Escolar Documentos
Profissional Documentos
Cultura Documentos
FACULDADE DE ECONOMIA
PROGRAMA DE PÓS-GRADUAÇÃO EM ECONOMIA
TESE DE DOUTORADO
Orientador:
Prof. Dr. Gabriel Caldas Montes
NITERÓI
2019
CAIO FERRARI FERREIRA
Orientador:
Prof. Dr. Gabriel Caldas Montes
NITERÓI
2019
i
REFERÊNCIA BLIBLIOGRÁFICA E CALATOGAÇÃO
FICHA CATALOGRÁFICA
Ferreira, Caio
ii
CAIO FERRARI FERREIRA
BANCA EXAMINADORA
____________________________________________________
Prof. Dr. Gabriel Caldas Montes – Orientador (PPGE-UFF)
____________________________________________________
Prof. Dr. Cláudio Oliveira de Moraes (BCB/UCAM)
____________________________________________________
Prof. Dr. Helder Ferreira de Mendonça (PPGE-UFF)
____________________________________________________
Prof. Dr. José Américo Pereira Antunes (BCB/UCAM)
____________________________________________________
Prof. Dr. Luciano Vereda Oliveira (PPGE-UFF)
NITERÓI
2019
iii
Agradecimentos
iv
Abstract
This thesis contributes to the literature on macroeconomics and finance. One of its main
objectives is to develop an empirical analysis on the relationship between the credibility
of the monetary policy and the fear of fluctuation of the exchange rate (fear of floating),
in order to emphasize the importance of the credibility of the monetary authority. The
thesis is organized in three chapters. The first chapter investigates the issue of the fear
of floating and the credibility of monetary policy, based on data for Brazil. The second
chapter presents an analysis of the disagreement on exchange rate expectations, in order
to emphasize the importance of monetary credibility in reducing the transmission of
uncertainty in relation to the exchange rate for the uncertainties related to inflation and
future interest rates. The third chapter looks at the issue of the fear of floating in a
context of international data, and also reinforces the idea that monetary credibility is
able to mitigate the reactions of the monetary authority in relation to exchange rate
fluctuations.
v
Resumo
vi
Lista de Conteúdo
vii
3.6 Conclusões............................................................................................................. 78
Apêndice 3 ........................................................................................................................ 80
CONSIDERAÇÕES FINAIS .................................................................................................... 82
REFERÊNCIAS BIBLIOGRÁFICAS........................................................................................... 84
viii
Lista de Figuras
ix
Lista de Tabelas
x
Tabela 3.2 – Estimativas para amostra completa e para amostra de países em
desenvolvimento (2000Q1-2017Q4) .............................................................................. 71
Tabela 3.3 – Estimativas para amostra completa e para amostra de países em
desenvolvimento (Antes e depois da crise de 2008)....................................................... 73
Tabela 3.4 – Estimativas para países com metas de inflação (Amostra completa e países
em desenvolvimento) ...................................................................................................... 74
Tabela 3.5 – Estimativas para amostra completa e para amostra de países em
desenvolvimento (2000Q1-2017Q4) .............................................................................. 76
Tabela 3.6 – Estimativas para amostra completa e para amostra de países em
desenvolvimento (Antes e depois da crise de 2008)....................................................... 77
Tabela 3.7 – Estimativas para países com metas de inflação (Amostra completa e países
em desenvolvimento) ...................................................................................................... 78
Tabela A3.1 – Lista de países ......................................................................................... 80
Tabela A2.1 – Estatísticas descritivas ............................................................................ 81
xi
PRÓLOGO
A partir dos anos 1990, diversos países recorreram a adoção de taxas de câmbio
flutuantes e regimes de metas para a inflação na condução de política monetária. Por
meio das metas, os formuladores de política monetária buscam ancoragem das
expectativas de inflação, de modo a garantir estabilidade dos preços e do produto. Nesse
cenário, a taxa de juros nominal é o principal instrumento de política monetária e deve
ser ajustada de modo a garantir que os objetivos da autoridade monetária sejam
alcançados.
Com foco na questão mencionada acima, esta tese contribui para a literatura de
macroeconomia e finanças. Um dos objetivos principais da tese é trazer evidências
empíricas para a questão teórica de Calvo e Heinhart (2002) de que a credibilidade é um
remédio adequado para mitigar o fear of floating na política monetária. Além disso, a
tese também investiga os efeitos do disagreement nas expectativas sobre a taxa de
câmbio. Mais especificamente, analisa-se o efeito do desacordo a respeito do valor
futuro da taxa de câmbio nos disagreements nas expectativas para a inflação e para a
taxa de juros da política monetária no Brasil.
1
desempenham um papel fundamental no regime de metas para inflação, analisamos,
também, se a credibilidade pode afetar as expectativas dos especialistas do mercado
financeiro sobre o fear of floating da autoridade monetária. Com o objetivo de mensurar
a credibilidade da política monetária, a tese faz uso de quatro índices de credibilidade
diferentes, consagrados na literatura. As estimações confirmam a hipótese de que
quando a credibilidade do regime de metas é elevada, a reação às flutuações na taxa de
câmbio são menores. Além disso, indicam que os especialistas do mercado financeiro
esperam menos intervenção da autoridade monetária quando a credibilidade é mais
elevada.
Por fim, o terceiro capítulo expande estudo empírico da relação entre fear of
floating, política monetária e credibilidade do regime de metas para um contexto de
vários países. Por meio de dados em painel para 47 países (onde, 32 são países em
desenvolvimento), no período que vai de 2000 a 2017 (com periodicidade trimestral), o
capítulo faz uso de uma regra de Taylor expandida para considerar o efeito da variação
da taxa de câmbio. Além disso, o capítulo também contribui para a literatura por
analisar se a credibilidade é capaz de minimizar o fear of floating. Dentre as
contribuições desse capitulo, podemos ressaltar que as estimativas indicam que o fear of
floating é maior para países em desenvolvimento, e que, em particular, os países em
desenvolvimento com metas de inflação apresentam um fear of floating ainda mais
elevado. Outra contribuição é a importância de construir credibilidade de maneira a
2
permitir que a taxa de juros da política monetária se situe em patamares mais baixos. Os
resultados sugerem que a credibilidade da política monetária é capaz de reduzir o medo
da autoridade monetária em relação às flutuações da taxa de câmbio, e esse efeito é mais
forte para os países em desenvolvimento que adotaram metas de inflação.
3
1 O EFEITO DA CREDIBILIDADE DA POLÍTICA MONETÁRIA NO FEAR
OF FLOATING: EVIDÊNCIAS PARA O BRASIL
4
1.1 Introdução
5
câmbio.1 Além disso, como novidade, a regra também capta o efeito da credibilidade da
política monetária.
Quanto à questão da percepção dos especialistas de mercado, o capítulo estima
uma outra função de reação para a expectativa da taxa de juros. Essa estratégia tem
como objetivo identificar se as expectativas da reação do BC consideram que haja fear
of floating por parte do Banco Central do Brasil. Novamente, investigamos a relação da
credibilidade com fear of floating, mas nesse caso, investiga-se se os agentes esperam
menos reação da autoridade monetária à taxa de câmbio em um cenário em que haja
mais credibilidade.
1
Segundo Nogueira-Jr. e León-Ledesma (2009), quanto maior o pass-through da taxa de câmbio, maior a
resposta da política monetária à taxa de câmbio. Eles argumentam que “mesmo que o Banco Central
não se importe com o nível da taxa de câmbio, ele deve responder a seus movimentos, pois influencia a
taxa geral de inflação e, portanto, sua capacidade de atingir as metas de inflação” (Nogueira-Jr. León-
Ledesma 2009, p. 258).
6
literatura destaca a tendência dos bancos centrais em utilizar a taxa básica de juros para
reagir às flutuações na taxa de câmbio.
De acordo com Calvo e Reinhart (2002), uma das principais razões para a
existência do fear of floating é a falta de credibilidade da autoridade monetária. Esse
problema afeta principalmente os países em desenvolvimento, que tendem a determinar
sua taxa de juros de política monetária com base em preocupações domésticas. Além
disso, Calvo e Reinhart (2002) apontam para o fato de que, em geral, os países com taxa
de câmbio flutuante tendem a ajustar o valor da taxa de juros com mais frequência. De
maneira geral, o modelo teórico proposto pelos autores considera a adoção de metas
para a inflação, em um cenário que o fear of floating surge de uma combinação de alto
pass-through e baixa credibilidade. Os resultados sugerem que nem sempre é fácil de
distinguir se um país que anuncia uma política de metas para a inflação, realmente
pratica uma taxa de câmbio que flutua livre de intervenção por parte da autoridade
monetária.
No entanto, o trabalho de Calvo e Reinhart (2002) não fornece nenhuma
evidência empírica sobre o efeito da credibilidade sobre o fear of floating. Até onde
sabemos, não há nenhum estudo abordando essa questão, que analisou empiricamente o
efeito da credibilidade sobre o fear of floating. Assim, o presente capítulo contribui para
a literatura, uma vez que é investiga empiricamente essa relação considerando um país
em desenvolvimento que adotou um regime de metas para a inflação.
Desse modo, o objetivo é estudar o Brasil, que é um país emergente e que adotou
as metas para a inflação, mas no qual a política monetária também está comprometida
em suavizar as variações cambiais (Ball e Reyes 2008). De acordo com Ball e Reyes
(2008), as evidências sugerem que há a presença de fear of floating na condução da
política monetária no Brasil. Os autores argumentam que a autoridade monetária
brasileira anuncia que o país segue um regime de metas para inflação, mas na verdade
segue um regime de fear of floating disfarçado.
Desde a adoção do regime de câmbio flutuante e de metas de inflação no Brasil,
a literatura relacionada ao pass-through cambial tem se desenvolvido de forma
considerável (por exemplo, Minella et al. 2003; Nogueira Jr. 2007, 2010; Ca'Zorzi et al.
2007; de Mendonça e Tostes 2015). Em particular, de Mendonça e Tostes (2015)
ressaltam que elevada credibilidade fiscal e monetária podem reduzir o efeito de pass-
7
through cambial. Os resultados dos autores sugerem que a credibilidade é importante
para reduzir tanto o pass-through relacionado à inflação e expectativas de inflação.
Além disso, há estudos que buscam investigar como a autoridade monetária se
comporta em termos de reação da política monetária. Especificamente, alguns estudos
procuram verificar se a taxa de câmbio afeta a função de reação da política monetária
dos Bancos Centrais (por exemplo, Bogdanski et al. 2002; Fraga et al. 2003; Minella et
al. 2003; de Mello et al. 2009; Nogueira- Jr. e León-Ledesma 2009; Palma e Portugal
2014). Em geral, apesar do principal foco desses trabalhos não ser a questão do fear of
floating, esses estudos apontam que as autoridades monetárias suavizam as variações na
taxa de câmbio com o objetivo de reduzir a variabilidade da taxa de inflação (fear of
inflation) (Nogueira Jr. e León-Ledesma 2009).
De maneira geral, o Brasil é um interessante estudo de caso sobre o assunto, pois
desde 1999 adota um regime de metas de inflação com um regime de câmbio flutuante.
No entanto, como apontam Ball e Reyes (2008), a autoridade monetária enfrenta o
dilema de deixar a taxa de câmbio flutuar sem intervenção ou de intervir por ter receio
de que uma determinada flutuação da taxa de câmbio possa comprometer os objetivos
de política monetária.
Seguindo Calvo e Reinhart (2002), o argumento deste capitulo é o de que esse
dilema está claramente relacionado à construção de credibilidade e à redução da
volatilidade cambial, que são desafios importantes a serem superados pelos
formuladores de políticas no Brasil. Particularmente em relação à importância da
credibilidade, quando a credibilidade da política monetária é baixa, a inflação acelera e
tende a afastar-se da meta de inflação estabelecida (Montes e Curi 2016; Montes e
Bastos 2014). Como consequência, em um ambiente de baixa credibilidade, o banco
central está mais propenso a temer desvalorizações cambiais, pois tais desvalorizações
podem aumentar a taxa de inflação através do efeito de pass-through da taxa de câmbio.
Sendo assim, quando a credibilidade da política monetária está comprometida, a
autoridade monetária é mais suscetível a reagir aos movimentos da taxa de câmbio, ao
invés de simplesmente perseguir a meta de inflação e deixar a moeda flutuar livremente.
Em relação aos resultados deste capítulo, a análise empírica sugere que a
credibilidade da política monetária é capaz de reduzir o medo da autoridade monetária
em relação às flutuações da taxa de câmbio no Brasil. Além disso, as estimativas
também indicam que a melhoria da credibilidade do regime de metas é importante para
8
reduzir as expectativas de mercado acerca do comportamento de fear of floating do
Banco Central do Brasil. A partir dos resultados obtidos, este capítulo ressalta a
importância dos bancos centrais buscarem a credibilidade de suas políticas, pois caso
contrário, podem ser mal interpretados em relação às metas que perseguem e como
conduzem a política monetária.
9
adoção do regime de metas para a inflação. Em geral, os resultados indicam que o efeito
de pass-through é importante para explicar a taxa de inflação. Além disso, os autores
analisam o impacto da credibilidade fiscal e monetária no mecanismo de transmissão do
pass-through da taxa de câmbio para a inflação. A evidência empírica indica que uma
credibilidade mais elevada ajuda a mitigar o efeito de pass-through da taxa de câmbio.
Assim, pode-se pensar que uma conseqüência disso é um melhor controle sobre a taxa
de inflação com um custo social menor.
1.4 Dados
Os dados para construir as séries utilizadas neste capítulo foram obtidos a partir
do Sistema de Séries Temporais do Banco Central do Brasil. Devido à disponibilidade
de dados, o período de análise vai de julho de 2002 a dezembro de 2015, com
observações mensais. A análise usa as seguintes séries:
Taxa básica de juros – SELIC;
Expectativa da taxa básica de juros para os próximos 12 meses (E(SELIC));
Taxa de inflação medida pelo Índice de Preços ao Consumidor - IPCA - (INF);
Expectativa para a taxa de inflação medida pelo Índice de Preços ao Consumidor
- IPCA - para os próximos 12 meses (E(INF));
Taxa de juros real (SELIC_R);
Expectativa para a taxa de juros real para os próximos 12 meses (E(SELIC_R));
Taxa de câmbio (EXCH);
Expectativa para a taxa de câmbio para os próximos 12 meses (E(ECXH));
Desvios da inflação em relação à meta de inflação (DESV_INF);
Desvios esperados da inflação em relação à meta de inflação (DESV_EINF);
Hiato do produto (GAP);
Desvios esperados do produto em relação à sua tendência (E(GAP));
Todas as séries foram transformadas para considerar a variação acumulada nos
últimos doze meses. Além disso, uma variável dummy (CRISIS) para a crise financeira
subprime e suas consequências internacionais também é considerada (assume valor 1 de
setembro de 2008 a dezembro de 2012, e zero caso contrário). A Tabela A1 no
Apêndice apresenta uma descrição detalhada de cada série utilizada neste capítulo.
10
Com o objetivo de considerar o efeito da credibilidade da política monetária, são
considerados quatro índices de credibilidade diferentes. Esses índices se baseiam na
ideia de Agénor e Taylor (1992), na qual a medida de credibilidade pode ser construída
a partir de séries de expectativa de inflação. Conforme proposto por Svensson (2000), a
credibilidade monetária pode ser medida pela diferença entre a inflação esperada e a
meta de inflação anunciada. Assim, utilizamos os seguintes índices: o índice de
Cecchetti e Krause (2002); o índice construído por de Mendonça (2007); o índice
proposto por Guimarães e Souza e de Mendonça (2009), e; o índice sugerido por de
Tejada, Neto e Leal (2013). Todos os quatro índices são calculados com base nas séries
de expectativas de inflação obtidas junto ao Banco Central do Brasil.
O índice proposto por Cecchetti e Krause (2002) (CREDCK) é calculado com
base na diferença entre a inflação esperada (𝐸[𝜋]) e a meta de inflação (𝜋 𝑇 ). O valor do
índice é igual a 1, sempre que a inflação anual esperada (𝐸[𝜋]) estiver abaixo da meta
de inflação (𝜋 𝑇 ). Caso as expectativas de inflação sejam inferiores a 20%, mas
superiores à meta, o valor do índice varia entre 0 e 1. Por outro lado, quando a inflação
esperada é igual ou superior a 20%, o valor do índice é 0.
1 𝑖𝑓 𝐸[𝜋] ≤ 𝜋𝑡𝑇
1
𝐶𝑅𝐸𝐷𝐶𝐾 = {1 − 0.2−𝜋𝑇 [𝐸[𝜋] − 𝜋𝑡𝑇 ] 𝑖𝑓 𝜋𝑡𝑇 < 𝐸[𝜋] < 20%}
𝑡
0 𝑖𝑓 𝐸(𝜋) ≥ 20%
Por sua vez, o índice proposto por de Mendonça (2007) (CREDM) possui valor
igual a 1, quando a inflação anual esperada (𝐸[𝜋]) é igual à meta de inflação (𝜋 𝑇 ), e
diminui de maneira linear conforme expectativa inflacionária, se desvia do alvo
anunciado. Mais precisamente, esse índice de credibilidade tem valor entre 0 e 1 apenas
quando a inflação esperada está situada entre os limites máximo e mínimo (𝜋 ∗ )
estabelecidos para cada ano. Caso a inflação esperada se situe fora do intervalo, o índice
assume um valor igual a 0. Em termos de cálculo do índice, quando a inflação esperada
está acima da meta de inflação (e ao mesmo tempo não ultrapassou o limite superior da
∗
faixa), utilizamos, no denominador, a diferença entre o limite máximo (𝜋𝑡𝑀𝐴𝑋 ) e a meta
de inflação (𝜋 𝑇 ). Por outro lado, quando a expectativa de inflação está abaixo da meta
de inflação (e ao mesmo tempo não ultrapassou o limite inferior da faixa), utilizamos,
∗
no denominador, a diferença entre o limite mínimo (𝜋𝑡𝑀𝐼𝑁 ) e a meta ( 𝜋 𝑇 ).
11
1 𝑖𝑓 𝐸[𝜋] = 𝜋𝑡𝑇
1
𝐶𝑅𝐸𝐷𝑀 = {1 − 𝜋∗ −𝜋𝑇 [𝐸[𝜋] − 𝜋𝑡𝑇 ] ∗
𝑖𝑓 𝜋𝑡𝑀𝐼𝑁 ∗
< 𝐸[𝜋] < 𝜋𝑡𝑀𝐴𝑋 }
𝑡 𝑡
∗ ∗
0 𝑖𝑓 𝐸(𝜋) ≥ 𝜋𝑡𝑀𝐴𝑋 𝑜𝑟 𝐸[𝜋] ≤ 𝜋𝑡𝑀𝐼𝑁
∗ ∗
1 𝑖𝑓 𝜋𝑡𝑀𝐼𝑁 ≤ 𝐸[𝜋] ≤ 𝜋𝑡𝑀𝐴𝑋
∗
[𝐸[𝜋] − 𝜋𝑡𝑀𝐴𝑋 ] ∗
1 − ∗ 𝑖𝑓 𝜋𝑡𝑀𝐴𝑋 < 𝐸[𝜋] < 20%
0,2 −𝜋𝑡𝑀𝐴𝑋
𝐶𝑅𝐸𝐷𝑆𝑀 = ∗
[𝐸[𝜋] − 𝜋𝑡𝑀𝑖𝑛 ] ∗
1 − ∗ 𝑖𝑓 0% < 𝐸[𝜋] < 𝜋𝑡𝑀𝑖𝑛
(−𝜋𝑡𝑀𝑖𝑛 )
{0 𝑖𝑓 𝐸(𝜋) ≥ 20% 𝑜𝑟 𝐸[𝜋] ≤ 0%}
Em relação ao índice proposto por Tejada, Neto e Leal (2013) (CREDTNL), sua
principal característica é considerar não-linearidades, de modo que os pequenos desvios
da meta de inflação representem menor redução da credibilidade do que desvios
maiores. Sendo assim, grandes desvios da inflação esperada em relação à meta têm um
efeito mais forte na credibilidade. A ideia do índice é a de que pequenos desvios podem
ser percebidos como temporários e, como consequência, não prejudicam tanto a
credibilidade quanto desvios maiores. Sua especificação quadrática captura esse efeito
não linear. Assim como os demais índices, CREDTNL utiliza as expectativas de
inflação obtidas junto ao Banco Central, a meta de inflação e o intervalo de tolerância
definidos pela autoridade monetária.
1 𝑖𝑓 𝐸[𝜋] = 𝜋𝑡𝑇
2 2
√[𝜋𝑇 −𝜋∗ 𝑇
𝑡 𝑡𝑀𝐴𝑋 ] −[𝐸[𝜋]−𝜋𝑡 ]
∗ 𝑖𝑓 𝜋𝑡𝑇 < 𝐸[𝜋] < 𝜋𝑡𝑀𝐴𝑋
∗
(𝜋𝑡𝑀𝐴𝑋 −𝜋𝑡𝑇 )
𝐶𝑅𝐸𝐷𝑇𝑁𝐿 =
∗
√[𝜋𝑡𝑇 −𝜋𝑡𝑀𝑖𝑛 ]²−[𝐸[𝜋]−𝜋𝑡𝑇 ]2
∗
∗ 𝑖𝑓 𝜋𝑡𝑀𝐼𝑁 < 𝐸[𝜋] < 𝜋𝑡𝑇
(𝜋𝑡𝑇 −𝜋𝑡𝑀𝑖𝑛 )
∗ ∗
{0 𝑖𝑓 𝐸(𝜋) ≥ 𝜋𝑡𝑀𝐴𝑋 𝑜𝑟 𝐸[𝜋] ≤ 𝜋𝑡𝑀𝐼𝑁 }
12
Figura 1.1 – Gráficos dos indices de credbilidade monetária.
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
0.0 0.0
02 03 04 05 06 07 08 09 10 11 12 13 14 15 02 03 04 05 06 07 08 09 10 11 12 13 14 15
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
0.0 0.0
02 03 04 05 06 07 08 09 10 11 12 13 14 15 02 03 04 05 06 07 08 09 10 11 12 13 14 15
1.0
0.8
0.6
0.4
0.2
0.0
02 03 04 05 06 07 08 09 10 11 12 13 14 15
TREND_CRED_CK TREND_CRED_M
TREND_CRED_SM TREND_CRED_TNL
13
Uma primeira condição a ser analisada antes de se aplicar a análise econométrica
é verificar se as séries são estacionárias (ou se têm raízes unitárias). Dessa maneira,
realizaram-se os testes de raiz unitária: Augmented Dickey-Fuller (ADF), Phillips-
Perron (PP) e Kwiatkowski-Phillips-Schmidt-Shin (KPSS) (Tabela 1.2 abaixo). Os
resultados indicaram que todas as séries são I(0) (um resultado esperado, uma vez que
todas as séries são transformadas para considerar a variação acumulada nos últimos
doze meses). Como os índices de credibilidade são variáveis com valores entre 0 e 1,
testes de raiz unitária não são necessários, ou seja, espera-se que todos os índices de
credibilidade sejam estacionários.
1.5 Metodologia
14
as especificações consideram a influência da taxa de câmbio na reação do Banco
Central do Brasil através da taxa básica de juros.
Por sua vez, com o objetivo de verificar o efeito da credibilidade da política
monetária sobre o fear of floating, termos de interação são utilizados, assim como de
Mendonça e Tostes (2015). No entanto, de Mendonça e Tostes (2015) analisaram a
influência direta da credibilidade fiscal e monetária no pass-through da taxa de câmbio
para a inflação. Por outro lado, este capítulo considera o efeito da credibilidade na
reação do Banco Central, por meio da utilização de interações entre a taxa de câmbio e
os índices de credibilidade monetária na função de reação do Banco Central do Brasil.
Do ponto de vista dos modelos estimados, utilizam-se dois conjuntos de equações
empíricas, considerando as variáveis de taxa de câmbio e da credibilidade da política
monetária em nível: uma especificação com a taxa de juros nominal no lado direito, e
outra com a taxa de juros real no lado direito da equação. O objetivo dessa estratégia é
estimar os dois conjuntos de equações obtidos a partir da literatura empírica, para
verificar se os resultados permanecem os mesmos, em diferentes formas funcionais.
As equações estimadas para a especificação que considera a taxa de juros
nominal no lado direito da equação seguem o seguinte modelo:
15
Da mesma maneira que na especificação anterior, quando se considerar o efeito
da credibilidade, tem-se o termo de interação. Novamente, 𝐶𝑅𝐸𝐷 representa um dos
índices de credibilidade da política monetária, de modo que têm-se variações da
seguinte equação:
16
Além disso, como em de Mendonça e Tostes (2015), também estimamos todas
as equações (1.1 a 1.12) com a primeira diferença para as variáveis de credibilidade da
política monetária (∆CRED), bem como a primeira diferença para a taxa de câmbio
(∆EXCH), ao invés das variáveis em nível. Enquanto, por um lado, a análise com as
variáveis em nível mostra como a taxa de juros é afetada, dependendo do nível de
credibilidade e do nível de taxa de câmbio; por outro lado, as estimativas considerando
as primeiras diferenças mostram como a variação da credibilidade afeta a reação do
Banco Central do Brasil às variações da taxa de câmbio. Mais uma vez, a justificativa
para o uso desse procedimento é antecipar uma possível questão que pode surgir, desta
vez relacionada à ideia de que também é importante verificar o efeito de mudanças na
taxa de câmbio e mudanças na credibilidade da política monetária (como de Mendonça
e Tostes (2015) fizeram pelo efeito de pass-through da taxa de câmbio para a inflação).
2
Vale ressaltar que os termos CRED ou ∆CRED (onde, como vimos, CRED é
CREDCK, CREDM, CREDSM, CREDTRL ou PC_CRED) tornam o coeficiente do
efeito da taxa de câmbio na reação do Banco Central do Brasil dependentes da
credibilidade monetária. Dessa maneira, por exemplo, o efeito total dos coeficientes da
taxa de câmbio são dados por: 𝛾6 + 𝛾7 (Eq. 1.2) e 𝜎7 + 𝜎8 (Eq. 1.8). Por um lado,
espera-se que os coeficientes para o termo de taxa de câmbio sejam positivos (𝛾6 e
𝜎7 > 0); por outro lado, para o termo de interação, espera-se um coeficiente negativo
(𝛾7 e 𝜎8 < 0). Isso significa que quando a credibilidade está em níveis mais elevados, a
autoridade monetária reage com menor intensidade às flutuações na taxa de câmbio. No
sentido oposto, se a credibilidade for baixa, a autoridade monetária está mais propensa à
uma reação mais intensa à taxa de câmbio. O mesmo argumento pode ser usado se
considerarmos as especificações com ∆CRED e ∆EXCH. Quando há uma melhora na
credibilidade ∆CRED> 0, o Banco Central do Brasil reage com menos intensidade às
variações da taxa de câmbio.
No que se refere aos lags variáveis nas equações, a escolha das defasagens para
as variáveis foram determinadas empiricamente, seguindo o método geral para
específico e o princípio da parcimônia. Essa metodologia leva em consideração não
2
No caso das equações que utilizam as variáveis em primeira diferença, As variáveis ∆𝐶𝑅𝐸𝐷 e ∆EXCH
são inseridas na equação ao invés das mesmas variáveis em nível. Por tanto, por exemplo, equação (2.1)
se torna:
𝑆𝐸𝐿𝐼𝐶𝑡 = 𝛾0 + 𝛾1 𝑆𝐸𝐿𝐼𝐶𝑡−1 + 𝛾2 𝐷𝐸𝑆𝑉_𝐼𝑁𝐹𝑡−3 + 𝛾3 𝐸𝐼𝑁𝐹𝑡−2 + 𝛾4 𝐸𝐺𝐴𝑃𝑡−3 + 𝛾5 𝐺𝐴𝑃𝑡−1 + 𝛾6 ∆𝐸𝑋𝐶𝐻𝑡−3
+ 𝛾7 ∆𝐶𝑅𝐸𝐷𝑡−3 [∆𝐸𝑋𝐶𝐻𝑡−3 ] + 𝛾8 𝐶𝑅𝐼𝑆𝐼𝑆 + 𝑒𝑡
17
apenas a significância estatística dos parâmetros, mas também testes diagnósticos, a fim
de garantir que o modelo escolhido tenha poder explicativo e, assim, garanta uma
equação parcimoniosa (Hendry, 2001).
A análise faz uso de mínimos quadrados ordinários (OLS) e do método
generalizado de momentos (GMM). Um bom argumento para justificar a estimação dos
modelos por GMM é que enquanto as estimativas de OLS têm problemas de
simultaneidade e endogeneidade dos regressores, o que é típico em séries temporais
macroeconômicas, o GMM fornece estimativas consistentes (Hansen, 1982). Em
relação à escolha dos instrumentos, estimativas GMM adotaram um procedimento
padrão baseado em Johnston (1984), ou seja, os instrumentos escolhidos foram datados
do período t-1 ou anterior. Além disso, um teste J-padrão foi realizado com o objetivo
de testar essa propriedade para a validade das restrições de sobreidentificação e garantir
a eficiência dos estimadores (Cragg, 1983). Mais especificamente, a estatística-J indica
se a condição de ortogonalidade é satisfeita. Além disso, com objetivo de garantir que
não haja endogeneidade nas estimativas por GMM, realizou-se o teste de Durbin-Wu-
Hausman (teste D-W-H) de endogeneidade dos regressores (Durbin 1954; Wu 1973;
Hausman 1978).
A fim de dar robustez aos resultados e evitar possíveis críticas sobre as escolhas
dos lags nas regressões, estimamos por GMM todas as equações anteriormente descritas
considerando regressores contemporâneos. Nesse caso, as estimativas por OLS não
foram realizadas devido aos problemas de simultaneidade e endogeneidade que surgem
quando se utilizam regressores contemporâneos, os quais justificam o uso do GMM (as
estimativas com regressores contemporâneos são reportadas nas tabelas A.2 e A.3 no
Apêndice 1 do capítulo).
18
Os resultados apresentados nas tabelas 1.3, 1.4, 1.5 e 1.6 revelam que todos os
coeficientes estimados apresentam os sinais esperados e estão de acordo com a
perspectiva teórica. Em relação aos coeficientes estimados das variáveis
tradicionalmente analisadas em estudos empíricos utilizando as regras de Taylor, as
estimativas corroboram os resultados demonstrados na literatura e sugerem, com
significância estatística: (i) a existência de uma relação positiva entre a taxa de inflação
e a reação do Banco Central do Brasil por meio da taxa básica de juros; (ii) a existência
de uma relação positiva entre o desvio da inflação da meta e a reação da autoridade
monetária, e (iii) a existência de uma relação positiva entre o hiato do produto e a
reação da Banco Central do Brasil. Além disso, os resultados sugerem que a autoridade
monetária reagiu à crise financeira internacional.
Em relação às variáveis expectacionais, os resultados também sugerem que o
BCB atua de maneira forward-looking. As estimativas revelam coeficientes positivos
para a reação do BCB tanto em relação às expectativas de inflação, quanto em relação
às expectativas para a atividade econômica.
No que se refere à relação entre a taxa de câmbio e a reação da autoridade
monetária, todos os coeficientes estimados são positivos e a significância estatística foi
encontrada na maioria dos coeficientes. Desse modo, os resultados indicam que o BCB
reage através da taxa básica de juros e sugere a existência de um comportamento
compatível com a noção de fear of floating.
Com relação à hipótese central do capítulo, de que a credibilidade da política
monetária é importante para reduzir o fear of floating, os resultados apresentados nas
tabelas 1.3 e 1.4, baseados nas estimativas das equações (1.2) a (1.6) e (1.8) a (1.12),
mostram que quanto maior a credibilidade, menor a reação do BCB em relação à taxa de
câmbio. É importante notar que os coeficientes estimados para as variáveis interativas
formadas pela taxa de câmbio e pelos diferentes índices de credibilidade da política
monetária são negativos em todas as equações e estatisticamente significantes na
maioria delas.
Como a noção de fear of floating está diretamente relacionada às flutuações da
taxa de câmbio, estimamos as mesmas equações com a primeira diferença da taxa de
câmbio e a primeira diferença dos índices de credibilidade da política monetária. Nas
tabelas 1.5 e 1.6 verificam-se as estimativas por OLS e por GMM, respectivamente.
Novamente, de maneira geral os coeficientes estimados têm os sinais esperados e, em
19
sua maioria, estão de acordo com a visão teórica. No entanto, os coeficientes estimados
para a variável ∆EXCH estimados por OLS foram a exceção, pois nenhum deles
apresentou significância estatística. Por outro lado, quando obtidos através da estimação
por GMM, todos os coeficientes para a variável ∆EXCH apresentaram os sinais
esperados e significância estatística. Os resultados são semelhantes aos das Tabelas 1.3
e 1.4, que consideram as equações com a taxa de câmbio e os índices de credibilidade
da política monetária em nível. Os resultados reforçam a ideia de que a credibilidade é
capaz de reduzir o fear of floating, pois se houver uma melhora na credibilidade, o BCB
se torna menos suscetível a reagir às pressões cambiais.
R² 0.97 0.97 0.97 0.97 0.97 0.97 0.88 0.89 0.89 0.88 0.89 0.89
Adj. R² 0.97 0.97 0.97 0.97 0.97 0.97 0.87 0.88 0.88 0.87 0.89 0.88
Ramsey RESET (1) 1.02 0.27 1.17 1.02 0.01 0.25 2.66 0.45 2.41 2.61 1.28 0.59
Prob. Ramsey RESET (1) 0.31 0.79 0.24 0.31 1.00 0.80 0.01 0.66 0.02 0.01 0.20 0.55
ARCH(1) test 106.18 100.78 90.59 106.24 89.76 94.80 17.84 18.47 22.51 17.74 32.23 24.62
Prob. ARCH(1) test 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
LM(1) test 190.06 185.55 192.75 189.01 192.44 191.63 118.47 96.51 116.23 117.20 109.64 105.66
Prob. LM(1) test 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
Jaque-bera 1.89 2.85 1.42 1.90 5.05 2.78 6.18 14.67 3.58 6.68 3.94 8.67
Prob. Jaque-bera 0.38 0.24 0.49 0.38 0.08 0.24 0.04 0.00 0.16 0.03 0.13 0.01
F-statistic 731.76 666.23 666.69 636.06 705.71 675.20 134.02 131.34 129.12 118.43 140.70 133.20
Prob. F-statistic 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
Observações 159 159 159 159 159 159 159 159 159 159 159 159
Fonte: Tabela elaborada pelo autor. Níveis de significância marginais: *** denota significância estatística
a 0,01, ** denota a 0,05 e * denota a 0,1; erro-padrão entre parênteses. Devido aos problemas de
autocorrelação e heteroscedasticidade diagnosticados acima (ver teste LM e teste ARCH), todas as
estimativas por OLS apresentam erros-padrão robustos de Newey-West (1987).
20
Com relação às estimativas do GMM para as equações (1.1) a (1.12), que
consideram regressores contemporâneos, os resultados corroboram os achados já
relatados acima (ver tabelas A.1.2 e A.1.3 no Apêndice). Novamente, as estimativas
reforçam a ideia de que a melhoria da credibilidade da política monetária pode mitigar o
fear of floating.
21
Tabela 1.5 - Estimativas por OLS: Efeito da credibilidade no fear of floating
(primeira diferença)
Variável Dependente: SELIC
Eq. (1.1) Eq. (1.2) Eq. (1.3) Eq. (1.4) Eq.(1.5) Eq. (1.6) Eq. (1.7) Eq. (1.8) Eq. (1.9) Eq. (1.10) Eq. (1.11) Eq. (1.12)
Estimador: OLS
C 0.379 0.538 0.411 0.435 0.469 0.539 1.812 2.213* 1.726 2.073 2.044 2.216
(0.831) (0.818) (0.825) (0.826) (0.801) (0.814) (1.434) (1.37) (1.426) 1.36737 (1.317) (1.351)
SELIC(-1) 0.886*** 0.877*** 0.887*** 0.881*** 0.8779*** 0.877***
(0.028) (0.03) (0.028) (0.029) (0.029) (0.029)
INF(-2) 0.564*** 0.551*** 0.559*** 0.557*** 0.559*** 0.556***
(0.069) (0.06) (0.07) (0.061) (0.055) (0.057)
SELIC_R(-1) 0.681*** 0.673*** 0.683*** 0.682*** 0.68*** 0.676***
(0.05) (0.05) (0.049) (0.05) (0.048) (0.05)
DESV_INF(-3) 0.045** 0.047*** 0.045** 0.047*** 0.043** 0.046** 0.142*** 0.146*** 0.144*** 0.148*** 0.134*** 0.142***
(0.02) (0.021) (0.02) (0.021) (0.021) (0.021) (0.045) (0.044) (0.045) (0.046) (0.039) (0.042)
EINF(-2) 0.064*** 0.071*** 0.064*** 0.065*** 0.077*** 0.072*** 0.262*** 0.277*** 0.266*** 0.266*** 0.294*** 0.28***
(0.015) (0.014) (0.016) (0.015) (0.015) (0.014) (0.058) (0.05) (0.059) (0.055) (0.044) (0.047)
EGAP(-3) 0.034 0.032 0.034 0.032 0.035 0.033 0.035 0.034 0.035 0.03 0.042 3.50E-02
(0.022) (0.022) (0.022) (0.023) (0.022) (0.022) (0.044) (0.044) (0.043) (0.045) (0.042) (0.044)
GAP(-1) 0.658*** 0.688*** 0.648*** 0.678*** 0.661*** 0.681*** 1.175*** 1.212*** 1.182*** 1.218*** 1.139*** 1.194***
(0.176) 0.182 (0.173) (0.18) (0.179) (0.179) (0.415) (0.417) (0.403) (0.424) (0.409) (0.424)
∆EXCH(-3) 0.034 0.014 0.027 0.027 -0.002 0.003 0.086 0.029 0.111 0.048 -0.012 0.001
(0.05) (0.044) (0.047) (0.046) (0.043) (0.043) (0.089) (0.091) (0.091) (0.09) (0.1) (0.099)
CRISIS -2.071 -2.220 -2.150 -2.158 -2.183 -2.283* -6.429** -6.693*** -6.123** -6.702***-6.587***-6.844***
(1.41) (1.402) (1.418) (1.423) (1.373) (1.406) (2.595) (2.504) (2.602) (2.562) (2.451) (2.508)
∆EXCH(-3)*∆CREDCK(-3) -5.210*** -13.142***
(1.732) (4.122)
∆EXCH(-3)*∆CREDM(-3) -0.332 1.231**
(0.359) (0.617)
∆EXCH(-3)*∆CREDSM(-3) -3.350** -15.118***
(1.287) (4.366)
∆EXCH(-3)*∆CREDTRL(-3) -1.162*** -3.023***
(0.299) (0.655)
∆EXCH(-3)*∆PC_CREDM(-3) -0.139*** -0.363***
(0.034) (0.083)
R² 0.97 0.97 0.97 0.97 0.97 0.97 0.87 0.88 0.88 0.88 0.89 0.89
Adj. R² 0.97 0.97 0.97 0.97 0.97 0.97 0.87 0.88 0.87 0.88 0.88 0.88
Ramsey RESET (1) 0.24 0.02 0.26 0.17 0.29 0.06 2.49 2.15 2.31 2.33 2.42 2.39
Prob. Ramsey RESET (1) 0.81 0.98 0.79 0.86 0.77 0.95 0.01 0.03 0.02 0.02 0.02 0.02
ARCH(1) test 111.55 56.41 89.29 82.89 35.34 50.07 15.83 21.91 15.07 11.56 6.67 10.21
Prob. ARCH(1) test 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.96 0.01 0.00
LM(1) test 197.66 169.98 187.57 188.21 161.98 165.25 123.97 103.39 121.83 107.97 90.05 97.35
Prob. LM(1) test 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
Jaque-bera 2.36 1.48 2.53 2.88 9.86 3.13 7.64 2.15 5.54 0.96 1.55 0.81
Prob. Jaque-bera 0.30 0.47 0.28 0.23 0.00 0.20 0.02 0.03 0.06 0.61 0.45 0.66
F-statistic 734.73 670.95 641.79 649.60 665.91 677.80 129.66 124.11 116.44 125.37 128.61 127.05
Prob. F-statistic 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
Observações 158 158 158 158 155 158 158 158 158 158 158 158
Fonte: Tabela elaborada pelo autor. Níveis de significância marginais: *** denota significância estatística
a 0,01, ** denota a 0,05 e * denota a 0,1; erro-padrão entre parênteses. Devido aos problemas de
autocorrelação e heteroscedasticidade diagnosticados acima (ver teste LM e teste ARCH), todas as
estimativas por OLS apresentam erros-padrão robustos de Newey-West (1987).
22
Tabela 1.6 - Estimativas por GMM: Efeito da credibilidade no fear of floating
(primeira diferença)
Variável Dependente: SELIC
Eq. (1.1) Eq. (1.2) Eq. (1.3) Eq. (1.4) Eq.(1.5) Eq. (1.6) Eq. (1.7) Eq. (1.8) Eq. (1.9) Eq. (1.10) Eq. (1.11) Eq. (1.12)
Estimador: GMM
C 1.427 2.106*** 0.285 0.58 2.209***
2.788** 5.671*** 5.617*** 6.791*** 6.639*** 4.836*** 3.941
(0.876) (0.672) (1.2) (1.022) (0.706)
(1.122) (2.049) (1.661) (1.439) (0.822) (1.169) (2.463)
SELIC(-1) 0.86*** 0.861*** 0.82*** 0.841*** 0.836***
0.83***
(0.031) (0.024) (0.039) (0.019) (0.029)
(0.037)
INF(-2) 0.538*** 0.538*** 0.511*** 0.498*** 0.526*** 0.423***
(0.071) (0.053) (0.047) (0.028) (0.026) (0.044)
SELIC_R(-1) 0.698*** 0.756*** 0.646*** 0.705*** 0.71*** 0.566***
(0.053) (0.048) (0.048) (0.027) (0.029) (0.081)
DESV_INF(-3) 0.052*** 0.02 0.039* 0.053*** 0.055*** 0.062*** 0.141*** 0.124*** 0.138*** 0.155*** 0.12*** 0.147***
(0.017) (0.014) (0.02) (0.013) (0.019) (0.018) (0.032) (0.03) (0.035) (0.021) (0.021) (0.025)
EINF(-2) 0.081*** 0.18*** 0.131*** 0.119*** 0.148*** 0.118*** 0.372*** 0.512*** 0.459*** 0.474*** 0.477*** 0.416***
(0.019) (0.027) (0.024) (0.016) (0.027) (0.031) (0.087) (0.064) (0.055) (0.048) (0.049) (0.061)
EGAP(-3) 0.004 0.021* 0.045* 0.036** 0.005 0.007 0.007 0.024 0.017 2.60E-02 2.40E-02 0.01
(0.021) (0.012) (0.025) (0.018) (0.026) (0.029) (0.074) (0.037) (0.042) (0.034) (0.036) (0.047)
GAP(-1) 0.849*** 0.507*** 0.952*** 0.777*** 0.78*** 0.865*** 0.887 0.053 0.866* 0.111 0.35 1.606**
(0.198) (0.148) (0.267) (0.139) (0.167) (0.219) (0.609) (0.408) (0.451) (0.319) (0.297) (0.714)
∆EXCH(-3) 0.142** 0.067* 0.162** 0.104** 0.148* 0.21** 0.52** 0.312* 0.227** 0.255** 0.202* 0.324**
(0.068) (0.04) (0.072) (0.048) (0.078) (0.101) (0.262) (0.177) (0.114) (0.107) (0.114) (0.164)
CRISIS -5.368*** -6.474*** -1.306 -4.411*** -7.828*** -8.786***-16.241***-16.467***-19.869***-19.795***-13.986***-11.165**
(1.788) (1.204) (3.06) (0.92) (1.537) (2.6) (4.296) (3.027) (3.194) (1.899) (2.194) (5.39)
∆EXCH(-3)*∆CREDCK(-3) -2.776* -1.249
(1.443) (4.123)
∆EXCH(-3)*∆CREDM(-3) -1.243** -2.598*
(0.549) (1.542)
∆EXCH(-3)*∆CREDSM(-3) -2.547** -6.768*
(1.265) (4.075)
∆EXCH(-3)*∆CREDTRL(-3) -1.106* -3.249***
(0.664) (1.197)
∆EXCH(-3)*∆PC_CREDM(-3) -0.378* -0.466***
(0.108) (0.148)
R² 0.97 0.97 0.97 0.97 0.96 0.95 0.83 0.84 0.82 0.83 0.86 0.85
Adj. R² 0.97 0.97 0.96 0.97 0.96 0.95 0.82 0.82 0.80 0.82 0.85 0.84
Observações 154 145 151 150 151 153 153 147 151 150 150 153
RANK 30 42 29 40 36 26 20 39 36 47 43 29
J-statistic 15.04 18.16 15.64 18.35 13.76 13.84 10.34 18.98 19.10 22.81 22.71 13.24
p-value(J-stat) 0.86 0.98 0.74 0.96 0.98 0.68 0.50 0.92 0.83 0.97 0.91 0.83
D-W-H test 4.16 1.67 4.30 4.14 4.50 7.37 8.98 2.86 2.64 2.83 2.98 8.82
p-value(D-W-H) 0.76 0.99 0.83 0.90 0.81 0.50 0.34 0.97 0.98 0.97 0.97 0.45
Fonte: Tabela elaborada pelo autor. Níveis de significância marginais: *** denota significância estatística
a 0,01, ** denota a 0,05 e * denota a 0,1; erro-padrão entre parênteses. Devido a possível presensa de
autocorrelação e à heteroscedasticidade todas as estimativas de GMM apresentam erros-padrão robustos
de Newey-West (1987).
23
que em um ambiente com alta credibilidade, os agentes esperam uma reação mais suave
do BCB em relação à taxa de câmbio. Assim, representando uma contribuição para a
literatura relacionada ao fear of floating, é essa questão examinada nessa seção que diz
respeito à percepção dos especialistas do mercado financeiro sobre o fear of floating.
Portanto, estimamos as seguintes equações:
24
As evidências mostram que, quando a inflação se desvia da meta de inflação e as
expectativas de inflação aumentam, os especialistas do mercado financeiro esperam que
o BCB aumente a taxa básica de juros. As estimativas também revelam coeficientes
positivos em relação às expectativas para a atividade econômica (EGAP) e para o hiato
do produto (GAP).
Em relação a hipótese de que a formação de expectativas leva em consideração
um comportamento de Fear of Floating, os resultados indicam uma relação positiva
entre EXP_EXCH e EXP_SELIC, isto é, quando os especialistas do mercado financeiro
esperam uma taxa de câmbio mais alta, eles também esperam que o BCB aumente a
taxa básica de juros. Em relação aos efeitos da credibilidade da política monetária na
percepção dos especialistas do mercado financeiro sobre o fear of floating, os resultados
mostram que eles percebem uma redução na reação do BCB quando há mais
credibilidade monetária. Além disso, os resultados para as estimativas com regressores
contemporâneos (tabela A.1.4 no Apêndice) são consistentes com as evidências
apresentadas na tabela 1.7
A Tabela 1.8 apresenta as estimativas das equações (1.13) a (1.18), porém com a
variação da taxa de câmbio (∆EXCH) e a variação dos diferentes índices de
credibilidade da política monetária (∆CRED). Os resultados para as variáveis de
controle corroboram a visão teórica, assim como as demais evidências apresentadas na
Tabela 1.7. Por sua vez, os resultados indicam que quando os especialistas do mercado
financeiro esperam uma maior variação cambial positiva, também esperam que haja um
aumento da taxa básica de juros. Em relação aos efeitos das variações da credibilidade
da política monetária na percepção dos especialistas do mercado financeiro sobre o fear
of floating, os resultados apontam para o fato de que há uma percepção de uma redução
no fear of floating quando há ganho de credibilidade da política monetária. Além disso,
os resultados para as estimativas quando considerados regressores contemporâneos
(tabela A.5 no Apêndice), mas com a variação da taxa de câmbio (∆EXCH) e a variação
dos diferentes índices de credibilidade da política monetária, são consistentes com os
resultados apresentados em tabela 1.8.
25
Tabela 1.7 - Estimações por OLS e GMM: Efeito da credibilidade nas expectativas
de fear of floating
Variável Dependente: SELIC Eq. (1.13) Eq. (1.14) Eq. (1.15) Eq. (1.16)
Eq.(1.17) Eq. (1.18) Eq. (1.13) Eq. (1.14) Eq. (1.15) Eq. (1.16) Eq.(1.17) Eq. (1.18)
Estimador: OLS GMM
C 0.791 -0.09 -4.576 1.889 0.479 -0.427 2.985 -1.083 -4.535 1.886 -0.916 -1.671
(2.477) (2.374) (3.224) (2.329) (2.699) (2.515) (2.776) (2.819) (3.424) (3.262) (2.119) (2.905)
EXP_SELIC(-6) 0.156* 0.2** 0.178** 0.155* 0.154* 0.173** 0.175** 0.207** 0.158** 0.127* 0.163** 0.167**
(0.087) (0.079) (0.072) (0.087) (0.087) (0.08) (0.07) (0.085) (0.072) (0.07) (0.08) (0.08)
DESV_INF 0.251*** 0.212*** 0.247*** 0.239*** 0.241*** 0.224*** 0.235*** 0.166*** 0.222*** 0.232*** 0.214*** 0.19***
(0.044) (0.046) (0.046) (0.043) (0.044) (0.046) (0.039) (0.047) (0.045) (0.034) (0.041) (0.039)
EINF(-6) 0.116** 0.109** 0.096* 0.121** 0.114** 0.11** 0.138** 0.143** 0.112** 0.135** 0.072 0.101
(0.05) (0.053) (0.052) (0.052) (0.051) (0.052) (0.06) (0.066) (0.053) (0.053) (0.076) (0.073)
EGAP(-6) 0.154** 0.136* 0.108 0.162** 0.15** 0.138* 0.285*** 0.339*** 0.196** 0.315*** 0.214*** 0.324***
(0.078) (0.073) (0.065) (0.076) (0.075) (0.071) (0.086) (0.112) (0.083) (0.068) (0.068) (0.085)
GAP 3.78*** 3.649*** 3.572*** 3.744*** 3.835*** 3.736*** 4.833*** 4.494*** 5.537*** 4.692*** 5.23*** 5.082***
(0.729) (0.745) (0.73) (0.711) (0.756) (0.742) (0.667) (0.847) (0.546) (0.771) (0.699) (0.707)
EXP_EXCH(-2) 0.245* 4.184*** 0.685*** 3.826** 0.52 0.214 0.194* 5.35*** 0.718** 4.005*** 0.879** 0.234*
(0.142) (1.256) (0.222) (1.619) (0.452) (0.145) (0.108) (1.066) (0.287) (0.788) (0.402) (0.124)
CRISIS -5.582 -4.812 -0.52 -6.641 -5.18 -4.357 -14.229** -7.452 -1.17 -9.096 -6.232 -3.98
(5.028) (4.778) (5.348) (4.854) (5.206) (4.828) (6.917) (6.112) (5.373) (7.544) (4.534) (6.851)
EXP_EXCH(-2)*CREDCK(-2) -4.25*** -5.528***
(1.389) (1.188)
EXP_EXCH(-2)*CREDM(-2) -1.122*** -0.991*
(0.39) (0.558)
EXP_EXCH(-2)*CREDSM(-2) -3.614** -3.865***
(1.633) (0.835)
EXP_EXCH(-2)*CREDTRL(-2) -0.36 -0.843*
(0.574) (0.47)
EXP_EXCH(-2)*PC_CREDM(-2) -0.207** -0.169***
(0.091) (0.058)
R² 0.60 0.63 0.65 0.61 0.60 0.63 0.53 0.58 0.58 0.59 0.58 0.58
Adj. R² 0.58 0.61 0.63 0.59 0.58 0.61 0.51 0.55 0.56 0.56 0.55 0.55
Ramsey RESET (1) 0.98 0.30 0.91 0.51 0.35 0.42
Prob. Ramsey RESET (1) 0.33 0.77 0.36 0.61 0.73 0.67
ARCH(1) test 64.77 42.36 25.16 53.12 48.78 33.23
Prob. ARCH(1) test 0.00 0.00 0.00 0.00 0.00 0.00
LM(1) test 213.75 218.52 178.80 208.69 205.88 203.86
Prob. LM(1) test 0.00 0.00 0.00 0.00 0.00 0.00
Jaque-bera 9.18 11.10 4.85 13.24 10.70 10.93
Prob. Jaque-bera 0.01 0.00 0.08 0.00 0.00 0.00
F-statistic 31.23 30.97 34.36 29.02 27.60 30.92
Prob. F-statistic 0.00 0.00 0.00 0.00 0.00 0.00
Observações 156 156 156 156 156 156 150 150 152 150 148 149
RANK 24 17 25 26 27 25
J-statistic 11.36 12.14 15.23 13.10 13.34 14.28
p-value(J-stat) 0.79 0.14 0.51 0.73 0.77 0.58
D-W-H test 6.94 8.77 6.67 8.47 7.97 5.99
p-value(D-W-H) 0.44 0.36 0.57 0.39 0.44 0.65
Fonte: Tabela elaborada pelo autor. Níveis de significância marginais: *** denota significância estatística a 0,01, **
denota a 0,05 e * denota a 0,1; erro-padrão entre parênteses. Devido aos problemas de autocorrelação e
heteroscedasticidade diagnosticados acima (ver teste LM e teste ARCH), todas as estimativas por OLS apresentam
erros-padrão robustos de Newey-West (1987). Devido a possível presensa de autocorrelação e à heteroscedasticidade
todas as estimativas de GMM apresentam erros-padrão robustos de Newey-West (1987).
26
Tabela 1.8 - Estimações por OLS e GMM: Efeito da credibilidade nas expectativas de
fear of floating (Primeira diferença)
Variável Dependente:SELIC Eq. (1.13) Eq. (1.14) Eq. (1.15) Eq. (1.16) Eq.(1.17)
Eq. (1.18) Eq. (1.13) Eq. (1.14) Eq. (1.15) Eq. (1.16) Eq.(1.17) Eq. (1.18)
Estimador: OLS GMM
C 1.381 1.496 1.262 1.494 1.377 1.528 -2.775 0.156 -2.794 -3.598 0.159 -0.75
(2.649) (2.731) (2.655) (2.7) (2.679) (2.707) (3.26) (2.148) (3.621) (2.614) (2.855) (2.773)
EXP_SELIC(-6) 0.149 0.151 0.154* 0.152 0.149 [0.152 0.145* 0.141** 0.188*** 0.173*** 0.119* 0.169**
(0.092) (0.092) (0.092) (0.093) (0.093) (0.092) (0.086) (0.068) (0.072) (0.064) (0.068) (0.078)
DESV_INF 0.23*** 0.225*** 0.227*** 0.225*** 0.23*** 0.224*** 0.234*** 0.229*** 0.22*** 0.184*** 0.222*** 0.188***
(0.052) (0.056) (0.051) (0.055) (0.052) (0.055) (0.054) (0.047) (0.047) (0.051) (0.043) (0.054)
EINF(-6) 0.19*** 0.191*** 0.186*** 0.191*** 0.19*** 0.191*** 0.23*** 0.224*** 0.193*** 0.196*** 0.245*** 0.209***
(0.037) (0.037) (0.037) (0.038) (0.037) (0.037) (0.046) (0.027) (0.043) (0.038) (0.04) (0.04)
EGAP(-6) 0.131 0.132 0.126 0.133* 0.131 0.131 0.192* 0.199** 0.138 0.206*** 0.027 0.169**
(0.079) (0.08) (0.081) (0.08) (0.081) (0.08) (0.099) (0.079) (0.086) (0.058) (0.098) (0.076)
GAP 3.739*** 3.74*** 3.759*** 3.728*** 3.738*** 3.741*** 5.343*** 5.068*** 5.487*** 5.177*** 5.656*** 5.426***
(0.746) (0.746) (0.746) (0.744) (0.762) (0.746) (0.886) (0.624) (0.804) (0.774) (0.698) (0.781)
∆EXP_EXCH(-2) 0.797* 0.776* 0.788* 0.765* 0.796* 0.772* 1.294** 0.708** 1.114** 0.848** 1.145*** 0.944**
(0.437) (0.45) (0.438) (0.436) (0.433) (0.451) (0.497) (0.35) (0.444) (0.428) (0.422) (0.422)
CRISIS -7.173 -7.253 -7.194 -7.259 -7.169 -7.286 -1.569 -7.821 -1.01 1.297 -9.796 -2.531
(5.081) (5.098) (5.076) (5.114) (5.099) (5.104) (8.157) (5.239) (9.686) (6.459) (7.602) (7.152)
∆EXP_EXCH(-2)*∆CREDCK(-2) -1.814 -10.445*
(3.777) (6.281)
∆EXP_EXCH(-2)*∆CREDM(-2) -3.036 -8.56*
(2.657) (4.723)
∆EXP_EXCH(-2)*∆CREDSM(-2) -2.03 -8.836*
(3.013) (5.17)
∆EXP_EXCH(-2)*∆CREDTRL(-2) 0.037 -6.052*
(1.191) (3.576)
∆EXP_EXCH(-2)*∆PC_CREDM(-2) -0.066 -0.352*
(0.099) (0.205)
R² 0.58 0.58 0.59 0.58 0.58 0.58 0.56 0.58 0.54 0.56 0.55 0.57
Adj. R² 0.56 0.56 0.57 0.56 0.56 0.56 0.54 0.56 0.52 0.53 0.52 0.54
Ramsey RESET (1) 1.29 1.36 1.01 1.46 1.29 1.40
Prob. Ramsey RESET (1) 0.20 0.18 0.31 0.15 0.20 0.17
ARCH(1) test 82.42 83.28 86.81 81.57 82.28 83.68
Prob. ARCH(1) test 0.00 0.00 0.00 0.00 0.00 0.00
LM(1) test 228.67 226.57 217.22 224.76 231.26 225.60
Prob. LM(1) test 0.00 0.00 0.00 0.00 0.00 0.00
Jaque-bera 6.94 6.79 7.78 6.87 6.95 6.81
Prob. Jaque-bera 0.03 0.03 0.02 0.03 0.03 0.03
F-statistic 29.69 25.84 26.29 25.85 25.81 25.87
Prob. F-statistic 0.00 0.00 0.00 0.00 0.00 0.00
Observações 156 156 156 156 156 156 152 152 153 150 153 152
RANK 24 37 28 40 29 28
J-statistic 15.53 17.77 15.46 20.79 15.62 14.25
p-value(J-stat) 0.49 0.93 0.69 0.92 0.74 0.77
D-W-H test 4.54 3.06 5.49 3.49 5.40 5.83
p-value(D-W-H) 0.72 0.93 0.70 0.90 0.71 0.67
Fonte: Tabela elaborada pelo autor. Níveis de significância marginais: *** denota significância estatística a 0,01, **
denota a 0,05 e * denota a 0,1; erro-padrão entre parênteses. Devido aos problemas de autocorrelação e
heteroscedasticidade diagnosticados acima (ver teste LM e teste ARCH), todas as estimativas por OLS apresentam
erros-padrão robustos de Newey-West (1987). Devido a possível presensa de autocorrelação e à heteroscedasticidade
todas as estimativas de GMM apresentam erros-padrão robustos de Newey-West (1987).
1.8 Conclusões
27
credibilidade da política monetária é capaz para afetar as expectativas dos especialistas
do mercado financeiro sobre as reações de fear of floating do Banco Central. Dessa
maneira, são duas principais contribuições do capítulo: primeiro, o artigo é pioneiro em
analisar empiricamente o argumento teórico de Calvo e Reinhart e; segundo, o artigo é o
primeiro a propor e analisar empiricamente o efeito da credibilidade da política
monetária na percepção dos previsores do mercado financeiro sobre o fear of floating.
28
Apêndice 1
29
Tabela A.1.2 – Estimativas por GMM: efeito da credibilidade no fear of floating
(regressores contemporâneos)
Variável Dependente: SELIC
Eq. (1.1) Eq. (1.2) Eq. (1.3) Eq. (1.4) Eq.(1.5) Eq. (1.6) Eq. (1.7) Eq. (1.8) Eq. (1.9) Eq. (1.10) Eq. (1.11) Eq. (1.12)
Estimador: GMM
C -1.413 0.815 0.107 1.968* 0.984 0.666 -0.23637 1.100* 1.529 1.035 0.064 1.017
(3.438) (0.561) (0.841) (1.01) (0.718) (0.675) (0.508) (0.663) (1.289) (0.718) (0.756) (0.763)
SELIC(-1) 0.862*** 0.888*** 0.862*** 0.915*** 0.892*** 0.881***
(0.022) (0.018) (0.018) (0.031) (0.019) (0.018)
INF(-1) 0.878*** 0.886*** 0.858*** 0.889*** 0.894*** 0.889***
(0.02) (0.023) (0.023) (0.023) (0.022) (0.023)
SELIC_R(-1) 0.904*** 0.860*** 0.866*** 0.869*** 0.882*** 0.859***
(0.031) (0.033) (0.034) (0.031) (0.031) (0.033)
DESV_INF 0.059*** 0.037*** 0.049*** 0.035 0.037*** 0.039*** 0.049*** 0.039** 0.049*** 0.038*** 0.038*** 0.038**
(0.012) (0.013) (0.013) (0.022) (0.012) (0.014) (0.009) (0.015) (0.012) (0.013) (0.01) (0.016)
EINF 0.105*** 0.095** 0.114*** 0.104*** 0.1089*** 0.100*** 0.121*** 0.046*** 0.084*** 0.051*** 0.067*** 0.039**
(0.032) (0.016) (0.021) (0.031) (0.018) (0.016) (0.02) (0.015) (0.025) (0.017) (0.014) 0.0159
EGAP 0.001 0.0001 -0.037 0.006 -0.024 0.001 0.007 -0.066*** -0.093*** -0.052** -0.041* -0.070***
(0.03) 0.018 (0.025) (0.027) (0.027) 0.021 (0.019) (0.024) (0.029) (0.023) (0.024) (0.026)
GAP 0.418 0.684*** 0.712*** 0.472* 0.470* 0.746*** 0.519** 1.188*** 0.608* 1.113*** 0.984*** 1.096***
(0.314) (0.174) (0.21) (0.25) (0.235) (0.18) (0.254) (0.268) (0.33) (0.237) (0.262) (0.278)
EXCH 0.059* 0.633*** 0.117** 1.249* 0.152* 0.040* 0.033 0.668** 0.125*** 0.608* 0.169*** 0.054*
(0.032) (0.234) (0.05) (0.702) (0.083) 0.022 (0.021) (0.273) (0.061) (0.328) (0.063) (0.03)
CRISIS -5.326*** -4.218*** -3.431** -7.122*** -4.705*** -4.080*** -0.540 -4.748*** -7.491*** -4.641*** -2.587* -4.944***
(1.943) (1.113) (1.649) (2.678) (1.64) (1.304) (1.109) (1.343) (2.425) (1.213) (1.393) (1.484)
EXCH*CREDCK -0.641*** -0.657***
(0.255) (0.295)
EXCH*CREDM -0.217* -0.244*
(0.125) (0.144)
EXCH*CREDSM -1.220* -0.563*
(0.713) (0.328)
EXCH*CREDTRL -0.194* -0.192**
(0.116) (0.082)
EXCH*PC_CRED -0.028* -0.039**
(0.015) (0.02)
R² 0.96 0.97 0.97 0.97 0.97 0.96 0.98 0.97 0.96 0.97 0.97 0.97
Adj. R² 0.96 0.97 0.97 0.97 0.97 0.96 0.98 0.96 0.96 0.97 0.97 0.96
Observações 154 153 154 153 154 154 155 157 156 157 157 157
RANK 27 35 30 23 27 27 23 23 25 25 25 23
J-statistic 10.46 22.43 19.39 14.70 17.67 10.46 14.46 18.21 14.56 17.56 18.84 16.41
p-value(J-stat) 0.94 0.66 0.56 0.40 0.48 0.94 0.42 0.15 0.48 0.29 0.22 0.23
D-W-H test 1.83 1.15 1.97 2.01 2.89 1.83 6.87 3.08 5.76 3.20 1.87 2.18
p-value(D-W-H) 0.99 1.00 0.98 0.99 0.94 0.99 0.55 0.96 0.76 0.96 0.99 0.99
Fonte: Tabela elaborada pelo autor. Níveis de significância marginais: *** denota significância estatística
a 0,01, ** denota a 0,05 e * denota a 0,1; erro-padrão entre parênteses. Devido a possível presensa de
autocorrelação e à heteroscedasticidade todas as estimativas de GMM apresentam erros-padrão robustos
de Newey-West (1987).
30
Tabela A.1.3 - Estimativas por GMM: efeito da credibilidade no fear of floating
(taxa de câmbio e credibilidade em diferenças)
Variável Dependente: SELIC
Eq. (1.1) Eq. (1.2) Eq. (1.3) Eq. (1.4) Eq.(1.5) Eq. (1.6) Eq. (1.7) Eq. (1.8) Eq. (1.9) Eq. (1.10) Eq. (1.11) Eq. (1.12)
Estimador: GMM
C 2.789* 2.542*** 0.752 2.101*** 2.635** 3.329*** 0.817 1.293*** 0.216 0.708 1.255** 1.328***
(1.492) (0.758) (0.783) (0.763) (1.033) (1.246) (0.675) (0.411) (0.576) (0.458) (0.511) (0.493)
SELIC(-1) 0.895*** 0.878*** 0.877*** 0.858*** 0.889*** 0.872***
(0.018) (0.017) (0.02) (0.018) (0.018) (0.026)
INF(-1) 0.888*** 0.878*** 0.879*** 0.895*** 0.891*** 0.887***
(0.015) (0.013) (0.018) (0.014) (0.015) (0.015)
SELIC_R(-1) 0.938*** 0.935*** 0.927*** 0.937*** 0.945*** 0.943***
(0.019) (0.016) (0.023) (0.02) (0.019) (0.019)
DESV_INF 0.052*** 0.047*** 0.044*** 0.058*** 0.038*** 0.052*** 0.051*** 0.054*** 0.043*** 0.056*** 0.05*** 0.051***
(0.01) (0.008) (0.011) (0.009) (0.013) (0.012) (0.009) (0.007) (0.011) (0.008) (0.008) (0.009)
EINF 0.105*** 0.141*** 0.125*** 0.151*** 0.129*** 0.159*** 0.153*** 0.162*** 0.182*** 0.115*** 0.163*** 0.162***
(0.016) (0.022) (0.024) (0.022) (0.027) (0.04) (0.014) (0.012) (0.029) (0.011) (0.018) (0.017)
EGAP -0.033 -0.035* 0.003 -0.005 -0.045** -0.003 0.003 0.018 0.029* 0.002 0.016 0.015
(0.02) (0.018) (0.019) (0.021) (0.018) (0.023) (0.016) (0.011) (0.017) (0.013) (0.013) (0.013)
GAP 0.323* 0.354** 0.532*** 0.232 0.212 0.023 0.149 0.039 0.065 0.359** 0.119 0.108
(0.187) (0.155) (0.203) (0.166) (0.196) (0.194) (0.198) (0.139) (0.208) (0.155) (0.166) (0.161)
∆EXCH 0.109* 0.121** 0.109* 0.104** 0.137* 0.157** 0.133* 0.069** 0.142** 0.079* 0.103* 0.138**
(0.058) (0.051) (0.057) (0.044) (0.082) (0.073) (0.07) (0.032) (0.068) (0.046) (0.059) (0.06)
CRISIS -7.557*** -8.48*** -2.683 -9.056*** -8.573*** -10.39*** -3.049** -3.255*** -0.951 -3.133*** -3.95*** -4.117***
(2.177) (1.56) (1.977) (1.616) (2.186) (2.606) (1.5) (0.893) (1.179) (0.938) (1.043) (1.058)
∆EXCH*∆CREDCK -1.455* -1.596**
(0.871) (0.805)
∆EXCH*∆CREDM -0.698 -0.441
(0.97) (0.595)
∆EXCH*∆CREDSM -2.077* -2.13*
(1.218) (1.118)
∆EXCH*∆CREDTRL -0.497* -0.648*
(0.297) (0.34)
∆EXCH*∆PC_CREDM -0.126** -0.079**
(0.06) (0.039)
R² 0.97 0.96 0.97 0.96 0.96 0.95 0.98 0.98 0.97 0.98 0.98 0.98
Adj. R² 0.97 0.96 0.97 0.96 0.96 0.95 0.98 0.98 0.97 0.98 0.98 0.98
Observações 154 152 153 153 153 153 154 154 153 156 153 153
RANK 33 40 28 40 35 35 29 40 27 36 34 34
J-statistic 19.80 21.19 15.47 19.58 18.31 18.21 22.09 23.84 15.12 24.62 23.80 24.16
p-value(J-stat) 0.76 0.91 0.69 0.94 0.86 0.87 0.34 0.78 0.59 0.54 0.47 0.45
D-W-H test 0.71 1.12 6.04 2.34 2.20 2.60 1.43 2.03 7.44 2.19 0.84 0.99
p-value(D-W-H) 0.99 1.00 0.64 0.98 0.97 0.96 0.99 1.00 0.59 0.99 0.99 0.99
Fonte: Tabela elaborada pelo autor. Níveis de significância marginais: *** denota significância estatística
a 0,01, ** denota a 0,05 e * denota a 0,1; erro-padrão entre parênteses. Devido a possível presensa de
autocorrelação e à heteroscedasticidade todas as estimativas de GMM apresentam erros-padrão robustos
de Newey-West (1987).
31
Tabela A.1.4 - Estimativas por GMM: efeito da credibilidade nas expectativas de
fear of floating (regressores contemporâneos)
Variável Dependente: SELIC
Eq. (1.13) Eq. (1.14) Eq. (1.15) Eq. (1.16) Eq.(1.17) Eq. (1.18)
Estimador: GMM
C 1.064 0.654 -2.587** 2.266* 0.095 0.282
(1.002) (0.669) (1.224) (1.149) (1.298) (0.945)
EXP_SELIC(-1) 0.809*** 0.819*** 0.82*** 0.805*** 0.797*** 0.801***
(0.029) (0.031) (0.022) (0.034) (0.03) (0.03)
DESV_INF 0.062*** 0.039** 0.054*** 0.063*** 0.035** 0.041***
(0.012) (0.018) (0.01) (0.014) (0.015) (0.016)
EINF 0.048** 0.05*** 0.028** 0.061*** 0.073*** 0.053***
(0.018) (0.012) (0.013) (0.022) (0.017) (0.013)
EGAP 0.057* 0.058* 0.05** 0.05 0.065** 0.054*
(0.032) (0.03) (0.022) (0.035) (0.032) (0.032)
GAP 1.259*** 1.241*** 1.4*** 1.13*** 1.488*** 1.361***
(0.269) (0.294) (0.223) (0.288) (0.288) (0.273)
EXP_EXCH 0.078** 1.771*** 0.214*** 0.298 0.373*** 0.062*
(0.036) (0.527) (0.061) (0.645) (0.139) (0.035)
CRISIS -5.449** -4.137** 1.81 -8.252*** -3.307 -4.277*
(2.31) (1.717) (1.976) (2.661) (2.965) (2.189)
EXP_EXCH*CREDCK -1.843***
(0.585)
EXP_EXCH*CREDM -0.361**
(0.149)
EXP_EXCH*CREDSM -0.236
(0.651)
EXP_EXCH*CREDTRL -0.425**
(0.187)
EXP_EXCH*PC_CREDM -0.085**
(0.034)
R² 0.94 0.95 0.95 0.94 0.94 0.94
Adj. R² 0.94 0.94 0.94 0.93 0.94 0.94
Observações 156 157 157 157 157 157
RANK 28 27 28 31 25 25
J-statistic 15.18 15.81 19.27 15.06 14.51 14.66
p-value(J-stat) 0.77 0.61 0.44 0.86 0.56 0.55
D-W-H test 5.01 3.80 3.29 5.48 4.98 4.50
p-value(D-W-H) 0.66 0.87 0.92 0.70 0.76 0.81
Fonte: Tabela elaborada pelo autor. Níveis de significância marginais: *** denota significância estatística
a 0,01, ** denota a 0,05 e * denota a 0,1; erro-padrão entre parênteses. Devido a possível presensa de
autocorrelação e à heteroscedasticidade todas as estimativas de GMM apresentam erros-padrão robustos
de Newey-West (1987).
32
Tabela A.1.5 - Estimativas por GMM: efeito da credibilidade nas expectativas de
fear of floating (Em diferenças)
Variável Dependente: SELIC
Eq. (1.13) Eq. (1.14) Eq. (1.15) Eq. (1.16) Eq.(1.17) Eq. (1.18)
Estimador: GMM
C 2.461* 0.995*** 1.317*** 0.735 1.013*** 1.703**
(1.301) (0.372) (0.463) (0.491) (0.377) (0.793)
EXP_SELIC(-1) 0.848*** 0.834*** 0.821*** 0.846*** 0.825*** 0.835***
(0.033) (0.021) (0.019) (0.018) (0.021) (0.034)
DESV_INF 0.05*** 0.041*** 0.051*** 0.038*** 0.042*** 0.044***
(0.012) (0.009) (0.009) (0.009) (0.008) (0.014)
EINF 0.078*** 0.082*** 0.087*** 0.079*** 0.091*** 0.051***
(0.027) (0.016) (0.008) (0.01) (0.009) (0.013)
EGAP 0.045 0.039** 0.034* 0.042*** 0.045** 0.022
(0.044) (0.015) (0.02) (0.014) (0.019) (0.026)
GAP 0.751*** 0.916*** 0.855*** 0.75*** 0.854*** 0.894***
(0.255) (0.132) (0.134) (0.139) (0.172) (0.203)
∆EXP_EXCH 0.365* 0.167* 0.207** 0.197** 0.281** 0.317*
(0.186) (0.088) (0.098) (0.091) (0.109) (0.166)
CRISIS -9.559*** -4.49*** -5.192*** -3.839*** -4.682*** -6.689***
(2.623) (0.855) (0.875) (0.882) (0.814) (1.526)
∆EXP_EXCH*∆CREDCK -2.558*
(1.528)
∆EXP_EXCH*∆CREDM -1.129*
(0.61)
∆EXP_EXCH*∆CREDSM -3.67*
(2.072)
∆EXP_EXCH*∆CREDTRL -1.004***
(0.366)
∆EXP_EXCH*∆PC_CREDM -0.129*
(0.074)
R² 0.93 0.95 0.95 0.95 0.95 0.94
Adj. R² 0.93 0.95 0.95 0.95 0.95 0.94
Observações 156 152 154 154 154 157
RANK 23 45 40 40 35 23
J-statistic 12.26 21.90 22.67 21.18 23.03 13.78
p-value(J-stat) 0.66 0.97 0.86 0.91 0.63 0.47
D-W-H test 4.38 3.38 3.15 4.91 1.24 7.27
p-value(D-W-H) 0.74 0.91 0.92 0.77 1.00 0.51
Fonte: Tabela elaborada pelo autor. Níveis de significância marginais: *** denota significância estatística
a 0,01, ** denota a 0,05 e * denota a 0,1; erro-padrão entre parênteses. Devido a possível presensa de
autocorrelação e à heteroscedasticidade todas as estimativas de GMM apresentam erros-padrão robustos
de Newey-West (1987).
33
2 CREDIBILIDADE DA POLÍTICA MONETÁRIA, DISAGREEMENT NA
TAXA DE CÂMBIO E TRANSMISSÃO DE INCERTEZA PARA A TAXA
DE JUROS E A INFLAÇÃO
34
2.1 Introdução
35
de inflação no Brasil, a literatura relacionada ao pass-through da taxa de câmbio tem se
desenvolvido de maneira considerável (por exemplo, Minella et al. 2003; Nogueira Jr.
2007, 2010; Ca ' Zorzi et al., 2007; de Mendonça e Tostes 2015). Em resumo, esses
estudos sugerem que o efeito de pass-through da taxa de câmbio para a inflação não
pode ser negligenciado. Além disso, sob um regime de meta de inflação, o fear of
floating está relacionado, em grande parte, ao medo de que a flutuação da taxa de
câmbio comprometa os objetivos para a inflação. Nesse contexto, o temor da
autoridade monetária é o de que haja um grande repasse da desvalorização cambial para
os preços domésticos (Ball e Reyes 2004, 2008). Embora o Brasil seja um país
emergente que adotou um regime de metas, Ball e Reyes (2008) sugerem a presença do
fear of floating na condução da política monetária no Brasil. Os autores apresentam
evidências de que os formuladores de política econômica anunciam que o país segue um
regime de metas de inflação, mas na verdade, a política monetária segue um regime de
fear of floating de maneira implícita. Portanto, com base nessas literaturas, o capítulo
investiga se o aumento da incerteza sobre o comportamento da taxa de câmbio no futuro
é capaz de aumentar as incertezas relacionadas ao valor futuro da inflação ou da taxa de
juros da política monetária.
Por outro lado, outra contribuição trazida pelo presente capítulo diz respeito à
análise do papel da credibilidade da política monetária nos efeitos do disagreement na
taxa de câmbio. A hipótese considerada é a de que a credibilidade monetária pode ser
capaz de minimizar os efeitos do disagreement nas expectativas sobre a taxa de câmbio.
Mais precisamente, analisa-se como a credibilidade pode mitigar a transmissão do
disagreement nas expectativas para a taxa de câmbio, tanto para o disagreement nas
expectativas de inflação, quanto para o disagreement nas expectativas para a taxa de
juros. Essa análise é motivada pelo fato de alguns estudos apontarem para a existência
de uma relação inversa entre a credibilidade da política monetária e o pass-through da
taxa de câmbio, ou seja, quando o nível de credibilidade melhora, reduz-se o repasse da
desvalorização cambial para a inflação (por exemplo, Taylor 2000; Mishkin e Savastano
2001; de Mendonça e Tostes 2015).
Ademais, Taylor (2000) sugere que o estabelecimento de uma forte âncora
nominal em muitos países levou a uma forte redução no grau de pass-through da
desvalorização cambial para a inflação. Seguindo essa ideia, Mishkin e Savastano
(2001) argumentam que os ganhos de credibilidade decorrentes de um compromisso da
36
autoridade monetária com o regime de metas de inflação podem ser responsáveis por
manter as expectativas de inflação - e a própria inflação - ancoradas na meta de inflação
estabelecida, mesmo após a desvalorização cambial. Em relação à economia brasileira,
de Mendonça e Tostes (2015) indicam que o desenvolvimento da credibilidade da
política monetária pode reduzir o efeito do pass-through da taxa de câmbio para a
inflação.
Por sua vez, de acordo com Calvo e Reinhart (2002), uma das principais razões
para a existência do fear of floating é a falta de credibilidade da autoridade monetária.
Os autores argumentam que muitos países em desenvolvimento definem suas taxas de
juros com base em preocupações domésticas, e a decisão de suavizar as variações da
taxa de câmbio pode ser impulsionada por um cenário de baixa credibilidade com um
alto pass-through da taxa de câmbio. Nesse sentido, Calvo e Reinhart (2002) mostram
que os movimentos na taxa básica de juros são mais frequentes em países com regime
de câmbio flutuante. O modelo teórico proposto por eles considera a adoção de meta
para a inflação, no qual o fear of floating surge de uma combinação de pass-through
elevado e baixa credibilidade. Os resultados sugerem que nem sempre é fácil distinguir
se um país que anuncia a adoção de metas de inflação realmente permitirá que a taxa de
câmbio flutue livremente ou irá intervir na mesma.
Com base nos argumentos e evidências apresentados acima, seria interessante
saber (especialmente para os formuladores de política econômica) se a credibilidade da
política monetária desempenha um papel fundamental na redução das incertezas sobre a
inflação e a taxa de juros da política monetária que derivam das incertezas sobre o valor
futuro da taxa de câmbio.
Em geral, os resultados indicam que o disagreement nas expectativas sobre a
taxa de câmbio impacta as divergências nas expectativas sobre a inflação e a taxa de
juros da política monetária. Além disso, os resultados indicam que a credibilidade é
capaz de mitigar a transmissão desse disagreement da taxa de câmbio para as previsões
da taxa de inflação e da taxa de juros da política monetária.
2.2 Literatura
37
et al. (2003) enfatizam, a literatura tem negligenciado o fato de que os agentes não
necessariamente têm as mesmas expectativas. Devido à possibilidade de discordância
nas expectativas, essa questão tornou-se mais proeminente na literatura, de modo que a
hipótese de agentes com expectativas homogêneas se torna menos realista.
Conforme mais dados sobre expectativas se tornaram disponíveis, os estudos
começam a analisar disagreement nas expectativas sobre diferentes variáveis
econômicas (como inflação, taxa de juros, produto e taxa de câmbio). Em relação aos
estudos que buscam identificar os determinantes do disagreement nas expectativas,
Filardo e Guinigundo (2008), Ehrmann et al. (2010), Siklos (2013), Oliveira e Curi
(2016) e Montes et al. (2016) enfatizam aspectos relacionados aos bancos centrais
(como credibilidade, transparência e clareza da comunicação do Banco Central) como
sendo importantes para explicar disagreement nas expectativas. Por outro lado, Dovern
et al. (2012) enfatizam os efeitos da independência dos bancos centrais sobre o
disagreement nas expectativas sobre a inflação e a taxa de juros, e destacam que a
credibilidade da política monetária é importante para ancorar as expectativas e reduzir o
desacordo nas previsões.
De maneira geral, em relação às causas de disagreement nas expectativas, os
estudos chamam atenção para três aspectos: (i) as crenças iniciais dos agentes como
fator importante para a existência de discordância nas expectativas, (ii) os modelos
utilizados para as previsões econômicas e (iii) a sinalização dos formuladores de
políticas sobre políticas econômicas (por exemplo, Lahiri e Sheng, 2008; Patton e
Timmermann, 2010; Wieland e Wolters, 2011; Andrade et al., 2014; Montes et al.,
2016).
A presença de disagreement nas expectativas gera diferentes implicações para a
economia. A alta dispersão nas previsões de variáveis econômicas representa incertezas
sobre o comportamento futuro dessas variáveis, o que pode afetar o processo decisório
dos diferentes agentes econômicos e, portanto, o desempenho da economia
(Bomberguer, 1996; Boero et al., 2008; Söderlind, 2011; Montes e Curi, 2017). Em
relação às flutuações econômicas e aos ciclos econômicos, a literatura indica que a
economia é afetada pela dispersão de expectativas, por erros de previsão e por choques
nas expectativas (como por exemplo, Lorenzoni, 2009; Rondina e Walker, 2011;
Angeletos e La'O, 2013; Hoffmann e Hürtgen , 2016). Além disso, o disagreement nas
expectativas pode ser a causa da alta inércia na taxa de inflação - como Mankiw e Reis
38
(2002), Woodford (2003) e Mackowiak e Wiederholt (2009) apontam em sua análise
com relação à rigidez de preços. Em relação ao mercado financeiro, alguns estudos
verificaram que a dispersão nas expectativas afeta o prêmio de risco dos ativos e os
preços das ações (por exemplo, Scheinkman e Xiong, 2003; Söderlind, 2011; Wright,
2011; Carlin et al., 2012; Buraschi e Whelan, 2012; Burnside et al., 2013; Ehling et al.,
2016; Montes e Curi, 2017).
No que se refere a relação entre disagreement e incerteza, alguns estudos buscam
avaliar se o disagreement nas expectativas é uma boa proxy para medir a incerteza em
relação ao comportamento futuro das variáveis econômicas. Em geral, embora a
discordância nas expectativas não seja uma perfeita proxy de incerteza, alguns estudos
sugerem que o disagreement é uma boa aproximação da incerteza (por exemplo,
Bomberger, 1996; Rich e Butler, 1998; Giordani e Söderling, 2003; Lahiri e Sheng,
2010; Grimme et al., 2011; Conflitti, 2011; Rich et al., 2012; Dovern, 2015; Krüger e
Nolte, 2015; Glas e Hartmann, 2016).
Por sua vez, há estudos buscando identificar como os bancos centrais reagem aos
movimentos da taxa de câmbio. Alguns estudos visam identificar situações de fear of
floating (por exemplo, Calvo e Reinhart, 2002; Best, 2013; Josifidis et al., 2014), em
particular, tentam responder se a taxa de juros (principal instrumento de política
monetária) responde às oscilações da taxa de câmbio. Em relação ao caso brasileiro,
Bogdanski et al. (2002), Fraga et al. (2003), Minella et al. (2003), de Mello et al.
(2009), Nogueira-Jr. e Leon-Ledesma (2009) e Palma e Portugal (2014) buscaram
identificar se a taxa de câmbio afeta a função de reação do Banco Central do Brasil. Há
algum grau de controvérsia em relação ao fenômeno no Brasil, e investigações
adicionais sobre o assunto são necessárias.
2.3 Dados
39
política monetária (Disag_Selic), essa medidas de disagreement nas expectativas foram
calculadas. Com base nos trabalhos de Montes et al. (2016), Oliveira e Curi (2016), e
Montes e Curi (2017), as séries para as divergências de expectativas são construídas a
partir de um levantamento das expectativas medidas pelo BCB.3
Para entender melhor a construção das variáveis, vale a pena apresentar a
seguinte notação: t é o instante do tempo em que a projeção é feita4, i identifica o agente
que fornece uma previsão (( i , onde I é o conjunto de agentes pesquisados5), X é a
variável a ser prevista (que pode ser a taxa de câmbio (exch), a inflação (IPCA) ou taxa
de juros de política monetária (Selic)), portanto, Ei,tXa+j representa a projeção de que o i-
ésimo agente fornece no tempo t sobre o valor que a taxa de câmbio (exch), a taxa de
inflação (IPCA) ou a taxa de juros de política monetária (Selic) terá no final do ano a+j.6
Por sua vez, EtminX a+j = min(Ei,tXa+j, i ϵ I), isto é, denota o valor mínimo da distribuição,
enquanto, EtmaxX a+j = max(Ei,t X a+j ,i ϵ I) denota seu valor máximo.
A medida de disagreement que é utilizada ao longo deste capítulo é Disag_Xta+j,
que é calculada pelo intervalo da distribuição definido como7:
Previsões como Ei,tXa+j são eventos fixos porque o horizonte de previsão varia
com a passagem do tempo. Assim, o período prospectivo de previsões feitas em t para o
valor que a variável X tomará no final do ano a + j diminui à medida que se avança
dentro de a, o ano no qual as expectativas são formadas.8 Esse padrão de horizontes de
3
O BCB divulga as estatísticas de máximo, mínimo, mediana, média, coeficiente de variação e desvio
padrão da distribuição da previsão diária para a taxa de câmbio, para taxa de inflação e para a taxa de
juros da política monetária para o final do ano corrente e para os quatro anos à frente.
4
O instante é caracterizado por uma data específica, mais especificamente, um dia d, um mês m e um ano
a.
O número de agentes em é I.
5
6
j=0: ano corrente; j=1: próximo ano após o ano corrente; j=2: dois anos após o ano corrente; j=3: três
anos após o ano corrente; j=4: quatro anos após o ano corrente.
7
Assim como Oliveira e Curi (2016), utilizou-se essa medida de desacordo ao longo do trabalho, pois
outras medidas exigem o conhecimento de toda a distribuição de expectativas. Tais informações não são
fornecidas pelo BCB. É reconhecido o fato de que os trabalhos sobre disagreement muitas vezes usam
outras medidas, como a faixa interquartílica e a medida de divergência de Kulback-Liebler. Essas duas
opções, no entanto, não podem ser calculadas sem a distribuição completa de previsões individuais. O
desvio padrão - SD(ND) - e o coeficiente de variação - CV(ND) - também são frequentemente utilizados
como medidas de desacordo. No entanto, embora essas medidas alternativas sejam liberadas, a
interpolação do SD(ND) e CV (ND) para transformar em horizonte fixo não é apropriada para a análise
(ver, por exemplo, Oliveira e Curi (2016)). Assim, não é possível reestimar as equações com tais medidas.
8
Um exemplo poderia ajudar a esclarecer essa questão. Suponha que um agente, em março de 2005,
calcule sua expectativa sobre o valor da taxa de inflação no final de 2005. Nesse caso, podemos dizer que
40
previsão decrescentes à medida que se avança ao longo do ano gera um comportamento
sazonal em medidas de disagreement baseadas em previsões de eventos fixos, porque a
dispersão de expectativas tende a diminuir à medida que o horizonte de previsão
diminui9.
Desse modo, para evitar esse comportamento sazonal inerente às medidas de
disagreement baseadas em previsões de eventos fixos que a maioria dos artigos na
literatura (por exemplo, Mankiw et al. 2003; Patton e Timmermann 2010; Dovern et al.
2012; Montes et al., 2017) recorrem a previsões de horizonte fixo, em que o horizonte
de previsão não varia com a passagem do tempo. Conforme proposto em Dovern et al.
(2012), a conversão de previsões de eventos fixos em previsões de horizonte fixo é
realizada pela aplicação da seguinte fórmula:
12 m 1 m 1
Et X 12 j 1 Et X a j Et X a j 1 , j 0,1, 2,3,
12 12
Onde m representa o mês em que a projeção é feita (ou o mês que contém o período t) e
EtX12(j+1 denota a média das expectativas dos agentes sobre o valor que a variável X
(que é ND) terá no final dos próximos 12 meses (j + 1). A mesma fórmula é utilizada
para interpolar projeções de mínimas e máximas, a fim de calcular o disagreement na
expectativa (bem como as expectativas médias). Ao final do processo, deriva-se uma
estrutura a termo de disagreement nas expectativas, que é composta pelos “vértices”
Disag_excht12, Disag_excht24, Disag_excht36 e Disag_excht48; Disag_IPCAt12,
Disag_IPCAt24, Disag_IPCAt36 e Disag_IPCAt48, e; Disag_Selict12, Disag_Selict24,
Disag_Selict36 e Disag_Selict48. Como o BCB divulga previsões para o ano atual e os
próximos quatro anos, a fórmula acima pode ser aplicada tomando j = 0,1,2,3,4.
Portanto, é possível interpolar as previsões para os horizontes temporais fixos de 12, 24,
36 e 48 meses.
41
O procedimento descrito acima é realizado diariamente, o que permite estudar as
estruturas a termo de disagreement para cada dia útil. As séries temporais compostas de
observações diárias são convertidas para a frequência mensal por médias mensais. A
conversão das previsões de eventos fixos em horizonte fixo e a frequência mensal foram
aplicadas para computar os disagreements nas expectativas relacionadas a taxa de
câmbio (Disag_exchtm), os disagreements nas expectativas para à inflação
(Disag_IPCAtm) e os disagreements nas expectativas sobre a taxa de juros de política
monetária (Disag_Selictm).
Após calcular os quatro disagremments nas expectativas sobre as variáveis
(Disag_Xtm) (onde, X = {exch, IPCA, Selic}), a etapa final é extrair a primeira
componente principal dessas séries com quatro prazos diferentes (12, 24 36, 48 meses);
esses componentes são boas proxies para a tendência comum das séries (Litterman e
Scheinkmann, 1991). Assim como as médias mensais, essa maneira de construir a
variável permite filtrar mudanças erráticas em uma determinada medida de
disagreement que não tem relação com as outras. Tais movimentos podem ser
considerados como outliers e, portanto, devem ser ignorados do ponto de vista
econômico. Assim, obtemos a série do nível geral de disagreement na expectativa para a
taxa de câmbio (Disag_exch), o nível geral de disagreement nas expectativas para a
inflação (Disag_IPCA) e o nível geral de disagreement nas expectativas para a taxa de
juros de política monetária (Disag_Selic).
Além da série de discordâncias nas expectativas, o capítulo utiliza as séries a
seguir como variáveis de controle. A taxa de juros da política monetária (SELIC) é a
“Selic acumulada no mês em termos anuais (base 252) -% p.y” (Série 4189 obtida junto
ao BCB). A taxa de inflação (IPCA) é o “Índice Nacional de Preços ao Consumidor
Amplo (IPCA) - em 12 meses -%” (Série 13522 obtida junto ao BCB). A volatilidade da
taxa de câmbio (VOL_EXCH) é obtida calculando-se 𝑉𝑂𝐿_𝐸𝑋𝐶𝐻 = (𝐸𝑋𝐶𝐻𝑡 −
𝐸𝑋𝐶𝐻𝑡 )², onde, EXCH é a taxa de câmbio - Free - dólar dos Estados Unidos (venda) -
fim do período - cmu / US $ ”(série 3696 obtida junto BCB). Além disso, são utilizadas
as séries SELIC e IPCA, e, da mesma maneira, é calculada a volatilidade da taxa de
juros (VOL_SELIC) e a volatilidade da taxa de inflação (VOL_IPCA). Assim, tem-se
𝑉𝑂𝐿_𝑆𝐸𝐿𝐼𝐶 = (𝑆𝐸𝐿𝐼𝐶𝑡 − 𝑆𝐸𝐿𝐼𝐶𝑡 )² e 𝑉𝑂𝐿_𝐼𝑃𝐶𝐴 = (𝐼𝑃𝐶𝐴𝑡 − 𝐼𝑃𝐶𝐴𝑡 )².O hiato do
produto (GAP) é obtido pela diferença entre o PIB real mensal dessazonalizado pelo
42
método Censo-X12 (R$ milhões) e sua tendência gerada pelo Filtro de Hodrick-
Prescott.
Com o objetivo de medir o efeito da credibilidade da política monetária, usamos
dois índices de credibilidade diferentes. Ambos os índices são baseados na ideia de
Agénor e Taylor (1992) de que séries de inflação esperada poderiam ser aplicadas para
derivar um índice de credibilidade. Como Svensson (2000) propôs, a credibilidade pode
ser medida pela diferença entre a inflação esperada e a meta. Assim, utilizamos os
seguintes índices: o primeiro vem de Mendonça (2007), que capta a credibilidade de
forma linear, e o segundo vem de Tejada, Neto e Leal (2013), que leva em conta
aspectos não lineares de credibilidade. Ambos, já apresentados no capitulo 1 desta tese
(Seção 1.4).
A Figura 2.1 apresenta os gráficos para os dois índices e suas respectivas
tendências obtidas através do Filtro de Hodrick-Prescott.
0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
0.0 0.0
01 02 03 04 05 06 07 08 09 10 11 12 13 14 15 16 01 02 03 04 05 06 07 08 09 10 11 12 13 14 15 16
1.0
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
01 02 03 04 05 06 07 08 09 10 11 12 13 14 15 16
TREND_CRED_M TREND_CRED_TNL
43
presidencial de 2002 (“efeito Lula”) - ver Montes e Tiberto (2012). A variável
D_CRISE1 assume valor igual a 1 no período de novembro de 2002 a outubro de 2004,
e zero caso contrário. A segunda variável dummy (denominada D_CRISE2) capta o
efeito da crise de subprime na economia brasileira. A variável D_CRISE2 assume valor
igual a 1 para o período entre setembro de 2008 e dezembro de 2012, e zero caso
contrário.
Uma condição necessária a ser analisada antes da aplicação da análise
econométrica é verificar se as séries possuem raízes unitárias. Assim, os testes Dickey-
Fuller Aumentado (ADF), Phillips-Perron (PP) e Kwiatkowski-Phillips-Schmidt-Shin
(KPSS) foram aplicados (Tabela 2.1 abaixo). Os resultados indicam que todas as séries
são I (0). Como os índices de credibilidade são variáveis com valores entre 0 e 1, testes
de raiz unitária não são necessários, ou seja, todos os índices de credibilidade são
estacionários.
2.4 Metodologia
44
𝐷𝐼𝑆𝐴𝐺_𝑆𝐸𝐿𝐼𝐶𝑡 = 𝛼0 + 𝛼1 𝑆𝐸𝐿𝐼𝐶𝑡 + 𝛼2 𝑉𝑂𝐿_𝑆𝐸𝐿𝐼𝐶𝑡 + 𝛼3 𝐷𝐼𝑆𝐴𝐺_𝐸𝑋𝐶𝐻𝑡 + 𝜚𝑡 (2.1)
𝜕𝐷𝐼𝑆𝐴𝐺_𝑆𝐸𝐿𝐼𝐶𝑡
= 𝛽3 + 𝛽4 𝐶𝑅𝐸𝐷_𝑀𝑡
𝜕𝐷𝐼𝑆𝐴𝐺_𝐸𝑋𝐶𝐻𝑡
Sendo assim, espera-se β3 > 0, e β4 < 0, porque quanto maior o nível de credibilidade,
menor o impacto de DISAG_EXCH em DISAG_SELIC. Nesse sentido, temos β3 + β4<
β3 , o que significa que a credibilidade reduz o efeito de DISAG_EXCH em
DISAG_SELIC. O gráfico da Figura 2.2 mostra que o efeito marginal do desacordo nas
45
expectativas sobretaxa de câmbio sobre o desacordo nas expectativas sobre a taxa de
juros da política monetária diminui à medida que aumenta a credibilidade.
46
𝐷𝐼𝑆𝐴𝐺_𝐼𝑃𝐶𝐴𝑡 = 𝜑0 + 𝜑1 𝐼𝑃𝐶𝐴𝑡 + 𝜑2 𝑉𝑂𝐿_𝐼𝑃𝐶𝐴𝑡 + 𝜑3 𝐷𝐼𝑆𝐴𝐺_𝐸𝑋𝐶𝐻𝑡 + 𝜑4 𝐶𝑅𝐸𝐷_𝑇𝑅𝐿𝑡 [𝐷𝐼𝑆𝐴𝐺_𝐸𝑋𝐶𝐻𝑡 ] + 𝜑5 𝐺𝐴𝑃𝑡 +
𝜔𝑡 (2.13)
47
expectativas acerca da taxa de câmbio. Quando analisamos os gráficos das correlações
entre DISAG_EXCH e DISAG_SELIC, e DISAG_EXCH e DISAG_IPCA, observamos
um pequeno agrupamento de pontos. A existência deste conjunto superior de pontos
refere-se ao período de crise de confiança devido à eleição presidencial de 2002 (efeito
Lula). Sem o cluster superior, quando removemos esses 10 pontos, as linhas de
regressão ainda apresentam inclinações positivas, o que significa que DISAG_EXCH e
DISAG_SELIC, bem como DISAG_EXCH e DISAG_IPCA, são correlacionadas
positivamente.
8 10
6 8
DISAG_SELIC
DISAG_IPCA
4 6
2 4
0 2
-2 0
-4 -2
-4 -2 0 2 4 6 8 -4 -2 0 2 4 6 8
DISAG_EXCH DISAG_EXCH
10 10 12 12
8 8 10 10
6 6 8 8
DISAG_SELIC
DISAG_SELIC
DISAG_IPCA
DISAG_IPCA
4 4 6 6
2 2 4 4
0 0 2 2
-2 -2 0 0
-4 -4 -2 -2
4 8 12 16 20 24 28 0 1 2 3 4 5 6 7 2 4 6 8 10 12 14 16 18 0 1 2 3 4 5 6 7 8 9
48
hipótese de que DISAG_EXCH não causa DISAG_IPCA é rejeitada. Por outro lado, o
teste indica que DISAG_IPCA causa DISAG_EXCH. Em relação a DISAG_EXCH e
DISAG_SELIC, o teste sugere a existência de causalidade nos dois sentidos, mas o
efeito seria maior do DISAG_EXCH para DISAG_SELIC do que no sentido contrário.
Após a checagem preliminar das relações entre as séries, foi realizada a análise
econométrica. O procedimento econométrico se baseou no uso do método de mínimos
quadrados ordinários (OLS) e no método dos momentos generalizados (GMM) com
uma e com duas etapas. Uma das principais razões da estimação por GMM é a de que
enquanto as estimativas de OLS estão sujeitas a problemas de simultaneidade e
endogeneidade dos regressores, típicos de séries temporais macroeconômicas, o método
dos momentos generalizados fornece estimativas consistentes (Hansen, 1982). As
estimativas por GMM adotaram um procedimento padrão com base em Johnston
(1984), no qual os instrumentos são escolhidos de um período t-1 ou anterior. Como a
sobre-especificação tem um papel importante na escolha das variáveis instrumentais no
que se refere a eficiência das estimativas (Cragg, 1983), foram realizados testes-J
padrão com o objetivo de testar a validade das restrições, de modo a identificar se a
condição de ortogonalidade é satisfeita. Em relação à estimação em duas etapas, as
estimativas foram corrigidas de acordo com Windmeijer (2005) de modo a lidar com
um possível problema de viés nos erros padrões decorrentes de uma amostra pequena.
Além disso, todas as estimações por GMM foram validadas de acordo com o
teste de Durbin–Wu–Hausman para endogeneidade dos regressores (Durbin, 1954; Wu,
1973; Hausman, 1978).
2.5 Evidências
49
A Tabela 2.2 apresenta as estimativas para as equações (2.2) a (2.7) por OLS,
GMM e GMM2. Em geral, verifica-se que a maioria dos coeficientes estimados estão de
acordo com a perspectiva teórica. Quanto maior o nível da taxa de juros de política
monetária (SELIC), maior o disagreement nas expextativas para a taxa de juros, e
assim, maior a incerteza sobre o comportamento futuro da taxa de juros. Esse resultado
está de acordo com as evidências apresentadas por Oliveira e Curi (2016). No que se
refere a variável VOL_SELIC, a maioria dos coeficiente estimados apresentam sinais
positivos, indicando que quanto maior a volatilidade da taxa de juros de política
monetária, maior a incerteza sobre o seu valor futuro. No entanto, os coeficientes
obtidos por meio da estimação por OLS não apresentaram significância estatística, e
embora a maioria dos coeficientes obtidos por GMM e GMM2 tenham apresentado
sinais positivos e estatisticamente significativos, os coeficientes obtidos na “Eq.2.7”
apresentaram sinal negativo. Sendo assim, o resultado para a volatilidade da taxa Selic
não é conclusivo e indica a necessidade de mais avaliação em pesquisas futuras.
Em relação ao efeito da atividade econômica, embora todos os coeficientes
estimados para a variável GAP apresentem sinais negativos, nenhum deles se mostrou
significante do ponto de vista estatístico. Novamente, esse resultado está de acordo com
as estimativas apresentadas por Oliveira e Curi (2016).
Uma das contribuições deste capítulo é analisar o efeito de DISAG_EXCH sobre
DISAG_SELIC. Nesse sentido, as estimações realizadas indicam que o disagreement
nas expectativas para a taxa de câmbio (DISAG_EXCH) aumenta o disagreement em
relação ao valor futuro da taxa de juros (DISAG_SELIC). Portanto, quanto maior a
incerteza sobre qual será o valor da taxa de câmbio no futuro, maior a incerteza sobre
qual será a taxa de juros de política monetária. Em geral, os coeficientes estimados para
a variável DISAG_EXCH são positivos e significativos, exceto o coeficiente obtido na
Eq. (2.1) por OLS, que não apresentou significância estatística.
Outra contribuição é a analise dos efeitos da credibilidade da política monetária.
Nesse caso, os coeficientes estimados para os termos de interação
(DISAG_EXCH*CRED_M) e (DISAG_EXCH*CRED_TRL) são negativos e
significativos em ambos os casos. Esse resultados sugerem que a credibilidade da
política monetária é capaz de mitigar a transmissão de incerteza da taxa de câmbio para
a incerteza relacionada à taxa de juros.
50
As especificações 2.4 e 2.7, nas quais é considerado o efeito das crises
econômicas (D_CRISE1 e D_CRISE2), indicam que a incerteza relacionada à taxa de
juros aumenta em períodos de instabilidade econômica. Nessa caso, todos os
coeficientes estimados para as duas variáveis dummies são positivos e estatisticamente
significativos.
Em relação à inflação, a Tabela 2.4 mostra as estimativas para as equações (2.8)
a (2.14). Os coeficientes estimados para a influência tanto da inflação quanto a
influência da volatilidade da inflação apresentam os sinais esperados e significância
estatística na maioria das especificações. Essas evidências são compatíveis com as
reportadas em outros estudos como Mankiw et al. (2003), Capistrán and Timmermann
(2009), Dovern et al. (2012) e Montes et al. (2016).
No que se refere à atividade econômica, os coeficientes estimados para a
variável GAP apresentaram sinais negativos e estatisticamente significativos, exceto nas
equações 2.10, 2.13 e 2.14 quando estimadas por GMM2. Esse resultado está de acordo
com as evidências apresentadas por Oliveira e Curi (2016), e indica que um maior nível
de atividade econômica gera um menor disagreement nas expectativas de inflação.
Por sua vez, uma das contribuições de nossas estimativas é a análise dos efeitos
do disagreement nas expectativas para a taxa de câmbio sobre o disagreement nas
expectativas para a taxa de inflação. Os resultados apresentados na Tabela 2.4 sugerem
que um aumento no disagreement nas expectativas para a taxa de câmbio acarreta um
aumento no disagreement nas expectativas para a inflação. Todos os coeficientes
estimados se mostraram positivos e, em sua maioria, apresentaram significância
estatística.
Outra contribuição do trabalho está relacionada ao efeito da credibilidade da
política monetária. Os coeficientes estimados para ambos os termos de interação entre o
disagreement nas expectativas para a taxa de câmbio e a credibilidade monetária
(DISAG_EXCH*CRED_M) e (DISAG_EXCH*CRED_TRL) se mostraram negativos e
significativos do ponto de vista estatístico. Esse resultado indica que quanto maior for a
credibilidade, menor é o impacto do disagreement nas expectativas para a taxa de
câmbio sobre o disagreement nas expectativas para a inflação. Desse modo, as
evidências indicam que a credibilidade é capaz de mitigar o efeito de pass-through
derivado da incerteza sobre o valor futuro da taxa de câmbio para a incerteza nas
expectativas de inflação.
51
Em relação aos efeitos das crises econômicas, as estimativas sugerem que
devido à crise de confiança presente na eleição presidencial de 2002, capturada pela
variável dummy D_CRISE1, o disagreement nas expectativas para a inflação aumentou
( todos os coeficientes são positivos e significativos). Por sua vez, as estimativas
indicam que a crise de subprime teve um efeito negativo no disagreement nas
expectativas para a inflação, o que corrobora os resultados encontrados por Montes et
al. (2016).
52
Tabela 2.3 – Estimativas por OLS, GMM e GMM2 (Variável dependente: disagreement nas expectativas para a taxa de juros de política monetária)
Variável dependente: Eq.(2.1) Eq.(2.2) Eq.(2.3) Eq.(2.4) Eq.(2.5) Eq.(2.6) Eq.(2.7) Eq.(2.1) Eq.(2.2) Eq.(2.3) Eq.(2.4) Eq.(2.5) Eq.(2.6) Eq.(2.7) Eq.(2.1) Eq.(2.2) Eq.(2.3) Eq.(2.4) Eq.(2.5) Eq.(2.6) Eq.(2.7)
DISAG_SELIC OLS GMM GMM2
C -3.326*** -3.422*** -3.462*** -3.549*** -3.472*** -3.52*** -3.549*** -2.553*** -2.527*** -2.809*** -4.151*** -2.671*** -3.019*** -4.856*** -2.713*** -2.26*** -2.376*** -2.978*** -1.948*** -2.573*** -4.484***
(0.998) (1.001) (0.987) (0.824) (0.972) (0.96) (0.784) (0.543) (0.419) (0.485) (1.179) (0.429) (0.423) (0.81) (0.558) (0.565) (0.575) (0.872) (0.625) (0.559) (1.02)
SELIC 0.235*** 0.232*** 0.234*** 0.208*** 0.231*** 0.233*** 0.204*** 0.159*** 0.139*** 0.155*** 0.193*** 0.157*** 0.187*** 0.243*** 0.181*** 0.122** 0.144*** 0.16*** 0.096* 0.153*** 0.213***
(0.082) (0.082) (0.081) (0.058) (0.079) (0.079) (0.055) (0.044) (0.033) (0.036) (0.072) (0.032) (0.032) (0.047) (0.046) (0.048) (0.053) (0.057) (0.051) (0.047) (0.061)
VOL_SELIC 0.489 0.426 0.423 0.081 0.305 0.297 -0.034 1.009*** 0.884*** 0.827** -0.405 0.651* 0.1450 -0.723*** 0.5310 0.888** 0.824 0.421 0.881* 0.65 -0.609***
(0.47) (0.437) (0.427) (0.408) (0.397) (0.385) (0.364) (0.353) (0.295) (0.369) (0.258) (0.338) (0.212) (0.132) (0.528) (0.44) (0.641) (0.618) (0.532) (0.704) (0.195)
DISAG_EXCH 0.112 0.267** 0.267** 0.347*** 0.459*** 0.461*** 0.526*** 0.094* 0.55*** 0.579*** 0.834*** 0.683*** 0.817*** 1.077*** 0.081* 0.494*** 0.437* 0.461** 0.697** 0.653** 1.106***
(0.082) (0.13) (0.129) (0.129) (0.162) (0.163) (0.152) (0.057) (0.137) (0.152) (0.181) (0.172) (0.108) (0.119) (0.048) (0.182) (0.227) (0.192) (0.319) (0.282) (0.19)
DISAG_EXCH*CRED_M -0.503** -0.547** -0.493** -1.397*** -1.539*** -1.858*** -1.157** -0.963* -1.027**
(0.244) (0.245) (0.235) (0.379) (0.517) (0.604) (0.501) (0.54) (0.51)
DISAG_EXCH*CRED_TRL -0.643*** -0.678*** -0.629*** -1.01*** -1.256*** -1.409*** -1.048* -0.961** -1.445***
(0.21) (0.212) (0.193) (0.284) (0.196) (0.226) (0.551) (0.462) (0.388)
GAP -4.672 -1.736 -5.899 -3.326 -3.349 -4.257 -7.374 -3.91800 -2.476 -1.165 -3.06 -2.26700
(6.787) (5.891) (6.296) (5.428) (9.021) (12.288) (6.905) (7.78) (10.347) (8.57) (11.315) (13.807)
D_CRISE1 1.831** 1.846*** 3.344*** 2.777*** 0.846 2.351***
(0.711) (0.674) (1.08) (0.635) (0.862) (0.73)
D_CRISE2 1.046*** 0.987*** 2.429*** 2.856*** 0.761 2.866***
(0.371) (0.352) (0.829) (0.598) (0.531) (0.896)
R² 0.52 0.54 0.54 0.65 0.57 0.57 0.68 0.47 0.42 0.42 0.40 0.51 0.52 0.42 0.50 0.44 0.48 0.58 0.44 0.52 0.42
Adj. R² 0.51 0.53 0.53 0.63 0.56 0.56 0.66 0.46 0.41 0.40 0.37 0.50 0.51 0.40 0.49 0.43 0.46 0.56 0.43 0.51 0.39
Ramsey RESET (1) 12.12 13.57 13.09 12.28 13.04 12.22 11.56
Prob. Ramsey RESET (1) 0.00 0.00 0.00 0.00 0.00 0.00 0.00
ARCH(1) test 128.98 124.09 115.59 98.60 106.24 95.98 85.09
Prob. ARCH(1) test 0.00 0.00 0.00 0.00 0.00 0.00 0.00
LM(1) test 406.74 378.05 372.61 290.91 325.32 318.14 235.06
Prob. LM(1) test 0.00 0.00 0.00 0.00 0.00 0.00 0.00
Jaque-bera 78.15 75.86 89.27 32.43 78.69 98.25 35.63
Prob. Jaque-bera 0.00 0.00 0.00 0.00 0.00 0.00 0.00
F-statistic 63.57 50.90 40.79 45.71 57.65 46.42 51.79
Prob. F-statistic 0.00 0.00 0.00 0.00 0.00 0.00 0.00
Observations 181 181 181 181 181 181 181 175 174 176 176 175 175 177 173 174 174 174 175 174 174
RANK 20 30 29 24 22 27 30 20 34 33 27 24 33 30
J-statistic 16.20 18.30 19.07 9.99 17.91 17.68 14.90 4.91 19.16 19.86 10.56 16.74 18.90 13.09
p-value(J-stat) 0.44 0.83 0.70 0.87 0.39 0.67 0.87 1.00 0.92 0.84 0.94 0.61 0.87 0.93
DWH test 1.12 0.54 1.08 4.65 0.23 2.33 3.24 1.57 1.53 0.33 6.02 1.04 1.33 5.29
DWH p-value 0.77 0.97 0.96 0.70 0.99 0.80 0.86 0.67 0.82 0.99 0.54 0.90 0.93 0.63
Nota: Níveis de significância marginais: *** denota significância estatística 0,01, ** denota 0,05 e * denota 0,1; erro padrão entre parênteses.
53
Tabela 2.4 – Estimativas por OLS, GMM e GMM2 (Variável dependente: disagreement nas expectativas para a inflação)
Variável dependente: Eq.(2.8) Eq.(2.9) Eq.(2.10) Eq.(2.11) Eq.(2.12) Eq.(2.13) Eq.(2.14) Eq.(2.8) Eq.(2.9) Eq.(2.10) Eq.(2.11) Eq.(2.12) Eq.(2.13) Eq.(2.14) Eq.(2.8) Eq.(2.9) Eq.(2.10)
Eq.(2.11) Eq.(2.12) Eq.(2.13) Eq.(2.14)
DISAG_IPCA OLS GMM GMM2
C -2.947*** -3.094*** -3.234*** -2.494*** -2.961*** -3.083*** -2.272*** -2.782*** -2.796*** -2.988*** -2.536*** -2.742*** -2.966*** -2.198*** -2.738*** -2.979*** -3.486*** -2.715*** -3.213*** -2.788*** -2.014**
(0.544) (0.461) (0.475) (0.436) (0.46) (0.469) (0.412) (0.513) (0.359) (0.348) (0.439) (0.329) (0.326) (0.38) (0.586) (0.551) (0.456) (0.88) (0.492) (0.519) (0.872)
IPCA 0.408*** 0.386*** 0.403*** 0.288*** 0.355*** 0.371*** 0.246*** 0.376*** 0.319*** 0.363*** 0.284*** 0.312*** 0.34*** 0.226*** 0.362*** 0.379*** 0.436*** 0.281** 0.395*** 0.302*** 0.193*
(0.073) (0.073) (0.073) (0.073) (0.075) (0.075) (0.07) (0.057) (0.059) (0.051) (0.053) (0.055) (0.053) (0.059) (0.089) (0.088) (0.064) (0.135) (0.076) (0.078) (0.106)
VOL_IPCA 0.556 0.508 0.499 0.272 0.435 0.425 0.175 0.582*** 0.566** 0.459** 0.156*** 0.464*** 0.432*** 0.077 1.036*** 0.875*** 0.998*** 0.372 0.792*** 0.478** 0.064
(0.431) (0.35) (0.354) (0.305) (0.283) (0.287) (0.224) (0.177) (0.224) (0.224) (0.222) (0.168) (0.151) (0.175) (0.268) (0.291) (0.258) (0.362) (0.21) (0.208) (0.326)
DISAG_EXCH 0.086 0.419 0.407 0.449* 0.68** 0.67** 0.732** 0.454** 0.718*** 0.561*** 0.361*** 0.805*** 0.769*** 0.721*** 0.341* 0.533** 0.436* 0.334* 0.465* 0.939*** 0.787**
(0.178) (0.266) (0.265) (0.263) (0.313) (0.313) (0.293) (0.18) (0.216) (0.188) (0.218) (0.161) (0.161) (0.222) (0.19) (0.263) (0.249) (0.194) (0.281) (0.252) (0.363)
DISAG_EXCH*CRED_M -1.069** -1.158** -1.197*** -1.958*** -1.683*** -1.223*** -0.847** -1.019** -1.216**
(0.429) (0.454) (0.438) (0.631) (0.512) (0.49) (0.41) (0.491) (0.605)
DISAG_EXCH*CRED_TRL -1.072*** -1.12*** -1.185*** -1.233*** -1.285*** -1.112*** -1.149*** -1.535*** -1.296*
(0.376) (0.395) (0.374) (0.203) (0.213) (0.256) (0.321) (0.408) (0.776)
GAP -10.077* -13.606*** -9.542* -13.822*** -10.301* -14.931*** -10.662* -9.554* -12.469 -16.523* -10.214 -18.959
(5.575) (4.332) (5.764) (4.547) (6.21) (6.459) (5.758) (5.714) (9.497) (8.859) (8.016) (13.405)
D_CRISE1 1.544*** 1.647*** 1.753*** 1.88*** 2.931** 2.767***
(0.478) (0.469) (0.432) (0.4) (1.396) (0.933)
D_CRISE2 -0.366* -0.448*** -0.113*** -0.076 0.17 -0.287
(0.202) (0.163) (0.665) (0.591) (0.975) (1.347)
R² 0.60 0.67 0.68 0.73 0.73 0.73 0.79 0.48 0.62 0.66 0.71 0.72 0.73 0.78 0.48 0.60 0.60 0.64 0.65 0.71 0.76
Adj. R² 0.59 0.67 0.67 0.72 0.72 0.72 0.78 0.47 0.61 0.65 0.69 0.72 0.72 0.77 0.47 0.59 0.58 0.63 0.65 0.70 0.75
Ramsey RESET (1) 4.50 7.85 21.21 10.02 8.09 8.53 9.78
Prob. Ramsey RESET (1) 0.00 0.00 0.00 0.00 0.00 0.00 0.00
ARCH(1) test 26.78 18.90 21.21 32.28 23.55 29.81 48.60
Prob. ARCH(1) test 0.00 0.00 0.00 0.00 0.00 0.00 0.00
LM(1) test 318.64 273.79 292.67 284.34 234.99 254.57 211.18
Prob. LM(1) test 0.00 0.00 0.00 0.00 0.00 0.00 0.00
Jaque-bera 1251.96 448.43 423.24 570.34 181.98 160.64 203.61
Prob. Jaque-bera 0.00 0.00 0.00 0.00 0.00 0.00 0.00
F-statistic 88.11 90.44 74.43 65.57 116.36 95.84 91.56
Prob. F-statistic 0.00 0.00 0.00 0.00 0.00 0.00 0.00
Observations 181 181 181 181 181 181 181 172 172 172 172 172 172 172 173 173 173 173 173 175 174
RANK 23 24 27 29 24 27 29 22 24 25 34 28 28 29
J-statistic 8.22 9.01 11.13 9.20 9.89 10.20 6.84 9.29 14.68 13.97 14.62 20.95 17.56 13.82
p-value(J-stat) 0.98 0.97 0.96 0.99 0.96 0.98 1.00 0.95 0.74 0.79 0.96 0.58 0.73 0.88
DWH test 7.72 2.14 1.80 5.48 0.69 1.23 2.95 9.09 5.61 6.26 6.44 1.07 3.45 5.45
DWH p-value 0.10 0.71 0.88 0.60 0.95 0.94 0.89 0.06 0.35 0.39 0.60 0.90 0.63 0.71
Nota: Níveis de significância marginais: *** denota significância estatística 0,01, ** denota 0,05 e * denota 0,1; erro padrão entre parênteses e estatística-t em colchetes.
54
2.6 Análise de Robustez
55
Tabela 2.5 – Estimativas por OLS, GMM e GMM2 (Variável dependente:
disagreement nas expectativas para a taxa de juros de política monetária 12 meses
à frente)
Variável dependente: Eq.(2.4) Eq.(2.7) Eq.(2.4) Eq.(2.7) Eq.(2.4) Eq.(2.7)
DISAG_SELIC_12 OLS GMM GMM2
C -0.0456 0.160 0.872 -0.235 -0.275 -1.139
(0.63) (0.61) (0.94) (0.8) (1) (0.96)
SELIC 0.190*** 0.189*** 0.152*** 0.213*** 0.174*** 0.248***
(0.04) (0.04) (0.06) (0.07) (0.06) (0.05)
VOL_SELIC 0.050 -0.011 0.114 0.052 -0.267 -0.312
(0.24) (0.23) (0.25) (0.18) (0.17) (0.2)
DISAG_EXCH_12 1.787*** 1.810*** 1.376*** 1.818*** 2.599*** 2.471***
(0.56) (0.54) (0.37) (0.48) (0.64) (0.53)
DISAG_EXCH_12*CRED_M -1.221** -2.240*** -1.969***
(0.48) (0.8) (0.7)
DISAG_EXCH_12*CRED_TRL -1.365*** -1.198* -2.210***
(0.45) (0.65) (0.77)
GAP 5.422 4.980 5.969 11.963* 9.662 9.903
(4.72) (4.32) (6.93) 6.87169 (10.93) (11.86)
D_CRISE1 0.668 0.577 0.729 -0.330 0.762 0.717
(0.46) (0.47) (0.66) (0.74) (0.48) (0.63)
D_CRISE2 1.149*** 1.119*** 1.806*** 1.485*** 2.155*** 2.866***
(0.31) (0.29) (0.71) (0.55) (0.56) (0.51)
R² 0.67 0.68 0.61 0.66 0.61 0.52
Adj. R² 0.66 0.67 0.59 0.64 0.59 0.50
Ramsey RESET (1) 10.85 10.32
Prob. Ramsey RESET (1) 0.00 0.00
ARCH(1) test 2.22 2.09
Prob. ARCH(1) test 0.14 0.15
LM(1) test 142.23 128.21
Prob. LM(1) test 0.00 0.00
Jaque-bera 72.00 49.42
Prob. Jaque-bera 0.00 0.00
F-statistic 49.84 53.21
Prob. F-statistic 0.00 0.00
Observations 181 181 164 167 165 166
RANK 21 19 25 24
J-statistic 13.76 9.35 13.93 11.25
p-value(J-stat) 0.39 0.59 0.67 0.79
DWH test 3.25 8.05 6.61 2.23
DWH p-value 0.92 0.33 0.58 0.95
Nota: Níveis de significância marginais: *** denota significância estatística 0,01, ** denota 0,05 e *
denota 0,1; erro padrão entre parênteses e estatística-t em colchetes.
56
Tabela 2.6 – Estimativas por OLS, GMM e GMM2 (Variável dependente:
disagreement nas expectativas de inflação 12 meses à frente)
Variável dependente: Eq.(2.11) Eq.(2.14) Eq.(2.11) Eq.(2.14) Eq.(2.11) Eq.(2.14)
DISAG_IPCA_12 OLS GMM GMM2
C 0.473 0.779** -0.869 -0.276 -0.683 -0.711
(0.41) (0.37) (0.69) (0.64) (0.83) (0.78)
IPCA 0.050 0.055 0.107* 0.080* 0.163* 0.156**
(0.1) (0.09) (0.06) (0.05) (0.08) (0.08)
VOL_IPCA 0.144 0.087 0.462*** 0.223* 0.762 0.659*
(0.24) (0.22) (0.24) (0.13) (0.41) (0.35)
DISAG_EXCH_12 2.616** 2.736** 3.105*** 3.190*** 2.608** 2.796***
(1.2) (1.14) (0.67) (0.46) (1.17) (2.8)
DISAG_EXCH_12*CRED_M -1.951** -2.153** -2.280**
(0.75) (0.86) (1.11)
DISAG_EXCH_12*CRED_TRL -2.183** -2.147*** -1.695***
(0.84) (0.44) (0.44)
GAP -0.501 -1.394 6.943 7.117 3.834 8.297
(3.87) (3.65) (7.65) (4.8) (9.65) (7.22)
D_CRISE1 1.760* 1.569*** 2.299*** 1.986*** 1.432* 1.521**
(0.66) (0.57) (0.68) (0.3) (0.74) (0.68)
D_CRISE2 0.439** 0.379** 1.903** 1.638*** 1.557 1.59378
(0.2) (0.17) (0.76) (0.62) (1.19) (1.04)
R² 0.66 0.69 0.50 0.61 0.49 0.53
Adj. R² 0.65 0.68 0.48 0.59 0.46 0.51
Ramsey RESET (1) 11.57 11.51
Prob. Ramsey RESET (1) 0.00 0.00
ARCH(1) test 21.33 11.51
Prob. ARCH(1) test 0.00 0.00
LM(1) test 229.20 28.93
Prob. LM(1) test 0.00 0.00
Jaque-bera 723.00 227.51
Prob. Jaque-bera 0.00 0.00
F-statistic 48.18 55.66
Prob. F-statistic 0.00 0.00
Observations 181 181 164 163 164 163
RANK 31 34 30 28
J-statistic 9.51 12.84 10.54 10.02
p-value(J-stat) 0.99 0.99 0.98 0.97
DWH test 4.45 3.68 4.85 4.17
DWH p-value 0.81 0.88 0.77 0.84
Nota: Níveis de significância marginais: *** denota significância estatística 0,01, ** denota 0,05 e *
denota 0,1; erro padrão entre parênteses e estatística-t em colchetes.
2.7 Conclusões
57
monetária. Dessa maneira, partindo do pressuposto que as séries de disagreement nas
expectativas das variáveis econômicas são uma proxy para a incerteza em relação ao
comportamento futuro das variáveis, os resultados fornecem evidências empíricas de
que o disagreement nas expectativas para a taxa de câmbio tem efeito sobre o
disagreements nas expectativas de inflação ou de taxa de juros.
Por outro lado, a literatura sugere a credibilidade como um aspecto importante
no processo de guiar as expectativas dos agente na economia. Isso se dá pelo fato de que
anúncios críveis por parte do Banco Central reduzem a incerteza sobre a condução da
política monetária no futuro ( e com isso o esforço do Banco Central), e também ajudam
no processo de ancoragem das expectativas de inflação na direção da meta de inflação
estipulada. Nesse sentido, o capítulo propõe que a credibilidade do regime de metas de
inflação é um aspecto importante para reduzir o efeito da incerteza sobre o
comportamento futuro da taxa de câmbio na incerteza em relação ao valor futuro da taxa
de juros, e também sobre a incerteza relacionada ao valor futuro da inflação. Com base
em dois índices de credibilidade, os resultados sugerem que a credibilidade reduz a
incerteza sobre a taxa de juros ou sobre a inflação, que poderiam surgir como um
resultado de uma elevação na incerteza sobre o comportamento futuro da taxa de
câmbio.
Apêndice 2
58
3 CREDIBILIDADE DA POLÍTICA MONETÁRIA E FEAR OF FLOATING
EM PAÍSES EM DESENVOLVIMENTO
59
3.1 Introdução
60
De maneira geral, a preocupação dos bancos centrais com as flutuações da taxa
de câmbio tem sido amplamente discutida na literatura econômica. Alguns estudos
enfatizaram a importância de se considerar a taxa de câmbio na análise de política
monetária (por exemplo, Ball, 1999; Svensson, 2000; Clarida et al., 2001; Calvo e
Reinhart, 2002; Ball e Reyes, 2004 e 2008; Lubik e Schorfheide, 2007; Dong, 2013).
Uma das principais questões discutidas nessa literatura foi ressaltada por Calvo e
Reinhart (2002), que mostraram que os países que adotam regimes de câmbio flutuante
e metas de inflação tendem a utilizar a taxa básica de juros para evitar grandes
flutuações na taxa de câmbio.
De acordo com Calvo e Reinhart (2002), uma das principais razões para a
existência de fear of floating é a falta de credibilidade da autoridade monetária. Os
autores argumentam que diversos países em desenvolvimento determinam suas taxas de
juros com base em preocupações domésticas, e que a decisão de suavizar as variações
da taxa de câmbio pode derivar de um cenário de baixa credibilidade e alto efeito de
pass-through. Calvo e Reinhart (2002) mostram que os movimentos na taxa de juros de
política monetária são mais frequentes em países com regimes de câmbio flutuante. O
modelo teórico proposto pelos autores considera a adoção de metas para a inflação, no
qual o fear of floating surge da combinação de elevado efeito de pass-through e baixa
credibilidade. Os resultados sugerem que nem sempre é fácil distinguir se um país que
anuncia metas para a inflação irá realmente permitir que a taxa de câmbio flutue
livremente ou não. Entretanto, o trabalho de Calvo e Reinhart (2002) não fornece
evidências empíricas do efeito da credibilidade sobre o fear of floating.
Dessa maneira, o presente capítulo busca investigar empiricamente o efeito da
credibilidade sobre o fear of floating. Assim com Calvo e Reinhart (2002), nosso
argumento é o de que, em parte, as reações da política monetária às flutuações da taxa
de câmbio são relacionadas com o nível de credibilidade, o que representa uma questão
importante para ser enfrentada pelos formuladores de política econômica nos países em
desenvolvimento. Particularmente, em relação à importância da credibilidade, quando a
credibilidade da política monetária é baixa, a inflação se eleva e desvia da meta de
inflação estabelecida (Montes e Curi, 2013; Montes e Bastos, 2014). Como
consequência, um ambiente de baixa credibilidade leva os bancos centrais a se
preocuparem com as desvalorizações da taxa de câmbio, porque esses movimentos
podem elevar a taxa de inflação devido ao efeito de pass-through. Portanto, com baixa
61
credibilidade da política monetária, a autoridade monetária é mais suscetível a reagir
aos movimentos da taxa de câmbio do que simplesmente perseguir a meta de inflação e
permitir que a moeda flutue livremente.
A partir da literatura que trata de regras de política monetária (por exemplo,
Clarida et al., 1998, 2000; Berger, 2008; Moura e de Carvalho, 2010; Furlani, Portugal e
Laurini, 2010; Fendel et al., 2011; Frömmel et al., 2011), o capítulo utiliza uma regra de
Taylor expandida. A regra considera elementos padrão em uma regra de Taylor, o efeito
10
das variações da taxa de câmbio, e, como novidade, o efeito da credibilidade da
11
política monetária. Dessa maneira, o capítulo contribui para literatura ao investigar
essa relação entre a condução da política monetária, a taxa de câmbio e a credibilidade,
com enfoque em países desenvolvidos que adotaram regimes de metas para a inflação.
Com base em uma metodologia de dados em painel, os resultados sugerem que a
credibilidade do regime de metas de inflação é capaz de reduzir o problema de fear of
floating na condução de política monetária.
10
De acordo com Nogueira-Jr. e León-Ledesma (2009), quanto maior é o pass-through, maior é a
resposta da política monetária à taxa de câmbio. Os autores argumentam que “even if the Central Bank
does not care about the exchange rate level, it must respond to its movements, as it influences the overall
rate of inflation, and thus its ability to attain the inflation targets” (Nogueira-Jr. e León-Ledesma 2009,
pp. 258).
11
De maneira a obter resultados robustos, a análise considera dois índice de credibilidade monetária.
62
Em relação as explicações para a existência de fear of floating, uma das
principais razões se refere ao pass-through da taxa de câmbio. Nesse sentido, a
literatura ressalta que o fear of floating pode ser relacionado com fear of inflation (Da
silva e Vernego, 2008, Nogueira-Jr. e León-Ledesma, 2009; Kadria e Aissa, 2015). Por
outro lado, a literatura ressalta razões que podem se relacionar com fear of apreciation,
no qual as desvalorizações da taxa de câmbio seriam mais toleráveis que as apreciações
da taxa de câmbio (Obstfeld e Rogoff, 1995; Levy-Yeyati e Sturzenegger, 2007;
Pontines e Siregar, 2012; Aizeman e Sun, 2012; Levy-Yeyati et al., 2013). Essa aversão
à apreciação é relacionada, por exemplo, com a possibilidade de pressões no balanço de
pagamentos.
Em outro sentido, alguns estudos investigam se o comportamento de fear of
floating pode gera resultados desejáveis para a economia, pois as reações da autoridade
monetária às flutuações da taxa de câmbio podem representar uma decisão de política
monetária racional. Dentre as questões consideradas, está a capacidade de uma política
para a taxa de câmbio em mitigar pressões sobre o sistema financeiro (Pang, 2013;
Nakamura, 2016), de maneira a prevenir efeitos adversos que a incerteza no sistema
financeiro pode trazer para ao desempenho macroeconômico devido a uma flutuação da
taxa de câmbio. Por exemplo, Sokolov et al. (2012), ressalta que a adoção de um regime
de metas de inflação com fear of floating pode gerar menor volatilidade nas taxas de
inflação para os países em desenvolvimento.
Este capítulo contribui com a literatura, uma vez que busca evidência empírica
para a hipótese teórica formulada por Calvo e Reinhart (2002) de que a credibilidade é
importante para reduzir o fear of floating. Além disso, o trabalho também contribui para
a literatura ao avançar em relação ao trabalhos apresentados por Nogueira-Jr. e León-
Ledesma (2009) e de Mendonça e Tiberto (2017).
Nogueira-Jr. e León-Ledesma (2009) avaliam empiricamente o impacto de uma
mudança de regime de política monetária em um país em desenvolvimento. Os autores
investigam se a mudança de regime produziu alguma mudança na politica de taxa de
câmbio. Mais precisamente, eles fornecem evidência a respeito do efeito de pass-
through entre 1995 e 2007, assim como sobre a reação de política monetária aos
choques na taxa de câmbio, comparando o período anterior e o posterior à adoção de
metas de inflação em 1999. Os autores sugerem três principais conclusões em relação ao
fear of floating no Brasil: (i) o pass-through da taxa de câmbio diminuiu drasticamente
63
após a adoção de metas de inflação; (ii) embora a volatilidade da taxa de câmbio tenha
aumentado substancialmente após 1999, o Banco Central continuou reagindo às
flutuações na taxa de câmbio, e; (iii) a reação do Banco Central aos choques na taxa de
câmbio era mais comum através do uso das reservas internacionais e mudou para o uso
da taxa básica de juros como instrumento de intervenção. De acordo com Nogueira-Jr.
and León-Ledesma (2009), as intervenções de política monetária através da taxa de
juros refletem o fato de que o Banco Central reage a qualquer variável que afete a
inflação.
Por sua vez, de Mendonça e Tiberto (2017) apresentam evidência empírica em
relação a efeito de pass-through da taxa de câmbio para a inflação em uma amostra de
países em desenvolvimento. Em geral, os resultados indicam que o pass-through da
taxa de câmbio é importante para explicar a taxa de inflação. Além disso, os autores
analisam o impacto da credibilidade monetária nesse canal de transmissão da taxa de
câmbio para a inflação. A evidência empírica indica que uma credibilidade monetária
elevada ajuda a mitigar os efeitos de pass-trhough da taxa de câmbio. Desse modo, uma
melhora da credibilidade facilita o controle da inflação com menor custo para a
sociedade.
12
O period foi definido de acordo com a disponibilidade de dados.
13
A Table A1.3 no Apendice 3 apresent a lista de países utilizados na análise.
64
resultados se mantêm quando, por exemplo, (i) uma amostra composta apenas por
países em desenvolvimento é considerada, (ii) são considerados apenas países que
adotaram metas de inflação, e (iii) são utilizados diferentes períodos – antes e depois da
crise financeira global.
Como variável dependente, é utilizada a taxa de juros de política monetária (IR). Como
regressores comumente considerados em regras de Taylor, são utilizados o desvio da
inflação para a meta (INF)14 e, com objetivo de capturar o efeito da atividade
econômica, é utilizado o hiato do produto (GAP)15. Para capturar o fear of floating,
também é considerado o efeito das flutuações da taxa de câmbio (∆EXCH)16. Além
disso, uma dummy para o efeito da crise financeira global (SUBPRIME) também é
considerada (A dummy tem valor 1 de 2008Q2 to 2010Q4, e zero caso contrário). Por
fim, também é analisado o efeito da adoção de um regime de metas para a inflação por
meio da inclusão de uma variável dummy (TARGET)17.
Com o objetivo de capturar o efeito da credibilidade monetária, são utilizados
dois índices de credibilidade, ambos já apresentados no capítulo 1 dessa tese. São eles o
índice proposto por Cecchetti e Krause (2002) e o índice de Mendonça (2007),
apresentados anteriormente no capítulo 1 (seção 1.4). Na Figura 3.1, tem-se os gráficos
para a credibilidade média para os dois índices.
Como alguns bancos centrais não tornam disponíveis as informações acerca das
expectativas de inflação, este capítulo segue a mesma metodologia utilizada em de
Mendonça e Tiberto (2017). Então, nesses casos, de maneira a obter séries de
expectativa de inflação, este capítulo segue a metodologia de Tesfaselassie e Schaling
(2010), Cecchetti e Krause (2002) and de Mendonça e Tiberto (2017) que consideram
uma média móvel da inflação como uma proxy para as expectativas. Portanto, com base
na inflação medida pelo Índice de Preços ao Consumidor (obtidos no FMI), são
computadas as expectativas de inflação (Et+4(π)) através de uma média móvel baseada
na inflação observada no último trimestre (πt-1), no trimestre corrente (πt), e nos
14
Como proposto por Dincer e Eichengreen (2014) a taxa de inflação corresponde ao valor logarítimico
de 1 mais a inflação medida pelo Índice de Preços ao Consumidor disponíveis na International Financial
Statistics.
15
O GAP é a diferença entre o valor do produto e a tendência obtida através do filtro de Hodrick-Prescott.
16
É considerada a variação percentual da taxa de câmbio nominal (moeda local por Dólar americano).
17
A variável dummy iguala 1 se o país I é um país com meta de inflação no período t e 0 caso contrário.
A data de adoção da meta se baseia em uma classificação conservadora. No caso onde há uma meta de
inflação explicita foi adotada (ver, de de Mendonça and de Guimarães e Souza, 2012).
65
πt−1 +πt +πt+1 +πt+2
próximos dois trimestres (πt+1 e πt+2), isto é, Et+4 (π) = . A Tabela
4
66
Figura 3.1 – Índices de credibilidade (média dos países desenvolvidos e em
desenvolvimento)
CREDM CREDCK
0.6 1.0
0.5
0.9
0.4
0.8
0.3
0.7
0.2
0.6
0.1
0.0 0.5
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013
2014
2015
2016
2017
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013
2014
2015
2016
2017
Developed countries Developing countries
Onde, ϱ é um termo de erro aleatório. Duas especificações diferentes são estimadas para
a equação 3.1 (referenciadas como equação 3.1.1 e 3.1.2). A equação 3.1.2 é o modelo
completo, enquanto a equação 3.1.1 não considera a variável TARGET.
É importante notar que o termo CRED (onde CRED é CREDCK ou CREDM)
torna o efeito das variações na taxa de câmbio na reação do banco central (através da
taxa de juros de política monetária) dependente da credibilidade. Por um lado, espera-se
que o coeficiente para ∆EXCH seja positivo (𝛼3 > 0); por outro lado, para o termo de
interação, um sinal negativo é esperado (𝛼5 < 0). Nesse sentido, quando a credibilidade
está em níveis elevados, a autoridade monetária reage com menos intensidade às
67
mudanças na taxa de câmbio. Por sua vez, quando a credibilidade é baixa, a autoridade
monetária reage com maior intensidade às flutuações na taxa de câmbio. A Equação 3.2
descreve esse efeito:
𝜕𝐼𝑅𝑖,𝑡
= 𝛼3 − 𝛼5 (CRED𝑖,𝑡−1 ) (3.2)
𝜕∆𝐸𝑋𝐶𝐻𝑖,𝑡−1
Teste de Levin-Lin-Chu (LLC) – processo de raiz comum - H0: α = 0. Teste de Im–Pesaran–Shin (IPS) –
processos de raiz individual - H0: α = 0 (para cada i). Teste de Fisher-ADF (ADF) – processos de raiz
individual - H0: α = 0 (para cada i). Teste de Fisher-PP (PP) – processos de raiz individual - H0: α = 0
(para cada i).
68
desenvolvimento, T=72 e N=32). Nesse contexto, a próximo passo foi a definição do
primeiro método a ser utilizado: modelo com efeitos fixos ou modelo com efeitos
aleatórios. A principal diferença entre esses dois modelos é o fato de que o modelo com
efeitos aleatórios não considera a presença de correlação entre as variáveis explicativas
e os efeitos não observados. Porém, o modelo de efeitos fixos permite que haja essa
correlação entre as variáveis explicativas e os efeitos não observados e variáveis dummy
são adicionadas para considerar diferenças e mudanças de intercepeto (Wooldridge,
2001).
Para a escolha do método mais adequado, o teste de Haussman (1978) foi
utilizado. Esse teste compara os coeficientes estimados com efeitos fixos e com efeitos
aleatórios. Se a hipótese nula é aceita, isso implica que os dois métodos podem ser
utilizados para a estimação. Entretanto, os estimadores de efeitos fixos são considerados
ineficientes. Por outro lado, quando a hipótese nula é rejeitada, o uso de um modelo de
efeitos fixos é o mais adequado. Com o objetivo de corrigir os problemas de
heterocedasticidade nas estimações, as matrizes de covariância foram estimadas pelo
método de White.
Com a preocupação de evitar problemas de endogeneidade, a estimação pelo
Método do Momentos Generalizados Sistêmico (S-GMM) também foi realizada,
conforme proposto por Arellano and Bover (1995) e Blundell e Bond (1998). Por meio
da utlitização do GMM, são adotadas variáveis instrumentais exógenas, as quais
eliminam o problema de simultaneidade entre a taxa de juros de política monetária e os
regressores.
Em geral, a utilização do método de S-GMM é uma boa alternativa no caso em
que o modelo não satisfaz a hipótese de OLS que considera nula a correlação entre os
termos de erro e seus estimadores, o que pode gerar estimativas inconsistentes por OLS
(Wooldrige, 2001). Além disso, as estimativas do S-GMM eliminam os efeitos não
observados nas regressões (Arellano and Bond, 1991), devido à utilização de primeiras
diferenças. Consequentemente, abordagem sistêmica também inclui condições de
momento, de modo a evitar problemas de viés e baixa eficiência que podem surgir na
utilização de apenas GMM com primeiras diferenças (Arellano e Bover, 1995 e
Blundell e Bond, 1998).
Conforme ressaltado por Roodman (2009), o uso de instrumentos em excesso tende a
enviesar os resultados em uma amostra pequena. Com o objetivo de evitar o uso
69
excessivo de instrumentos nas regressões, a razão entre o número de
instrumentos/número de cross-sections é menor do que 1 em cada regressão.
Adicionalmente, conforme proposto por Arellano (2003), com a intenção de observar a
validade dos instrumentos utilizados nos modelos, o teste-J para sobre-especificação foi
utilizado. Além disso, os testes para autocorrelação de primeira ordem (AR1) e segunda
ordem (AR2) também foram realizados.
A estratégia empírica segue a seguinte ordem: primeiro, são estimadas as
especificações 3.1.1 e 3.1.2 para a amostra completa e também para a amostra que
considera apenas os países em desenvolvimento para todo o período (2000Q1-2017Q4)
(Tabela 3.2). Depois disso, as estimações para a amostra completa e para a amostra com
países em desenvolvimento são estimadas em dois contextos diferentes: antes da crise
financeira global (2000Q1-2008Q1) e depois da crise financeira global (2008Q2-
2017Q4) (tabela 3.3). Por fim, as especificações 3.1.1 e 3.2.2 são estimadas apenas para
a amostra completa com países que adotaram metas de inflação e para uma amostra de
países em desenvolvimento que adotaram metas de inflação (Tabela 3.4).
3.4 Resultados
70
(CREDM*ΔEXCH), as estimativas apresentam coeficientes negativos e significativos
em todas as especificações na Tabela 3.2. Esse resultado indica a validade do argumento
teórico de Calvo e Heinhart (2002) de que o fear of floating surge devido a problemas
de falta de credibilidade. As estimativas indicam que quanto maior o nível de
credibilidade, a intensidade das reações da autoridade monetária às flutuações na taxa
de câmbio diminui, o que reforça o argumento da equação 3.2.
71
objetivo de conter o processo inflacionário. Os resultados para o efeito de INF estão de
acordo com as ideias em que a regra de Taylor (1993) se baseia. Com relação às
estimativas para GAP, os coeficientes são positivos, mas só se mostram significativos
na especificação 3.1.2, estimada por S-GMM. No que se refere ao efeito da crise do
subprime, a maior parte das estimativas apresentam coeficientes negativos e
estatisticamente significantes, o que indica que os bancos centrais, em resposta às crises,
reduzem suas taxas de juros, com o objetivo de estimular a atividade econômica e evitar
recessões ainda mais profundas.
Com relação ao efeito da adoção de um regime de metas de inflação (TARGET),
os resultados apontam, para ambas as amostras, que os países que adotam esse regime,
na média, têm menores níveis de taxa de juros. Esse resultado corrobora as evidências
apresentadas por Montes e Gea (2018).
A partir da análise das estimativas apresentadas na Tabela 3.3, observa-se que a
maioria dos resultados está em linha com o que a teoria econômica prevê, e os
resultados reforçam os já apresentados anteriormente na Tabela 3.2. Com relação à
resposta da política monetária às flutuações da taxa de câmbio (ΔEXCH), os resultados
estão de acordo com a teoria econômica e corrobora as evidências da Tabela 3.2. No
entanto, esses resultados indicam que o fear of floating foi maior antes da crise de 2008
do que depois. Além disso, as estimativas indicam que o fear of floating é maior em
países em desenvolvimento; entretanto, a diferença entre os coeficientes se torna menor
na amostra que considera o período pós-crise.
Em relação à credibilidade, os coeficientes estimados são negativos em todas as
estimativas na Tabela 3.3. Os resultados obtidos por meio de S-GMM indicam que o
efeito da credibilidade em reduzir as taxa de juros se tornou maior após a crise de 2008.
Por sua vez, em relação à variável interativa (CREDM * ΔEXCH), todos os coeficientes
estimados são negativos e significativos em todas as especificações. Esse resultado
corrobora com o argumento teórico de Calvo e Reinhart (2002). Entretanto, pode-se
observar que esse efeito perde intensidade após a crise financeira.
Em relação às variáveis de controle, o efeito de INF é positivo e significativo em
todas as especificações, mas a resposta da taxa de juros de política monetária para os
desvios da inflação em relação à meta perde intensidade após a crise de 2008. Por sua
vez, os resultados indicam que a adoção de metas de inflação é importante para a
condução das taxas de juros para níveis mais baixos. Além disso, os resultados indicam
72
que a resposta a desvios do produto da economia de sua tendência se torna maior após a
crise do subprime, embora as estimativas não sejam estatisticamente significativas em
parte das estimações.
73
obtidos através de efeitos fixos reportados na Tabela 3.4 com os coeficientes reportados
na tabela 3.2, verifica-se que os países em desenvolvimento com metas para a inflação
apresentam maior fear of floating.
Novamente, os resultados ressaltam a importância de se construir credibilidade
para trazer a taxa de juros de política monetária a menores níveis. Além disso, as
estimativas também indicam a importância da credibilidade da política monetária para
reduzir o fear of floating. Todos os coeficientes que mostram os termos interativos
(CREDM*ΔEXCH) apresentam sinais negativos e significância estatística na maioria
das estimativas, e esse efeito parece ser maior para países em desenvolvimento que
adotaram metas de inflação.
Tabela 3.4 – Estimativas para países com metas de inflação (Amostra completa e
países em desenvolvimento)
Dependent variable: IR Full Sample (IT countries) IT Developing countries
Specfification FE S-GMM FE S-GMM FE S-GMM FE S-GMM
INF(-1) 0.909*** 0.036* 0.850*** 0.069*** 0.917*** 0.068** 0.842*** 0.083**
(0.05) (0.01) (0.05) (0.02) (0.05) (0.02) (0.04) (0.04)
GAP(-1) -0.49* 0.229 -0.35 0.391 -0.55* 0.009 -0.41 0.136
(0.28) (1.85) (0.28) (2.66) (0.29) (0.15) (0.29) (0.10)
∆EXCH(-1) 0.053* 0.081*** 0.069** 0.073*** 0.105** 0.053 0.126*** 0.060
(0.02) (0.02) (0.02) (0.02) (0.04) (0.03) (0.03) (0.04)
CRED(-1) -1.10*** -0.17* -0.93*** -1.28*** -1.59*** -0.23 -1.36*** -0.93
(0.21) (0.09) (0.21) (0.41) (0.32) (0.24) (0.31) (1.24)
CRED(-1)*∆EXCH(-1) -0.12** -0.18** -0.13*** -0.11** -0.16** -0.05 -0.18*** -0.03
(0.05) (0.08) (0.05) (0.05) (0.07) (0.14) (0.07) (0.04)
SUBPRIME -1.04*** -2.14*** -1.06*** -1.13*** -1.24*** -2.10* -1.25*** -1.86***
(0.17) (0.40) (0.16) (0.25) (0.26) (1.21) (0.24) (0.57)
TARGET -3.14*** -2.64*** -3.66*** -2.63***
(0.45) (0.59) (0.55) (0.50)
74
3.5 Análise de Robustez
75
Tabela 3.5 – Estimativas para amostra complete e para amostra de países em
desenvolvimento (2000Q1-2017Q4)
Dependent variable: IR Full sample Developing countries
Specfification FE S-GMM FE S-GMM FE S-GMM FE S-GMM
INF(-1) 0.486*** 0.001 0.472*** 0.009*** 0.491*** 0.008 0.473*** 0.010**
(0.09) (0.00) (0.08) (0.00) (0.09) (0.01) (0.09) (0.00)
GAP(-1) -0.04 2.599 0.057 1.505*** -0.36 7.204** -0.21 4.342
(0.22) (2.51) (0.21) (0.32) (0.25) (3.25) (0.26) (2.76)
∆EXCH(-1) 0.157** 0.036 0.169** 0.070*** 0.172* 0.421*** 0.188** 0.238***
(0.07) (0.07) (0.07) (0.00) (0.09) (0.06) (0.08) (0.01)
CRED_CK(-1) -3.73*** -1.09*** -3.31*** 0.394*** -3.70*** -1.20*** -3.16*** -0.49***
(1.07) (0.32) (1.03) (0.09) (1.11) (0.29) (1.07) (0.16)
CRED_CK(-1)*∆EXCH(-1) -0.19** -0.05 -0.19** -0.09*** -0.20* -0.54*** -0.20** -0.31***
(0.08) (0.08) (0.08) (0.00) (0.10) (0.09) (0.09) (0.01)
SUBPRIME -1.05*** -0.46*** -1.05*** -0.09** -1.19*** -0.53** -1.16*** -1.59***
(0.13) (0.13) (0.12) (0.04) (0.18) (0.22) (0.18) (0.10)
TARGET -3.68*** -1.27*** -4.38*** -3.01***
(0.54) (0.08) (0.66) (0.28)
76
Tabela 3.6 – Estimativas para amostra complete e para amostra de países em
desenvolvimento (Antes e depois da crise de 2008)
Dependent variable: IR Full Sample Developing countries
2000-2007 2008-2016 2000-2007 2008-2016
Specfification FE S-GMM FE S-GMM FE S-GMM FE S-GMM
INF(-1) 0.764*** 0.104*** 0.223*** 0.010* 0.783*** 0.082*** 0.227*** 0.037***
(0.05) (0.02) (0.03) (0.00) (0.06) (0.01) (0.03) (0.00)
GAP(-1) 0.501* 0.280*** 0.454* 0.123*** 0.920** 0.048 0.422 0.207***
(0.26) (0.06) (0.26) (0.02) (0.40) (0.13) (0.30) (0.00)
∆EXCH(-1) 0.375*** 0.188*** 0.115*** 0.072*** 0.367*** 0.211*** 0.115*** 0.045***
(0.08) (0.01) (0.03) (0.01) (0.08) (0.02) (0.04) (0.01)
CRED_CK(-1) 0.015 -0.41** -3.66*** -1.04*** 0.414 -0.54** -3.43*** -1.68***
(0.70) (0.16) (0.63) (0.22) (0.72) (0.21) (0.65) (0.16)
CRED_CK(-1)*∆EXCH(-1) -0.38*** -0.17*** -0.10*** -0.05*** -0.33*** -0.22*** -0.09** -0.01
(0.09) (0.01) (0.03) (0.01) (0.10) (0.03) (0.04) (0.01)
TARGET -3.30*** -0.82* -0.29 2.368*** -3.74*** -1.05 -0.30 5.395***
(0.91) (0.46) (0.50) (0.80) (1.05) (0.80) (0.72) (0.50)
Adj. R² 0.88 0.83 0.87 0.77
F-statistic 161.25 159.55 114.92 101.16
Prob. F-statistic 0.00 0.00 0.00 0.00
Haussman Chi-sd. stat. 66.82 53.51 63.27 27.96
Prob. 0.00 0.00 0.00 0.00
Observations 920 613 1663 1245 515 349 1103 820
J-statistic 25.17 23.74 12.27 16.55
Prob(J-statistic) 0.24 0.25 0.58 0.68
Instrument rank 29 28 22 28
Rank / Cross sections 0.76 0.60 0.96 0.88
Ar(1) -0.52 -0.52 -0.51 -0.43
Prob. 0.00 0.00 0.00 0.00
Ar(2) 0.07 0.03 0.05 -0.03
Prob 0.12 0.43 0.43 0.50
Nota: Níveis de significâncias marginais: (***) denota 0.01, (**) denota 0.05, e (*) denota 0.1. A matriz de
covariância de White consistente na presença de heterocedasticidade foi utilizada em todas as regressões. Erros
padrão em parênteses. FE significa estimativas por OLS controladas para os efeitos fixos dos países. S-GMM –
utiliza Arellano e Bover (1995) em dois estágios sem efeitos fixos por período. O estimador de S-GMM testa AR
(1) e AR (2) para verificar a presença de autocorrelação de primeira ou de segunda ordem. As constantes e as
variáveis dependentes defasadas foram omitidas por conveniência
77
Tabela 3.7 – Estimativas para países com metas de inflação (Amostra completa e
países em desenvolvimento)
Dependent variable: IR Full Sample Developing countries
Specfification FE S-GMM FE S-GMM FE RE S-GMM FE RE S-GMM
INF(-1) 0.757*** 0.060*** 0.720*** 0.044*** 0.789*** 0.788*** 0.012 0.740*** 0.742*** 0.074*
(0.07) (0.01) (0.06) (0.00) (0.06) (0.07) (0.02) (0.06) (0.06) (0.04)
GAP(-1) -0.80*** 0.831 -0.60** 0.002 -0.81*** -0.83*** 0.018 -0.57* -0.59* 0.044
(0.27) (6.95) (0.27) (0.02) (0.29) (0.29) (4.61) (0.29) (0.30) (0.30)
∆EXCH(-1) 0.191** 0.062*** 0.207*** 0.030*** 0.248*** 0.248*** 0.127*** 0.268*** 0.268*** 0.219***
(0.08) (0.01) (0.07) (0.00) (0.08) (0.08) (0.01) (0.07) (0.07) (0.08)
CRED_CK(-1) -3.06*** -1.79*** -2.54*** -0.29*** -2.73*** -2.79*** -0.64 -2.06*** -2.08*** -0.95**
(0.73) (0.40) (0.71) (0.09) (0.73) (0.75) (0.75) (0.72) (0.74) (0.47)
CRED_CK(-1)*∆EXCH(-1) -0.24*** -0.05*** -0.24*** -0.01*** -0.30*** -0.30*** -0.11 -0.31*** -0.31*** -0.23**
(0.08) (0.01) (0.08) (0.00) (0.09) (0.09) (0.07) (0.08) (0.08) (0.11)
SUBPRIME -1.12*** -0.83*** -1.14*** -0.55*** -1.22*** -1.22*** -0.50* -1.21*** -1.21*** -3.44***
(0.17) (0.19) (0.16) (0.01) (0.25) (0.26) (0.29) (0.24) (0.25) (0.92)
TARGET -3.05*** -1.75*** -3.58*** -3.48*** -1.94**
(0.46) (0.30) (0.57) (0.54) (0.77)
3.6 Conclusões
78
Em geral, os resultados indicaram uma maior existência de fear of floating no
período anterior à crise financeira global de 2008. Além disso, as estimativas fornecem
evidências de que o fear of flaoting é maior nos países em desenvolvimento, e ainda
maior nos países em desenvolvimento que adotaram metas de inflação.
As estimativas apontam para a importância dos ganhos de credibilidade para
trazer a taxa de juros para níveis inferiores. Além disso, os resultados também indicam a
importância da credibilidade da política monetária para reduzir o fear of floating. As
estimativas sugerem que quando a credibilidade é elevada, a reação da política
monetária às flutuações na taxa de câmbio é menos intensa. Portanto, os resultados
ressaltam o fato de que a credibilidade é capaz de minimizar a preocupação das
autoridades monetárias em relação às flutuações na taxa de câmbio, e esse efeito é ainda
maior em países em desenvolvimento que adotaram metas de inflação.
79
Apêndice 3
Tabela
Table A1A3.1 – Countries
List of Lista de países
Full Sample
Armenia Czech Republic Kazakhstan Paraguay Sweden
Australia Denmark Korea Peru Switzerland
Azerbaijan Dominican Republic Kyrgyz Republic Philippines Thailand
Belarus Hungary Malaysia Poland Turkey
Brazil Iceland Mauritius Qatar United Kingdom
Canada India Mexico Russia United States
Chile Indonesia Moldova Saudi Arabia Uruguay
China Israel Mongolia Serbia
Colombia Jamaica New Zeland Singapore Total:
Costa Rica Japan Norway South Africa 47
Developing Countries
Armenia Dominican Republic Mauritius Qatar
Azerbaijan Hungary Mexico Russia
Belarus India Moldova Saudi Arabia
Brazil Indonesia Mongolia Serbia
Chile Jamaica Paraguay South Africa
China Kazakhstan Peru Thailand
Colombia Kyrgyz Republic Philippines Turkey Total:
Costa Rica Malaysia Poland Uruguay 32
IT countries
Armenia India Peru
Australia Indonesia Philippines
Brazil Israel Poland
Canada Japan Russia
Chile Korea Serbia
Czech Republic Mexico South Africa
Dominican Republic Moldova Sweden
Hungary New Zeland Turkey Total:
Iceland Norway 26
80
Tabela A2.1 – Estatísticas descritivas
IR INF GAP ∆EXCH SUBPRIME TARGET CRED CRED_CK
Mean 6.2928 0.2552 -0.0005 0.6372 0.1528 0.4376 0.2003 0.8536
Median 4.7500 -0.6678 0.0000 0.0444 0.0000 0.0000 0.0000 1.0000
Maximum 183.2000 88.8678 2.1863 58.2891 1.0000 1.0000 0.9974 1.0000
Minimum -0.4000 -13.0929 -4.6263 -23.0568 0.0000 0.0000 0.0000 0.0000
Std. Dev. 7.9780 5.6161 0.1688 5.0054 0.3598 0.4962 0.3058 0.2838
Skewness 7.8602 7.8852 -9.3091 2.9246 1.9302 0.2514 1.2467 -2.0635
Kurtosis 121.6277 99.2917 341.5662 23.6798 4.7258 1.0632 3.0650 6.0470
81
CONSIDERAÇÕES FINAIS
Esta tese foi construída a partir de três ensaios. A principal motivação da tese se
relaciona com a hipótese teórica de Calvo e Reinhart (2002), de que quando a
credibilidade é baixa, há dificuldade de se conduzir a politica monetária sem realizar
intervenções na taxa de câmbio. Com essa ideia em mente, o objetivo foi buscar
validade empírica para essa ideia e com isso contribuir para a literatura sobre o tema.
Dessa maneira, embora cada capítulo tenha seu enfoque específico, os ensaios se
relacionam entre si por meio de um tema principal: a importância da credibilidade
monetária para mitigar o fear of floating na condução da política monetária.
O primeiro capítulo apresentou uma análise da relação entre fear of floating e
credibilidade da política monetária para o Brasil. Esse capítulo apresentou os diferentes
índices de credibilidade reconhecidos pela literatura. Por meio de uma análise de séries
temporais do Banco Central do Brasil, o capítulo contribui ao trazer evidência empírica
para a questão do fear of floating, ao avaliar a resposta da taxa de câmbio em uma
função de reação da autoridade monetária. Além disso, independente do índice de
credibilidade utilizado, há evidências de que quando os agentes creem que o Banco
Central irá entregar a meta, há menor resposta às flutuações da taxa de câmbio.
No segundo capítulo, foi realizada uma análise sobre a transmissão de
disagreement nas expectativas para a taxa de câmbio para os disagreements nas
expectativas da taxa de juros ou de inflação. A partir do pressuposto de que a
credibilidade é um aspecto importante no processo de guiar as expectativas dos agentes
na economia, verificou-se que a credibilidade monetária é um mecanismo importante
para reduzir esse efeito.
No terceiro capítulo a análise de fear of floating e credibilidade monetária foi
realizada em um contexto internacional. Os resultados empíricos reforçam a existência
de fear of floating e a importância da credibilidade monetária para mitigar esse efeito.
Além disso, outras observações puderam ser feitas, como a questão do fear of floating
ser maior para países em desenvolvimento e para países que adotaram explicitamente
metas de inflação, assim como a mudança de comportamento dos bancos centrais após a
crise financeira de 2008.
Em termos de implicações de política econômica, os resultados sugerem que
quanto maior a ancoragem das expectativas de inflação em relação à meta, menor a
inclinação da autoridade monetária em reagir por meio da taxa de juros às flutuações na
82
taxa de câmbio. Além disso, quando a política monetária é crível, também é menor a
transmissão de incerteza da taxa de câmbio para taxa de juros e inflação.
83
REFERÊNCIAS BIBLIOGRÁFICAS
Agénor, P. and Taylor, M. P. (1992). “Testing for credibility effects.” IMF Staff Papers,
v. 39, n. 3, p. 545-571.
Aizenman, J., Sun, Y. (2012). The financial crisis and sizable international reserves
depletion: From 'fear of floating' to the 'fear of losing international reserves'?
International Review of Economics and Finance, 24, 250-269.
Alesina, A., Wagner, A.F. (2006). Choosing (and reneging on) exchange rate regimes.
Journal of the European Economic Association, 4(4), 770-799.
Andrade, P., Crump, R. K., Eusepi, S., Moench, E (2014) “Fundamental Disagreement”
Federal Reserve Bank of New York Staff Report No. 655
Angeletos, G. M., and La'O, J. (2013) “Sentiments” Econometrica, 81(2), 739-779.
Arellano, M. (2003). Panel data econometrics. Oxford University Press.
Arellano, M., & Bond, S. (1991). Some tests of specification for panel data: Monte
Carlo evidence and an application to employment equations. Review of
Economic
Arellano, M., & Bover, O. (1995). Another look at the instrumental variables estimation
of error-components models. Journal of Econometrics, 68(1), 29–51.
Aye, G. C., Gupta, R., Moyo, P. S., & Pillay, N. (2015). The impact of exchange rate
uncertainty on exports in South Africa. Journal of International Commerce,
Economics and Policy, 6(01).
Ball, L. (1999), “Policy rules for open economies”, in Taylor, J.B. (Ed), Monetary
policy rules, University of Chicago Press, Chicago, pp. 127-156.
Ball, C., Reyes, J. (2004) Inflation targeting or fear of floating in disguise: The case of
Mexico. International Journal of Finance and Economics 9 (1): 49-69.
Ball, C., Reyes, J. (2008) Inflation Targeting or Fear of Floating in disguise: A broader
perspective. Journal of Macroeconomics 30 (1): 308-326.
Barajas, A., Erickson, L., Steiner, R. (2008) Fear of declaring: Do markets care what
countries say about their exchange rate policies? IMF Staff Papers 55(3), 445-
480.
Beber, A., Breedon, F., & Buraschi, A. (2010). Differences in beliefs and currency risk
premiums. Journal of Financial Economics, 98(3), 415-438.
Becker, B., & Hall, S. G. (2009). Foreign direct investment in R&D and exchange rate
uncertainty. Open Economies Review, 20(2), 207-223.
Berger, W. (2008) Monetary policy rules and the exchange rate. Journal of
Macroeconomics 30 (3): 1064-1084.
Best, G. (2013). Fear of floating or monetary policy as usual? A structural analysis of
Mexico's monetary policy. North American Journal of Economics and Finance
24(1), 45-62.
Bhandari, R., & Upadhyaya, K. P. (2010). Panel data evidence of the impact of
exchange rate uncertainty on private investment in South-east Asia. Applied
Economics, 42(1), 57-61.
Binding, G., & Dibiasi, A. (2017). Exchange rate uncertainty and firm investment plans
evidence from Swiss survey data. Journal of Macroeconomics, 51, 1-27.
Blundell, R., & Bond, S. (1998). Initial conditions and moment restrictions in dynamic
panel data models. Journal of Econometrics, 87(1), 115–143.
84
Boero, G., Smith, J., Wallis, K. F. (2008). Uncertainty and disagreement in economic
prediction: the Bank of England Survey of External Forecasters. The Economic
Journal, 118(530), 1107-1127.
Bogdanski, J., Freitas, P., Goldfajn, I., Tombini, A. (2002) Inflation targeting in Brazil:
Shocks, backward-looking prices, and IMF conditionality. In Inflation
Targeting: Design, performance, challenges (N. Loayza and R. Soto, Ed.).
Central Bank of Chile.
Bomberger, W. A. (1996). Disagreement as a Measure of Uncertainty. Journal of
Money, Credit and Banking, 28(3), 381-392.
Bond, S., Nauges, C., Windmeijer, F. (2005) Unit Roots: Identification and Testing in
Micro Panels. IFS Working paper CWP07/05.
Buraschi, A., Whelan, P. (2012) “Term structure models with differences in beliefs.”
May, mimeo
Burnside, C., Eichenbaum, M., Rabelo, S. (2013) “Understanding Booms and Busts in
Housing Markets” Working Paper 16734, National Bureau of Economic
Research.
Ca' Zorzi, M.; Hahn, E. and Sánchez, M. (2007), Exchange Rate Pass-Through in
Emerging Markets, The IUP Journal of Monetary Economics, V, (4), 84-102
Calvo, G. and Reinhart, C.M. (2002), “Fear of Floating”, Quarterly Journal of
Economics, Vol. 117 No. 2, pp. 379-408.
Caporale, G. M., Ali, F. M., and Spagnolo, N. (2015). Exchange rate uncertainty and
international portfolio flows: A multivariate GARCH-in-mean approach. Journal
of International Money and Finance, 54, 70-92.
Capistrán, C., e Timmermann, A. (2009). “Disagreement and biases in inflation
expectations.” Journal of Money, Credit and Banking, 41(2‐ 3), 365-396.
Carlin, B. I.; Longstaff, F. A.; Matoba, K. (2012) “Disagreement and Asset Prices”
NBER Working Paper No. 18619
Cavoli, T. (2008). The exchange rate and optimal monetary policy rules in open and
developing economies: Some simple analytics. Economic Modelling 25(5), pp.
1011-1021.
Cavoli, T. (2009). Is fear of floating justified? The East Asia experience. Journal of
Policy Modeling 31(1), 1-16.
Ca'Zorzi, M., Hahn, E., Sánchez, M. (2007) Exchange rate pass-through in emerging
markets. European Central Bank Working Papers Series 739, March.
Cecchetti, S., Krause, S. (2002) Central bank structure, policy efficiency, and
macroeconomic performance: exploring empirical relationships. Federal Reserve
Bank of St. Louis Review, July/August: 47-59.
Chow, H. K., Lim, G. C., & McNelis, P. D. (2014). Monetary regime choice in
singapore: Would a taylor rule outperform exchange-rate management? Journal
of Asian Economics, 30, 63-81.
Clarida, R., Galí, J. and Gertler, M. (1998), “Monetary Policy Rules in Practice: Some
International Evidence”, European Economic Review, Vol. 42 No. 6, pp. 1033-
1067.
Clarida, R., Galí, J. and Gertler, M. (2000), “Monetary policy rules and macroeconomic
stability: Evidence and some theory”, Quarterly Journal of Economics, Vol. 115
No. 1, pp. 147-180.
Clarida, R., Galí, J. and Gertler, M. (2001), “Optimal monetary policy in open versus
closed economies: an integrated approach”, The American Economic Review,
Vol. 91 No. 2, pp. 248-252.
85
Conflitti, C. (2011) “Measuring Uncertainty and Disagreement in the European Survey
of Professional Forecasters” OECD Journal: Journal of Business Cycle
Measurement and Analysis, OECD Publishing,CIRET, vol. 2011(2), pages 69-
103.
Cragg, J.G. (1983) More efficient estimation in the presence of heteroscedasticity of
unknown form. Econometrica 51 (3): 751-763.
Cukierman, A. and Muscatelli, A. (2008), “Nonlinear Taylor rules and asymmetric
preferences in central banking: evidence from the United Kingdom and the
United States”, The B.E. Journal of Macroeconomics, Vol. 8 No. 1, pp. 1-31.
da Silva, C. E. S., Vernengo, M. (2008). The Decline of the Exchange Rate Pass-
Through in Brazil: Explaining the" Fear of Floating". International Journal of
Political Economy, 37(4), 64-79.
de Mello, L., Moccero, D. and Mogliani, M. (2009), “Do Latin American Central
Bankers Behave Non-Linearly? The experiences of Brazil, Chile, Colombia and
México”, Economics Department Working Paper 679, OECD, Paris.
de Mendonça, H.F. (2004). Mensurando a credibilidade do regime de metas
inflacionárias no Brasil. Revista de Economia Política, v. 24, n. 3, 344-350.
de Mendonça, H.F. and dos Santos, M. (2006). Credibilidade da política monetária e a
previsão do trade-off entre inflação e desemprego: uma aplicação para o Brasil.
Economia, v. 7, n. 2, 293-306
de Mendonça, H. F. (2007) “Towards credibility from inflation targeting: the Brazilian
experience.” Applied Economics, 39, 2599–2615
de Mendonça, H. F. and e Souza, G. J. D. G. (2009). Inflation targeting credibility and
reputation: the consequences for the interest rate. Economic Modelling, 26(6),
1228-1238.
de Mendonça, H.F. and Machado, M.R. (2013), Public debt management and
credibility: Evidence from an emerging economy”, Economic Modelling, Vol.
30, pp. 10-21.
de Mendonça, H.F. and Tostes, F.S. (2015), “The Effect of Monetary and Fiscal
Credibility on Exchange Rate Pass-Through in an Emerging Economy”, Open
Economies Review, Vol. 26 No. 4, pp. 787-816.
de Mendonça, H.F., Tiberto, B.P. (2017). Effect of credibility and exchange rate pass-
through on inflation: An assessment for developing countries. International
Review of Economics and Finance, 50, 196-244.
Dincer, N. N., Eichengreen, B. (2014). Central bank transparency and independence:
Updates and New Measures. International Journal of Central Banking, 10(1),
189-259.
Dong, W. (2013), “Do central banks respond to exchange rate movements? Some new
evidence from structural estimation”, Canadian Journal of Economics, Vol. 46
No. 2, pp. 555-586.
Dovern, J., Fritsche U., Slacalek, J. (2012) “Disagreement among forecasters in G7
Countries” The Review of Economics and Statistics, 2012, vol. 94, issue 4,
pages 1081-1096
Dovern, J. (2015). A multivariate analysis of forecast disagreement: Confronting
models of disagreement with survey data. European Economic Review, 80, 16-
35.
Durbin, J. (1954) Errors in variables. Revue de l'institut International de Statistique 22
(13): 23-32.
86
Ehling, P., Gallmeyerz, M., Heyerdahl-Larsenx, C., Illeditsch, P. (2016) “Disagreement
about Inflation and the Yield Curve.” February, available at:
http://ssrn.com/abstract=2028391.
Ehrmann, M., Eijffinger, S., Fratzscher, M. (2010) “The role of central bank
transparency for guiding private sector forecasts” Working Paper Series 1146,
European Central Bank.
Erdem, E., Nazlioglu, S., & Erdem, C. (2010). Exchange rate uncertainty and
agricultural trade: panel cointegration analysis for Turkey. Agricultural
Economics, 41(6), 537-543.
Fendel, R., Frenkel, M. and Rülke, J.C. (2011), “‘Ex-ante’ Taylor rules – newly
discovered evidence from the G7 countries”, Journal of Macroeconomics, Vol.
33 No. 2, pp. 224-232.
Feridun, M. (2012). Liability dollarization, exchange market pressure and fear of
floating: Empirical evidence for Turkey. Applied Economics 44(8), 1041-1056.
Filardo, A., Guinigundo, D. (2008) “Transparency and Communication in Monetary
Policy: A Survey of Asian Central Banks” paper presented during the BSP-BIS
Joint High-Level Conference on Transparency and Communication in Monetary
Policy on 1 February 2008 in Manila, Philippines.
Fraga, A., Goldfajn, I. and Minella, A. (2003), “Inflation targeting in emerging market
economies”, NBER Macroeconomics Annual, Vol. 18, pp. 365-416.
Frömmel, M., Garabedian, G. and Schobert, F. (2011), “Monetary policy rules in
Central and Eastern European Countries: Does the exchange rate matter?”,
Journal of Macroeconomics, Vol. 33 No. 4, pp. 807-818.
Furlani, L., Portugal, M. and Laurini, M. (2010), “Exchange rate movements and
monetary policy in Brazil: Econometric and simulation evidence”, Economic
Modelling, Vol. 27, pp. 284-295.
Garcia, M.G.P. e Guillén, D.A., (2014). “Expectativas Desagregadas, Credibilidade do
Banco Central e Cadeias de Markov”. Revista Brasileira de Economia.
Ghosh, A. (2014). Does the policy trilemma still hold? fresh evidence and its
implications. International Journal of Monetary Economics and Finance, 7(2), 81
Giordani, P., Söderlind, P., (2003) “Inflation forecast uncertainty” European Economic
Review 47, 1037–1059.
Glas, A., e Hartmann, M. (2016). Inflation uncertainty, disagreement and monetary
policy: Evidence from the ECB Survey of Professional Forecasters. Journal of
Empirical Finance, 39, 215-228.
Gottschalk, S., & Hall, S. (2008). Foreign direct investment and exchange rate
uncertainty in South‐ East Asia. International Journal of Finance & Economics,
13(4), 349-359.
Grimme C., Henzel, S., Wieland, E. (2011) “Inflation uncertainty revisited: A proposal
for robust measurement” Ifo Working Paper Series Ifo Working Paper No. 111,
Ifo Institute for Economic Research at the University of Munich.
Hansen, L. P. (1982). “Large sample properties of generalized method of moments
estimators.” Econometrica: Journal of the Econometric Society, 1029-1054.
Hausman, J.A. (1978) Specification tests in econometrics. Econometrica 46 (6): 1251-
1271.
Hendry, D.F. (2001), “Achievements and challenges in econometric methodology”,
Journal of Econometrics, Vol. 100 No. 1, pp. 7-10.
Hoffmann, M., e Hürtgen, P. (2016). Inflation expectations, disagreement, and
monetary policy. Economics Letters, 146, 59-63.
Johnston, J. (1984) Econometric Methods, 3rd ed., Singapore: McGraw-Hill Book Co.
87
Jongen, R., Verschoor, W. F., & Wolff, C. C. (2008). Foreign exchange rate
expectations: survey and synthesis. Journal of Economic Surveys, 22(1), 140-
165.
Josifidis, K., Allegret, J., Gimet, C., Pucar, E. B. (2014). Macroeconomic policy
responses to financial crises in emerging european economies. Economic
Modelling, 36, 577-591.
Kadria, M., Ben Aissa, M. S. (2015). Adoption of inflation targeting and economic
policies performance in emerging countries: A dynamic treatment effect
evaluation, Economic Modelling 52 (2016) 108–114.
Kim, S. (2016). What is learned from a currency crisis, fear of floating, or hollow
middle? identifying exchange rate policy in crisis countries. International
Journal of Central Banking, 12(4), 105-146.
Klyuev, V., & Dao, T. -. (2017). No more clubbing: The evolution of exchange rate
behaviour in the ASEAN-5 countries. Journal of Southeast Asian Economies,
34(2), 233-265.
Krüger, F., e Nolte, I. (2015). Disagreement versus uncertainty: Evidence from
distribution forecasts. Journal of Banking & Finance.
Lahiri, K., Sheng, X. (2008): “Evolution of Forecast Disagreement in a Bayesian
Learning Model” Journal of Econometrics, 144(2), 325.
Lahiri, K., Sheng, X. (2010) “Learning and heterogeneity in GDP and inflation
forecasts” International Journal of Forecasting 26, 265–292.
Levy-Yeyati, E., Sturzenegger, F. (2005). Classifying exchange rate regimes: Deeds vs.
words. European economic review, 49(6), 1603-1635.
Levy-Yeyati, E., & Sturzenegger, F. (2007). Fear of floating in reverse: exchange rate
policy in the 2000s. In LAMES-LACEA Annual Meetings.
Levy-Yeyati, E., Sturzenegger, F., & Gluzmann, P. A. (2013). Fear of appreciation.
Journal of Development Economics, 101(1), 233-247
Litterman, R., e Scheinkman, J. (1991). “Common factors affecting bond returns.”
Journal of fixed income, 1(1), 54-61.
Lorenzoni, G. (2009) “A Theory of Demand Shocks” American Economic Review,
99(5), 2050-2084.
Lubik, T. and Schorfheide, F. (2007), “Do central banks respond to exchange rate
movements? A structural investigation”, Journal of Monetary Economics, Vol.
54 No. 4, pp. 1069-1087.
Lucas Jr., R. E. (1972). Expectations and the neutrality of money. Journal of Economic
Theory, 4, 103-124.
Maćkowiak, B., Wiederholt, M. (2009) “Optimal sticky prices under rational
inattention” American Economic Review 99,769–803
Mankiw, N. G., R. Reis (2002) “Sticky Information versus Sticky Prices: A Proposal to
Replace the New Keynesian Phillips Curve” Quarterly Journal of Economics,
117(4), 1295- 1328.
Mankiw, N. G., Reis, R., Wolfers, J. (2003). Disagreement about inflation expectations.
NBER Macroeconomics Annual, 18, 209-270.
McKinnon, R., Schnabl, G. (2004). The East Asian dollar standard, fear of floating, and
original sin. Review of Development Economics, 8(3), 331-360.
Méon, P., & Minne, G. (2014). Mark my words: Information and the fear of declaring
an exchange rate regime. Journal of Development Economics, 107, 244-261.
Minella, A. (2003), “Monetary Policy and Inflation in Brazil (1975-2000): A VAR
Estimation”, Revista Brasileira de Economia, Vol. 57 No. 3, pp. 605-635.
88
Minella, A., de Freitas, P.S., Goldfajn, I. and Muinhos, M. (2003), “Inflation targeting
in Brazil constructing credibility under exchange rate volatility”, Journal of
International Money and Finance, Vol. 22, pp. 1015-1040.
Mishkin, F. S., and Savastano, M. A. (2001). Monetary policy strategies for Latin
America. Journal of Development Economics, 66(2), 415-444.
89
Oliveira, L. V., and Curi, A. (2016). “Disagreement in expectations and the credibility
of monetary authorities in the Brazilian inflation targeting regime.” Economia,
17(1), 56-76.
Palma, A. and Portugal, M. (2014), “Preferences of the Central Bank of Brazil under the
Inflation Targeting Regime: Estimation using a DSGE Model for a Small Open
Economy”, Journal of Policy Modeling, Vol. 36 No. 5, pp. 824-39.
Pang, K. (2013). Financial integration, nominal rigidity, and monetary policy.
International Review of Economics and Finance, 25, 75-90.
Patton A. J., Timmermann A. (2010) “Why do Forecasters Disagree? Lessons from the
Term Structure of Cross-Sectional Dispersion”, Journal of Monetary Economics,
Volume 57, Issue 7, October, Pages 803–820.
Peters, A. C. (2016). Monetary policy, exchange rate targeting and fear of floating in
emerging market economies. International Economics and Economic Policy,
13(2), 255-281.
Pincheira, P. (2013). Interventions and inflation expectations in an inflation targeting
economy. BIS Working Papers 427, Bank for International Settlements.
Pontines, V., Siregar, R. Y. (2012). Fear of appreciation in east and southeast asia: The
role of the chinese renminbi. Journal of Asian Economics, 23(4), 324-334.
Rahman, S., & Serletis, A. (2009). The effects of exchange rate uncertainty on exports.
Journal of Macroeconomics, 31(3), 500-507.
rate.” Economic Modelling, 26(6), p. 1228-1238.
Rich, R., e Butler, J. S. (1998). Disagreement as a measure of uncertainty: A comment
on Bomberg. Journal of Money, Credit and Banking, 411-419.
Rich, R., Song, J., Tracy, J. (2012) “The measurement and behavior of uncertainty:
evidence from the ECB Survey of Professional Forecasters” Staff Reports 588,
Federal Reserve Bank of New York
Rizvi, S. K. A., Naqvi, B., Mirza, N., Bordes, C. (2017). Fear of floating in asia and the
credibility of true floaters? Research in International Business and Finance, 42,
149-160.
Rondina, G., Walker, T. B. (2012) “Information Equilibria in Dynamic Economies with
Dispersed Information” Working paper.
Roodman, D. (2009). “A note on the theme of too many instruments. Oxford Bulletin of
Economics and statistics,” 71(1), 135-158.
Rudebusch, G. D. (2010). The Fed’s Exit Strategy for Monetary Policy. FRBSF
Economic Letter 2010-18 (June 14).
Scheinkman, J. A., W. Xiong (2003) “Overconfidence and Speculative Bubbles”
Journal of Political Economy, 111(6), 1183-1220.
Schmidt-Hebbel, K., Tapia, M. (2002). Inflation targeting in Chile. North American
Journal of Economics and Finance 13(2), 125-146.
Siklos, P. L. (2013) “Sources of disagreement in inflation forecasts: An international
empirical investigation.” Journal of International Economics, 20, 218-231.
Sill, K. (2014) “Forecast Disagreement in the Survey of Professional Forecasters”
Business Review, issue Q2, pages 15-24.
Sims, C.A. (1980), “Macroeconomics and reality”, Econometrica, Vol. 48 No. 1, pp. 1-
48.
Sims, C.A. (1992), “Interpreting the macroeconomic time series facts: The effects of
monetary policy”, European Economic Review, Vol. 36 No. 5, pp. 975–1000.
Söderlind, P. (2011) “Why disagreement may not matter (much) for asset prices”
Finance Research Letters 6 73–82.
90
Sokolov, V., Lee, B. -., & Mark, N. C. (2011). Linkages between exchange rate policy
and macroeconomic performance. Pacific Economic Review, 16(4), 395-420.
Studies, 58(2), 277–297.
Svensson, L. (2000) “How should monetary policy be conducted in an era ofprice
stability?” Cambridge: NBER, Febr. 2000. (NBER Working Paper, n. 7516).
Svensson, L.E. (2000), “Open-economy inflation targeting”, Journal of International
Economics, Vol. 50 No. 1, pp. 155-183.
Taylor, J. B. (2000). Low inflation, pass-through, and the pricing power of firms.
European economic review, 44(7), 1389-1408.
Taylor, J.B. (1993), “Discretion versus policy rules in practice”, Carnegie-Rochester,
Conference on Public Policy 39, pp. 195-214.
Taylor, J.B. (2000) “Low inflation, pass-through, and the pricing power of firms.”
European economic review 44 (7): 1389-1408.
Tejada, C.A.O., Neto, A., Leal, R. A. (2013) Credibilidade não-linear para as metas de
inflação no Brasil. Proceedings of the 41th Brazilian Economics Meeting,
ANPEC - Brazilian Association of Graduate Programs in Economics.
Tesfaselassie, M. F., Schaling, E. (2010) Managing disinflation under uncertainty.
Journal of Economic Dynamics and Control, 34(12), 2568-2577.
Wieland, V., Wolters, M. (2011), “The diversity of forecasts from macroeconomic
models of the US economy”, Economic Theory, 47, 247-292.
Windmeijer, F. (2005). “A finite sample correction for the variance of linear efficient
two-step GMM estimators.” Journal of econometrics, 126(1), 25-51.
Wollmershäuser, T. (2006). Should central banks react to exchange rate movements?
An analysis of the robustness of simple policy rules under exchange rate
uncertainty. Journal of Macroeconomics, 28 (3): 493-519.
Woodford, M. (2003) “Imperfect Common Knowledge and the Effects of Monetary
Policy," in Knowledge, Information and Expectations in Modern
Macroeconomics” In Honor of Edmund S. Phelps, ed. By P. Aghion, R.
Frydman, J. Stiglitz, and M. Woodford, pp. 2558. Princeton University Press.
Wooldridge, J.M. (2001), “Applications of Generalized Method of Moments
Estimation”, Journal of Economic Perspectives, Vol. 15 No. 4, pp. 87-100.
Wright, J. H. (2011) "Term Premia and Inflation Uncertainty: Empirical Evidence from
an International Panel Dataset.", American Economic Review, 101(4): 1514-34.
Wu, D.M. (1973), “Alternative tests of independence between stochastic regressors and
disturbances”, Econometrica, Vol. 41 No. 4, pp. 733-750.
91