MOEDA E PRECOS NA AGRICULTIRA E INDUSTRIA: EVIDENCIA EMPIRICA COM A UTILIZACAO DO MODELO VAR

MOEDA E PRECOS NA AGRICULTIRA E INDUSTRIA: EVIDENCIA EMPIRICA COM A UTILIZACAO DO MODELO VAR Vitor Borges Monteiro 1 Sinezio Fernandes Maia 2 Resumo Este trabalho se propõe a investigar as relações empíricas entres as variáveis meios de pagamento (M1) e preços por atacado da agricultura e industria no Brasil no período de agosto de 1994 a fevereiro de 2004. Foi feito os testes de raiz unitária e co-integração e, verificada a não estacionariedade em nível e a não co-integração. O tratamento dos dados foi feito através de primeira diferença e utilizado um modelo de vetores autorregressivoas (VAR) para verificar relações entre essas variáveis. Foi feito teste de Granger (Teste F), impulsos respostas e decomposição da variância. Os resultados mais regulares foram que: i) a oferta de moeda é exógena tanto pelo teste F quanto pela decomposição da variância; ii)os preços agrícolas são causados pelos preços industriais pelo teste F a 3% de significância e causado pela oferta de moeda a 8% se significância; iii) o preço industrial é exógeno pelo teste F mais a variável preço agrícola apresenta aumento na participação no poder explicação nesta variável com o aumento de defasagens pela decomposição da variância. Palavras Chaves: Preços agrícolas e industriais, autoregressao vetorial, oferta de moeda. 1. Introdução Este trabalho tem por objetivo realizar uma investigação empírica sobre as relações entre política monetária e preços por atacado na agricultura e na industria através da estimação de um vetor auto-regressivo (VAR). Alguns estudos investigam este problema, como o realizado por Bessler e o realizado por Brandão, entretanto, estes estudos foram realizados em períodos anteriores ao estudo que este trabalho se propõe, desta forma, pretende-se verificar a relação entre estas variáveis em um período mais recente (agosto de 1994 a fevereiro de 2004) e comparar alguns resultados. Bessler (1984) argumenta, baseado em resultados teóricos, que os preços agrícolas tenderiam a responder mais rapidamente do que os preços de produtos manufaturados a uma mudança na quantidade de moeda na economia. A principal razão para isso seria, aparentemente, a maior defasagem existente na produção agrícola relativamente a produção industrial, ou seja, uma menor elasticidade a curto prazo da oferta agrícola aliada a menor possibilidade de estocagem destes produtos. Sua analise empírica investiga a relação entre a política monetária e o preço relativo da agricultura vis-à-vis a industria, no período 1964/81 Brandão (1985) realizou uma analise semelhante a de Bessler (1984). Os resultados encontrados dão suporte a idéia de que política monetária afeta o termo domestico de troca entre agricultura-industria e a hipótese de que preços agrícolas são mais flexíveis que os industriais. Devido a mudança estrutural ocorrida na estrutura econômica brasileira na década de noventa, espera-se que os resultados encontrados nessa pesquisa empírica contraste com 1 Aluno do Curso de Mestrado em Economia da Universidade Federal da Paraíba. Rua Josiara Telino 370 bloco 17 aptº403, 58.053-100, Água Fria, João Pessoa PB. Eimail: vitormonteiro@superig.com.br 2 Dr. Em Economia e professor do Curso de Mestrado em Economia da Universidade Federal da Paraíba. 1

algumas conclusões encontrados por esses autores, principalmente no que diz respeito a exogeneidade dos preços agrícolas, pois espera-se evidência de causalidade entre preços industriais e preços agrícolas, devido a modernização da agricultura e a abertura comercial existe atualmente uma maior dependência do setor agrícola por produtos industrializados em todas as fases do processo produtivo. Espera-se também que a estabilização inflacionaria no período em estudo tenha feito com que a expansão monetária não seja mais vista como sinônimo de processo inflacionário, pois a expansão monetária pode ser gerada pelo próprio crescimento econômico, assim espera-se que variações em preços tanto industriais como agrícolas seja causado por eles próprios e não pela oferta de moeda. Este trabalho está dividido em tópicos, além desta introdução, temos os aspectos metodológicos, que será subdividido entre: base de dados, estacionariedade, co-integração, modelo var; o terceiro tópico aborda os resultados da estimação do modelo; o quarto a conclusão; o quinto as referencias e sexto os anexos. 2. Aspectos Metodológicos 2.1 Base de Dados Os dados utilizados neste trabalho correspondentes ao período de agosto de 1994 a fevereiro de 2004 são: meios de pagamento M1 (média dos dias úteis do mês); Índice de preço por atacado- Oferta Global- Produtos Agrícolas e Índice de preço por atacado- Oferta Global- Produtos Industriais. Os dados foram obtidos no banco de informações de séries temporais do Banco Central, disponível em rede 3. Para a estimação do modelo, os dados passaram por alguns tratamentos metodológicos. A série M1 apresentava sazonalidade, desta forma foi desazonalizada pelo critério de médias móveis. Nas séries de índice de preço na agricultura e na industria, foi estipulado valor 100 na primeira observação (agosto de 1994) e o índice foi acumulado em toda a série. Como as séries possuem valores absolutos muito divergentes, adotou-se o critério de logaritimização para diminuir a escala e melhor ajustar o modelo. 2.2 Estacionariedade Para modelagem em series temporais, precisamos de series estacionarias, que pode ser encontrada na rejeição de uma raiz unitária. Foi utilizado o modelo Dickey-Fuller Ampliado (ADF) para testar a hipótese nula da existência de uma raiz unitária nas três series em estudo. Abaixo segue o modelo ADF onde H 0 representa δ=0. X = α + λt+ δx + ρ X + a t t 1 j t j t j= 1 n Os Resultados de um modelo sem tendência e com constante encontram-se no Quadro 1 abaixo: 3 Site: http://www.bacen.gov.br 2

Quadro 1: Teste de Raiz Unitária de Dickey-Fuller Ampliado (ADF) Variáveis ADF(τ) Q(16) PROB AIC SBC +3.45 LM1-1.50456(1) -277.63863-269.45647 29.6436 0.01994029 LM1-1.41848(2) -273.64354-262.76954 28.8601 0.02489700 LM1-1.49289(3) -269.55146-256.00381 26.7988 0.04377415 LM1-2.09440(10) -258.14297-226.41028 25.3191 0.06439347 LM1-2.62892(11) -260.27807-226.02659 18.2410 0.30997460 LM1-2.52102(12) -255.71628-218.96666 18.5535 0.29249718 DLM1-6.83196(1) -273.57612-265.42062 26.6805 0.04517401 DLM1-5.83789(2) -269.24182-258.40370 26.0855 0.05283749 DLM1-6.28851(3) -270.96139-257.45899 26.8985 0.04262472 DLM1-4.12285(7) -260.60805-236.63710 23.8272 0.09334739 DLM1-3.79167(8) -256.12515-229.58555 23.0172 0.11327632 LIPAPA 0.51694(1) -287.34718-279.16502 10.4155 0.84405033 DLIPAPA -6.20715(1) -285.21445-277.05895 10.1331 0.85958322 LIPAPI 0.33138(1) -540.19276-532.01060 13.0513 0.66900432 DLIPAPI -4.47371(1) -537.35631-529.20081 11.7271 0.76254418 Nota: Os dados entre parênteses representam as defasagens das variáveis do modelo de Dickey-Fuller Ampliado (ADF) O teste evidência para a série LM1 apresenta ser não estacionária em nível, pois o teste ADF calculado de -2.62892 na defasagem 11 aceita a hipótese nula de obter uma raiz unitária com a presença de ruído branco, a quantidade de defasagem significa o tanto de variáveis defasadas que o modelo necessita para corrigir o problema de correlação serial e conseqüentemente tornar-se ruído branco. Contudo, ao extrair-se a primeira diferença da série, pode-se aceitar a hipótese da estacionariedade. Note que com 8 defasagem o ruído apresenta ser branco para a série diferenciada. Nesses teste, foi considerada a estatística τ µ com 1% de significância. Tanto a série de preços por atacado de produtos agrícolas e produtos industrias também apresentam ser estacionarias na primeira diferença, sendo, em ambas, necessário apenas uma defasagem para corrigir o problema de correlação serial. A seguir segue o gráfico das series em nível. Figura 1: Série LM1 em nível 3

Figura 2: Séries LIPAPA e LIPAPI em nível 2.3 Co-Integração Quando temos séries não estacionárias, cada uma com ordem de integração I(d), podemos regredi-las e encontrar estacionariedade, isso porque as séries podem ser cointegradas, ou seja, a combinação linear dessas séries é estacionária, matematicamente temos: u t = y t - β 1 + β 2 x t Se u t for I(0), as séries serão co-integradas pois as tendências se anulam. Conforme Granger e Newbold apud Fava, regressões espúrias apresentam valores de R 2 elevado, a combinação de R 2 alto e d de Durbin Watson baixo pode ser um indicador de regressão espúria. Em particular, regressões com R 2 > DW devem ser considerados com cautela. Nesses casos, recomenda-se regredir utilizando a primeira diferença, mas isso trás o problema de perder informações de longo prazo entre as séries. Todavia, Phillips(1986) apud Fava, demonstrou que há uma situação em que é possível trabalhar com série em nível sem correr o risco de regressão espúria, quando as series forem co-integradas. A definição de uma serie co-integrada conforme Engle e Granger (1987) apud Fava é: Seja um vetor (nx1) de x t, os componentes de x t são ditos co-integrados de ordem (d,d), denotado por x t ~ I(d,d), se: 1. Todos os componentes de x t são I(d) 2. Existe um vetor α x t ~ I(d-b), b>0 O vetor α é chamado vetor de co-integração. Dessa forma, todas as variáveis do modelo são integradas de mesma ordem e a combinação linear das séries resulta em uma série de integração menor do que as séries originais. Mas isso não garante equilíbrio de longo prazo, somente se u t for I(0) podemos usar MQO, pois as séries são co-integradas. O primeiro passo para verificar se as séries são co-integradas é verificar se elas são estacionárias e possuem a mesma ordem de integração. O segundo passo é verificar se os 4

resíduos são I(0). Podemos fazer um teste GRADF para os resíduos e verificar a ordem de integração destes. ε t = ρε t-1 + ν t ε t = γε t-1 + δ i ε t-i + µ t A hipótese nula é que as séries não são co-integradas e que ρ = 1, ou seja, tenha uma raiz unitária, para isso deve-se aceitar a hipótese de γ ser estatisticamente igual a zero. Note que o teste de GRADF é o teste ADF aplicado nos resíduos co-integrados. Engle e Granger (1987) e Mackinnon apresentam tabelas para os valores críticos a serem usados nos teste GRADF. Pelo Teste de Granger, verificamos que o R 2 >DW, entretanto, este é somente um indicador para que haja co-integração entre as séries, temos que fazer um teste de raiz unitária para verificar se os resíduo são estacionários e conseqüentemente co-integrados. Abaixo seguem os testes de raiz unitária ADF. Quadro 2: Testes de Raiz Unitária para os resíduos co-integrados Resíduos ADF(τ) Q(16) PROB AIC SBC Res(y*;x**) +3.45 Res(lm1;lipapa) -2.21221 (1) -201.46609-193.28393 22.3406 0.13252990 Res(lm1;lipapi) -1.52308(1) -238.47297-230.29081 18.8494 0.27654801 Res(lipapa;lipapi) -2.55156(1) -307.60995-299.42778 11.4708 0.77953353 Res(lipapa;lm1) -1.65595(1) -237.36725-229.18509 21.2474 0.16919495 Res(lipapi;lm1) -0.91242(1) -370.14767-361.96551 17.3749 0.36175050 Res(lipapi;lipapa) -2.50022(1) -392.94786-384.76569 11.5231 0.77610390 * Variável dependente ** Variável explicativa Observa-se que em todas as simulações de regressões entre as variáveis os resíduos são não estacionários, pois aceitam a hipótese nula de uma raiz unitária. Desta forma, as séries não são co-integradas e conseqüentemente temos que estimar o vetor autoregressivo com séries diferenciadas. 2.4 Vetores Auto-Regressivos Como o objetivo do trabalho é verificar as inter-relações entre as variáveis em estudo bem como analisar suas trajetórias após choques (inovações), optou-se pelo modelo de vetores auto-regressivos (VAR) para a estimação. O modelo de vetores auto-regressivos proposto por Sims (1980) surge de criticas ao modelo de equações simultâneas. Em equações simultâneas, o modelo é estimável através da sua identificação, que muitas vezes pode ser obtida com inclusão de variáveis de forma subjetiva. Sims (1980) defendeu a premissa de que todas as variáveis devem ser tratadas simultaneamente e simetricamente, segundo a forma: y t = b 10 b 12 z t + γ 11 y t-1 +γ 12 z t-1 + ε yt z t = b 20 b 21 y t + γ 21 y t-1 +γ 22 z t-1 + ε zt Matricialmente, podemos encontrar a forma reduzida: 5

Bx t = Γ 0 + Γ 1 x t-1 + ε t Onde: B = 1 b 12 ; Γ 0 = b 10 ; Γ 1 = γ 11 γ 12 ; ε t = ε yt b 21 1 b 20 γ 21 γ 22 ε zt Resolvendo para x t, encontramos a forma reduzida: Onde podemos reescrever: x t = B -1 Γ 0 + B -1 Γ 1 x t-1 + B -1 ε t x t = v + Ax t-1 + e t (1) Onde e it = B -1 ε it, segue com ε it ruídos brancos, ou seja, média zero E(e it )=0, variância constante E(e it ) 2 = σ 2, e Cov(e it, e it-s ) = 0. Onde: e it = e 1t, como e it = B -1 ε it. Temos: e 2t e 1t = (ε yt b12ε zt )(1- b 12 b 21 ) -1 e e 2t = (ε zt b 21 ε yt )(1- b 12 b 21 ) -1 A questão aqui é: Cov(e it, e it-s ) = 0, mas Cov(e it, e jt ), com i j diferente de zero. Neste exemplo, somente no caso especial b 12 = b 21 =0 não haverá efeitos contemporâneos entre as variáveis dado choque em e 1t ou e 2t, assim podemos escrever a matriz de variância e covariância. = σ 2 1 σ 12 σ 21 σ 2 2 A condição de estabilidade do modelo encontra-se fazendo um processo interativo da equação (1), no qual obteremos o seguinte resultado: x t = (I + A 1 +...+A 1 n )v + A 1 n+1 x 0 + A 1 i e t-i Se todas as raízes de A 1 são em módulo menor que 1. O termo do meio A 1 n+1 x 0 tende a zero quando n vai para infinito, e o primeiro termo podemos reescrever como uma soma de termos de uma PG, assim, temos: com: x i t t i = µ + Ae i= 0 µ = ( ) 1 Ik A1 v 6

Note que temos um componente de média móvel, assim, para manter o sistema estável, seus parâmetros assume o mesmo pressuposto de ser em módulo menor que 1, dessa forma, pelo processo da invertibilidade, temos: x t = µ + Φε i= 0 i t i Onde, Φ representa a função de resposta a impulso originados por inovações em ε it de cada variável. Logo, essas funções mensuram o impacto de um choque no erro de uma determinada variável sobre ela mesma e sobre as demais variáveis do sistema. A utilização dessa tecnologia permite, de acordo com Sims (1980), tornar os modelos multi-equacionais capazes de analisar as inter-relações existentes entre as séries macroeconômicas a partir de inovações (choques) que provocam as trajetórias econômicas. 2.4.1 Resultados da estimação do VAR No presente trabalho, utilizamos três variáveis endógenas, todos os resultados e analises são obtidos através de um modelo irrestrito, entretanto, temos que definir o número de defasagens utilizadas no modelo antes de estima-lo, foi considerado o critério de AIC e SBC como estratégia de identificação das lags p. Os resultados foram obtidos através do pacote WinRats 5.0. Quadro 3: AIC e SBC para os modelos de defasagem p Defasagens AIC SBC Q(16) Significancia 1-2731.13611-2706.58961 26.2823 0.05018369 2-2717.55221-2676.77473 25.8546 0.05610812 3-2690.11832-2633.21818 26.0912 0.05275803 4-2661.26863-2588.35566 22.2434 0.13550586 5-2653.31778-2564.50330 18.5108 0.29484597 6-2621.93383-2517.33071 18.1347 0.31606611 7-2595.76034-2475.48304 23.3198 0.10544998 8-2565.76957-2429.93418 27.3971 0.03727524 Fonte: Dados da pesquisa. Obtido no pacote WinRats 5.0. Em Brandão (1985), utilizou-se 13 defasagens baseado na hipótese de um maior ciclo produtivo agrícola, entretanto aquele estudo possuía graus de liberdade suficientes para garantir tal estimação, neste vamos definir o modelo VAR(4) devido os critérios estatísticos de identificação, Vieira (1998) também considera as propriedades estatísticas de identificação para estudo similar. O primeiro passo é verificar o teste F, que testa a exclusão do conjunto de defasagens de uma determinada variável. Cada linha da tabela corresponde a uma equação e os valores mostram a probabilidade de que todos os coeficientes daquela variável sejam nulos naquela equação. Aos níveis usuais de significância de 5% temos os resultados no quadro abaixo. 7

Quadro 4: Teste F para as equações do sistema Equações DLM1 DLIPAPA DLIPAPI DLM1 0.0180960 0.3168611 0.8900373 DLIPAPA DLIPAPI 0.0822991 0.6240622 0.0388729 0.2622439 0.2365043 0.0000000 Fonte: Dados da pesquisa. Obtido no pacote WinRats 5.0. As conclusões são: i) A oferta de moeda é essencialmente exógena, não havendo evidência de que ela possa ser afetada de forma significativa pelos preços agrícolas ou industriais. ii) O preço para produtos agrícolas é causado pelos produtos industriais, e é afetado pela oferta de moeda a uma significância de 8,22%. iii) O Preço Industrial se comporta de forma exógena. Esses resultados diferem dos resultados de Brandão (1985). Este autor encontrou oferta de moeda exógena, preço agrícola também exógeno, e que o preço na industria é causado (no sentido de Granger) pela oferta de moeda 4. Esses resultados de Brandão, já haviam sido diferentes dos encontrados por Bessler, que encontrou uma causalidade mutua entre oferta de moeda e preços na industria. As principais diferenças do resultado deste trabalho e de Brandão (1985) é que neste a oferta de moeda não afeta os preços industriais, enquanto em Brandão a oferta de moeda causa os preços industrias. Outra diferença, é que em Brandão, os preços agrícolas eram exógenos, enquanto neste trabalho são afetados pelos preços industriais. As principais justificativas dos resultados da causalidade de Granger deste trabalho divergirem dos resultados encontrados por Brandão podem estar na mudança de comportamento do consumidor brasileiro e na mudança da estrutura política e econômica, pois os dados destes trabalhos vão de agosto de 1994 a fevereiro de 2004, enquanto o de Brandão vão de julho de 1969 a julho de 1984. Entretanto, os motivos dessa mudança estrutural não foram os objetivos deste trabalho, mas era de se esperar que os preços industriais causassem os preços agrícolas, pois o meio rural brasileiro se desenvolveu bastante nas ultimas duas décadas, sendo hoje muito mais dependente da tecnologia industrial, tais como tratores, fertilizantes, sistemas de irrigação, etc. Consideremos agora a contabilidade das inovações, isto é, a dinâmica da resposta das variáveis do sistema às inovações em cada uma delas. É importante notar que a ausência de causalidade entre as variáveis não significa que choques não sejam transmitidos para todo o sistema. A seguir segue o gráfico do efeito de inovações nas variáveis do sistema. Em anexo segue os resultados numéricos desses efeitos. 4 Em anexo segue o teste F encontrado por Brandão (1985). 8

Observando na tabela em anexo e o gráfico acima, verifica-se que uma inovação ou choque na oferta de moeda ocasionará um efeito negativo no preço da industria e um positivo no preço da agricultura em tempo contemporâneo, tendo um efeito inverso no período seguinte, após o terceiro período existe um efeito positivo nas duas variáveis de preço, entretanto observe que o preço industrial converge rapidamente no quarto período enquanto os preços agrícolas convergem somente no sétimo, isso assegura uma evidencia empírica da hipótese dos preços agrícolas serem mais flexíveis do que os industriais. Um impacto nos preços agrícolas, conforme tabela anexo e gráfico acima, não terá efeito algum contemporâneo sobre a variável oferta monetária, entretanto afetará os preços industriais de forma positiva em tempo contemporâneo e subseqüente, enquanto a oferta monetária terá um efeito negativo em períodos subseqüentes. A convergência das series ocorre no nono período. 9

Um choque ou inovação nos preços industriais, não terá efeito algum em tempo contemporâneo nas variáveis oferta de moeda e preços agrícolas, entretanto, nos períodos subseqüentes, percebe-se uma persistência positiva nas duas séries e, após atingir um pico, há uma trajetória decrescente até convergir no oitavo período. A decomposição da variância dos erros de previsão de k-periodos, indica o poder de explicação das variáveis sobre a outra, na tabela abaixo segue os resultados dessa metodologia para as series em estudo. Erro de Previsão LM1 1 6 12 18 LIPAPA 1 6 12 18 LIPAPI 1 6 12 18 Quadro 5: Decomposição da Variância Nº de Periodos Inovações LM1 IPAPA IPAPI 100.000 0.000 94.164 4.397 94.063 4.455 94.060 4.457 0.141 7.569 7.600 7.601 0.513 2.911 2.970 2.972 Fonte: Dados da pesquisa. Obtido no pacote WinRats 5.0. 99.859 83.931 83.785 83.782 17.793 31.009 30.804 30.807 0.000 1.439 1.481 1.482 0.000 8.500 8.615 8.617 81.694 66.080 66.226 66.221 i) O comportamento de M1 e IPAPA são essencialmente exógenos uma vez que a variância dos erros de previsão em todos os horizontes considerados é, em sua 10

ii) iii) maior parte, explicada pelas próprias inovações (M1 e IPAPA respectivamente). Esses resultados também foram encontrados por Brandão 5. Em Brandão, tanto nos preços agrícolas quanto nos preços industrias, a importância das inovações na oferta de moeda tentem a crescer em períodos longo, neste trabalho estes resultados não foram encontrados. Nos preços industrias, há uma importância grande das inovações dos preços agrícolas na explicação da variável. Esse resultado também foi encontrado em Brandão, entretanto, este autor verificou que as inovações da oferta de moeda também explicam os preços industriais, o que não foi encontrado neste estudo. 3. Considerações Finais A evidencia empírica realizada para as séries: meios de pagamento, preços agrícolas e industriais para o período de agosto de 1994 a fevereiro de 2004, mostram que as series não são co-integradas. Na estimação do modelo VAR, os resultados mais regulares apresentado pelos dados foram: i) A oferta de moeda é essencialmente exógena. Esta conclusão se sustenta tanto nos testes F quanto na decomposição da variância. ii) O índice de preço agrícola é afetado pela oferta de moeda a um nível de significância de 8,22% pelo teste F, o que confirma a hipótese posta anteriormente de que os preços agrícolas tenderiam a responder mais rapidamente do que preços industriais a choques monetários. Na analise das inovações podemos visualizar essa tendência de forma mais concreta, pois um choque na oferta de moeda faz com que o aumento de preços agrícolas perdure ate o sétimo período, enquanto os preços industriais convergem rapidamente. iii) Os preços agrícolas são causados pelo teste F pelos preços industriais, isso confirma a hipótese levantada anteriormente sobre a agricultura estar mais dependente atualmente do setor industrial após a abertura comercial e modernização do campo. iv) Os choques inovativos nos produtos agrícolas confirmam o argumento do item iii, pois verificamos uma persistência crescente dos preços agrícolas ate o segundo período subseqüente ao choque. v) Os preços industriais mostram exogeneidade pelo teste F, entretanto pela decomposição da variância percebemos um aumento da participação dos preços agrícolas na explicação dessa variável, o que mostra que também os preços agrícolas são importantes na formação do preços industrial, o que é bem palusivel, haja vista que produtos industriais possuem muitos produtos agrícolas como insumos. A confirmação dessa hipótese pode ser mostrada na analise de inovações, onde um choque nos preços agrícolas tem um forte impacto contemporâneo e subseqüente na variável preço industrial. Essas conclusões acima nos levam a fazer algumas considerações sobre o panorama atual de política monetária e preços desses dois setores no Brasil. A tentativa de diminuição dos juros como política monetária expansiva para aumentar investimentos para a retomada do crescimento do Brasil pode significar aumento inflacionário, entretanto, neste trabalho verificamos que pelo teste F, a oferta monetária afeta os preços agrícolas somente a 8,22% de significância e os preços industriais somente a 26% de 5 Em anexo, segue a decomposição da variância encontrada por Brandão. 11

significância, pela decomposição da variância dos erros de previsão verifica-se empiricamente que M1 pouco explica variações nestes preços e choques inovativos em M1 afetam as variáveis de preço, mas estas convergem rapidamente. Isso mostra que a estrutura econômica brasileira esta solidificada e que o processo inflacionário esta bem controlado, somente um choque de oferta de magnitude elevada pode tirar o Brasil de uma trajetória de estabilização. Os resultados do trabalho mostram que no período de estabilização após o plano real, as variações nos preços industriais e agrícolas são muito melhores explicadas por uma causalidade entre elas mesmas, decorrente de uma maior dependência da agricultura moderna pela industria e uma dependência da industria pelos preços agrícolas que são insumos. Esse resultado da variável preço na agricultura ter uma maior poder de explicação sobre o preço na industria (evidenciado na decomposição d variância) não foi encontrado por Brandão, pois a estrutura competitiva industrial brasileira aumentou o que mostra que os custos de produção na industria tem uma forte participação no faturamento das empresas. 4. Referencias Bibliográficas BRANDAO, A. S. P. Moeda e preços relativos: Evidencia Empírica. Revista de Econometria, Rio de Janeiro, v.5, n.2, pág 33-80, nov. 1985. ENDERS, Walter. Applied econometric time series. John Wiley & Sons. Inc. United Stades, 1995. ENDERS, Walter. Rats: Handbook for Econometric time Series. John Wiley & Sons. Inc. United Stades 1996. FAVA, Vera Lucia. Teste de Raiz Unitária e Co-Integração in Manual de Econometria. São Paulo: Atlas, 2000. GUJARATI, Domadar N.. Econometria Basica. São Paulo: Makron Books, 2000. MAIA, Sinezio Fernandes. Modelos de vetores autoregressivos: Uma nota Introdutória. UEM, texto para discussão nº60, 2001. VIEIRA, Wilson da Cruz. Ajuste macroeconômico e preço relativo agricultura-industria: a experiência Brasileira nos anos oitenta. Viçosa: Suprema, 1998. 5. Anexos 5.1 Impulsos Respostas 6 Respostas a choques em DLM1 Entrada DLM1 DLIPAPA DLIPAPI 1 0.025852215892 0.000881304748-0.000570087378 2 0.007876062997-0.001142968084 0.001275527234 3 0.002281962516 0.007041648921 0.000620040044 6 Obtidos no software WinRats 5.0 12

4-0.001704829652 0.001281770290 0.000883328407 5-0.003030708704-0.000442062563 0.000734396030 6-0.000876869020-0.000459235252 0.000805863356 7-0.000732067990-0.000503543927 0.000368269302 8-0.000055727120 0.000256238362 0.000041724446 9 0.000157560569-0.000208517276-0.000016112320 10 0.000116160068-0.000006168183 0.000059400790 Respostas a choques em DLIPAPA Entrada DLM1 DLIPAPA DLIPAPI 1 0.000000000000 0.023466394839 0.0033571437152 2-0.002475733069 0.005785164751 0.0038455262115 3-0.004219003169 0.003294425855 0.0033317781835 4-0.001023803697-0.000209372627 0.0025899934134 5-0.002954388121-0.000747180748 0.0013139566233 6-0.001114333286 0.000239718772 0.0005210820918 7-0.000542992556-0.000796038307 0.0003250744671 8 0.000088682872 0.000043952854 0.0003377952352 9 0.000444617680 0.000282833765 0.0003431176856 10 0.000141160304 0.000367488901 0.0002424667612 Respostas a choques em DLIPAPI Entrada DLM1 DLIPAPA DLIPAPI 1 0.000000000000 0.000000000000 0.0071934436498 2 0.002536167995 0.004825351931 0.0054496237497 3 0.000826996883 0.006014192696 0.0032578285864 4-0.001153002264 0.000622225035 0.0013011952128 5-0.001528970557-0.000546944230 0.0013877972524 6-0.000808251459-0.000427366427 0.0014355678782 7-0.000581348816 0.000743080108 0.0010485019494 8-0.000095604080 0.000614615990 0.0005639041346 9-0.000076316386 0.000094985154 0.0003756053002 10 0.000021955409 0.000057612620 0.0003618598814 5.2 Resultados do teste F e decomposição da variância do Trabalho de Brandão (1985). Quadro 6: Resultados do Teste F Equações DLM1 DLIPAPA DLIPAPI DLM1 0.00 0.28 0.88 DLIPAPA DLIPAPI 0.82 0.00 0.26 0.00 0.27 0.00 13

Erro de Previsão LM1 1 6 12 18 LIPAPA 1 6 12 18 LIPAPI 1 6 12 18 Quadro 7: Resultados da Decomposição da Variância Nº de Períodos Inovações LM1 IPAPA IPAPI 100.000 0.000 99.04 0.84 94.18 5.64 85.14 14.50 0.06 4.04 13.11 21.39 0.00 9.41 27.56 39.88 99.94 89.15 80.40 69.32 8.57 27.17 30.64 26.40 0.000 0.13 0.18 0.37 0.000 6.80 6.48 9.28 91.42 63.41 41.80 33.71 14