Os Impactos do Sentimento do Mercado de Petróleo
nas Variáveis Macroeconômicas: Uma Análise por
Vetores Autorregressivos em Painel
The Impacts of Oil Market Sentiment on
Macroeconomic Variables: A Panel Vector
Autoregression Analysis
Data de recepção: 17 de junho de 2024
Data de aprovação: 31 de julho de 2024
1Doutor em Economia Aplicada - UFPB e Professor Adjunto da UFRPE. Correo electrónico: diegopitta13@hotmail.com.
ORCID: https://orcid.org/0000-0003-3664-2841.
Doutoranda em Economia Aplicada - UFJF e Mestre em Economia Aplicada - UERN. Correo electrónico:
ravilelenna@yahoo.com.br. ORCID: https://orcid.org/0000-0001-8506-3489.
2
1
Diego Pitta de Jesus
Elvira Helena Oliveira de Medeiros2
José Alderir Silva3
Thiago Geovane Pereira Gomes4
Doutor em Economia Aplicada - UFPB e Professor da UFERSA. Correo electrónico: jose.silva@ufersa.edu.br. ORCID:
https://orcid.org/0000-0002-1514-6999.
3
Doutor em Economia Aplicada - UFPB e Professor Adjunto da UERN. Correo electrónico: thiagogeovanep@gmail.com.
ORCID: https://orcid.org/0000-0001-8837-547X.
4
Resumo
Nos últimos anos, as decisões da OPEP sobre a produção do petróleo têm causado
mudanças no preço da commodity e, consequentemente, afetado as variáveis
macroeconômicas dos países. Assim, o objetivo do artigo é construir um índice de
sentimento do mercado de petróleo a partir dos relatórios mensais da OPEP e verificar
os seus efeitos nas variáveis macroeconômicas nos países exportadores e
importadores de petróleo. Para o cálculo da polaridade, utilizou-se um dicionário
específico para textos econômicos e financeiros. Após a construção do índice,
estimou-se um modelo VAR Painel. Os principais resultados mostraram que aumentos
no sentimento do mercado de petróleo, ou seja, mais otimismo no mercado da
commodity é capaz de elevar o produto da economia, reduzir a taxa de juros de curto
prazo e elevar a taxa de inflação. Além disso, mais otimismo no mercado ocasiona
preços menores do petróleo. Por fim, os resultados também ilustram que, apesar do
efeito significativo do índice de sentimento sobre as variáveis do modelo, essa
magnitude é inferior em relação aos choques do preço do petróleo.
Palavras-chave: mercado de petróleo, análise de sentimentos, OPEP, VAR painel,
impulso-resposta.
Abstract
In recent years, OPEC decisions on oil production have caused changes in the price
of the commodity and, consequently, have affected the macroeconomic variables of
countries. Thus, the objective of the paper is to build an oil market sentiment index
from OPEC’s monthly reports and to verify its effects on macroeconomic variables in
oil exporting and importing countries. To calculate the polarity, a specific dictionary for
economic and financial texts was used. After building the index, a VAR Panel model
was estimated. The main results showed that increases in oil market sentiment, that
is, more optimism in the commodity market, is capable of raising the economy’s
product, reducing the short-term interest rate, and raising the inflation rate. In addition,
more optimism in the market leads to lower oil prices. Finally, the results also illustrate
that despite the significant effect of the sentiment index on the model variables, this
magnitude is lower about oil price shocks.
Keywords: oil market, sentiment analysis, OPEC, VAR panel, impulse-response.
1. Introdução
O petróleo tem desempenhado um papel fundamental nas economias globais,
sendo considerado um dos recursos naturais mais valiosos e estratégicos da
atualidade. Sua importância reside na ampla gama de aplicações e produtos
derivados que impulsionam setores-chave da economia como transporte, indústria,
agricultura e geração de energia. Além de ser uma fonte de combustível indispensável
para veículos e máquinas, o petróleo também é utilizado como matéria-prima na
produção de plásticos, fertilizantes, lubrificantes e uma variedade de produtos
químicos. O seu papel central nas economias é refletido na influência que os preços
do petróleo exercem sobre os mercados financeiros e no impacto que as flutuações
na oferta e demanda têm sobre o crescimento econômico mundial.
Estudos realizados por Rafiq, Salim e Bloch (2009) revelaram que mudanças
nos preços do petróleo ou o aumento da volatilidade no mercado de futuros podem
resultar em níveis mais elevados de incerteza tanto nas variáveis macroeconômicas
de um país quanto no seu desenvolvimento. Esses achados são corroborados por Vo
(2011), que destaca o impacto dos choques positivos nos preços do petróleo,
considerando que grande parte da matriz energética global depende dessa
commodity. Esses choques podem acarretar um aumento nos custos de produção
para as empresas, levando a uma elevação da inflação, diminuição da confiança do
consumidor e, consequentemente, uma influência negativa no crescimento econômico
(Bezerra, 2019).
A literatura econômica apresenta uma variedade de estudos que abordam os
impactos dos choques nos preços do petróleo nas variáveis macroeconômicas.
Hamilton (1983) conduziu um estudo pioneiro na economia norte-americana,
sugerindo uma possível relação causal entre o aumento dos preços do petróleo e a
atividade econômica. Posteriormente, outros trabalhos utilizaram a técnica de Vetores
Auto-Regressivos (VAR) para analisar a relação entre choques nos preços do petróleo
e variáveis macroeconômicas, como Bernanke et al. (1997), que investigou a resposta
da política monetária a esses choques, dentre outros inúmeros trabalhos que
utilizaram modelos VAR e P-VAR. Hamilton (1983), Bernanke et al. (1997) e Zhao et
al. (2016) destacaram a existência de uma relação entre os choques no preço do
petróleo e as alterações nas variáveis macroeconômicas. Nessa perspectiva, Kilian e
Park (2009) classificou os choques do petróleo em três tipos distintos: choques de
oferta, que estão relacionados a mudanças na produção mundial de petróleo; choques
na demanda global por commodities; e choques de demanda específicos do petróleo,
que se referem a mudanças individuais no nível de preço do petróleo bruto. Além
desses, Kilian e Murphy (2014) ressaltaram a existência de um quarto tipo de choque,
conhecido como choque especulativo, que pode influenciar as variáveis nacionais e
está relacionado aos estoques de petróleo.
Conforme apontado por Bhar e Nikolova (2009), o preço do petróleo tem
impactos diferenciados entre países importadores e exportadores desse produto.
Choques nos preços do petróleo afetam uma economia importadora por meio da
oferta, dos termos de troca e da demanda. Os autores também afirmam que o nível
de vulnerabilidade econômica será determinado pelo grau de importação líquida e
pela dependência do petróleo na economia. Ciner (2013) destaca que os impactos
podem ser observados de duas maneiras distintas: choques nas taxas de desconto
ou no fluxo de caixa das empresas. Como grande parte da energia utilizada pela
indústria é proveniente do petróleo, um aumento nos preços dessa commodity
resultaria em maiores custos para as empresas, afetando os lucros, os dividendos e,
consequentemente, o preço das ações dessas empresas. Por outro lado, preços mais
elevados da commodity podem pressionar a inflação ou elevar as expectativas de
inflação futura, resultando em um aumento nas taxas de juros nominais. Para os
países exportadores, Bhar e Nikolova (2009) indicam que um choque positivo nos
preços do petróleo resultará em um aumento no bem-estar do país devido ao
incremento das receitas de exportação.
Além da distinção convencional entre países exportadores e importadores de
petróleo, é possível classificar os países em desenvolvidos e em desenvolvimento. De
acordo com Narayan et al. (2014), a maioria dos estudos que examinam as mudanças
nos preços do petróleo se concentra na quantificação e análise dos efeitos ocorridos
nos países desenvolvidos. Aastveit, Bjørnland e Thorsrud (2015) corroboram essa
afirmação mencionando que, nas últimas duas décadas, as economias emergentes
apresentaram um crescimento acelerado, enquanto o preço do petróleo bruto mais do
que dobrou nesse período sem resultar em uma resposta negativa na economia
global. Essas considerações têm impulsionado estudos voltados para a análise do
impacto da demanda global no preço do petróleo, bem como nos países emergentes
e em desenvolvimento. Várias pesquisas surgiram com o intuito de elucidar os efeitos
observados em países asiáticos, como exemplificado por Cunado, Jo e Gracia (2015),
Basnet e Upadhyaya (2015), Zhao et al. (2016), entre outros. Além disso, outros
autores se dedicaram a compreender as reações de países em desenvolvimento que
são membros da OPEP, como demonstrado nos estudos de Cashin et al. (2014),
Iwayemi e Fowowe (2011), entre outros.
A Organização dos Países Exportadores de Petróleo (OPEP) desempenha um
papel significativo na formação dos preços do petróleo e na influência das
expectativas dos agentes do mercado. A OPEP é composta por 13 países membros
que possuem uma parcela substancial da produção mundial de petróleo. Como um
cartel, a OPEP tem o poder de regular a oferta de petróleo no mercado global, o que
lhe confere uma influência significativa sobre os preços. Através da coordenação das
políticas de produção e do estabelecimento de cotas de produção para seus membros,
a OPEP busca controlar a oferta de petróleo e, por consequência, o seu preço. As
decisões tomadas pela OPEP, como aumentar ou diminuir a produção, têm um
impacto direto na oferta mundial de petróleo, afetando os preços e as expectativas
dos agentes econômicos. Além disso, as declarações e ações da OPEP são
cuidadosamente monitoradas pelos participantes do mercado, pois elas podem
fornecer sinais e indicadores importantes sobre a direção futura dos preços do
petróleo. As expectativas dos agentes econômicos em relação às políticas e decisões
da OPEP podem desempenhar um papel crucial na formação dos preços do petróleo,
uma vez que afetam as decisões de investimento, produção e consumo de petróleo
em todo o mundo. Portanto, a OPEP exerce uma influência considerável nos preços
do petróleo e suas ações e comunicações desempenham um papel fundamental na
moldagem das expectativas dos agentes econômicos em relação ao mercado de
petróleo.
Além do impacto da OPEP na formação dos preços do petróleo e nas
expectativas dos agentes econômicos, a criação de um índice de sentimento com
base nos relatórios mensais da organização pode desempenhar um papel crucial na
compreensão e na previsão do mercado de petróleo. Os relatórios mensais da OPEP
fornecem informações detalhadas sobre a produção, estoques, demanda e
perspectivas futuras dos países membros. Ao analisar esses relatórios, é possível
extrair insights valiosos sobre a visão e as intenções da OPEP em relação ao mercado
de petróleo.
Dessa forma, a criação de um índice de sentimento a partir dos relatórios
mensais da OPEP traria uma nova dimensão de análise e informação para o mercado
de petróleo, contribuindo para uma melhor compreensão das expectativas e intenções
da organização e auxiliando na tomada de decisões mais informadas e estratégicas
pelos agentes econômicos.
A literatura estabeleceu o valor da análise textual, bem como uma metodologia
geral para converter texto em scores quantitativos que avaliam principalmente as
polaridades dos textos. De acordo com Gentzkow, Kelly e Taddy (2019), as
informações codificadas no texto são um complemento rico para os tipos de dados
mais estruturados tradicionalmente usados na pesquisa empírica. De fato, nos últimos
anos, ocorreu um uso intenso de dados textuais em diferentes áreas de pesquisa.
Nesse cenário, alguns estudos da literatura de choques de petróleo que construíram
índices de sentimento do mercado de petróleo vêm surgindo
1
.
Nesse contexto o objetivo da pesquisa é analisar os efeitos dos choques de
sentimento do petróleo nas variáveis macroeconômicas dos principais países
importadores e exportadores de petróleo. Neste caso, serão analisadas as respostas
de três variáveis macroeconômicas: PIB, inflação e taxa de juros. A escolha das
variáveis de resposta foi baseada em Bernanke et al. (1997). Para tal, será construído
um índice de sentimento textual para o mercado de petróleo com base nos relatórios
mensais da OPEP por meio do dicionário de Loughran e McDonald (2011) e
construído um painel trimestral com 16 economias importadoras e exportadoras de
petróleo com início no primeiro trimestre de 2001 e fim no quarto trimestre de 2022
para a estimação de um modelo de VAR em Painel.
O trabalho busca contribuir para a literatura primeiramente com a construção
de um novo índice de sentimento que representa os tons dos textos publicados
1
Ver os trabalhos de Deeney et al. (2015) e Medeiros, Aragón e Besarria (2023).
mensalmente pela OPEP. Nenhum trabalho até o momento usou o dicionário de
Loughran e McDonald (2011) aplicado aos relatórios da OPEP. Uma vantagem
significativa desse dicionário na criação do sentimento dos relatórios da OPEP, em
comparação com dicionários fixos como o da Stanford e outros dicionários de léxico
fixo, é a sua capacidade de adaptabilidade e especificidade contextual. O dicionário
de Loughran e McDonald (2011) foi desenvolvido especificamente para análise de
sentimento em documentos financeiros e empresariais, o que o torna altamente
relevante para a análise dos relatórios da OPEP, que possuem características e
terminologias específicas do setor de energia. Ao contrário dos dicionários fixos, que
podem não levar em consideração o contexto e o jargão específico da indústria de
petróleo, o dicionário de Loughran e McDonald (2011) foi criado a partir de uma
extensa análise de palavras e expressões encontradas em documentos financeiros,
garantindo uma melhor adequação aos relatórios da OPEP. Ele inclui termos e frases
que são comumente usados nesse contexto, permitindo uma avaliação mais precisa
e abrangente do sentimento expresso nos relatórios. Outra contribuição para a
literatura de choques de petróleo é o uso de um VAR painel, permitindo que os
resultados dos choques possam ser mais generalizados. Além disso, vamos dividir os
países entre importadores e exportadores de petróleo e economias desenvolvidas e
em desenvolvimento.
Além da presente introdução, o trabalho é dividido em mais cinco seções. A
seção 2 irá ilustrar a literatura empírica sobre o tema. A seção 3 apresentará a base
de dados utilizada. A seção 4 ilustrará a metodologia adotada. A seção 5 mostrará os
principais resultados obtidos. Por fim, a seção 6 contém as conclusões do artigo.
2. Revisão da literatura empírica
Durante a década de 1970, ocorreram choques de oferta de petróleo que
tiveram efeitos significativos na economia global. O embargo do petróleo da OPEP em
1973-74 e a Revolução Iraniana em 1979-80 foram eventos marcantes que resultaram
em recessões e períodos prolongados de inflação. Em um artigo pioneiro, Bruno e
Sachs (1985) examinaram os impactos dos preços do petróleo daquela década na
produção e na inflação dos principais países industrializados. Eles argumentaram que
o choque nos preços do petróleo, ao desencadear espirais de preços e salários,
levaria à inflação e à redução do valor agregado da economia. Hamilton (1983), por
sua vez, começou a quantificar o impacto dos preços do petróleo nos agregados
macroeconômicos dos Estados Unidos. Suas pesquisas revelaram que a maioria das
recessões nos EUA foi precedida por aumentos no preço do petróleo, sugerindo que
os aumentos nos preços do petróleo desempenham um papel fundamental como uma
das principais causas das recessões.
Uma ampla gama de pesquisas relacionadas à interação entre os preços da
energia e o desempenho macroeconômico têm se dedicado a destacar a importância
de identificar a origem das flutuações nos preços do petróleo, seja por choques de
demanda ou por oferta, em vez de assumir que as variações no preço do petróleo são
exógenas à evolução da atividade econômica global (Hamilton (2009); Kilian e Park
(2009); Alsalman e Karaki (2019); Herrera, Karaki e Rangaraju (2019)).
De acordo com Hamilton e Herrera (2004), há indícios de que a magnitude do
efeito da política monetária em evitar um aumento da taxa de juros, como
consequência contracionista, diante de um choque adverso nos preços do petróleo,
não é significativa o bastante, contrariando as conclusões de Bernanke et al. (1997).
Essa constatação sugere que os choques do petróleo podem ter um impacto maior na
economia do que o previamente demonstrado. A justificativa para esse resultado está
relacionada ao número incorreto de defasagens no modelo autorregressivo utilizado
por Bernanke et al. (1997). Apesar disso, Hamilton e Herrera (2004) ressaltam que a
eficácia da implementação da política monetária necessária para neutralizar pequenos
choques nos preços do petróleo ainda é incerta.
No entanto, ao utilizar o método dos mínimos quadrados, Kilian (2008) sugere
que apenas uma parcela reduzida dos aumentos no preço do petróleo durante a
década de 1970 pode ser atribuída à redução na produção de petróleo. Desde então,
choques exógenos na produção de petróleo têm tido um impacto limitado no
comportamento da economia dos Estados Unidos. Kilian e Park (2009), por sua vez,
empregam um modelo VAR estrutural para identificar os choques de demanda e oferta
no mercado global de petróleo. Os resultados do estudo indicam que um aumento
positivo no preço do petróleo pode ter efeitos distintos sobre o preço real dessa
commodity, dependendo da causa subjacente do aumento, o que por sua vez
determina a trajetória final da variável de resposta. Por exemplo, um aumento na
demanda por petróleo resulta em um rápido, duradouro e significativo aumento no
preço real do petróleo. Em contraste, uma redução na oferta de petróleo causa um
aumento menor e transitório no preço real desse recurso nos períodos iniciais.
Lopez-Murphy e Villafuerte (2010) conduziram uma investigação sobre as
reações da política fiscal dos países exportadores de petróleo, incluindo o GCC, diante
das flutuações nos preços desse recurso, utilizando indicadores como o saldo primário
não petrolífero, entre outros. Suas conclusões apontam que a política fiscal foi
predominantemente pró-cíclica. Durante os períodos de expansão entre 2004 e 2008,
observou-se uma política fiscal expansionista, porém, em 2009, diante da queda no
preço do petróleo iniciada em julho de 2008, essa política se tornou contracionista. Os
autores também evidenciaram uma correlação negativa entre o nível de renda e a
política fiscal pró-cíclica. Em relação aos países do GCC, o estudo investigou o
impacto do boom do petróleo na década de 1970 nas economias da Arábia Saudita e
dos Emirados Árabes Unidos, revelando que ambos os países experimentaram altas
taxas de crescimento real do PIB não petrolífero durante esse período, em parte
devido a uma gestão eficiente dos gastos públicos. No entanto, quando os preços do
petróleo caíram no início dos anos 1980, tanto a Arábia Saudita quanto os Emirados
Árabes Unidos enfrentaram um período prolongado de baixo crescimento, pois os
aumentos nos gastos públicos foram revertidos devido à redução das receitas
provenientes do petróleo.
Cavalcanti e Jalles (2013) realizaram uma análise dos choques nos preços do
petróleo em duas economias distintas, Brasil e Estados Unidos. Os pesquisadores
examinaram o impacto desses choques na inflação e no PIB durante dois períodos
distintos: 1975-1984 e 1985-2008. Utilizando um modelo autorregressivo multivariado,
os resultados apontaram para uma redução na volatilidade da atividade econômica
nos Estados Unidos, bem como uma diminuição do impacto dos choques nos preços
do petróleo nessa volatilidade. No caso do Brasil, verificou-se um efeito incerto dos
choques nos preços do petróleo sobre a atividade econômica, com baixo impacto na
inflação e na volatilidade da taxa de crescimento do produto.
Cashin et al. (2014) utilizaram a abordagem de restrição de sinal em um modelo
VAR global para distinguir entre choques globais de preço do petróleo impulsionados
pela oferta e pela demanda em trinta e oito países e regiões, durante o período de
1979 a 2011, com dados trimestrais. Os resultados de sua pesquisa ressaltam a
importância da origem do preço do petróleo na análise dos desequilíbrios
macroeconômicos tanto para países importadores de petróleo quanto para os
principais produtores de commodities. O estudo demonstrou que é crucial diferenciar
os países importadores líquidos de petróleo dos exportadores desse mesmo
combustível ao explorar as consequências macroeconômicas de um choque de preço
de oferta desse recurso. Enquanto os países importadores de petróleo normalmente
experimentam uma queda prolongada na atividade econômica após choques de oferta
desse recurso, o efeito é positivo para os grandes países exportadores do
combustível. Em relação à demanda no mercado global de petróleo, não há distinções
entre os países. O estudo revela que a produção real responde de forma positiva no
curto prazo ao choque de demanda de petróleo em quase todos os países analisados
e também aborda a questão da inflação de custos adicionais.
Aastveit, Bjørnland e Thorsrud (2015) trazem uma contribuição significativa à
literatura ao analisar a relevância da demanda das economias emergentes e
desenvolvidas na determinação do preço real do petróleo. Para isso, os
pesquisadores utilizaram uma abordagem de Vetor Auto-Regressivo de Fator
Aumentado (FAVAR) que incorpora indicadores observáveis da produção mundial de
petróleo e do preço real desse recurso. Os resultados mostram que a demanda dos
países em desenvolvimento, especialmente os asiáticos, desempenha um papel duas
vezes mais importante nas flutuações do preço real do petróleo. Além disso, foi
observado que diferentes regiões geográficas são impactadas de maneiras distintas
por um choque positivo no preço real do combustível.
O trabalho de Deeney et al. (2015) contribui para a literatura trazendo a análise
textual para o tema de choques de petróleo. O estudo examinou a importância do
sentimento e das emoções dos investidores na formação dos preços do recurso e no
comportamento dos participantes do mercado. Os autores utilizam uma abordagem
inovadora que envolve a análise de dados textuais, como notícias e relatórios, para
medir o sentimento e sua relação com as flutuações do preço do petróleo. A pesquisa
contribuiu para a compreensão dos fatores psicológicos que influenciam os mercados
de commodities e destaca a relevância do sentimento na tomada de decisões dos
investidores. Além disso, o estudo forneceu insights valiosos sobre a eficiência dos
mercados de petróleo e a dinâmica entre o sentimento do mercado e os fundamentos
econômicos.
Seguindo a mesma linha, o trabalho de Medeiros, Aragón e Besarria (2023)
aborda a relação entre o sentimento no mercado de petróleo e as variáveis
macroeconômicas. O estudo investigou como as emoções e o sentimento dos
participantes desse mercado podem afetar aspectos como o crescimento econômico,
a inflação, o investimento e o consumo. O índice de sentimento foi construído a partir
do dicionário de léxico fixo de Stanford. Os autores utilizam uma abordagem empírica
que combina dados de sentimento do mercado de petróleo com séries temporais de
indicadores macroeconômicos. A pesquisa contribuiu para a compreensão dos canais
de transmissão entre o sentimento desse mercado e as variáveis econômicas,
fornecendo insights sobre a influência psicológica e comportamental nos mercados
financeiros. Além disso, o estudo pode auxiliar na formulação de políticas econômicas
e estratégias de investimento mais informadas, considerando os efeitos do sentimento
do mercado de petróleo nas variáveis macroeconômicas.
3. Metodologia
Dados
Nesta pesquisa, usamos dados trimestrais para as variáveis macroeconômicas
e para o índice de sentimento do mercado de petróleo. O PIB nominal, a taxa de
inflação e a taxa de juros foram obtidas na base de dados do site da Organização para
a Cooperação e Desenvolvimento Econômico (OCDE). Além dessas variáveis usadas
no trabalho de Bernanke et al. (1997), adicionamos o preço do petróleo Brent,
enquanto que o índice de sentimento foi construído a partir dos relatórios sobre o
mercado mundial de petróleo da OPEP. Além disso, o período de amostragem dos
dados foi do primeiro trimestre de 2001 ao quarto trimestre de 2022. Todas as séries
foram utilizadas na forma logarítmica
2
. As variáveis são apresentadas na tabela 1.
2
As variáveis foram transformadas para aumentar a convergência numérica dos algoritmos de estimação utilizados
no modelo VAR Painel.
Tabela 1. Descrição dos dados
Variável
Símbolo
Fonte
PIB Nominal
GDP
OECD DataBase
Taxa de Inflação
CPI
OECD DataBase
Taxa de Juros de Curto Prazo
IR
OECD DataBase
Preço do Petróleo Brent
OIL_PRICE
FRED
Índice de Sentimento
OIL_SENT
Construção própria
Fonte: elaboração dos autores
Foram escolhidos 16 países e selecionados com relação às suas posições nos
mercados e economias de petróleo para representar diferentes níveis de
desenvolvimento e dependência do petróleo. A tabela 2 agrupa os países com base
nos níveis de dependência do petróleo (exportador versus importador). Assim como
no trabalho de Narayan et al. (2014), utilizamos a definição de exportador líquido e
importador líquido.
Tabela 2. Países selecionados
Exportador
Importador
Canadá
Alemanha
Noruega
Estados Unidos
Arábia Saudita
França
Rússia
Japão
Colômbia
Brasil
Nigéria
China
Emirados Árabes
Coreia do Sul
Irã
Índia
Fonte: elaboração dos autores
Os países foram selecionados para compor a amostra de análise deste estudo
a partir de suas participações como exportadores e importadores com base no ranking
fornecido pela U.S. Energy Information Administration (EIA).
Quando se trata dos principais países exportadores de petróleo, a Organização
dos Países Exportadores de Petróleo (OPEP) desempenha um papel fundamental. A
OPEP é uma aliança de países produtores de petróleo que coordena as políticas de
produção e os preços desse combustível. Alguns dos principais países exportadores
do recurso são a Arábia Saudita, a Rússia, os Estados Unidos, o Canadá, o Iraque, o
Irã e os Emirados Árabes Unidos. Esses países têm uma produção significativa de
petróleo e desempenham um papel crucial na oferta global.
Por outro lado, os principais países importadores de petróleo são aqueles que
têm uma demanda substancial por essa commodity, mas não produzem o suficiente
para atender às suas necessidades internas. Entre os principais países importadores
de petróleo estão os Estados Unidos, China, Japão, Índia, Alemanha e Coreia do Sul.
Esses países dependem das importações desse recurso para abastecer suas
economias e setores energéticos.
Construindo o índice de sentimento
Com o objetivo de contribuir para a literatura sobre os efeitos dos choques do
petróleo nas variáveis macroeconômicas, desenvolvemos uma medida de sentimento
para o mercado global de petróleo distinta das existentes na literatura. Essa medida é
baseada na análise dos relatórios mensais fornecidos pela OPEP, abrangendo o
período de janeiro de 2001 a dezembro de 2022, totalizando 264 relatórios. Como as
variáveis macroeconômicas possuem uma frequência trismestral, transformamos o
índice de sentimento em trimestre, totalizando 88 observações. O Relatório Mensal
do Mercado de Petróleo contém uma riqueza de informações, incluindo
desenvolvimentos na economia mundial, dados sobre preços de petróleo, oferta e
demanda, estoques de petróleo e produtos e muito mais.
Nesta seção, descreveremos a metodologia utilizada para a construção do
índice de sentimento (S) com base nos textos dos relatórios da OPEP. Cada índice St
tem como objetivo capturar parte das informações contidas na narrativa do relatório
no momento t, referente a cada documento em nossa amostra. Essa medida permite
resumir milhares de palavras em um único número. Para obter cada série de
sentimento St, usamos a abordagem de léxico fixo de Loughran e McDonald (2011).
De acordo com Shapiro, Sudhof e Wilson (2020), o dicionário de Loughran e McDonald
consiste em uma lista de palavras que foram previamente categorizadas como
positivas, negativas ou neutras em relação ao contexto financeiro. Cada palavra do
dicionário possui uma polaridade associada, indicando se ela tem uma conotação
positiva ou negativa.
A utilização desse dicionário envolve a contagem de palavras de um
determinado texto que correspondem às palavras presentes no dicionário. Com base
nessa contagem, é possível calcular uma pontuação de sentimento, que representa a
proporção de palavras positivas ou negativas em relação ao total de palavras do texto.
Essa pontuação de sentimento pode ser usada como uma medida de polaridade ou
emoção presente no texto analisado (Shapiro, Sudhof e Wilson, 2020).
Antes de realizar a análise lexicográfica nos documentos, foram aplicadas
várias transformações no texto original. Inicialmente, o texto foi dividido em
sequências de substrings (tokens), com todos os caracteres convertidos para letras
minúsculas. Em seguida, foram removidas as stop words em inglês e o texto foi limpo
utilizando a função tolower do pacote R.
Por fim, calculamos o índice de sentimento pela diferença entre palavras
positivas e negativas, dividida pela soma de palavras positivas e negativas, como foi
proposto por Hubert e Labondance (2018):
(1)
Portanto, obtemos a medida de sentimentos, S, que varia entre -1 e 1.
VAR painel
O objetivo deste artigo é o de construir um índice de sentimento do mercado de
petróleo a partir de relatórios mensais da OPEP e verificar as interações de causa e
efeitos entre as variáveis macroeconômicas nos países exportadores e importadores
de petróleo, de modo que todas as variáveis se tornam endógenas no modelo. Diante
disso, o método de Vetores Autorregressivos para Dados em Painel (VAR Painel ou
Panel VAR) se torna o mais apropriado. Para se obter resultados mais eficientes,
também será adotada a técnica Generalized Method of Moments (GMM/IV) de
Arellano e Bond (1991).
Quando as variáveis independentes estão correlacionadas com o termo de erro
do modelo de regressão, como é o caso da variável sentimento do mercado de
petróleo com as variáveis macroeconômicas, as estimativas dos parâmetros podem
ser inconsistentes e enviesadas. Para evitar esses problemas de endogeneidade,
aplicam-se variáveis instrumentais que, embora estejam correlacionadas com as
variáveis endógenas, não estão correlacionadas com o termo de erro de modelo. No
caso de dados em painel, uma forma de se fazer isso é utilizar o Var Painel ou método
de estimador de variáveis instrumentais para painel, como também é conhecido.
A relação dinâmica entre as variáveis dentro da metodologia de PVAR pode ser
representada como:
(2)
na qual denota um dos 16 países selecionados que fazem parte da
amostra de dados, e é o período (em trimestres) de análise.
Na equação 1.4
, é um vetor de n variáveis Xit para estimar a função
de produção de ideias e a função de produção, sendo todas as variáveis endógenas
para o país i no tempo t, é um vetor de efeitos fixos invariante no tempo,
representa efeitos no tempo não observáveis, A(.) são matrizes de coeficientes
defasados, L é um operador de lag. Por fim, é um vetor de erros indiossincráticos.
A equação 1.4 pode ser estimada em conjunto com efeitos fixos, mas os
resultados seriam enviesados mesmo considerando um N e T grandes. Isso também
ocorreria se os parâmetros fossem estimados de modo independente do efeito fixo,
equação por equação, através do método de mínimos quadrados ordinários (Baltagi,
2008).
Esse problema pode ser eliminado aplicando a técnica Generalized Method of
Moments, de Arellano e Bond (1991), denominada de Helmert, que é consistente
independentemente do tamanho de T na amostra. Esse procedimento sugere o desvio
ortogonal avançado como uma transformação alternativa para eliminar os efeitos fixos
individuais, na qual subtrai a média direta das variáveis no VAR. Por exemplo, se a
variável GDP permite
para i = 1, ..., N; t = 1, ..., T ser
sua média direta, a transformação Helmert é
(3)
Em que
(4)
Logo, o modelo VAR painel transformado final é:
(5)
A equação (1.4) transformada é
(6)
Com essa transformação, as variáveis defasadas se tornam ortogonais às
variáveis originais e, assim, se tornam instrumentos válidos uma vez que não estão
incluídas na transformação. Portanto, são essas relações ortogonais que fornecem as
condições de necessárias para estimar o VAR painel utilizando o método GMM.
Com base na equação (6), o foco é direcionado para a estrutura autorregressiva
do VAR painel, com o objetivo de determinar a estabilidade do modelo. A equação (6)
pode ser reescrita como
(7)
Em que
Assim, conforme Lütkepohl (2005), se todos os autovalores de A(L) em módulo
forem menores que a unidade, B(L) atende à condição de estabilidade e, portanto, é
invertível.
Desse modo, a condição de estabilidade implica que o VAR em painel é
invertível, permitindo a obtenção de uma representação de média móvel de vetor
infinito (VMA). A interpretação da VMA ocorre por meio das funções de impulso-
resposta e pela decomposição da variância do erro de previsão. Em outras palavras,
podemos expressar a VMA do PVAR da seguinte forma:
(8)
Em que
Devido à correlação contemporânea entre os distúrbios , as funções de
impulso-resposta não possuem interpretação causal, o que significa que um choque
em uma variável pode ser acompanhado por choques em outras variáveis. Para
contornar esse problema, é comumente utilizada a decomposição de Cholesky. Após
a estimativa do VAR, os termos de erro são identificados por meio dessa
decomposição permitindo a geração das funções de impulso-resposta.
Partindo do pressuposto que temos uma matriz P, tal que , em que P
é uma matriz triangular inferior que permite ortogonalizar os distúrbios como e
transformar os parâmetros VMA em funções de impulso-resposta ortogonalizadas
Os intervalos de confiança das funções de impulso-resposta serão estimados através
de simulações de Monte Carlo, com base em 500 simulações do modelo em questão.
No entanto, é importante destacar que os resultados das funções de impulso-
resposta estimadas podem depender da ordem de entrada das variáveis na
decomposição de Cholesky. A ordem das variáveis deve ser selecionada de forma que
os choques nas variáveis iniciais afetem as subsequentes na ordem especificada,
enquanto os choques nas posteriores afetem apenas as variáveis anteriores com um
período de defasagem. Portanto, a ordenação das variáveis deve seguir uma lógica
que vai da mais exógena para a mais endógena, o que implica que a variável PIB per
capita deve ser a última na ordem de entrada do nosso modelo.
4. Resultados
Testes
A presente seção de resultados se inicia com análise da estacionariedade das
variáveis. Segundo Pesaran (2006), a estacionariedade é um pressuposto
fundamental para a estimação e a inferência corretas em modelos VAR de painel. A
falta de estacionariedade pode levar a resultados inconsistentes e pouco confiáveis,
afetando a validade das conclusões obtidas a partir do modelo. Caso as variáveis
possuam raiz unitária, recomenda-se a aplicação do processo de primeira diferença.
Utilizamos o teste de Im, Pesaran e Shin (2003) para testar a hipótese de raiz
unitária. De acordo com os autores o teste IPS, é especialmente útil para lidar com a
questão da dependência cruzada em painéis de dados, onde as séries temporais de
diferentes unidades podem estar inter-relacionadas. Ele permite a análise da
estacionariedade das séries em um contexto de painel, considerando tanto a
estacionariedade individual de cada série quanto a conjunta entre elas. A hipótese
nula do teste IPS é de que as séries são não estacionárias. Os resultados são
apresentados na tabela 3.
Tabela 3. Teste de raiz unitária de Im-Pesaran-Shin
Variável
t-bar
t-tilde-bar
Z-t-tilde-
bar
P-Valor
GDP
-8.8285
-6.2345
-20.0448
0.0000
CPI
-7.8311
-5.9152
-18.6177
0.0000
IR
-6.8049
-5.3105
-16.1843
0.0000
OIL_PRICE
-9.2736
-6.5574
-6.5574
0.0000
OIL_SENT
-18.7132
-8.2798
-28.5782
0.0000
Fonte: elaboração dos autores
É possível notar que o logaritmo de todas as variáveis incluídas no modelo
demonstra que são estacionárias, portanto, não é necessário o uso da primeira
diferença ou transformar as variáveis. Esse fato já era esperado, pois a aplicação do
logaritmo muda a escala das variáveis, tornando-as mais suavizadas e, dessa forma,
reduzindo a probabilidade de detecção de raiz unitária.
O próximo passo é verificar se existe cointegração, ou seja, uma relação de
longo prazo entre as variáveis do modelo. Caso seja constatada, teremos que
adicionar o termo de correção de erro e estimar um modelo VEC. Para testar a
hipótese de cointegração foi utilizado o teste de Pedroni (1999). De acordo com o
autor, o teste de cointegração de Pedroni utiliza o conceito de vetores autoregressivos
(VAR) em uma estrutura de painel. Ele permite testar a hipótese nula de não
cointegração entre as séries, indicando a ausência de relação de longo prazo. A
hipótese alternativa é de que existe cointegração entre as séries, ou seja, uma relação
estável no longo prazo.
Existem diferentes versões do teste de cointegração de Pedroni, dependendo
das características dos dados em análise, como a presença de tendências
determinísticas e efeitos fixos ou aleatórios. Além disso, o teste de Pedroni permite a
inclusão de variáveis exógenas no modelo de cointegração, fornecendo uma análise
mais abrangente das relações entre as séries (Pedroni, 1999). Os resultados são
apresentados na tabela a seguir.
A Tabela 4 mostra que a hipótese de não cointegração não pode ser rejeitada.
Logo, não é necessário estimar um modelo VEC. Assim, pode-se prosseguir para
estimação de um modelo VAR tradicional.
Outra etapa relevante do processo de estimação de um modelo VAR é a
ordenação das variáveis de entrada no modelo. Segundo Lütkepohl (2005), a ordem
das variáveis no modelo VAR determina a dinâmica temporal e as relações de
causalidade entre as séries. A discussão sobre a ordenação das variáveis em um
modelo VAR envolve considerações teóricas, econômicas e empíricas. O autor ainda
diz que existem diferentes abordagens e critérios para determinar a ordenação das
variáveis em um modelo VAR e a escolha adequada depende das características dos
dados e das perguntas de pesquisa específicas. Uma delas é o uso de um teste
causalidade. O mais utilizado na literatura é o teste de causalidade de Granger (1969).
Tabela 4. Teste de cointegração de Pedroni
Estatística
Estatística
P-Valor
Estatística
P-Valor
Panel v-Statistic
-2.668629
0.9962
-3.257813
0.9994
Panel rho-Statistic
3.012774
0.9987
3.902261
1.0000
Panel PP-Statistic
2.040170
0.9793
4.116955
1.0000
Panel ADF-Statistic
2.820816
0.9976
4.946756
1.0000
Fonte: elaboração dos autores
De acordo com Granger (1969), o teste é baseado na ideia de que uma variável
X "causa" outra variável Y se a informação passada de X contém informações
adicionais que ajudam a prever Y, além das informações contidas no próprio histórico
de Y. Em outras palavras, se a inclusão de X como variável explicativa melhora a
capacidade de previsão de Y em comparação com um modelo que não inclui X, então,
se pode inferir que X Granger-causa Y.
Se o teste indicar que uma variável X Granger-causa outra variável Y com
significância estatística, isso sugere que X deve ser incluída antes de Y na ordem das
variáveis. Assim, a partir dos resultados do teste de causalidade, pode-se ordenar as
variáveis do modelo de acordo com essa sequência. Os resultados do teste de
Granger (1969) podem ser visualizados na tabela 5.
Tabela 5. Teste de causalidade de Granger em Painel
Variáveis Independentes
Variáveis
Dependentes
GDP
IR
CPI
OIL_P RIC
E
OIL_SEN
T
GDP
-
11.14436***
1.160505
42.34810***
49.27882***
IR
2.812961
-
45.80193***
20.53324***
10.65370***
CPI
4.271267
3.724092
-
26.48808***
26.48808***
OIL_PRIC E
12.60681***
9.821522***
0.090710
-
6.651044**
OIL_SENT
2.712884
14.13302***
6.617872*
21.57757***
-
Fonte: elaboração dos autores
Nota. *** p < 0,01, ** p < 0,05 e * p < 0,10
Pode-se observar pelo teste de causalidade que a ordem das variáveis no
modelo é: Índice de sentimento; Preço do Petróleo; Taxa de inflação; Taxa de juros e
PIB. Vale ressaltar que essa ordenação a partir do teste de Granger (1969) não pode
ser considerada definitiva. A literatura recomenda uma análise de sensibilidade para
verificar se os resultados do modelo VAR são sensíveis a ordenações distintas.
Outra questão é saber se o modelo VAR painel será um modelo com efeito fixo
ou efeito aleatório. Para isso, usa-se o teste de Hausman e Taylor (1981). De acordo
com os autores, esse teste é usado em análise de dados em painel para distinguir
entre os modelos de efeitos fixos e aleatórios. Esses modelos são utilizados para lidar
com a presença de heterogeneidade não observada nas unidades individuais em um
painel de dados.
A hipótese nula do teste de Hausman é que o estimador de efeitos aleatórios é
consistente e eficiente, enquanto a hipótese alternativa é que o estimador de efeitos
fixos é preferível porque leva em conta a correlação entre o componente não
observado e as variáveis independentes. Se o teste de Hausman rejeitar a hipótese
nula, isso indica que o modelo de efeitos fixos é mais apropriado, pois a
heterogeneidade não observada está correlacionada com as variáveis independentes.
Por outro lado, se o teste não rejeitar a hipótese nula, o modelo de efeitos aleatórios
é preferível, pois a heterogeneidade não observada não está correlacionada com as
variáveis independentes. A tabela a seguir mostra os resultados do teste de Hausman
e Taylor (1981).
Tabela 6. Teste de Hausman
Variável
Dependente
Chi-
Quadrado
P-
Valor
GDP
18.097736
0.0012
CPI
213.801894
0.0000
IR
314.659585
0.0000
OIL_PRICE
34.211610
0.0000
OIL_SENT
96.667738
0.0000
Fonte: elaboração dos autores
A tabela 6 evidencia que, estimando as cinco regressões com efeito fixo e
aleatório, pode-se rejeitar a hipótese nula de efeito aleatório. Então, o modelo VAR
deverá ser estimado com efeito fixo.
Por fim, o último passo para a especificação do modelo VAR é o número ótimo
de lags. Normalmente, utilizam-se alguns critérios estatísticos, como o critério de
informação de Akaike (AIC) e o critério de informação bayesiano (BIC), para
determinar o número de lags em um modelo VAR. A tabela 7 mostra os resultados
dos critérios.
Tabela 7. Critérios estatísticos de seleção do lag
La
g
LogL
LR
FPE
AIC
SC
HQ
0
-30373.82
NA
3.58e+66
173.1101
173.1871
173.1407
1
-26370.06
7825.007
5.85e+56
150.5758
151.1918*
150.8210
2
-26227.94
272.0877
3.44e+56
150.0453
151.2002
150.5049
3
-26156.97
133.0460
3.04e+56
149.9201
151.6140
150.5942
4
-26085.37
131.3697
2.68e+56
149.7913
152.0242
150.6800
5
-26013.95
128.1892
2.36e+56
149.6635
152.4354
150.7667
6
-25929.38
148.4159
1.93e+56
149.4609
152.7717
150.7786
7
-25777.43
260.6164
1.08e+56
148.8742
152.7240
150.4064
8
-25658.18
199.7656*
7.29e+55*
148.4740*
152.8627
150.2207*
Fonte: Elaboração dos autores
Nota. *indica a ordem de atraso selecionada pelo critério. LR: estatística de teste de LR
modificado sequencial (cada teste no nível de 5%). FPE: erro de previsão final. AIC: critério de
informação Akaike. SC: critério de informação de Schwarz. HQ: critério de informação de
Hannan-Quinn.
É possível notar que 4 critérios estatísticos indicam um lag de 8 e o de
informação de Schwarz indicou duas defasagens. Apesar da maioria dos critérios
escolherem 8 lags, optamos por escolher 2 lags. Essa escolha se justifica pelo
princípio da parcimônia, em que se deve optar por modelos com especificações mais
simples para não perdemos muitos graus de liberdade. Além disso, na prática, um
modelo VAR com 8 lags é um modelo inviável.
Resultados do modelo
Nesta seção, serão apresentados os principais resultados do modelo VAR;
neste caso, as impulso-respostas e as decomposições da variância. A figura 1 mostra
a resposta das variáveis macroeconômicas e do preço do petróleo a um choque de 1
desvio-padrão no sentimento do mercado desse combustível. As linhas pontilhadas
em vermelho indicam o intervalo de confiança obtido por meio de 1000 simulações de
Monte Carlo.
Fonte: elaboração dos autores
Figura 1. Resposta das variáveis a um choque positivo no índice de sentimento
Os resultados ao impulso no índice de sentimento indicam que a resposta no
primeiro período ao choque e o PIB aumentam, a taxa de juros cai, a inflação aumenta
e o preço do petróleo responde com uma forte queda. Primeiramente, com relação ao
sinal das respostas, de fato, era esperada uma resposta negativa do preço do
petróleo. Esse fato ocorre devido a que um índice de sentimento maior significa um
aumento no otimismo nas condições no mercado do combustível. Normalmente, esse
fato está associado a preços menores, inclusive a correlação entre o índice de
sentimento e o preço do petróleo é de -0.35. Do contrário, quando o mercado de
petróleo está mais pessimista, as condições desfavoráveis estão associadas a preços
maiores da commodity.
Com relação às variáveis macroeconômicas, o índice de sentimento mais
otimista elevou o PIB. A priori, o sinal da resposta depende de como o conjunto de
países é afetado pelo mercado de petróleo. Flutuações nos preços e no sentimento
do mercado do combustível podem levar a variações na produção, nos investimentos
e nas exportações, afetando assim o desempenho econômico. Além disso, países que
dependem significativamente das exportações do recurso, especialmente os
produtores e exportadores líquidos dele, tendem a ser mais sensíveis à volatilidade
dos preços do petróleo. Alterações no sentimento do mercado podem afetar os preços
do combustível e, consequentemente, a receita gerada pelas suas exportações.
Por fim, o sentimento do mercado de petróleo pode influenciar a confiança dos
investidores e empresários. Flutuações nos preços e na percepção do mercado
podem criar incertezas e afetar as decisões de investimento. Empresas que
dependem do combustível como insumo podem reduzir os investimentos em
expansão ou contrair suas operações em resposta a mudanças no sentimento do
mercado de petróleo. Isso pode ter impacto negativo no crescimento econômico e no
PIB.
Para o presente artigo, mesmo com uma amostra com metade de países
exportadores e a outra metade de países importadores, o efeito do sentimento do
mercado de petróleo foi positivo sobre o produto na média. Esse resultado difere do
encontrado por Medeiros, Aragón e Besarria (2023), que encontraram uma resposta
negativa. Entretanto, para a amostra dos autores, tal resultado era esperado; ela
possui apenas o Brasil e os Estados Unidos, ou seja, dois países importadores
líquidos de petróleo. O resultado que encontramos é interessante, pois indica que o
efeito que predominou foi uma maior atividade econômica, expansão de setores
relacionados ao petróleo e possivelmente um crescimento geral da economia.
Portanto, o pessimismo no mercado de petróleo pode resultar para esses países em
queda no PIB.
Com relação à resposta da taxa de juros, esta variável reagiu com uma queda
no primeiro período. Esse é um achado interessante na literatura, pois indica que
condições mais otimistas no mercado de petróleo podem reduzir a taxa de juros de
curto prazo dos países. Entretanto, a inflação respondeu positivamente, mas com
magnitude quase zero.
Outro resultado interessante, mas que já era esperado, é que um choque no
índice de sentimento possui uma magnitude alta apenas no preço do petróleo e baixa
magnitude nas variáveis macroeconômicas. Este resultado é confirmado pela figura
2, que ilustra a resposta das variáveis a um choque positivo do preço do petróleo.
Pode-se observar que a magnitude de um choque do preço da commodity é bem
superior ao choque do sentimento de mercado do combustível.
As decomposições da variância do erro de previsão das variáveis
macroeconômicas em anexo corroboram esse fato. Elas mostram que nas três
variáveis macroeconômicas, o preço do petróleo possui uma participação maior que
o índice de sentimento.
As respostas das variáveis ao choque do preço de petróleo estão de acordo
com o que é amplamente reportado na literatura (Bernanke et al., 1997), (Kilian, 2008),
(Kilian e Park, 2009), (Kilian e Murphy, 2014), (Deeney et al., 2015), em que um
aumento no preço do petróleo foi capaz de aumentar o produto, a taxa de inflação e a
taxa de juros das economias. Também é interessante notar que a resposta do índice
de sentimento foi negativa, ou seja, mais pessimista. Esse resultado faz sentido
devido à natureza do próprio relatório da OPEP usado para criar o índice, pois usa a
conjuntura macroeconômica dos países membros e do mundo para justificar
mudanças no preço desse recurso.
Fonte: elaboração dos autores
Figura 2. Resposta das variáveis a um choque positivo no preço do petróleo
Assim, esses resultados trazem à luz da literatura que o sentimento do mercado
de petróleo é capaz de afetar significativamente as variáveis macroeconômica dos
países. Quando consideramos uma amostra com países exportadores e importadores,
os resultados se mostram com maior capacidade de generalização e eliminam o viés
de uma amostra predominantemente com países importadores ou exportadores de
petróleo, como na maioria dos trabalhos da literatura de choques de petróleo que se
restringem a um país ou a um número muito reduzido, não possuindo uma amostra
maior e bem equilibrada em relação às características dos países em relação ao
petróleo.
5. Conclusões
Este artigo procurou verificar os efeitos do sentimento do mercado de petróleo
nas variáveis macroeconômicas de países exportadores e importadores desse
recurso. Assim, foi construído um índice de sentimento a partir dos relatórios mensais
da OPEP, que faz um panorama geral sobre o mercado do combustível e a conjuntura
econômica mundial. Foi usado um dicionário de léxico fixo para textos econômicos e
financeiros.
Os resultados mostram que as informações textuais contidas nos relatórios da
OPEC contêm informações relevantes que são capazes de gerar efeitos no preço do
petróleo, assim como em variáveis macroeconômicas, como PIB, taxa de juros e taxa
de inflação. Os resultados também mostram que fazer uma estimação com um modelo
VAR em painel com uma amostra contendo países exportadores e importadores de
petróleo trazem resultados mais confiáveis e menos restritos à amostra utilizada.
Por fim, destaca-se que esse estudo é um passo inicial e que possui limitações.
A principal é o uso de um dicionário de léxico fixo. De acordo com Lima, Godeiro e
Mohsin (2019), a suposição de um dicionário invariável no tempo não parece ser
realista em documentos que introduzem novas palavras ao longo do tempo ou se o
vocabulário usado em períodos de recessão difere do usado em períodos de
expansões econômicas. Os autores ressaltam que, mesmo se o vocabulário fosse
constante ao longo do tempo, o poder preditivo de algumas palavras pode variar, ou
seja, a relevância das palavras se alteram ao longo do tempo. Portanto, o ideal é
também construir um índice com um dicionário variante no tempo, como o de Lima,
Godeiro e Mohsin (2019), para obtermos um índice de sentimento mais realista.
Referências
AASTVEIT, K. A.; BJØRNLAND, H. C.; THORSRUD, L. A. (2015) What drives oil
prices? emerging versus developed economies. Journal of Applied Econometrics,
Wiley Online Library, v. 30, n. 7, p. 1013-1028.
ALSALMAN, Z. N.; KARAKI, M. B. (2019) Oil prices and personal consumption
expenditures: does the source of the shock matter? Oxford Bulletin of Economics and
Statistics, Wiley Online Library, v. 81, n. 2, p. 250-270.
ARELLANO, M.; BOND, S. (1991) Some tests of specification for panel data: Monte
Carlo evidence and an application to employment equations. The Review of Economic
Studies, v. 58, n. 2, p. 277-297.
BALTAGI, B. (2008) Econometric Analysis of Panel Data. Chichester: Wiley.
BASNET, H. C.; UPADHYAYA, K. P. (2015) Impact of oil price shocks on output,
inflation and the real exchange rate: evidence from selected asian countries. Applied
Economics, Taylor & Francis, v. 47, n. 29, p. 3078-3091.
BERNANKE, B. S. et al. (1997) Systematic monetary policy and the effects of oil price
shocks. Brookings papers on economic activity, JSTOR, v. 1997, n. 1, p. 91-157.
BEZERRA, B. F. L. S. (2019) Análise dos Efeitos dos Choques de Petróleo nas
Variáveis Macroeconômicas da América-Latina: Uma abordagem GVAR para
Amostras de Países Exportadores e Importadores de Petróleo. Tese (Doutorado) —
Programa de Economia, Universidade Federal da Paraíba.
BHAR, R.; NIKOLOVA, B. (2009) Oil prices and equity returns in the bric countries.
World Economy, Wiley Online Library, v. 32, n. 7, p. 1036-1054.
BRUNO, M.; SACHS, J. D. (1985) Economics of worldwide stagflation. [S.l.]: Harvard
University Press.
CASHIN, P. (2014) et al. The differential effects of oil demand and supply shocks on
the global economy. Energy Economics, Elsevier, v. 44, p. 113-134.
CAVALCANTI, T.; JALLES, J. T. (2013) Macroeconomic effects of oil price shocks in
brazil and in the united states. Applied Energy, Elsevier, v. 104, p. 475-486.
CINER, C. (2013) Oil and stock returns: Frequency domain evidence. Journal of
International Financial Markets, Institutions and Money, Elsevier, v. 23, p. 1-11.
CUNADO, J.; JO, S.; GRACIA, F. P. de. (2015) Macroeconomic impacts of oil price
shocks in asian economies. Energy Policy, Elsevier, v. 86, p. 867-879.
DEENEY, P. et al. (2015) Sentiment in oil markets. International Review of Financial
Analysis, Elsevier, v. 39, p. 179-185.
GENTZKOW, M.; KELLY, B.; TADDY, M. (2019) Text as data. Journal of Economic
Literature, v. 57, n. 3, p. 535-74.
GRANGER, C. W. (1969) Investigating causal relations by econometric models and
cross-spectral methods. Econometrica: journal of the Econometric Society, JSTOR, p.
424-438.
HAMILTON, J. D. (1983) Oil and the macroeconomy since World War II. Journal of
political economy, The University of Chicago Press, v. 91, n. 2, p. 228-248.
HAMILTON, J. D. (2009) Causes and Consequences of the Oil Shock of 2007-08.
[S.l.].
HAMILTON, J. D.; HERRERA, A. M. (2004) Comment: oil shocks and aggregate
macroeconomic behavior: the role of monetary policy. Journal of Money, credit and
Banking, JSTOR, p. 265-286.
HAUSMAN, J. A.; TAYLOR, W. E. (1981) Panel data and unobservable individual
effects. Econometrica: Journal of the Econometric society, JSTOR, p. 1377-1398.
HERRERA, A. M.; KARAKI, M. B.; RANGARAJU, S. K. (2019) Oil price shocks and us
economic activity. Energy policy, Elsevier, v. 129, p. 89-99.
HUBERT, P.; LABONDANCE, F. (2018) Central bank sentiment. URL: https://www.
nbp. pl/badania/seminaria/14xi2018. pdf. Working paper.
IM, K. S.; PESARAN, M. H.; SHIN, Y. (2003) Testing for unit roots in heterogeneous
panels. Journal of econometrics, Elsevier, v. 115, n. 1, p. 53-74.
IWAYEMI, A.; FOWOWE, B. (2011) Impact of oil price shocks on selected
macroeconomic variables in nigeria. Energy policy, Elsevier, v. 39, n. 2, p. 603-612.
KILIAN, L. (2008) Exogenous oil supply shocks: how big are they and how much do
they matter for the us economy? The review of economics and statistics, The MIT
Press, v. 90, n. 2, p. 216-240.
KILIAN, L.; MURPHY, D. P. (2014) The role of inventories and speculative trading in
the global market for crude oil. Journal of Applied econometrics, Wiley Online Library,
v. 29, n. 3, p. 454-478.
KILIAN, L.; PARK, C. (2009) The impact of oil price shocks on the us stock market.
International economic review, Wiley Online Library, v. 50, n. 4, p. 1267-1287.
LIMA, L. R.; GODEIRO, L.; MOHSIN, M. (2019) Time-varying dictionary and the
predictive power of fed minutes. Available at SSRN 3312483.
LOPEZ-MURPHY, P.; VILLAFUERTE, M. (2010) Fiscal policy in oil producing
countries during the recent oil price cycle. IMF working paper.
LOUGHRAN, T.; MCDONALD, B. (2011) When is a liability not a liability? textual
analysis, dictionaries, and 10-ks. The Journal of Finance, Wiley Online Library, v. 66,
n. 1, p. 35-65.
LÜTKEPOHL, H. (2005) New introduction to multiple time series analysis. [S.l.]:
Springer Science & Business Media.
MEDEIROS, R. K. de; ARAGÓN, E. K. d. S. B.; BESARRIA, C. da N. (2023) Effects of
oil market sentiment on macroeconomic variables. Resources Policy, Elsevier, v. 83,
p. 103642.
NARAYAN, P. K. et al. (2014) Do oil prices predict economic growth? new global
evidence. Energy economics, Elsevier, v. 41, p. 137-146.
PEDRONI, P. (1999) Critical values for cointegration tests in heterogeneous panels
with multiple regressors. Oxford Bulletin of Economics and statistics, Wiley Online
Library, v. 61, n. S1, p. 653-670.
PESARAN, M. H. (2006) Estimation and inference in large heterogeneous panels with
a multifactor error structure. Econometrica, Wiley Online Library, v. 74, n. 4, p. 967-
1012.
RAFIQ, S.; SALIM, R.; BLOCH, H. (2009) Impact of crude oil price volatility on
economic activities: An empirical investigation in the thai economy. Resources policy,
Elsevier, v. 34, n. 3, p. 121-132.
SHAPIRO, A. H.; SUDHOF, M.; WILSON, D. J. (2020) Measuring news sentiment.
Journal of Econometrics, Elsevier.
VO, M. (2011) Oil and stock market volatility: A multivariate stochastic volatility
perspective. Energy Economics, Elsevier, v. 33, n. 5, p. 956-965.
ZHAO, L. et al. (2016) The effects of oil price shocks on output and inflation in china.
Energy Economics, Elsevier, v. 53, p. 101-110.
Anexo
Tabela 8. Decomposição da variância do erro de previsão da inflação
Período
CPI
GDP
IR
OIL_PRICE
OIL_SENT
1
100.0000
0.000000
0.000000
0.000000
0.000000
2
97.62701
0.162198
0.221371
1.768782
0.220637
3
96.43783
0.594034
0.279639
2.542405
0.146087
4
95.42721
0.929671
0.353837
3.174448
0.114836
5
94.96344
1.116702
0.410041
3.411603
0.098218
6
94.72804
1.224434
0.478239
3.481430
0.087854
7
94.62133
1.285722
0.554118
3.457540
0.081288
8
94.56731
1.319321
0.638500
3.398210
0.076658
9
94.53633
1.337123
0.727684
3.325551
0.073308
10
94.51140
1.345625
0.819694
3.252523
0.070759
Fonte: elaboração dos autores
Tabela 9. Decomposição da variância do erro de previsão do PIB
Período
CPI
GDP
IR
OIL_PRICE
OIL_SENT
1
0.002564
99.99744
0.000000
0.000000
0.000000
2
0.019643
90.22972
0.004489
6.708258
3.037888
3
0.043594
86.61502
0.200770
7.935530
5.205082
4
0.056977
86.24330
0.317943
7.909943
5.471834
5
0.060296
86.16263
0.333644
7.955312
5.488114
6
0.061089
86.11183
0.362163
7.979892
5.485024
7
0.061140
86.06126
0.383031
8.012148
5.482424
8
0.062664
86.02821
0.403804
8.024458
5.480865
9
0.066684
85.99904
0.419381
8.035921
5.478973
10
0.073409
85.97292
0.433650
8.042652
5.477365
Fonte: Elaboração dos autores
Tabela 10. Decomposição da variância do erro de previsão da taxa de
juros
Período
CPI
GDP
IR
OIL_PRICE
OIL_SENT
1
7.752752
0.009546
92.23770
0.000000
0.000000
2
9.697963
0.016916
89.15646
0.661043
0.467618
3
12.89612
0.109305
85.32441
0.777407
0.892757
4
16.82233
0.160640
81.00991
0.738286
1.268833
5
21.08294
0.179201
76.69565
0.632967
1.409234
6
25.29198
0.194472
72.54045
0.534599
1.438500
7
29.25510
0.210704
68.67350
0.455340
1.405355
8
32.88163
0.227173
65.15065
0.394032
1.346513
9
36.14833
0.243424
61.98275
0.347179
1.278312
10
39.06358
0.258860
59.15613
0.311700
1.209734
Fonte: Elaboração dos autores
