Introdução
O cenário econômico parece estar se tornando cada vez mais incerto. Isso representa um desafio para economistas ao redor do mundo, uma vez que a incerteza afeta a economia de várias formas e por múltiplos canais. Ela pode atuar como um choque na demanda agregada, como em Basu e Bundick (2017) e Christiano et al. (2014), por exemplo. Pode também afetar as decisões de preços das empresas, como em Fernández-Villaverde et al. (2015) e Mumtaz e Theodoridis (2015), entre muitas outras possibilidades. No entanto, na prática, o primeiro passo para avaliar adequadamente os efeitos da incerteza na economia é medi-la de forma eficaz.i Este post busca contribuir nessa direção.
Hoje, há duas medidas importantes de incerteza para a economia brasileira.ii A primeira é o Índice de Incerteza de Política Econômica para o Brasil, construído de forma semelhante ao Índice EPU baseado em jornais dos Estados Unidos (Baker et al., 2016). Os autores contam termos relacionados à incerteza no jornal
Folha de São Paulo desde 1991.
A segunda medida é o Índice de Incerteza da Economia (IIE-Br), construído pela FGV e composto por duas partes: i) o componente de mídia, que reflete a incidência de termos relacionados à incerteza em artigos publicados em seis dos principais jornais do Brasil, com peso de 80%; e ii) o componente de dispersão de expectativas, baseado na dispersão das previsões de especialistas para variáveis macroeconômicas, com peso de 20%.
Embora informativas em certos aspectos, é importante ressaltar que a adequação de medidas baseadas na contagem de notícias como proxies de incerteza depende de quão correlacionadas elas são com esse processo latente, conforme destacado por Jurado et al. (2015). De fato, a cobertura da mídia pode variar significativamente devido a fatores não relacionados às condições econômicas reais, como mudanças no foco da mídia ou a ocorrência de grandes eventos não econômicos. Além disso, a mídia pode tender a focar mais em notícias negativas, especialmente em um mundo polarizado, potencialmente levando a uma superestimação da incerteza.
Por outro lado, os métodos econométricos tendem a ser computacionalmente mais complexos, mas menos suscetíveis a vieses e subjetividade. Nesse sentido, uma abordagem tradicional adotada por vários autores (e.g. Alessandri e Mumtaz (2019), Carriero et al. (2018), Fernández-Villaverde et al. (2015), Mumtaz e Theodoridis (2015), Soave (2023)) é modelar a incerteza como volatilidade variante no tempo. Afinal, se o desvio padrão de um choque aumenta, achatando a distribuição de probabilidades (de azul para verde no gráfico abaixo, por exemplo), a incerteza aumenta e a previsibilidade econômica é prejudicada.
.gif)
Figura 1: Funções densidade de probabilidade para diferentes desvios padrão
Estratégia empírica
Para operacionalizar essa ideia, uma medida de incerteza é construída com base em um modelo vetorial autorregressivo bayesiano (BVAR) de grande escala com erros cuja volatilidade estocástica é gerada por um componente comum não observável, conforme Carriero et al. (2018) e Chan (2020). Considere um modelo VAR genérico:
yt = a0 + A1yt-1 + ⋯ + Apyt-p + ut,
Em um VAR padrão, as inovações são assumidas como independentes e identicamente distribuídas (i.i.d.) como N(0,Σ). Aqui, no entanto, as volatilidades podem variar ao longo do tempo e supõe-se que elas compartilham um componente comum, ht.iiiNesse caso, ut assume o seguinte formato:
ut ~ N(0,
ht Σ)
A raiz quadrada de h_t é a proxy de incerteza. A literatura para os EUA (e.g. Carriero et al. (2018), Alessandri e Mumtaz (2019)) mostra que essa medida acompanha bem a incerteza. O modelo é estimado usando 16 variáveis macroeconômicas mensais, listadas na Tabela 1. A amostra começa em janeiro de 2003 e termina em dezembro de 2024. Todas as variáveis são públicas e comumente utilizadas na análise econômica do Brasil. O VAR é estimado com 12 defasagens e métodos bayesianos convencionais.
Tabela 1: Variáveis e transformações
Resultados
A Figura 2 mostra a volatilidade estocástica comum. O comportamento da série corresponde à descrição narrativa do período. Alguns episódios conhecidos de alta incerteza coincidem com picos na série, como: i) outubro e novembro de 2008, quando a crise financeira global atingiu a economia; ii) março e setembro de 2015, quando a situação política começou a se deteriorar – e piorou ainda mais – em direção ao impeachment, impactando variáveis macroeconômicas importantes; e iii) abril e maio de 2020, quando o Brasil entrou em estado de transmissão comunitária da COVID-19 e se tornou um dos epicentros globais da pandemia.
Figura 2: Volatilidade estocástica comum
No gráfico seguinte, a nova medida é comparada ao Índice de Incerteza da Economia.iv A fim de facilitar a comparação, a volatilidade estocástica comum é reescalada para que sua média no primeiro ano, 2004, seja 100. A correlação entre as duas séries é de 0,58. Embora ambas apresentem picos nos mesmos períodos, duas diferenças principais se destacam: i) a nova medida é mais suave, por construção; e ii) o Índice de Incerteza da Economia apresenta uma mudança de nível permanente em março de 2015.
Figura 3: Índices de incerteza
De fato, a média após essa data é 20% maior do que a média anterior. Uma possibilidade é que a mudança de patamar seja derivada o fato de a cobertura da mídia ter mudado após o impeachment, levando a uma superestimação da incerteza. No entanto, isso não parece ser inteiramente o caso, uma vez que o componente de dispersão de expectativas também apresentou um aumento. É como se o choque de incerteza que atingiu a economia naquele ano tivesse sido permanente, enquanto, apesar de estimar a incerteza como altamente persistente, o modelo BVAR trata o choque como temporário.
Na construção de projeções e cenários, entretanto, a utilização da medida depende de sua capacidade de capturar com tempestividade alterações no nível de incerteza na economia. Isso requer uma análise em tempo real. Para tanto, a Figura 4 apresenta o índice quando a regressão é estimada usando dados apenas até maio de 2020.v Para o período comum, o coeficiente de correlação entre o índice que usa toda a amostra (linha azul) e o índice que usa a amostra truncada no início da COVID-19 (linha vermelha) é 0,97. O modelo é capaz de indicar o aumento da volatilidade de maneira rápida. Efetivamente, o pico usando a série truncada é maior do que o resultante da estimação que utiliza a amostra inteira.
Figura 4: Análise em tempo real
Conclusão
Embora seja difícil concluir qual medida melhor representa a incerteza no Brasil, a alternativa proposta tem a vantagem de exigir apenas um conjunto relativamente pequeno de variáveis macroeconômicas tradicionais para ser calculada. Dada a importância da incerteza na economia, é fundamental explorar essas abordagens alternativas. Refinar a mensuração da incerteza macroeconômica é essencial para então melhor entender seus efeitos.
Referências
Alessandri, P., & Mumtaz, H. (2019). Financial regimes and uncertainty shocks.
Journal of Monetary Economics,
101, 31-46.
Baker, S. R., Bloom, N., & Davis, S. J. (2016). Measuring economic policy uncertainty.
The Quarterly Journal of Economics,
131(4), 1593-1636.
Basu, S., & Bundick, B. (2017). Uncertainty shocks in a model of effective demand.
Econometrica,
85(3), 937-958.
Bloom, N. (2009). The impact of uncertainty shocks.
Econometrica,
77(3), 623-685.
Carriero, A., Clark, T. E., & Marcellino, M. (2018). Measuring uncertainty and its impact on the economy.
Review of Economics and Statistics,
100(5), 799-815.
Chan, J. C. (2020). Large Bayesian VARs: A flexible Kronecker error covariance structure.
Journal of Business & Economic Statistics,
38(1), 68-79.
Christiano, L. J., Motto, R., & Rostagno, M. (2014). Risk shocks.
American Economic Review,
104(1), 27-65.
Fernández-Villaverde, J., Guerrón-Quintana, P., Kuester, K., & Rubio-Ramírez, J. (2015). Fiscal volatility shocks and economic activity.
American Economic Review,
105(11), 3352-3384.
Jurado, K., Ludvigson, S. C., & Ng, S. (2015). Measuring uncertainty.
American Economic Review,
105(3), 1177-1216.
Mumtaz, H., & Theodoridis, K. (2015). The international transmission of volatility shocks: An empirical analysis.
Journal of the European Economic Association,
13(3), 512-533.
Soave, G. P. (2023). A panel threshold VAR with stochastic volatility-in-mean model: an application to the effects of financial and uncertainty shocks in emerging economies.
Applied Economics,
55(4), 397-431.
As opiniões expressas neste trabalho são exclusivamente do(s) autor(es) e não refletem, necessariamente, a visão do Banco Central do Brasil.
Leonardo N. Ferreira é servidor do Banco Central do Brasil e atua na Assessoria Econômica ao Presidente.
i Seguindo a literatura, o termo incerteza é empregado para o que seria mais precisamente referido como incerteza objetiva ou risco (Fernandez-Villaverde et al., 2015).
ii Bloom (2009) utilizou o índice VIX de volatilidade implícita de 30 dias no índice de ações S&P 500 como uma proxy para a incerteza. O equivalente para o Brasil (S&P/B3 Ibovespa VIX), no entanto, está disponível apenas período muito curto.
iii Caudas gordas também são introduzidas no modelo para reduzir a possibilidade de que a medida de incerteza seja contaminada por eventos transitórios ou outliers.
iv A comparação foca apenas no Índice de Incerteza Econômica, pois parece corresponder melhor ao relato narrativo, relativo ao índice EPU.
v Escolhe-se este episódio, pois a amostra já era longa o suficiente para gerar resultados estáveis. Efetivamente, trata-se de uma análise em pseudo tempo real, pois dados são disponibilizados com alguma defasagem.
