Prévia do material em texto
UNIVERSIDADE FEDERAL DO CEARÁ
FACULDADE DE ECONOMIA, ADMINISTRAÇÃO, ATUÁRIA E CONTABILIDADE
CURSO DE PÓS-GRADUAÇÃO EM ECONOMIA – CAEN
GEOVANI MAIA DAMASCENO
RELAÇÕES ENTRE PRODUÇÃO INDUSTRIAL E DEMANDA DE ENERGIA:
UMA APLICAÇÃO DE MODELO VAR
FORTALEZA
2009
1
GEOVANI MAIA DAMASCENO
RELAÇÕES ENTRE PRODUÇÃO INDUSTRIAL E DEMANDA DE ENERGIA:
UMA APLICAÇÃO DE MODELO VAR
Dissertação submetida à Coordenação do Curso de
Pós-Graduação em Economia, da universidade
Federal do Ceará, como requisito parcial para
obtenção do título de Mestre em Economia.
Orientador: Prof. Luiz Ivan de Melo Castelar
FORTALEZA
2009
2
D162r Damasceno, Geovani Maia
Relações de curto prazo entre consumo de energia e produção industrial:
uma aplicação do modelo VAR / Geovani Maia Damasceno. 2009
38 f.
Orientador: Prof. Dr. Luiz Ivan de melo Castelar
Dissertação (Mestrado) – Universidade Federal do Ceará, Curso de Pós-
Graduação em Economia, CAEN, Fortaleza – CE, 2009.
1. Energia – Consumo. 2. Econometria. I – Título
CDD 330.015195
3
GEOVANI MAIA DAMASCENO
RELAÇÕES ENTRE PRODUÇÃO INDUSTRIAL E DEMANDA DE ENERGIA:
UMA APLICAÇÃO DE MODELO VAR
Dissertação submetida à Coordenação do Curso de Pós-Graduação em Economia, da
Universidade Federal do Ceará, como requisito parcial para a obtenção do título de
Mestre em Economia.
Dissertação aprovada em 26 de agosto de 2009.
BANCA EXAMINADORA
___________________________________________________________
Prof. Luiz Ivan de Melo Castelar (orientador)
Universidade Federal do Ceará – CAEN/UFC
___________________________________________________________
Prof. Roberto Tatiwa Ferreira
Universidade Federal do Ceará – CAEN/UFC
____________________________________________________________
Prof. Fabrício Carneiro Linhares
Universidade Federal do Ceará – CAEN/UFC
4
AGRADECIMENTOS
Em primeiro lugar, gostaria de agradecer aos meus pais e irmãos, pelo amor, dedicação
e apoio incondicional em todos os momentos de minha vida.
Aos professores e pesquisadores do CAEN que, de uma forma geral, contribuíram para
a minha formação. Em especial, aos professores Ronaldo Arraes, Flavio Ataliba,
Emerson Marinho, Maurício Benegas, Paulo Jorge Neto e Edinaldo Tebaldi.
Ao Prof. Roberto Tatiwa, pelos ensinamentos em sala de aula, pela participação na
banca e por estar sempre disposto a ajudar.
Ao Prof. Fabrício Linhares, por aceitar o convite para participar da banca examinadora e
pelas sugestões para a melhoria do trabalho.
Ao Prof. Ivan Castelar, pela atenção, paciência, correções, motivação e por todo tipo de
colaboração sem as quais a conclusão desse trabalho não teria sido possível. Seus
ensinamentos, tanto acadêmicos quanto pessoais, não serão por mim esquecidos.
Aos funcionários da biblioteca e da secretaria, em especial a Sra. Carmem Rodrigues.
Ao Sr. Cléber, pelo companheirismo, atenção e amizade.
Aos grandes amigos Isaac Ricarte, Guaracyane Campelo e Guilherme Irffi.
Aos colegas de minha primeira turma no CAEN, 2005, Zilah Ribeiro, Hélio Berni,
Carlos Daniel, Pablo Castelar, Christiano Penna, Rosendo Fernandes e, principalmente,
ao Luciano Bauermann (in memorian).
Aos colegas da turma de 2007, Cecília Macedo, Rogério Moreira, Lincoln Cesar, Jayme
Andrade, Denis Veríssimo e, em especial, Vitor Hugo Miro, Guilherme Cavalcanti e
Sávio Zachis.
5
Aos colegas de turmas anteriores e posteriores, Jimmy Oliveira, Leandro Oliveira e
Daniel de Pádua (2004); Felipe Gordin, Rodolfo Alves e Leandro Rocco (2006); Pedro
Ivo (2008). E aos até então doutorandos Carlos Manso, Dílson Sena, Jair Araújo,
Nicolino Trompieri, Vitor Borges.
A todos os demais que contribuíram direta ou indiretamente para a realização desse
trabalho.
6
RESUMO
Esse estudo tem como objetivo analisar a relação entre produção industrial e demanda
de energia no Estado do Ceará. Para tanto buscou-se, a princípio, analisar o
comportamento das séries utilizadas no estudo, verificando se eram estacionárias ou
processos integrados. Em seguida, procedeu-se ao teste de co-integração, cujo intuito
era determinar se as séries apresentavam alguma tendência comum ao longo do tempo.
Por fim, através da estimação de um VAR, procurou-se analisar o efeito da variação ao
longo do tempo da produção industrial sobre as demais variáveis. Os resultados obtidos
indicaram que choques na produção industrial fazem aumentar a produção de energia,
sobretudo dos derivados de petróleo. O efeito mais significativo ocorreu sobre a
variável óleo diesel. Em relação à energia elétrica, os resultados indicaram uma variação
pouco significante dessa fonte para explicar o aumento da produção industrial. Em
virtude da indústria cearense ser mais sensível a choques nos derivados de petróleo que
na energia elétrica, parece ser mais razoável ao Estado adotar políticas que incentivem a
expansão da oferta dos primeiros, caso tenha como pretensão estimular seu crescimento
industrial .
Palavras-chave: produção industrial, demanda por energia, Estado do Ceará.
7
ABSTRACT
The objective of this research is to analyze the relationship between industrial
production and demand for electric energy in the Ceará state. First, it analyzed the
behavior of the series used in the study, verifying if they were stationary or integrated
processes. Second, Cointegrating tests were utilized to verify of the long-run
relationship among economic variables. Finally, through VAR estimation, it was
possible to analyze the effect of the variation a long of the time of the industrial
production on the others variables. The results obtained indicated that shocks in the
industrial production make to increase the energy production, over all of the oil
derivatives. The effect most significant occurred on the variable oil diesel. In relation to
the electric energy, the results had little indicated a significant variation of this source to
explain the increase of the industrial production. In virtue of Ceará industry to be more
sensible the shocks in the oil derivatives that in the electric energy, seem to be more
reasonable to the State to adopt politics that stimulate the expansion of offer of the first
ones, in case that it has as pretension to stimulate its industrial growth.
Keywords: industrial production, demand for electric energy, Ceará state
8
SUMÁRIO:
1- INTRODUÇÃO.........................................................................................................11
2- REVISÃO DE LITERATURA..................................................................................13
3- DADOS......................................................................................................................15
4- METODOLOGIA......................................................................................................19
4.1- O Modelo Var ........................................................................................................19
4.2- Modelos Vetoriais de Correções de Erros (MCE) .................................................20
4.3- Especificação do modelo ........................................................................................214.4- Testes de raiz unitária .............................................................................................23
4.4.1- Teste ADF ............................................................................................................23
4.5- Teste de co-integração ............................................................................................25
4.6 – O modelo VEC ......................................................................................................27
5- RESULTADOS...........................................................................................................30
5.1- Decomposição da variância......................................................................................32
6- CONSIDERAÇÕES FINAIS......................................................................................34
Referências Bibliográficas...............................................................................................35
ANEXO I.........................................................................................................................37
9
LISTA DE TABELAS
01 – Testes de Raiz Unitária ADF - Dickey-Fuller Aumentado....................................23
02 – Testes de Raiz Unitária ADF – em primeira diferença..........................................24
03 – Teste de raiz unitária com quebra estrutural em nível – GLP................................25
04 – Teste de raiz unitária com quebra estrutural em primeira diferença – GLP..........25
05 – Resultado do teste do traço para os vetores IPICE, EE, DIESEL, GASOL, GLP.....26
06 – Vetor de correção de erros do IPI..........................................................................29
07 – Resultado do teste de causalidade de Granger no formato MCE..........................31
08 – Decomposição da variância...................................................................................33
10
LISTA DE GRÁFICOS
01 – Consumo industrial de GLP – janeiro de 2000 a março de 2009............................16
02 – Consumo industrial de gasolina – janeiro de 2000 a março de 2009......................16
03 – Consumo industrial de energia elétrica – janeiro de 2000 a março de 2009...........17
04 – Consumo industrial de óleo diesel – janeiro de 2000 a março de 2009..................17
05 – Índice de Prod. Industrial do Estado do Ceará - jan. de 2000 a mar de 2009.........18
06 – Comportamento das séries ao longo do tempo (jan.2000 a mar. 2009)..................27
07 – Função impulso-resposta.........................................................................................37
08 – Séries em primeira diferença...................................................................................38
11
1- INTRODUÇÃO
Eventos ocorridos na economia mundial nas últimas décadas mostram a
relevância da variação no preço dos insumos energéticos como uma importante fonte de
flutuação econômica. As crises do petróleo ocorridas nas décadas de 1970, 1980 e 1990
e seus conseqüentes impactos sobre o produto mundial impulsionaram o surgimento de
um número expressivo de trabalhos teóricos e empíricos, cujos resultados mais
expressivos apontam para uma correlação negativa entre preço de energia e produto.
Em relação a outras fontes energéticas a literatura disponível ainda não apresenta
em âmbito global uma quantidade de estudos suficientes que permita concluir a direção
e intensidade da variação no produto decorrente de alterações no preço e/ou oferta de
energia. Uma das possíveis razões para esse fato é a variação da composição dos
insumos energéticos entre países e o peso que cada uma dessas fontes exerce sobre o
produto.
Entre os trabalhos mais expressivos nesta área, merecem destaque os
desenvolvidos por Hope e Singh (1995) e por Soytras e Sári (2006). Hope e Singh,
utilizando uma amostra de seis países, cuja escolha foi baseada em fatores como nível
de renda, estrutura econômica, dispersão geográfica, exportação e importação de
petróleo, analisaram o impacto de um aumento no preço da energia elétrica sobre a
produção industrial. Os resultados obtidos indicaram a presença de efeitos modestos
sobre o produto final; ou seja, o aumento dos preços de energia elétrica não afetou de
maneira significativa o produto dos países analisados em virtude da flexibilidade em
utilizar fontes substitutas quando ocorre elevação de tarifas elétricas.
Soytras e Sári, por sua vez, analisaram a relação entre consumo de energia e
produção na indústria manufatureira da Turquia. Utilizando um modelo VEC,
encontraram um resultado diferente do obtido por Hope e Singh, uma vez que para a
indústria manufatureira da Turquia, variações nas tarifas energéticas causam efeitos
sobre o produto industrial.
Para o Brasil, Ferreira e Castelar (working paper) analisaram a relação entre
consumo de energia e atividade industrial e concluíram que choques na produção
industrial conduziram a uma resposta positiva na demanda por energia, sobretudo em
12
óleo diesel e gasolina. Os resultados do trabalho indicaram que choques negativos no
diesel e nos demais produtos derivados de petróleo podem ser mais prejudiciais para a
produção industrial brasileira do que choques negativos na oferta de energia elétrica.
Duas questões emergem desses resultados: será que eles se repetem quando se
restringe a área de estudo a uma região ou Estado do país? Além disso, dada a
diversificação energética existente no Brasil, a utilização de outras fontes pode
influenciar na variação do produto final?
Buscando responder a essas questões, este trabalho tem como objetivo analisar a
natureza da relação existente entre produção industrial e consumo de energia no Estado
do Ceará e verificar se choques de oferta em determinada fonte podem ser absorvidas,
através de substituição por outra fonte de energia, de forma a não comprometer o
produto final.
Além dessa introdução, o trabalho é composto por mais quatro capítulos. O
segundo apresenta uma revisão da literatura nacional e internacional. Os capítulo três e
quatro explicam a metodologia e os dados utilizados na estimação. O quinto capítulo
mostra os resultados obtidos e, o sexto, as conclusões do estudo.
13
2. REVISÃO DE LITERATURA
Definir a natureza da relação entre produção industrial e consumo de energia,
dada sua importância para o desenvolvimento econômico, é um tema que motiva a
realização de um amplo número de pesquisas empíricas e teóricas em todo o mundo.
Finn (1996), por exemplo, afirma que “mais insumos são necessários para aumentar o
produto, significando que mais energia deve ser demandada para o crescimento do
produto, em virtude da energia ser um importante item para a utilização do capital”.
Embora correta, os trabalhos desenvolvidos recentemente mostram que a relação entre
insumo energético e produção industrial vão bem além dessa afirmativa. Eles
compreendem a aplicação de conceitos de eficiência econômica, substituição de alguns
tipos de fontes energéticas, efeitos de políticas macroeconômicas sobre o consumo
energético e produção industrial e, além disso, examinam o peso dos choques
energéticos frente às alterações ocorridas nas estruturas econômica e política em
diferentes períodos de tempo.
No âmbito empírico, Hamilton apresenta duas contribuições (1983 e 1996) ao
tentar explicar os períodos recentes de recessão americana com o aumento dos preços
do petróleo, sugerindo que a elevação do preço dessa fonte é uma das causas da
recessão.
Do lado teórico, muitos trabalhos têm avaliado a eficácia dos modelos
tradicionais para descrevero tamanho e a natureza dos efeitos observados de choques
nos preços dos insumos energéticos sobre a economia. Alguns modelos baseiam-se na
competição de mercados para explicar a queda no produto em virtude do aumento no
preço do petróleo. Rotemberg e Woodford (1997), estudando o efeito dos choques de
petróleo sobre a economia americana, em um ambiente de competição imperfeita,
argumentam que é difícil explicar o tamanho dos efeitos do choque nos anos 1970.
Ademais, recorrem a aumentos endógenos no markup das firmas para justificar a
diminuição no produto da economia. Hamilton (1998) mostra que pequenas
interrupções na oferta de mercadorias primárias, como energia, podem provocar grandes
flutuações no produto.
A literatura mais atual busca avaliar se a redução da volatilidade do produto em
anos mais recentes decorre de um fator aleatório, em virtude da ocorrência de pequenos
14
choques na oferta de energia nos últimos anos, ou das mudanças na estrutura econômica
e política, como investigaram Blanchard e Simon (2001) e Stock e Watson (2003).
A maioria dos trabalhos publicados até e então, contudo, pouco consideram o
impacto que outras fontes energéticas além do petróleo exercem sobre o produto. Dentre
os que investigaram a questão três deles, tendo em comum o fato de terem sido
desenvolvidos para economias emergentes, analisaram a relação entre consumo
energético e produção industrial.
Hope e Sing (1995) realizam um estudo sobre o aumento dos preços energéticos
em um grupo de seis países em desenvolvimento, incluindo Colômbia, Gana, Indonésia,
Malásia, Turquia e Zimbábue. Estes autores concluíram que, em virtude de muitas
indústrias serem capazes de encontrar fontes substitutas quando o preço da energia se
eleva, os efeitos negativos sobre o produto industrial, embora existam, são modestos. A
exceção, como é previsível, são as indústrias intensivas em energia, que apresentam
uma possibilidade limitada de substituição.
Soytras e Sári (2006) examinam a relação entre energia e produto industrial para
a Turquia considerando como fixos os fatores investimento e emprego. Utilizando um
modelo VEC, os resultados obtidos indicaram uma relação de causalidade unidirecional
entre consumo de eletricidade e valor adicionado na produção, o que foi confirmado
pela análise de impulso-resposta e decomposição da variância.
Ferreira e Castelar buscaram mensurar a relação existente entre produção
industrial e consumo de energia no Brasil. Com o auxílio de um modelo VAR,
obtiveram resultados semelhantes aos de Hope e Singh; ou seja, que choques na oferta
de energia elétrica não afetam significativamente a produção industrial, em virtude do
efeito substituição. Além disso, encontraram que choques na demanda por Diesel
afetam a produção industrial em virtude tanto de sua utilização como fator de produção
na indústria, quando de sua importância para o transporte de bens finais.
15
3 – DADOS
A base de dados utilizada para a estimação do modelo tem periodicidade mensal
e compreende o período que vai de janeiro de 2000 a março de 2009. Foram utilizados a
produção industrial do Estado do Ceará, medida pelo Índice de Produção Industrial (IPI
– com ajuste sazonal), calculado pelo Instituto Brasileiro de Geografia e Estatística
(IBGE); o consumo industrial de energia elétrica (EE), em MWh, fornecido pela
Companhia Energética do Ceará – COELCE; e o consumo de produtos derivados de
petróleo (em barris equivalentes de petróleo – Bep), que incluem gasolina (gasol), óleo
diesel (diesel), e gás natural (glp), fornecidos pela Agência Nacional do Petróleo (ANP).
As variáveis gasolina, gás natural e diesel foram ajustadas sazonalmente e
logaritmizadas.
O comportamento temporal destas séries são mostrados nos gráficos 1 a 5, a
seguir. Em relação à série de gás natural, vale observar que em dezembro de 2002 a
Petrobrás autorizou um aumento de 27% no preço do gás natural produzido no País, o
que provocou alguns reflexos em sua demanda. A partir do gráfico 1, a seguir, é
possível notar a ocorrência de uma quebra estrutural da série no início do ano de 2002.
16
Gráfico 1 - Consumo industrial de GLP – janeiro de 2000 a março de 2009
11.60
11.65
11.70
11.75
11.80
11.85
11.90
11.95
12.00
00 01 02 03 04 05 06 07 08
LGLP
Gráfico 2 - Consumo industrial de gasolina – janeiro de 2000 a março de 2009
12.0
12.1
12.2
12.3
12.4
12.5
12.6
12.7
00 01 02 03 04 05 06 07 08
LGASOL
17
Gráfico 3 - Consumo industrial de energia elétrica – janeiro de 2000 a março de 2009
11.6
11.7
11.8
11.9
12.0
12.1
00 01 02 03 04 05 06 07 08
LEE
Gráfico 4 - Consumo industrial de óleo diesel – janeiro de 2000 a março de 2009
12.3
12.4
12.5
12.6
12.7
12.8
12.9
13.0
00 01 02 03 04 05 06 07 08
LDIESEL
18
Gráfico 5 – Índice de Prod. Industrial do Est. do Ceará – jan. de 2000 a março de 2009
4.4
4.5
4.6
4.7
4.8
4.9
5.0
00 01 02 03 04 05 06 07 08
LIPICE
19
4 – METODOLOGIA
4.1 – O MODELO VAR
A utilização de modelos de equações simultâneas, em virtude das limitações
verificadas na crítica de Lucas (1976) e Sims (1980), deixou de ser o centro das
atenções no que tange à metodologia utilizada para a resolução de problemas
econométricos e cedeu espaço a novos modelos.
Lucas (1976) notou que a ocorrência de alterações nas políticas econômicas
influenciava profundamente os resultados dos modelos estruturais. Com isso, ocorriam
modificações nos coeficientes analisados, o que implicava na quebra estrutural da série.
Outra crítica aos modelos estruturados partiu de Sims (1980). Para ele, na tentativa de
tornar os modelos identificáveis, muitas vezes utilizavam-se restrições demasiadamente
fortes, o que diminuía a qualidade e a eficácia da previsão.
Através do Modelo Vetorial Auto-Regressivo (VAR), introduzido por Sims
(1980), tornou-se possível expressar modelos econômicos completos, bem como estimar
seus parâmetros. Nesse modelo as variáveis são conjuntamente determinadas, ou seja,
são explicadas por suas defasagens e pelas defasagens das demais variáveis. A
vantagem dessa forma de especificação é que ela torna possível analisar o efeito da
variação ao longo do tempo de determinada variável sobre as demais. Outros aspectos
positivos da metodologia VAR são a não necessidade de impor qualquer restrição
inicial de causalidade entre as variáveis – uma vez que isso pode ser verificado pelo
teste de Granger -, bem como o fato de não ser preciso assumir alguma relação de longo
prazo entre as variáveis – o que também pode ser testado pelo método proposto por
Johansen.
A metodologia VAR, pelas razões acima mencionadas, mostrou-se superior em
muitos testes de previsão aos modelos estruturados. De uma forma geral, é possível
expressar um modelo VAR estrutural por:
tptpttt exAxAxAxA ++++= −−− ...22110
20
onde:
• A j são matrizes nxn para qualquer j;
• 0A é a matriz de relações contemporâneas;
• tx é um vetor com as variáveis de interesse;
• te é um vetor (nx1) de choques ortogonais e seus componentes não são
correlacionados serialmente.
4.2 – MODELOS VETORIAIS DE CORREÇÕES DE ERROS (MCE)
Para a especificação correta do modelo acima, o primeiro passo é testar se as
variáveis são estacionárias ou processos integrados. O teste utilizado para analisar a
presença ou não de raiz unitária foi o de Dickey-Fuller Aumentado (ADF). Através
desse teste é possível verificar o comportamento da série, identificando a presença de
não-estacionariedade pela incidência de tendências estocástica, determinísticas ou pela
junção de ambas.
Caso asvariáveis analisadas sejam não-estacionárias, I(1) por exemplo, o VAR
deve ser estimado em primeiras diferenças. Contudo, o resultado obtido por meio de
primeiras diferenças nem sempre é razoável (HARVEY, 1987) uma vez que existem
informações nos níveis que são desconsideradas.
Ao optar por trabalhar com variáveis em nível, duas dificuldades podem
aparecer: o aparecimento de regressões espúrias em séries não estacionárias e o fato de
que as estimações e testes para regressões não estacionárias não serem padronizados.
Um caso particular surge quando as séries em nível são co-integradas. Nessa
situação é possível mostrar que os estimadores são superconsistentes, isto é, convergem
mais rapidamente que o usual, e as informações sobre os níveis continuam mantidas
(HOLLAUER, BAHIA, ISSLER, 2006). Na presença de co-integração Engle e Granger
(1987) recomendam utilizar uma representação MCE, que explicita a utilização do
modelo de correção de erro, o qual representa o comportamento de longo prazo.
21
O Modelo de Correção de Erros (MCE) pode ser escrito da maneira a seguir.
∑
−
=
−− +ΔΓ++=Δ
1
1
1'
p
i
tititt uYYuY αβ (2)
Em que:
• α e β são matrizes com posto r, r== )()( βραρ . Ambas especificam o termo
de longo prazo do modelo. Nessa situação α representa os coeficientes de
ajustamento e β contém as relações de co-integração;
• jΓ (j=1,..., p-1) são matrizes (kxk) e contém os parâmetros de curto prazo.
4.3 – ESPECIFICAÇÃO DO MODELO
Usualmente, como no caso univariado, utilizam-se critérios de informação para
determinar a ordem de defasagens de um modelo VAR. O argumento para a utilização
do critério de informação consiste no seguinte fato: cada regressor que é adicionado ao
modelo faz com que a soma dos resíduos não aumente e, muitas vezes, diminua. Isso
implica que a redução da soma dos resíduos ocorre devido ao aumento do número de
regressores. Para balancear a redução dos erros e o aumento do número de regressores, é
associada uma penalidade a esse aumento. Quando a penalidade decorrente da
incorporação de um regressor adicional for menor que a diminuição da soma de
resíduos, deve-se adicioná-lo ao modelo. Caso contrário, o regressor não deve ser
utilizado.
Dado um modelo VAR(m), onde m = 0,1,2,...pmax, deve-se escolher a ordem p
que minimiza a seguinte fórmula geral do critério de informação:
),(ln)( mCmCr Tϕ+Σ=
∧
(3)
22
onde:
•
T
ee
T
t
tt∑
∑ =
∧∧
∧
= 1
'
• CT é uma seqüência vinculada ao tamanho da amostra;
• )(mϕ é uma função que penaliza VAR de grandes ordens.
Os critérios de informação mais utilizados na literatura são os de Akaike (AIC),
Hannan-Quinn (HQ) e Schwartz (SC ou BIC). Sendo c o tamanho da amostra, p a
ordem do defasamento, os critérios acima podem ser definidos como descrito abaixo.
AIC = pc
T
p 22)(ln +Σ ;
HQ = pc
T
Tp 2))ln(ln(2)(ln +Σ ;
BIC = pc
T
Tp 2)ln(2)(ln +Σ .
Onde p representa o lag, T o tamanho da amostra, Σ a matriz de variância-covariância
dos resíduos e n a dimensão do sistema.
Quanto mais regressores são incorporados no mesmo período da amostra, menor
será o erro estimado. Por outro lado, esse maior número de regressores sofrerá uma
penalidade na segunda parte da estatística, o que confirma que a escolha de um modelo
mais parcimonioso – no sentido da utilização de menos parâmetros – produz menos
imprecisão das estimativas.
Em relação ao comportamento entre si dos critérios mencionados tem-se que
para grandes amostras o critério BIC é o mais consistente, tendendo a escolher um
modelo mais parcimonioso que o AIC. Por outro lado, para pequenas amostras, o AIC
funciona melhor que o BIC e o HQ.
23
4.4 – TESTES DE RAIZ UNITÁRIA
Um processo estocástico é estacionário, ou possui estacionariedade fraca,
quando preenche três requisitos. Primeiro, tem média constante ao longo do tempo;
segundo, tem variância constante ao longo do tempo; e terceiro, sua covariância deve
indicar que a autocorrelação entre dois valores de uma variável y qualquer tomados a
partir de dois períodos de tempo distintos deve depender apenas do intervalo de tempo
entre esses dois valores e não do tempo em si.
Com o objetivo de determinar se as variáveis analisadas são estacionárias ou
processos integrados foi realizado, como mencionado anteriormente, o teste de Dickey-
Fuller Aumentado.
4.4.1- Teste ADF
O teste de raiz unitária ADF utiliza a auto-regressão abaixo.
∑
=
−−= +Δ++Δ
p
i
tititt yyy
1
1 ελαμ
Nesse trabalho, foi utilizado o critério de informação de Akaike para selecionar
o número de defasagens e incluído no processo auto-regressivo de cada variável
tendência e intercepto. Como citado antes, as variáveis foram dessazonalizadas antes da
estimação. A tabela 1 abaixo apresenta os resultados obtidos. Como pode ser observado,
o teste ADF não rejeita a hipótese nula de raiz unitária para nenhuma das séries
analisadas.
Tabela 1 – Testes de Raiz Unitária ADF - Dickey-Fuller Aumentado
Séries Região Crítica Lags Teste Estatístico Conclusão
5% 10%
IPI -3.45 -3.15 1 -3.18 Não Rejeita
EE -3.45 -3.15 2 -3.19 Não Rejeita
GASOL -3.45 -3.15 2 -2.95 Não Rejeita
DIESEL -3.45 -3.15 2 -1.89 Não Rejeita
GLP -3.45 -3.15 5 -1.18 Não Rejeita
Fonte: Elaboração do autor.
24
Uma vez que todas as variáveis do modelo indicaram a presença de raiz unitária
em nível, buscou-se determinar a ordem de integração de cada variável. Para tanto,
diferenciou-se cada série o número de vezes necessárias até que a hipótese nula de raiz
unitária tivesse sido rejeitada. Os resultados obtidos indicam que todas as séries são
integradas de ordem 1, conforme exposto na tabela 2.
Tabela 2 – Testes de Raiz Unitária ADF – em primeira diferença
Séries Região Crítica Lags Teste Estatístico Conclusão
5% 10%
IPI -3.45 -3.15 0 -16.23 Rejeita
EE -3.45 -3.15 1 -12.35 Rejeita
GASOL -3.45 -3.15 12 -3.77 Rejeita
DIESEL -3.45 -3.15 1 -10.47 Rejeita
Fonte: Elaboração do autor.
Para a série GLP, além do teste ADF, foi realizado um teste de quebra estrutural.
De acordo com esse teste é possível separar eventos discrepantes de uma série da função
de ruído e modelá-los como mudanças na parte determinística do modelo. Dessa forma,
é possível separar o que pode ser explicado pelo modelo de ruído, desde que as
mudanças sejam exógenas e tenham ocorrido em datas conhecidas. Para realização
desse teste foi utilizado o software JMulti.
Os procedimentos para verificar a presença de raiz unitária nessa situação
consistem em eliminar a função tendência da série original; ou seja, estimar os modelos
e reter seus resíduos. Em seguida, deve-se realizar um teste de raiz unitária ADF sobre o
parâmetro α. Os resultados obtidos em relação à série GLP estão sintetizados na tabela
abaixo.
25
Tabela 3 – Teste de raiz unitária com quebra estrutural em nível - GLP
Série Região Crítica Lags Teste Estatístico Conclusão
5% 10%
GLP -3.45 -3.15 5 -1.39 Não Rejeita
Fonte: Elaboração do autor.
Resultados obtidos utilizando-se o software JMulti.
Em virtude da ocorrência do reajuste de preços do GLP ocorrido no mês de
dezembro de 2002, a série analisada apresentou uma quebra estrutural em janeiro de
2003. Para verificar a ordem de integração da série, realizou-se o teste de quebra
estrutural em primeira diferença. Os resultados são mostrados a seguir.
Tabela 4 – Teste de raiz unitária com quebra estrutural em primeira diferença - GLP
Série Região Crítica Lags Teste Estatístico Conclusão
5% 10%
GLP -3.45 -3.15 1 - 11.26 Rejeita
Fonte: Elaboração do autor
Resultados obtidos utilizando-se o software JMulti.
4.5 – TESTE DE CO-INTEGRAÇÃO
Ao trabalhar com dados de séries temporais existe a possibilidadede, ao estimar
uma regressão com séries que apresentam uma mesma tendência, obter resultados que
aparentemente sejam satisfatórios, mas que na realidade não tenham nenhum
significado econômico. Ou seja, é possível encontrar relações econométricas entre duas
ou mais séries, com R2 elevado e estatística t significante, sem que necessariamente
exista alguma relação de causalidade entre elas. Neste tipo de situação, os estimadores
obtidos por OLS são ineficientes e o desvio-padrão dos resíduos é inconsistente.
Fatos como esse geralmente ocorrem quando as séries utilizadas não são
estacionárias. Uma primeira medida para resolver a questão poderia ser diferenciar as
séries e verificar se elas se tornaram estacionárias. Ao adotar esse procedimento,
todavia, perde-se uma valiosa relação de longo prazo entre as variáveis, uma vez que
não será possível trabalhar com as séries em nível.
26
Quando as séries analisadas apresentam uma relação de longo prazo entre si,
suas tendências se anulam e torna-se possível estimar um modelo de vetores auto-
regressivos, com a inclusão de um Vetor de Correção de Erros (VEC).
O método utilizado para testar a existência de relação de longo prazo entre as
variáveis seguiu o método de estimação de Johansen (1988), que permite a estimação de
um VEC simultaneamente aos vetores de cointegração. Além disso, utilizou-se a
estatística do traço para determinar se as séries analisadas são cointegradas.
Através da utilização da metodologia acima descrita, os testes realizados
indicaram a presença de um vetor de co-integração entre as variáveis, conforme a tabela
a seguir.
Tabela 5-Resultados do teste do Traço para os vetores IPICE, EE, DIESEL, GASOL, GLP
Hipótese nula Hipótese
alternativa
Autovalor Traço Valor crítico
(5%)
Probabilidade
r = 0 r ≥ 1 0.342818 99.16333 88.80380 0.0073
r ≤ 1 r ≥ 2 0.256684 53.82556 63.87610 0.2610
r ≤ 2 r ≥ 3 0.116587 21.78909 42.91525 0.9185
r ≤ 3 r ≥ 4 0.043296 8.401192 25.87211 0.9750
r ≤ 4 r = 5 0.032971 3.620940 12.51798 0.7960
Fonte: Elaboração do autor.
A hipótese nula de que não existe nenhuma relação de cointegração é rejeitada
ao nível de 5% de significância pela estatística traço, o que sugere uma forte evidência
em favor da existência de um vetor de cointegração. Com isso, reduz-se
significativamente a probabilidade de que os resultados das regressões sejam espúrios.
27
Gráfico 06 – Comportamento das séries ao longo do tempo (jan.2000 a mar. 2009)
4
6
8
10
12
14
00 01 02 03 04 05 06 07 08
LIPICE
LDIESEL
LEE
LGASOL
LGLP
Pela observação do gráfico 6, acima, é possível perceber um comportamento
sincronizado das séries ao longo do tempo, o que reforça a idéia de que elas são
cointegradas. O distanciamento verificado em uma dessas séries pode ser justificado por
uma diferença de nível, o que não compromete a hipótese de cointegração.
4.6 – O MODELO VEC
O benefício da utilização do modelo de correção de erros para analisar a relação
entre a produção industrial e o consumo de energia está no fato de que ele fornece
estimativas da elasticidade entre produção e consumo de energia, tanto no curto quanto
no longo prazo.
28
Conforme HARRIS (1995), os valores dos coeficientes dos parâmetros α
refletem a velocidade com que as respectivas variáveis se ajustam em direção ao
equilíbrio de longo prazo, o que significa que diante de um desequilíbrio transitório
(curto prazo), altos valores de α conduzem a velocidades de ajustamento mais rápidas
em relação ao equilíbrio de longo prazo.
Com o intuito de determinar o número de defasagens que deveriam ser incluídas
no modelo, realizou-se o teste de seleção do número de defasagens utilizando o critério
de informação de Akaike. A melhor especificação indicou a inclusão de duas
defasagens das variáveis no modelo VEC.
A equação abaixo descreve a dinâmica do modelo.
16
2
1
5
2
1
4
2
1
3
2
1
2
2
1
10
−−
=
−
=
−
=
−
=
−
=
+Δ+
Δ+Δ+Δ+Δ+=Δ
∑
∑∑∑∑
tit
i
i
it
i
iit
i
iit
i
iit
i
it
ECLDIESEL
LGASOLLGLPLEELIPICELIPICE
αα
ααααα
As elasticidades de curto prazo, obtidas com base na estimação do vetor de
correção de erro, estão sintetizadas na tabela 6.
29
Tabela 06 - Vetor de Correção de Erros
Variável Coeficiente Estatística t
Constante 4.226977 0.42828
ΔLIPI-1 0.175664 1.19998
ΔLIPI-2 0.371776 2.76893
ΔLEE-1 - 0.083931 - 0.63638
ΔLEE-2 - 0.170904 - 1.30643
ΔLGASOL-1 - 0.425091 - 0.150755
ΔLGASOL-2 - 0.542824 - 0.378712
ΔLDIESEL-1 0.126201 0.88843
ΔLDIESEL-2 0.226338 1.62670
ΔLGLP-1 0.113363 0.74683
ΔLGLP-2 0.256825 1.83313
Vetor de cointegração - 0.620813 - 5.08691
Fonte: Elaboração do autor.
AIC = - 2.410400; R2 = 0.348037
Os valores estimados são significantes para a segunda defasagem da variável
IPI. Isso significa que um choque na produção industrial no período atual será corrigido
dois períodos à frente, com um impacto de 37% sobre o IPI corrente.
O coeficiente do vetor de cointegração é estatisticamente significante e seu valor
estimado (- 0.620813) indica que dado um desequilíbrio de curto prazo entre as fontes
de energia e o IPI, seriam necessários aproximadamente dois meses para que essa
relação de cointegração voltasse para o equilíbrio de longo prazo, uma vez que 62% dos
desequilíbrios de curto prazo são corrigidos mensalmente.
30
5 – RESULTADOS
A análise da função de impulso-resposta, representada no gráfico 6, indica que
variações não antecipadas na produção industrial em relação ao consumo de diesel
ocorrem em dois períodos distintos. Após um choque não antecipado na produção
industrial, o consumo de diesel apresenta uma ligeira trajetória ascendente que dura,
aproximadamente, até o terceiro período após a ocorrência do choque. Do quarto
período em diante, o consumo de diesel oscila ao longo de uma trajetória descendente.
Dessa forma, considerando que o óleo diesel é um importante insumo para a indústria,
uma elevação inesperada no nível de produção industrial conduz a uma maior demanda
por diesel.
Efeito semelhante ao ocorrido com o diesel também se verifica com as variáveis
gasolina e energia elétrica. A diferença é que estas se estabilizam em um nível inferior
ao do diesel ao final do décimo período, o que ressalta ainda mais a relevância do diesel
como insumo energético na produção industrial.
Em relação à variável energia elétrica, a análise da função impulso resposta
mostra que variações não antecipadas nessa variável são transferidas para a produção
industrial, e para o consumo de gás natural. Em relação à primeira variável, o impacto
se verifica a partir do período 3 e decresce gradativamente. Para a segunda, o choque
ocorre no período 2 e oscila nesse novo nível. Assim, levando em conta a importância
do consumo de energia elétrica para a indústria é razoável considerar que choques
inesperados nessa variável afetam não somente a produção industrial, como também o
consumo de gás natural.
Para diesel, a análise do gráfico permite inferir que variações não antecipadas
nessa variável afetam de maneira considerável a produção industrial, já no primeiro
período seguinte ao da ocorrência do choque e segue uma trajetória ascendente até o
quarto, estabilizando-se nesse novo patamar. Além disso, choques em gasolina
produzem efeitos sobre IPI e diesel, e choques não antecipados na gasolina afetam o
consumo de IPI e gás natural.
Dessa forma, sintetizando os resultados acima, é possível deduzir que existe uma
estreita relação entre produção industrial e consumo de energia, uma vez que variações
31
não antecipadas em qualquer uma das variáveis analisadas provocam algum efeito sobre
as demais, se não conjuntamente, pelo menos de forma individual.
O teste de causalidade de Granger foirealizado para verificar se mudanças em
uma variável ajudam a explicar as mudanças nas outras, ou, se uma causa a outra. Para
realização do teste, foram utilizadas duas defasagens, conforme o número de defasagens
definidos para a estimação do modelo VAR. Os resultados em negrito na tabela 7
indicam as relações que contém probabilidades menores que 5%, o que indica a rejeição
da hipótese nula de que a segunda variável é exógena em relação à primeira.
Tabela 07 – Resultados do teste de causalidade de Granger no formato MCE
Estatísitica F (probabilidade) Variável
Dependente ΔIPICEt ΔDIESELt ΔEEt ΔGASOLt ΔGLPt ECt-1
(estatística t)
ΔIPICEt --- 2.814152
{0.2449}
1.227962
{0.5412}
15.80691
{0.0004}
3.337488
{0.1885}
-0.620813
(-5.08691)
ΔDIESELt 5.344984
{0.0591}
--- 0.351987
{0.8386}
4.839409
{0.0889}
3.987475
{0.1362}
-0.114291
(-0.64194)
ΔEEt 4.720424
{0.0944}
0.236144
{0.8886}
--- 2.543148
{0.2804}
0.310391
{0.8562}
-0.264355
(-1.23758)
ΔGASOLt 11.48532
{0.0032}
0.168083
{0.9194}
0.735285
{0.6924}
--- 5.252408
{0.0724}
-0.546208
(-2.46329)
ΔGLPt 10.94596
{0.0042}
0.333796
{0.8463}
5.181376
{0.0750}
9.793717
{0.0075}
--- 0.203597
(1.14671)
Fonte: Elaboração do autor
Nota: os resultados entre colchetes indicam o p-valor.
Os resultados indicam, para o curto prazo, uma relação de causalidade entre
GASOL, IPI e GLP (a primeira causa a segunda e terceira). Uma implicação desse
resultado é que a redução no consumo de gasolina tende a provocar uma queda na
produção industrial do Ceará. Por outro lado, políticas que incentivem o aumento do
consumo desse combustível conduzem ao aumento da produção final no Estado. Outra
32
relação de causalidade verificada ocorre entre IPI, DIESEL, GASOL e GLP (a primeira
causa as três últimas).
Para o longo prazo, duas relações de causalidade são verificadas. Na primeira, as
variáveis DIESEL, EE, GASOL e GLP causam IPI, indicando que políticas que
conduzam ao aumento do consumo das variáveis analisadas colaboram para a elevação
na produção industrial. Já a segunda relação de causalidade observa-se que IPI,
DIESEL, EE e GLP causam GASOL.
5.1 – DECOMPOSIÇÃO DA VARIÂNCIA
A decomposição da variância dos erros de previsão indica o percentual do erro
da variância prevista decorrentes de um choque em determinada variável versus os
choques ocorridos nas outras variáveis do sistema. Quando os choques ocorridos numa
variável x são capazes de explicar a variância do erro de previsão de uma outra variável,
y, considera-se a série como sendo endógena. De modo análogo, quando x é incapaz de
explicar y, trata-se a série como exógena.
A tabela abaixo mostra que a variância da produção industrial é quase totalmente
explicada pela própria produção industrial. Com o aumento do número de períodos, o
DIESEL passa a exercer uma importante influência na variância da produção industrial.
O mesmo comportamento ocorre com GASOL, mas de forma menos expressiva.
33
Tabela 08 - Decomposição da variância
LIPICE
Período Erro padrão LIPICE LEE LDIESEL LGASOL LGLP
1 0.069162 100.0000 0.000000 0.000000 0.000000 0.000000
2 0.084249 98.63879 0.022421 1.074528 0.222354 0.041903
3 0.098299 95.15895 0.018829 3.560906 0.879078 0.382233
4 0.103159 88.58346 0.570991 8.502181 1.790025 0.553340
5 0.106882 83.71691 0.995328 12.42051 2.297830 0.569423
6 0.110570 78.32567 1.463076 15.77212 3.824194 0.614935
7 0.113845 74.15566 1.919955 18.47205 4.864132 0.588208
8 0.117014 70.40131 2.249216 20.85483 5.911061 0.583574
9 0.119975 67.37653 2.544706 22.83657 6.672956 0.569236
10 0.122883 64.64830 2.803796 24.63741 7.350359 0.560136
Fonte: Elaboração do autor.
Os resultados acima sugerem que os combustíveis óleo diesel e gasolina são
capazes de explicar a variância do erro de previsão da produção industrial no Ceará,
devendo ser, portanto, considerados como endógenos nessa relação.
Verifica-se que o consumo de diesel explica aproximadamente 25% da produção
industrial do Ceará no décimo período. Para a mesma época, o consumo de gasolina
explica cerca de 7% do produto da indústria. Esse resultado relativamente expressivo
serve para ressaltar a importância dos combustíveis óleo diesel e gasolina no
funcionamento da indústria cearense.
34
6 – CONSIDERAÇÕES FINAIS
Este estudo teve como objetivo analisar a relação entre produção industrial e
consumo de energia no Estado do Ceará. Para tanto, utilizou dados mensais, de janeiro
de 2000 a março de 2009, relativos ao índice de produção industrial (IPI), energia
elétrica (EE), e produtos derivados de petróleo – gasolina (GASOL), óleo diesel
(DIESEL) e gás natural (GLP). O modelo econométrico utilizado foi um VEC com as
variáveis em primeira diferença.
Os resultados obtidos permitiram concluir que choques na produção industrial
fazem aumentar o consumo de energia, como é esperado. O efeito mais significativo
ocorreu principalmente sobre DIESEL.
Em relação ao teste de causalidade de Granger, os resultados obtidos indicaram a
presença de relação causal entre GASOL, IPI e GLP (a primeira causa Granger nas duas
últimas). Dessa forma, é possível deduzir que políticas que incentivem o aumento do
consumo de gasolina conduzam ao aumento da produção final no Estado. Além disso,
também foi possível constatar que a produção industrial causa, no sentido de Granger,
GASOL, EE, GLP e DIESEL.
Uma explicação para a importância da gasolina, gás natural e óleo diesel na
produção industrial é que esses combustíveis são essenciais para o funcionamento de
máquinas e equipamentos na indústria, além do fato de que o óleo diesel e gasolina
serem elementos essenciais no transporte da produção final. Por essa razão, em virtude
da produtividade industrial do Estado do Ceará ser mais afetada por choques nos
derivados de petróleo do que por choques na oferta de energia elétrica, parece ser mais
adequado ao Estado investir na expansão da oferta de derivados de petróleo.
35
REFERÊNCIAS BIBLIOGRÁFICAS
BLANCHARD, Olivier; SIMON, John. The Long and Large Decline in U.S. Output
Volatility. Brookings Papers on Economic Activity, v. 4, p. 135-64, 2001
ENDERS, W. Applied econometric time series. New York: Jonh Wiley & Sons, 1995.
ENGLE, R. F.; GRANGER, C.W.J. Co-integration and error-correction:
representation, estimation and testing. Econometrica, v. 37, p. 424-438, 1987.
FINN, M. G., Energy Price Shocks, Capacity Utilization and Business Cycle
Fluctuations. Minneapolis: Institute for Empirical Macroeconomics, 1991.
GONZALO, J; PITARAKIS, J. Y. Lag length estimation in large dimensional
systems. Journal of Time Series Analysis, v. 23, p. 401-423, 2002.
HAMILTON, J.D. Time Series Analysis. Princeton: Princeton University Press, 1994.
HARRIS, Richard I.D. Cointegration analysis in econometric modeling. London:
Prentice Hall, 1995.
HARVEY, A. The Econometric Analysis of Time Series. 2. Ed. Massachusetts: The
MIT Press, 1987.
HOLLAUER, Gilberto; BAHIA, Luis Dias; ISSLER, João Victor. Modelos Vetorias de
Correção de Erro Aplicados à Previsão de Crescimento da Produção Industrial.
Brasília: IPEA, 2006.
HOPE, E.; SING, B. Energy Price Increases in Developing Countries. Washington:
Policy Research Working Paper, n.1442, 1995.
IRFFI, Guilherme Diniz. Previsão da Demanda de Energia Elétrica para o Nordeste
Utilizando OLS Dinâmico e Mudança de Regime. 2007. 63 p. Dissertação (Mestrado
em Economia) – Curso de Pós Graduação em Economia – CAEN, Universidade
Federal do Ceará. Fortaleza. 2007.
36
LUCAS, R. E. Econometric Policy Evaluation:A Critique. North-Holland: Carnegie-
Rochester Conference Series. 1976.
PERRON, P. Trend, unit root and structural change in macroeconomic time series.
In: RAO, B. B. Cointegration for the applied economist. New York, ST. Martin’s
Press, 1994.
ROTEMBERG, J.J., WOODFORD, M. Imperfect Competition and the Effects of
Energy Price Increases on Economic Activity. NBER Working Paper, 1996.
SARY, R., SOYTAS, U. Disaggregate energy consumption, employment, and
income in Turkey. Energy Economics v.26, p. 335-344. 2004.
SIMS, C. Macroeconomic and Reality. Econometrica, v. 48, n.1, p. 1-48, 1980.
SOYTAS, U., SARY, R. The relation between energy and production: Evidence
from Turkish manufacturing industry. Energy Economics. 2006.
STOCK, J. H.; WATSON, M.W. Forecasting Output and Inflation: The Role of
Asset Prices. Journal of Economic Literature, Vol. 41, n. 3, p. 788-829, 2003.
37
ANEXO 1
Gráfico 07 - Função impulso-resposta
- .01
.00
.01
.02
.03
.04
.05
.06
.07
1 2 3 4 5 6 7 8 9 10
Response of LIPICE to LIPICE
-.01
.00
.01
.02
.03
.04
.05
.06
.07
1 2 3 4 5 6 7 8 9 10
Response of LIPICE to LEE
-.01
.00
.01
.02
.03
.04
.05
.06
.07
1 2 3 4 5 6 7 8 9 10
Response of LIPICE to LDIESEL
-.01
.00
.01
.02
.03
.04
.05
.06
.07
1 2 3 4 5 6 7 8 9 10
Response of LIPICE to LGASOL
-.01
.00
.01
.02
.03
.04
.05
.06
.07
1 2 3 4 5 6 7 8 9 10
Response of LIPICE to LGLP
-.01
.00
.01
.02
.03
.04
.05
1 2 3 4 5 6 7 8 9 10
Response of LEE to LIPICE
-.01
.00
.01
.02
.03
.04
.05
1 2 3 4 5 6 7 8 9 10
Response of LEE to LEE
-.01
.00
.01
.02
.03
.04
.05
1 2 3 4 5 6 7 8 9 10
Response of LEE to LDIESEL
-.01
.00
.01
.02
.03
.04
.05
1 2 3 4 5 6 7 8 9 10
Response of LEE to LGASOL
-.01
.00
.01
.02
.03
.04
.05
1 2 3 4 5 6 7 8 9 10
Response of LEE to LGLP
-.02
.00
.02
.04
.06
1 2 3 4 5 6 7 8 9 10
Response of LDIESEL to LIPICE
-.02
.00
.02
.04
.06
1 2 3 4 5 6 7 8 9 10
Response of LDIESEL to LEE
-.02
.00
.02
.04
.06
1 2 3 4 5 6 7 8 9 10
Response of LDIESEL to LDIESEL
-.02
.00
.02
.04
.06
1 2 3 4 5 6 7 8 9 10
Response of LDIESEL to LGASOL
-.02
.00
.02
.04
.06
1 2 3 4 5 6 7 8 9 10
Response of LDIESEL to LGLP
-.01
.00
.01
.02
.03
.04
.05
1 2 3 4 5 6 7 8 9 10
Response of LGASOL to LIPICE
-.01
.00
.01
.02
.03
.04
.05
1 2 3 4 5 6 7 8 9 10
Response of LGASOL to LEE
-.01
.00
.01
.02
.03
.04
.05
1 2 3 4 5 6 7 8 9 10
Response of LGASOL to LDIESEL
-.01
.00
.01
.02
.03
.04
.05
1 2 3 4 5 6 7 8 9 10
Response of LGASOL to LGASOL
-.01
.00
.01
.02
.03
.04
.05
1 2 3 4 5 6 7 8 9 10
Response of LGASOL to LGLP
-.01
.00
.01
.02
.03
.04
.05
1 2 3 4 5 6 7 8 9 10
Response of LGLP to LIPICE
-.01
.00
.01
.02
.03
.04
.05
1 2 3 4 5 6 7 8 9 10
Response of LGLP to LEE
-.01
.00
.01
.02
.03
.04
.05
1 2 3 4 5 6 7 8 9 10
Response of LGLP to LDIESEL
-.01
.00
.01
.02
.03
.04
.05
1 2 3 4 5 6 7 8 9 10
Response of LGLP to LGASOL
-.01
.00
.01
.02
.03
.04
.05
1 2 3 4 5 6 7 8 9 10
Response of LGLP to LGLP
Response to Cholesky One S.D. Innovations
38
Graf. 08 - Séries em primeira diferença
GLP
-.16
-.12
-.08
-.04
.00
.04
.08
.12
.16
.20
00 01 02 03 04 05 06 07 08
DLGLP
GASOL
-.3
-.2
-.1
.0
.1
.2
.3
00 01 02 03 04 05 06 07 08
DLGASOL
EE
-.4
-.3
-.2
-.1
.0
.1
.2
.3
00 01 02 03 04 05 06 07 08
DLEE
IPI
-.20
-.15
-.10
-.05
.00
.05
.10
.15
00 01 02 03 04 05 06 07 08
DLIPICE
DIESEL
-.20
-.16
-.12
-.08
-.04
.00
.04
.08
.12
.16
00 01 02 03 04 05 06 07 08
DLDIESEL
