pela mdia global, embora na mdia, quando comparado ao erro de predio
para o ano de 2001, o erro percentual absoluto tenha aumentado (de 6,59% para
12,11%), observa-se que este modelo ainda pode ser utilizado satisfatoriamente para
realizar previses. Deve-se atentar para o fato de que individualmente os erros de
previso para os meses de janeiro, setembro e novembro foram consideravelmente altos.
Para a maior parte dos meses, no entanto, o modelo forneceu resultados razoveis.

77
Portanto, quando comparado ao modelo dinmico de Siqueira o modelo de
combinao de previses proposto por este trabalho fornece em mdia melhores
previses para o imposto de renda. Ainda, como se observou na comparao com
valores reais do imposto de renda para o ano de 2002, o mesmo pode fornecer bons
resultados para previses ex-ante desta varivel.

78

REFERNCIA BIBLIOGRFICA
BARTLETT, M. S. On the Theoretical Specification and Sampling Properties of
Autocorrelated Time Serie. Journal of the Royal Statistical Society. B2: 27-41,
1946.
BATES, J. M. & GRANGER, C. W. J. The Combination of Forecasts. Operational
Research Quaterly, Vol. 20, 451 468, 1969.
BOX, G. E. P.; JENKINS, G. M. & REINSEL, G. C. Time Series Analysis:
Forecasting and Control. New Jersey, Prentice Hall, 1994.
CASTELAR, I. & MYNBAEV, K. T. Two Essays on Econometrics. Fortaleza:
CAEN, 2001.
CHARENZA, W. W. & DEADMAN, D. F. New Directions in Econometric
Practice. Edward Elgar Publishing, 1997.
CHIMENTE, R. C. Direito Tributrio. Editora Saraiva, 2001 Coleo Sinopses
Jurdicas, vol. 16.
CONSTITUIO FEDERAL CDIGO COMERCIAL. Organizadora: Vera
Helena de Mello Franco CDIGO TRIBUTRIO NACIONAL.
Organizador: Roque Antonio Carrazza. 5 ed. Ver. Atual. E ampl. So Paulo:
RT, 2003.
ENDERS, W. Applied Econometric Time Series. John Wiley & Sons, inc, 1995.
FERREIRA, R. T. Modelos de Anlise de Sries Temporais para Previso do
ICMS Mensal do Estado do Cear. 1996, 93p. Dissertao (Mestrado em
Economia). Universidade Federal do Cear.
FULLER, W. A. Introduction to Statistical Time Series. New York. Jonh Wiley and
Sons, 1996.
GIAMBIAGI, F. & Alm, A. C. Finanas Pblicas: Teoria e Prtica no Brasil.
Editora Campus, 1999.
GRANGER, C. W. J. & NEWBOLD, P. Forecasting Economic Time Series.
Academic Press second edition, 1986.
GRANGER, C. W. J. & RAMANATHAN, R. , Improved Methods for Combinig
Forecasts. Journal of Forecasting, Vol. 3, 197 204, 1984.
GREENE, W. H. Econometrics Analysis. New York: Macmillian Publishing
Company, 1993.

79
GUJARATI, D. N. Econometria Bsica. So Paulo: Makron Books, 2000.
HAMILTON, J. D. Times Series Analysis. New Jersey: Princeton University Press,
1994.
HANKE, J. E. & REITSCH, A. G. Business Forecasting. Allyn and Bacon, 1992.
JOHSTON, J. & DINARDO, J. Mtodos Economtricos. Portugal: MacGraw-Hill,
2001.
JONHSTON, J. Econometric Methods. Singapore: McGraw-Hill, 1987.
KMENTA, J. Elementos de Econometria. So Paulo: Atlas, 1994.
MACHADO, H. de B. Curso de Direito Tributrio. Malheiros Editores, 2002.
MADDALA, G. S. Introduction to Econometrics. New York: Macmillian Publishing
Company, 1992.
MAKRIDAKIS, S. & WINKLER, R. L. The Combination of Forecasts. Journal of
the Royal Statistical Society A., Part 2 146. 1983.
MORETTIN, P. A. e Toloi, C. M. de C. Previso de Sries Temporais. Atual
Editora, 1987.
MORETTIN, P. A. Ondas e Ondaletas: Da Analise de Fourier Anlise de
Ondaletas. Edusp, 1999.
MUSGRAVE, R. A. & MUSGRAVE, P. B. Finanas Pblicas: Teoria e Prtica.
Editora Campus, 1980.
PINDYCK, R. & RUBINFELD, D. L. Econometrics Models and Economic
Forecasts. New York: McGraw-Hill, 1998.
RIANI, F. Economia do Setor Pblico: Uma Abordagem Introdutria. Editora
Atlas, 2002.
SIQUEIRA, M. L. Melhorando a Previso da Arrecadao Tributria Federal
atravs da Atualizao de Modelos de Sries Temporais. ESAF, 2002
(Monografia VII Prmio do Tesouro Nacional).
VASCONCELLOS, M. A. S. & ALVES, D. Manual de Econometria. So Paulo:
Atlas, 2000.
VLEZ, E. C. & VELANDIA, L. F. M. Mtodos de Combinacin de Prognsticos:
Una aplicacin a la inflacin colombiana. Banco De La Republica
(Subgerencia de estudios Econmicos).

80

ANEXO 1

81
Tabela 21: Correlograma de IR
Sample: 1990:01 2001:12
Included observations: 144
Autocorrelation
.|****
.|***
.|****
.|***
.|**
.|***
.|***
.|**
.|***
.|**
.|***
.|****
.|***
.|**
.|***
.|**
.|*
.|*
.|**
.|**
.|**
.|**
.|**
.|***
.|**
.|*
.|**
.|*
.|*
.|*
.|*
.|*
.|**
.|*
.|*
.|**

|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

Partial Correlation
.|**** |
.|* |
.|** |
.|. |
.|. |
.|* |
.|* |
.|. |
.|* |
.|. |
.|* |
.|*** |
*|. |
*|. |
.|. |
*|. |
.|. |
*|. |
.|* |
.|. |
.|. |
.|. |
.|. |
.|* |
*|. |
*|. |
.|. |
.|. |
.|* |
.|. |
.|. |
.|* |
.|* |
.|. |
*|. |
.|* |

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

AC

PAC

Q-Stat

Prob

0.546
0.418
0.470
0.363
0.315
0.330
0.337
0.309
0.378
0.310
0.365
0.575
0.415
0.316
0.349
0.255
0.184
0.190
0.242
0.202
0.251
0.211
0.235
0.382
0.231
0.164
0.218
0.172
0.144
0.128
0.153
0.167
0.216
0.185
0.137
0.282

0.546
0.171
0.276
0.004
0.048
0.068
0.103
0.042
0.167
-0.045
0.169
0.374
-0.067
-0.087
-0.046
-0.100
-0.057
-0.064
0.069
-0.023
0.035
-0.031
0.039
0.099
-0.148
-0.069
0.011
0.032
0.121
-0.032
-0.018
0.069
0.067
0.022
-0.136
0.067

43.843
69.720
102.70
122.47
137.50
154.05
171.43
186.17
208.41
223.52
244.63
297.30
324.88
341.07
360.94
371.61
377.20
383.24
393.08
399.98
410.77
418.43
428.04
453.65
463.07
467.87
476.41
481.77
485.58
488.59
492.96
498.16
507.01
513.58
517.19
532.71

0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000

82
Tabela 22: Correlograma de D(IR)
Sample: 1990:01 2001:12
Included observations: 143
Autocorrelation

Partial Correlation

***|.
**|.
.|*
*|.
*|.
.|.
.|.
*|.
.|*
*|.
**|.
.|***
.|.
*|.
.|*
.|.
*|.
.|.
.|*
*|.
.|*
.|.
*|.
.|***
*|.
*|.
.|*
.|.
.|.
.|.
.|.
.|.
.|*
.|.
**|.
.|**

***|.
***|.
*|.
*|.
*|.
*|.
*|.
**|.
.|.
*|.
***|.
.|*
.|*
.|*
.|*
.|*
.|.
*|.
.|.
.|.
.|.
*|.
*|.
.|*
.|*
.|.
*|.
*|.
.|.
.|.
*|.
*|.
.|.
.|*
*|.
.|*

|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

AC

PAC

Q-Stat

Prob

-0.352
-0.210
0.180
-0.071
-0.059
0.015
0.038
-0.116
0.161
-0.128
-0.203
0.421
-0.049
-0.152
0.141
-0.028
-0.091
-0.046
0.109
-0.106
0.088
-0.054
-0.154
0.333
-0.068
-0.144
0.096
-0.006
-0.019
-0.045
0.016
-0.054
0.079
0.025
-0.214
0.324

-0.352
-0.382
-0.076
-0.125
-0.116
-0.134
-0.058
-0.193
0.040
-0.168
-0.382
0.076
0.097
0.067
0.128
0.073
0.057
-0.084
0.017
-0.036
-0.001
-0.069
-0.110
0.149
0.074
-0.012
-0.061
-0.142
-0.003
0.014
-0.074
-0.083
-0.052
0.086
-0.080
0.116

18.079
24.593
29.380
30.126
30.652
30.684
30.903
32.987
37.021
39.559
46.037
74.056
74.440
78.140
81.371
81.497
82.870
83.221
85.193
87.088
88.408
88.903
93.026
112.31
113.14
116.83
118.49
118.50
118.57
118.93
118.98
119.52
120.69
120.81
129.63
150.01

0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000

83
Tabela 23: Correlograma de IR(-12)
Sample: 1990:01 2001:12
Included observations: 132
Autocorrelation

Partial Correlation

.|**
.|*
.|*
.|*
.|*
.|*
.|*
.|.
.|*
.|.
.|.
**|.
.|*
.|.
.|.
*|.
*|.
*|.
.|.
*|.
*|.
*|.
.|.
*|.
*|.
.|.
.|.
.|*
.|**
.|*
.|.
.|*
.|*
.|*
.|.
.|*

.|**
.|*
.|*
.|.
.|.
.|*
.|.
.|.
.|*
.|.
*|.
**|.
.|**
.|.
.|.
*|.
*|.
.|.
.|*
*|.
.|.
*|.
.|*
*|.
.|*
.|*
.|*
.|*
.|*
.|.
.|.
*|.
.|.
.|.
.|.
.|.

|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

AC

PAC

Q-Stat

Prob

0.312
0.189
0.187
0.144
0.080
0.136
0.113
0.058
0.116
0.044
-0.028
-0.196
0.136
0.057
-0.003
-0.094
-0.176
-0.146
-0.039
-0.110
-0.154
-0.132
-0.009
-0.114
-0.134
0.031
0.055
0.174
0.216
0.103
0.009
0.093
0.086
0.149
0.024
0.144

0.312
0.101
0.115
0.050
-0.006
0.089
0.032
-0.015
0.075
-0.043
-0.070
-0.234
0.276
0.000
-0.024
-0.158
-0.176
0.006
0.088
-0.078
-0.056
-0.126
0.143
-0.135
0.120
0.118
0.077
0.145
0.096
0.047
0.016
-0.069
0.022
0.054
-0.044
0.001

13.145
17.987
22.807
25.667
26.559
29.169
30.974
31.447
33.388
33.665
33.778
39.437
42.197
42.692
42.693
44.027
48.778
52.090
52.331
54.231
58.015
60.799
60.813
62.952
65.915
66.077
66.580
71.725
79.748
81.584
81.599
83.124
84.439
88.436
88.537
92.344

0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000

84
Tabela 24: Correlograma de D(IR(-12))
Sample: 1990:01 2001:12
Included observations: 131
Autocorrelation

Partial Correlation

***|.
*|.
.|.
.|.
.|.
.|.
.|.
*|.
.|*
.|.
.|*
***|.
.|**
.|.
.|.
.|.
*|.
*|.
.|*
.|.
.|.
*|.
.|*
.|.
*|.
.|*
*|.
.|*
.|*
.|.
*|.
.|*
.|.
.|*
*|.
.|*

***|.
***|.
**|.
*|.
*|.
*|.
.|.
*|.
.|.
.|.
.|*
***|.
*|.
.|.
.|*
.|*
.|.
*|.
.|.
.|.
.|*
*|.
.|*
*|.
*|.
*|.
*|.
*|.
.|.
.|.
.|*
.|.
.|.
.|.
.|.
.|.

|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

AC

PAC

Q-Stat

Prob

-0.434
-0.071
0.015
0.014
-0.049
0.062
0.013
-0.091
0.099
-0.004
0.076
-0.381
0.314
-0.016
0.015
0.010
-0.089
-0.059
0.140
-0.013
-0.051
-0.071
0.162
-0.051
-0.137
0.099
-0.085
0.068
0.110
-0.022
-0.134
0.073
-0.054
0.143
-0.177
0.102

-0.434
-0.320
-0.226
-0.154
-0.181
-0.087
-0.024
-0.118
0.000
0.035
0.195
-0.340
-0.070
-0.027
0.080
0.120
-0.032
-0.119
0.044
0.001
0.071
-0.164
0.120
-0.117
-0.125
-0.072
-0.149
-0.070
0.001
0.028
0.106
0.017
-0.038
0.060
-0.013
0.011

25.261
25.949
25.981
26.007
26.341
26.872
26.897
28.082
29.479
29.481
30.314
51.527
66.112
66.148
66.184
66.198
67.402
67.937
70.991
71.018
71.426
72.232
76.472
76.889
79.981
81.596
82.803
83.585
85.648
85.734
88.881
89.825
90.340
94.037
99.716
101.62

0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.001
0.001
0.001
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000

85
Tabela 25: Correlograma dos resduos do modelo IR01
Sample: 1990:01 2001:12
Included observations: 131
Autocorrelation

Partial Correlation

.|.
*|.
.|.
*|.
*|.
.|*
.|.
*|.
.|*
.|.
*|.
.|.
.|*
.|.
.|.
*|.
**|.
.|.
.|.
*|.
.|.
.|.
.|.
.|*
.|.
*|.
.|.
.|*
.|*
.|.
*|.
.|.
.|.
.|*
.|.
.|*

.|.
*|.
.|.
*|.
*|.
.|*
*|.
*|.
.|.
*|.
*|.
.|.
.|*
.|.
.|.
*|.
*|.
.|.
.|.
*|.
.|.
*|.
.|.
.|.
*|.
*|.
*|.
.|*
.|*
.|*
*|.
.|.
.|.
.|*
.|.
.|*

|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

AC

PAC

Q-Stat

Prob

0.044
-0.106
-0.017
-0.089
-0.104
0.084
-0.034
-0.141
0.077
-0.025
-0.073
0.044
0.195
-0.045
-0.003
-0.067
-0.224
-0.046
0.038
-0.120
-0.018
-0.040
0.037
0.088
-0.036
-0.062
-0.021
0.127
0.074
0.047
-0.076
-0.055
0.040
0.110
-0.050
0.163

0.044
-0.108
-0.007
-0.101
-0.100
0.074
-0.069
-0.136
0.066
-0.065
-0.058
0.006
0.178
-0.042
-0.003
-0.083
-0.175
-0.047
-0.050
-0.141
-0.029
-0.165
0.059
0.022
-0.148
-0.089
-0.077
0.083
0.078
0.068
-0.066
-0.053
0.057
0.073
-0.057
0.168

0.2541
1.7770
1.8165
2.9017
4.4054
5.3942
5.5576
8.3856
9.2306
9.3187
10.088
10.373
16.009
16.311
16.312
16.998
24.644
24.972
25.196
27.471
27.523
27.782
28.001
29.257
29.474
30.112
30.189
32.914
33.837
34.214
35.210
35.738
36.020
38.188
38.649
43.496

0.614
0.411
0.611
0.574
0.493
0.494
0.592
0.397
0.416
0.502
0.523
0.583
0.249
0.295
0.362
0.386
0.103
0.126
0.154
0.123
0.154
0.183
0.216
0.211
0.245
0.263
0.306
0.239
0.245
0.272
0.276
0.297
0.329
0.285
0.308
0.182

86
Tabela 26: Correlograma dos resduos do modelo IR02
Sample: 1990:01 2001:12
Included observations: 130
Autocorrelation

Partial Correlation

*|.
***|.
.|.
.|.
*|.
.|*
.|.
*|.
.|*
.|.
*|.
.|*
.|**
*|.
.|.
.|.
**|.
.|.
.|*
*|.
.|.
.|.
.|.
.|*
.|.
*|.
.|.
.|*
.|.
.|.
*|.
*|.
.|*
.|*
*|.
.|*

*|.
***|.
*|.
**|.
*|.
.|.
*|.
*|.
.|.
*|.
*|.
*|.
.|*
.|.
.|*
.|.
*|.
.|.
.|.
.|.
.|.
*|.
.|*
.|*
.|.
*|.
*|.
.|.
.|.
.|*
.|.
*|.
.|.
.|.
*|.
.|*

|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

AC

PAC

Q-Stat

Prob

-0.133
-0.352
0.046
-0.034
-0.086
0.157
-0.021
-0.158
0.134
-0.022
-0.153
0.067
0.208
-0.094
0.037
0.017
-0.203
0.044
0.136
-0.093
0.000
-0.042
0.043
0.119
-0.046
-0.136
-0.032
0.124
0.049
0.027
-0.091
-0.084
0.070
0.080
-0.139
0.140

-0.133
-0.377
-0.082
-0.207
-0.181
0.019
-0.100
-0.154
0.027
-0.122
-0.162
-0.115
0.093
-0.035
0.116
0.039
-0.093
-0.003
-0.009
-0.049
0.017
-0.188
0.094
0.104
-0.018
-0.075
-0.146
-0.038
0.021
0.106
-0.022
-0.064
0.032
0.028
-0.079
0.138

2.3631
19.020
19.301
19.460
20.482
23.909
23.972
27.486
30.033
30.103
33.466
34.128
40.457
41.763
41.970
42.012
48.249
48.546
51.386
52.744
52.744
53.024
53.320
55.600
55.939
58.986
59.158
61.742
62.157
62.280
63.710
64.938
65.807
66.960
70.458
74.012

0.124
0.000
0.000
0.001
0.001
0.001
0.001
0.001
0.000
0.001
0.000
0.001
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.001
0.001
0.001
0.000
0.000

87

ANEXO 2

88
Tabela 27: Estimao do modelo IR01 (SARIMA(0,1,1)(0,1,2)12)
Dependent Variable: D(IR,1,12)
Method: Least Squares
Sample(adjusted): 1991:02 2001:12
Included observations: 131 after adjusting endpoints
Failure to improve SSR after 23 iterations
Backcast: 1989:01 1991:01
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
MA(1)
SMA(12)
SMA(24)

-3.235411
-0.799469
-0.656989
-0.202674

6.184216
0.050073
0.053742
0.006299

-0.523172
-15.96597
-12.22484
-32.17331

0.6018
0.0000
0.0000
0.0000

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
Inverted MA Roots

0.577326
0.567341
1064.833
1.44E+08
-1096.995
1.854725
.99
.85+.23i
.49 -.86i
.00 -.99i
-.49 -.86i
-.85+.23i
-.99

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)
.86+.49i
.80
.49+.86i
-.00+.99i
-.49+.86i
-.85 -.23i

21.44249
1618.858
16.80908
16.89687
57.82259
0.000000

.86 -.49i
.63+.63i
.23 -.85i
-.23 -.85i
-.63 -.63i
-.86+.49i

.85 -.23i
.63+.63i
.23+.85i
-.23+.85i
-.63+.63i
-.86 -.49i

Grfico 10: Resduos do Modelo IR01 (SARIMA(0,1,1)(0,1,2)12)

6000
4000
2000
0
-2000

6000

-4000

4000

-6000

2000
0
-2000
-4000
92

93

94

95

Residual

96

97

98

Actual

99

00
Fitted

01

89

ANEXO 3

90
Tabela 28: Estimao do modelo de correo de erro
Sample(adjusted): 1994:12 2001:12
Included observations: 85 after adjusting endpoints
Standard errors & t-statistics in parentheses
Cointegrating Eq:

CointEq1

IRSA(-1)

1.000000

PIBSA(-1)

0.042570
(0.05982)
(0.71166)

-12445.36
(8104.50)
(-1.53561)

Error Correction:

D(IRSA)

D(PIBSA)

CointEq1

-0.191577
(0.09548)
(-2.00642)

-0.950286
(0.34016)
(-2.79360)

D(IRSA(-1))

-0.558888
(0.12388)
(-4.51156)

0.346416
(0.44133)
(0.78493)

D(IRSA(-2))

-0.429707
(0.12107)
(-3.54932)

0.081182
(0.43132)
(0.18822)

D(IRSA(-3))

-0.181639
(0.10643)
(-1.70660)

-0.310468
(0.37918)
(-0.81879)

D(PIBSA(-1))

-0.036279
(0.02768)
(-1.31051)

0.109338
(0.09862)
(1.10864)

D(PIBSA(-2))

0.021384
(0.02752)
(0.77715)

-0.093284
(0.09803)
(-0.95161)

D(PIBSA(-3))

0.054936
(0.02714)
(2.02415)

-0.416258
(0.09669)
(-4.30504)

0.410845
0.365525
68911801
939.9386
9.065504
-698.8515
16.60827
16.80943
23.87201
1180.028

0.298880
0.244948
8.75E+08
3348.633
5.541763
-806.8433
19.14926
19.35041
232.8375
3853.710

R-squared
Adj. R-squared
Sum sq. resids
S.E. equation
F-statistic
Log likelihood
Akaike AIC
Schwarz SC
Mean dependent
S.D. dependent
Determinant Residual Covariance
Log Likelihood
Akaike Information Criteria
Schwarz Criteria

8.26E+12
-1505.255
35.81777
36.30630

91

ANEXO 4

92
Tabela 29: Srie Imposto de Renda

Data
jan/90
fev/90
mar/90
abr/90
mai/90
jun/90
jul/90
ago/90
set/90
out/90
nov/90
dez/90
jan/91
fev/91
mar/91
abr/91
mai/91
jun/91
jul/91
ago/91
set/91
out/91
nov/91
dez/91
jan/92
fev/92
mar/92
abr/92
mai/92
jun/92
jul/92
ago/92
set/92
out/92
nov/92
dez/92
jan/93
fev/93
mar/93
abr/93
mai/93
jun/93
jul/93
ago/93
set/93
out/93
nov/93

IGP-DI
IR (milhes)
33723
60779
85678
180495
179636
81164
88631
102504
106304
127528
148672
209874
214624
201711
253054
490807
464111
429537
510681
451542
378195
531944
582267
1062317
767000
1039000
1430000
2811000
4353000
3886000
4832000
5822000
6789000
8911000
10940000
15252000
18807000
24813000
28659000
39013000
80633000
70968000
76974000
90934
136752
184767
280570

IR (R$)
0.01226291
0.02210145
0.03115564
0.06563455
0.06532218
0.02951418
0.03222945
0.03727418
0.038656
0.04637382
0.05406255
0.07631782
0.07804509
0.07334945
0.09201964
0.17847527
0.16876764
0.15619527
0.18570218
0.16419709
0.13752545
0.19343418
0.21173345
0.38629709
0.27890909
0.37781818
0.52
1.02218182
1.58290909
1.41309091
1.75709091
2.11709091
2.46872727
3.24036364
3.97818182
5.54618182
6.83890909
9.02290909
10.4214545
14.1865455
29.3210909
25.8065455
27.9905455
33.0669091
49.728
67.188
102.025455

0.0005
0.0008
0.0015
0.0017
0.0018
0.002
0.0022
0.0025
0.0028
0.0032
0.0038
0.0044
0.0053
0.0064
0.0068
0.0074
0.0079
0.0087
0.0098
0.0113
0.0132
0.0166
0.0208
0.0255
0.0323
0.0403
0.0486
0.0576
0.0706
0.0857
0.1043
0.1309
0.1667
0.2083
0.2588
0.3201
0.4121
0.5213
0.6663
0.8543
1.13
1.4771
1.9492
2.6027
3.5655
4.8184
6.5992

IR DEFLACIONADO
6638.942775
7478.358667
5622.387679
10451.02728
9823.440023
3994.626452
3965.570686
4035.92913
3737.096411
3922.819247
3851.131198
4695.141554
3986.072028
3102.361023
3663.085207
6528.625476
5782.791016
4859.863306
5129.397449
3933.348578
2820.230329
3154.282262
2755.507321
4100.687535
2337.413611
2537.775664
2896.293004
4803.757652
6069.133536
4463.388616
4560.215267
4377.995205
4008.78658
4210.948216
4160.981425
4690.118865
4492.205726
4685.266272
4233.83517
4495.123917
7023.880301
4729.284004
3887.141766
3439.10084
3775.33916
3774.542192
4184.973079

93
dez/93
jan/94
fev/94
mar/94
abr/94
mai/94
jun/94
jul/94
ago/94
set/94
out/94
nov/94
dez/94
jan/95
fev/95
mar/95
abr/95
mai/95
jun/95
jul/95
ago/95
set/95
out/95
nov/95
dez/95
jan/96
fev/96
mar/96
abr/96
mai/96
jun/96
jul/96
ago/96
set/96
out/96
nov/96
dez/96
jan/97
fev/97
mar/97
abr/97
mai/97
jun/97
jul/97
ago/97
set/97
out/97
nov/97
dez/97
jan/98
fev/98
mar/98

488851
657793
749181
970578
2077455
2356356
3459219
1358
1476
1529
1439
1514
2397
2369
1846
2621
1922
3358
2323
2270
2394
2311
2289
2342
2926
2441
2008
4880
2462
2592
2358
2675
2341
2488
2450
2472
4529
3088
2349
3135
3371
2636
2660
3227
2604
2749
3188
2760
4756
5074
3498
4715

177.764
239.197455
272.429455
352.937455
755.438182
856.856727
1257.89782
1358
1476
1529
1439
1514
2397
2369
1846
2621
1922
3358
2323
2270
2394
2311
2289
2342
2926
2441
2008
4880
2462
2592
2358
2675
2341
2488
2450
2472
4529
3088
2349
3135
3371
2636
2660
3227
2604
2749
3188
2760
4756
5074
3498
4715

8.9895
12.7822
18.2031
26.3635
37.5575
52.9373
77.5954
96.7693
100
101.549
104.143
106.72
107.325
108.785
110.039
112.035
114.614
115.071
118.09
120.733
122.289
120.967
121.241
122.85
123.187
125.397
126.353
126.627
127.509
129.655
131.24
132.674
132.679
132.849
133.141
133.517
134.689
136.814
137.39
138.99
139.807
140.229
141.207
141.33
141.268
142.101
142.587
143.771
144.765
146.038
146.067
146.408

5352.833048
5065.547196
4051.204131
3623.849089
5444.74665
4381.490201
4388.183787
3798.722694
3995.41392
4075.747353
3740.29736
3840.214468
6045.643829
5894.832449
4541.093903
6332.697211
4539.323503
7899.329423
5324.900635
5089.501959
5299.222726
5171.40387
5110.597801
5160.444965
6429.613449
5269.337959
4301.833245
10432.03235
5226.640504
5411.543434
4863.545687
5457.746808
4776.113567
5069.52778
4981.15081
5011.726027
9102.184054
6109.732162
4628.106179
6105.614936
6526.87442
5088.420455
5099.185734
6180.733631
4989.678965
5236.643711
6052.207396
5196.527255
8893.110572
9405.026144
6482.508821
8717.507103

94
abr/98
mai/98
jun/98
jul/98
ago/98
set/98
out/98
nov/98
dez/98
jan/99
fev/99
mar/99
abr/99
mai/99
jun/99
jul/99
ago/99
set/99
out/99
nov/99
dez/99
jan/00
fev/00
mar/00
abr/00
mai/00
jun/00
jul/00
ago/00
set/00
out/00
nov/00
dez/00
jan/01
fev/01
mar/01
abr/01
mai/01
jun/01
jul/01
ago/01
set/01
out/01
nov/01
dez/01
jan/02
fev/02
mar/02
abr/02
mai/02
jun/02
jul/02

3836
2785
2883
4214
4001
3631
3358
3067
4758
4199
4881
5333
4517
3542
3741
4025
3327
4752
3932
3499
5769
5050
4127
5620
4638
4074
4261
4829
4436
4173
4585
4454
6151
6194
3961
4970
5682
5050
5018
5667
5362
4939
6083
5069
6914
9790
6291
6289
7602
6361
5782
7105

3836
2785
2883
4214
4001
3631
3358
3067
4758
4199
4881
5333
4517
3542
3741
4025
3327
4752
3932
3499
5769
5050
4127
5620
4638
4074
4261
4829
4436
4173
4585
4454
6151
6194
3961
4970
5682
5050
5018
5667
5362
4939
6083
5069
6914
9790
6291
6289
7602
6361
5782
7105

146.211
146.544
146.951
146.398
146.144
146.111
146.063
145.797
147.231
148.921
155.528
158.6
158.647
158.1
159.711
162.253
164.612
167.028
170.182
174.496
176.647
178.454
178.8
179.128
179.357
180.563
182.236
186.353
189.746
191.049
191.763
192.506
193.97
194.92
195.58
197.151
199.374
200.251
203.167
206.45
208.315
209.111
212.135
213.756
214.137
214.535
214.927
215.17
216.673
219.07
222.872
227.441

7101.890501
5144.374522
5310.648012
7791.74639
7410.763986
6726.958627
6223.230633
5694.303477
8747.835279
7632.474319
8495.239777
9102.146507
7707.147088
6064.459608
6340.56998
6715.039475
5471.000194
7701.273942
6254.251002
5427.925614
8840.354764
7660.207112
6248.019485
8492.748426
6999.835501
6107.559179
6329.257732
7014.492216
6328.405932
5912.607321
6472.17044
6262.984884
8583.938197
8601.817402
5482.211944
6823.902694
7714.506124
6826.405861
6685.792752
7430.426563
6967.575566
6393.483786
7762.129946
6419.177698
8740.033194
12352.64493
7923.264048
7911.799916
9497.263545
7859.916063
7022.601062
8456.112398

95
ago/02
set/02
out/02
nov/02
dez/02
Fonte:

5490
8337
7990
6582
8186

5490
8337
7990
6582
8186
BCB-DEPEC

232.818
238.973
249.042
263.58
270.692

6383.093575
9443.573977
8684.595691
6759.597633
8186

96
Tabela 30: Srie PIB
Data
jan/90
fev/90
mar/90
abr/90
mai/90
jun/90
jul/90
ago/90
set/90
out/90
nov/90
dez/90
jan/91
fev/91
mar/91
abr/91
mai/91
jun/91
jul/91
ago/91
set/91
out/91
nov/91
dez/91
jan/92
fev/92
mar/92
abr/92
mai/92
jun/92
jul/92
ago/92
set/92
out/92
nov/92
dez/92
jan/93
fev/93
mar/93
abr/93
mai/93
jun/93
jul/93
ago/93
set/93
out/93
nov/93
dez/93
jan/94
fev/94
mar/94

PIB
(R$ milhes)
0.2
0.4
0.8
0.7
0.8
0.8
0.9
1
1.1
1.4
1.7
1.8
2.1
2.4
2.5
3.1
3.5
4.1
4.6
5.3
5.6
7.4
9.2
10.5
13.1
16.3
19.6
23.6
30.1
37.6
46.1
56.7
70.8
89
110.4
127.8
164.2
207.4
295.3
368.9
482.2
614
841.7
1148.9
1578
2070
2792
3534.5
4560.8
5795
8525.8

IGP-DI
0.0005
0.0008
0.0015
0.0017
0.0018
0.002
0.0022
0.0025
0.0028
0.0032
0.0038
0.0044
0.0053
0.0064
0.0068
0.0074
0.0079
0.0087
0.0098
0.0113
0.0132
0.0166
0.0208
0.0255
0.0323
0.0403
0.0486
0.0576
0.0706
0.0857
0.1043
0.1309
0.1667
0.2083
0.2588
0.3201
0.4121
0.5213
0.6663
0.8543
1.13
1.4771
1.9492
2.6027
3.5655
4.8184
6.5992
8.9895
12.7822
18.2031
26.3635

PIB ATUAL
108276.8
135346
144369.0667
111461.4118
120307.5556
108276.8
110737.6364
108276.8
106343.2857
118427.75
121099.0526
110737.6364
107255.3208
101509.5
99519.11765
113398
119926.8354
127567.4943
127059.5102
126961.7345
114839.0303
120669.9277
119729.1538
111461.4118
109785.3003
109485.8462
109167.9671
110908.5278
115408.3456
118763.3512
119644.3068
117251.615
114966.9682
115658.1277
115472.9397
108073.8444
107856.4096
107695.225
119969.0044
116889.0071
115511.2234
112521.0805
116889.7273
119490.544
119801.4236
116290.1461
114524.8006
106430.9332
96585.25712
86175.43935
87540.19207

97
abr/94
mai/94
jun/94
jul/94
ago/94
set/94
out/94
nov/94
dez/94
jan/95
fev/95
mar/95
abr/95
mai/95
jun/95
jul/95
ago/95
set/95
out/95
nov/95
dez/95
jan/96
fev/96
mar/96
abr/96
mai/96
jun/96
jul/96
ago/96
set/96
out/96
nov/96
dez/96
jan/97
fev/97
mar/97
abr/97
mai/97
jun/97
jul/97
ago/97
set/97
out/97
nov/97
dez/97
jan/98
fev/98
mar/98
abr/98
mai/98
jun/98
jul/98
ago/98
set/98
out/98
nov/98
dez/98

12828.9
20504.7
33125.2
40794.3
43862.7
43838.4
45243.6
45943.3
44181.9
44959.4
45657.1
52447.2
51452.4
51122
52438.6
54237.2
56121.7
55699.6
58338
62378.6
61339.7
57987.6
56016.7
56499.6
59220.8
64395.4
66004.8
69103.3
68676.3
65615.9
69854.4
72405
73107
68594.7
62562.8
61754.9
66297.6
71141.7
74754.7
74775.9
74299.6
73628.1
79980.6
81734.3
81218.1
75287.2
67691.2
67627.4
72261.1
78750.5
82092.2
80748.3
78282.4
74943.4
77765.6
79548
79190.6

37.5575
52.9373
77.5954
96.7693
100
101.549
104.143
106.72
107.325
108.785
110.039
112.035
114.614
115.071
118.09
120.733
122.289
120.967
121.241
122.85
123.187
125.397
126.353
126.627
127.509
129.655
131.24
132.674
132.679
132.849
133.141
133.517
134.689
136.814
137.39
138.99
139.807
140.229
141.207
141.33
141.268
142.101
142.587
143.771
144.765
146.038
146.067
146.408
146.211
146.544
146.951
146.398
146.144
146.111
146.063
145.797
147.231

92463.03931
104849.6665
115557.4511
114113.5738
118732.8199
116856.9279
117598.6919
116533.7684
111434.3058
111873.4192
112314.8312
126719.6632
121518.7766
120258.9395
120202.4686
121603.6721
124227.8146
124640.9031
130249.9146
137447.1957
134788.2981
125176.6742
120007.2223
120779.8473
125721.2965
134443.8673
136139.6779
140990.0243
140113.5447
133698.4035
142022.5719
146793.6986
146927.2178
135717.372
123264.0619
120271.6554
128364.3161
137328.8625
143303.7969
143219.6839
142369.8737
140256.1393
151837.8855
153889.318
151867.4398
139550.2728
125445.6264
125035.491
133782.6954
145465.7328
151218.4456
149304.7639
144996.8485
138843.6109
144119.495
147691.703
145596.117

98
jan/99
fev/99
mar/99
abr/99
mai/99
jun/99
jul/99
ago/99
set/99
out/99
nov/99
dez/99
jan/00
fev/00
mar/00
abr/00
mai/00
jun/00
jul/00
ago/00
set/00
out/00
nov/00
dez/00
jan/01
fev/01
mar/01
abr/01
mai/01
jun/01
jul/01
ago/01
set/01
out/01
nov/01
dez/01
jan/02
fev/02
mar/02
abr/02
mai/02
jun/02
jul/02
ago/02
set/02
out/02
nov/02
dez/02
Fonte:

74892.4
71606.5
75129.9
78244.5
82141.4
87195.7
83101.5
81152.4
76928.3
82821.1
89089.7
91542.4
85348.8
83125
82392.6
83625.1
91537.6
96456.8
95595.2
97004.2
92296.9
97259.2
98738.8
97875
94536.3
91251.8
94685.7
96461.7
101507.7
97519.1
101422.3
103142
98782.4
105237.3
108959.1
106555.1
101954.5
96393.4
97500.4
102524.9
109105.2
112485.7
113560
113448
110212.2
118146.4
123957.7
122202
BCB-DEPEC

148.921
155.528
158.6
158.647
158.1
159.711
162.253
164.612
167.028
170.182
174.496
176.647
178.454
178.8
179.128
179.357
180.563
182.236
186.353
189.746
191.049
191.763
192.506
193.97
194.92
195.58
197.151
199.374
200.251
203.167
206.45
208.315
209.111
212.135
213.756
214.137
214.535
214.927
215.17
216.673
219.07
222.872
227.441
232.818
238.973
249.042
263.58
270.692

136131.0597
124629.0488
128228.6437
133504.9525
140638.9617
147786.8051
138640.9573
133448.9919
124672.9613
131735.4902
138202.9907
140278.6084
129463.2643
125846.0431
124508.8299
126209.9922
137229.0891
143276.2138
138859.3469
138386.3739
130772.9036
137290.7566
138841.4036
136588.0265
131285.7589
126296.821
130005.2321
130966.9791
137214.4076
129930.7477
132982.3455
134026.4228
127872.7825
134286.6345
137981.4213
134697.0077
128642.2612
121403.6498
122659.1917
128085.5032
134814.9213
136620.9264
135154.9787
131903.3151
124840.7177
128417.2361
127302.3664
122202

99

Santos, Alan Vasconcelos Santos


Anlise de modelos de sries temporais para a previso mensal do
imposto de renda/Alan Vasconcelos Santos. Fortaleza, 2003.
98 f.
Dissertao (Mestrado) Universidade Federal do Cear CAEN.
Curso de Mestrado em Economia.
1. Previso econmica 2. Econometria 3. Sries temporais 4. Modelos
economtricos 5. Imposto de renda
CDD 338.5442

100