Modelagem Econômica na Era Pós-COVID: Parte II

Sumário Executivo

Conforme discutido na Parte I desta série, a ambigüidade fundamental da atual crise causada por vírus trouxe uma série de novos desafios para a modelagem econômica. A volatilidade recorde e a incerteza persistente complicam a capacidade dos analistas de discernir tendências nos dados econômicos, enquanto a interrupção da atividade econômica normal abre novas questões sobre a confiabilidade das relações históricas. Neste relatório, exploramos técnicas de modelagem e estimativa que serão importantes a serem consideradas à medida que a economia lentamente sai da cratera COVID-19.

Prever a forma de uma recuperação é suficiente?

Em 8 de junho de 2020, o National Bureau of Economic Research (NBER) anunciou que a atividade econômica nos Estados Unidos atingiu o pico em fevereiro de 2020, marcando o início de uma recessão. A essa altura, é claro, estava claro que o crescimento econômico havia caído a uma taxa sem precedentes em meio aos bloqueios da primavera. Mas, à medida que a atividade começou a aumentar e os bloqueios foram suspensos, a conversa mudou para a forma da recuperação que se seguiu e quanto tempo levaria para o nível de atividade (ou seja, o nível do PIB real) atingir seu pico pré-vírus. Enquanto alguns anteciparam uma recuperação rápida em forma de V, outros previram uma forma de U mais lenta ou alguma combinação dos dois com um salto rápido seguido por uma recuperação mais gradual depois disso. Agora, vários meses depois, as dúvidas permanecem sobre a forma da recuperação, já que muitas destacam o potencial para uma recuperação em forma de W ou uma recessão de duplo mergulho.

Embora o nadir da economia pareça estar claramente no espelho retrovisor, o caminho a seguir permanece extremamente incerto. O retorno à 'normalidade' depende muito da trajetória do vírus, mas uma ferramenta que empregaremos é nosso modelo Ordered Probit para prever a força da recuperação. Criamos nosso modelo Ordered Probit em 2016, que prevê simultaneamente a probabilidade de recessão e a força da recuperação (Figura 1) .1 Em um experimento simulado, o modelo previu a força de todas as recessões e recuperações desde 1980 e pode ser particularmente útil agora, dada a incerteza em torno da jovem expansão.

Atualmente, prevemos que o crescimento econômico continuará até 2022, mas nem todas as recuperações têm a mesma força. Como vimos após as últimas crises, pode levar muito tempo para que a economia volte à saúde plena, mesmo após o fim da recessão. Adicionar essa dimensão aos modelos tradicionais de recessão pode ajudar a informar não apenas se a economia estará crescendo, mas com que rapidez.

Prever a forma de uma recuperação também pode ajudar a informar as expectativas para a trajetória das políticas econômicas (ou seja, política monetária e fiscal). Historicamente, a política é 'normalizada' em uma fase de expansão de um ciclo de negócios. Por exemplo, o Federal Open Market Committee (FOMC) normalmente tende a normalizar a política aumentando a faixa de destino dos fundos federais durante a expansão. No entanto, as duas últimas recuperações, após as recessões de 2001 e 2007-09, pintam um quadro diferente. Após a recessão de 2001, o FOMC não aumentou a taxa de fundos federais (FFR) até junho de 2004 (31 meses após o vale da recessão), e a primeira alta das taxas na era pós-Grande Crise Financeira (GFC) não aconteceu até dezembro de 2015 (77 meses após a calha).

Para entender esse lento retorno ao normal, é útil considerar os setores subjacentes que impulsionam os formuladores de políticas. O Fed tem a tarefa de promover o emprego máximo e a estabilidade de preços. Se a atividade começar a se recuperar, mas o crescimento do emprego continuar fraco ou a inflação ficar abaixo da meta, o banco central pode demorar mais para remover a acomodação. Portanto, não é apenas prever o caminho da recuperação da economia americana em geral, mas em setores individuais que serão importantes na era pós-COVID. É por isso que também utilizaremos um modelo Ordered Probit adicional que construímos anteriormente para ajudar a ilustrar o lado inflacionário do mandato do Fed. O modelo prevê as probabilidades de pressão inflacionária, pressão deflacionária e estabilidade de preços simultaneamente (Figura 2) .2 Notavelmente, o modelo pegou a pressão deflacionária no início da crise atual, e usaremos esse modelo para medir o futuro inflacionário ambiente à medida que a economia começa a se recuperar. Dada a insistência do Fed em aumentar a inflação antes que qualquer acomodação seja removida, será importante observar os possíveis cenários de inflação e também a força da recuperação para antecipar a trajetória da política monetária.

Estimando a profundidade dos choques

Antes que possamos estimar o ritmo de recuperação, no entanto, é importante avaliar a profundidade da crise. Ou seja, para ajustar os modelos econômicos que saem de uma recessão, devemos estimar a profundidade do choque do qual a economia está saindo. Isso também é verdadeiro para os formuladores de políticas, que precisam entender a profundidade da crise e suas causas para calibrar adequadamente o estímulo. No entanto, calcular o dano real de um choque nem sempre é uma tarefa fácil. Muitos modelos tradicionais foram incapazes de reproduzir a profundidade real do GFC chocando apenas com os preços das casas, por exemplo. Anteriormente, fornecemos uma abordagem diferente para estimar os danos do GFC, incorporando os efeitos indiretos da mudança de espírito animal, algo que continuaremos a monitorar.3

Em muitos modelos tradicionais, como um evento se propaga pela economia depende de quanto as pessoas ajustam seus gastos com base em um choque em sua renda, conhecido como propensão marginal a consumir de um indivíduo (MPC). Por exemplo, se o governo envia às pessoas US $ 1,200 (um choque positivo) como parte do estímulo econômico, as pessoas podem gastar apenas 75%. Entender esse MPC é importante, pois permite que um analista estime o efeito total de um evento na economia. Os 75% que as pessoas gastam se transformam em renda para outras pessoas, que gastarão uma parte dela e assim por diante.

Embora seja possível estimar o MPC observando o efeito médio de um choque ao longo do tempo, o espírito animal ou o sentimento econômico podem mudar o MPC, pois as pessoas respondem de maneira diferente às idiossincrasias de cada choque. Se as pessoas não tiverem certeza sobre as perspectivas, podem optar por economizar mais para enfrentar o potencial tumulto econômico. No período que antecedeu o GFC, por exemplo, os preços das residências caíram drasticamente, apresentando um choque negativo para as finanças das famílias. Embora se possa esperar que os indivíduos ajustem os gastos com base em alguma média passada de choques anteriores nos preços das casas, os espíritos animais exageraram esse efeito à medida que o sentimento desmoronou em face da crise financeira.

Após o COVID-19, vimos essa dinâmica reaparecer. Embora os indivíduos tenham reduzido os gastos devido à incapacidade de gastar em muitos serviços, os espíritos animais também são um fator. Assim, à medida que os analistas estimam a profundidade do choque COVID, sugerimos que eles devem incluir uma medida de espíritos animais como um elemento em modelos para produzir resultados precisos.

Verificando Benchmarks Existentes

Ao voltar a atenção para a recuperação, os analistas também devem verificar benchmarks pré-existentes. Existem alguns benchmarks famosos que os analistas utilizam para prever certos eventos econômicos e, antes de usá-los na era pós-COVID, é importante verificar seu poder preditivo. Houve evidências de que alguns desses benchmarks quebraram após o GFC, e provavelmente enfrentaremos dificuldades semelhantes na era pós-COVID. Por exemplo, a curva de rendimento invertida, ou o spread entre o rendimento do Tesouro de 10 anos e o FFR, é um famoso preditor de recessão, pois liderou todas as recessões desde a recessão de 1969-70 (Figura 3). No entanto, a recessão de 2008-09 pode ter mudado sua eficácia como um indicador antecedente.

O FOMC trouxe o intervalo da meta de fundos federais para o limite inferior de zero em dezembro de 2008 e manteve-o até dezembro de 2015. Esse nível baixo do FFR correspondeu a uma redução mais ampla no nível e na volatilidade das taxas de juros. Essas tendências levaram muitos a questionar o poder preditivo da curva de juros e compartilhamos dessa preocupação. Para lidar com essa mudança, apresentamos uma nova estrutura utilizando um limite entre o FFR e o rendimento do Tesouro de 10 anos, em vez de simplesmente uma curva de rendimento invertida.4 Descobrimos que em um período crescente de FFR, o FFR cruzando / tocando o nível mais baixo do rendimento de 10 anos nesse ciclo é indicativo de uma recessão iminente (Figura 4). Desde 1954, em um experimento simulado, essa estrutura não apenas previu todas as recessões, mas também mudanças na postura da política monetária (isto é, de acomodatícia para normalização).

Na era pós-COVID, a dinâmica que motivou essa nova estrutura provavelmente não apenas continuará, mas se intensificará. O FOMC trouxe o intervalo da meta de fundos federais para o limite inferior zero em março de 2020 e o rendimento do Tesouro de 10 anos caiu abaixo de 1% em 3 de março pela primeira vez. Além disso, o balanço do Fed superou US $ 7 trilhões em junho, e as últimas projeções do FOMC mostraram intenções de manter as taxas de juros mais baixas por um período mais longo.5 Dito isso, no momento, tanto o rendimento de 10 anos quanto o FFR deverão permanecer muito baixos em comparação com as médias históricas. Além disso, ambas as taxas de juros são componentes da curva de juros, assim como nosso método proposto anteriormente. Dados os níveis atuais e as expectativas futuras (taxas mais baixas por mais tempo) dessas taxas, sugerimos que os analistas devem reavaliar a eficácia da curva de juros invertida e nossa abordagem antes de empregar essas ferramentas na era pós-COVID.

Perigos da volatilidade

A volatilidade pode representar outro desafio para os analistas, pois tem havido grande volatilidade na maioria dos indicadores macroeconômicos devido ao COVID-19. Discutimos as implicações da volatilidade no processo de ajuste sazonal dos dados na Parte I desta série, mas a grande volatilidade também pode tornar difícil confiar em modelos econômicos tradicionais ao estimar a recuperação. Técnicas econométricas padrão, como Ordinary Least Squares (OLS), são conhecidas por produzir resultados enganosos (regressão espúria) ao lidar com dados voláteis. No entanto, existem ferramentas econométricas que lidam com a volatilidade. A ferramenta comumente utilizada para lidar com a volatilidade de uma variável subjacente é conhecida como heterocedasticidade condicional autoregressiva (ARCH), ou sua forma generalizada, GARCH.

As variáveis ​​macroeconômicas tradicionais são estáveis, pelo menos em comparação com dados financeiros como preços de ações ou taxas de câmbio, portanto, as aplicações da abordagem ARCH / GARCH em macroeconomia não são comuns. Um dos principais motivos é que os economistas normalmente estão interessados ​​na relação média (média objetiva) entre as variáveis, e os analistas financeiros estão preocupados com a incerteza (variação) relacionada aos preços dos ativos subjacentes. No entanto, o GFC levou os economistas a se preocupar mais com a volatilidade subjacente.

Pesquisas anteriores sugeriram que outliers e episódios de alta variância como o GFC podem afetar os resultados OLS e levar a resultados espúrios.6 Ao incorporar a abordagem ARCH em métodos econométricos tradicionais, pode-se obter resultados mais precisos, mesmo quando os dados subjacentes são voláteis . Esta nova abordagem é chamada de macroeconomia ARCH. Sugerimos fortemente a utilização da abordagem macroeconômica ARCH para modelagem na era pós-COVID para gerar resultados precisos ao lidar com a volatilidade. Devido ao seu caráter técnico, para um exemplo detalhado da macroeconomia ARCH, encaminhamos os leitores interessados ​​ao anexo deste relatório na página 6.

Ameaças de variáveis ​​imóveis

Os dados voláteis não são a única preocupação no ambiente pós-COVID. As ferramentas econométricas padrão geralmente podem lidar com dados estáveis ​​(movendo-se lentamente para cima ou para baixo com uma variação razoável) e produzir resultados confiáveis. A volatilidade pode ser um problema, mas, como acabamos de discutir, ferramentas estatísticas como o ARCH podem lidar com a volatilidade de maneira adequada. No entanto, dados muito calmos (imóveis) são menos comuns e podem causar sérios problemas durante a estimativa. Este problema torna-se ainda mais grave quando se trata de um fator vital, como as taxas de juros, que desempenham um papel central em vários modelos financeiros e econômicos.

Entre dezembro de 2008 e julho de 2020 (140 pontos de dados mensais), o FFR alvo mudou apenas 13 vezes. Essa “imobilidade” ocorreu apesar dos movimentos materiais na economia em geral. Pelos próximos dois anos, essa dinâmica provavelmente continuará, uma vez que atribuímos uma baixa probabilidade de que o FOMC ajustará sua faixa-alvo para o FFR no médio prazo. Os analistas podem, portanto, ter que gerenciar dois comportamentos diferentes na era pós-COVID; taxas de juros muito calmas ao lado de extrema volatilidade em outros setores da economia. Então, como um analista modelaria esses dois conjuntos de variáveis ​​com comportamentos completamente diferentes?

Infelizmente, a resposta não é direta. Para obter resultados confiáveis, os analistas precisam traduzir os dados voláteis em uma série calma, ou uma série calma em um conjunto de dados volátil. Como não temos ferramentas para lidar com dados calmos (imóveis), a última opção é mais realista. Além disso, com a volatilidade presente em tantos setores da economia hoje, é melhor converter dados calmos, como taxas de juros, para acompanhar o resto da economia. Agora, a questão prática é como traduzir o FFR em uma série volátil. Em nosso trabalho anterior, introduzimos um índice de incerteza da política monetária (MPU) .7 O MPU atingiu 1.99 no 2T2020, o valor mais alto desde 1T-2009 (Figura 5). O comportamento volátil do índice durante o primeiro semestre de 2020 é consistente com o resto da economia e as ações extraordinárias empreendidas pelo FOMC além de apenas ajustes no FFR. O índice MPU pode, portanto, ser usado como proxy da política monetária na previsão de resultados mais confiáveis ​​do que na mitigação de problemas resultantes de diferenças na volatilidade.

Conclusão

Os analistas precisam considerar recuperações específicas do setor, além da economia geral, ao prever a força da recuperação pós-COVID. A abordagem ARCH-macro seria uma ferramenta útil ao lidar com a volatilidade relacionada a vírus na modelagem e previsão. Os dados voláteis não são a única preocupação para a modelagem econômica, pois os dados 'imóveis' também são uma ameaça e não devem ser ignorados. Um proxy baseado em índice para essas séries imóveis pode ajudar a mitigar esse problema. A estimativa dos verdadeiros danos relacionados ao COVID é vital para a ação política apropriada e sugerimos que os analistas incorporem espíritos animais no processo de estimativa.

Finalmente, a maioria dos exemplos de modelagem usados ​​ao longo deste relatório foram inspirados na recessão de 2008-09. Para enfrentar os desafios que os modelos tradicionais não foram capazes de lidar na era pós-GFC, foram desenvolvidas novas maneiras de prever e modelar. Embora acreditemos que algumas dessas soluções também ajudem na era pós-COVID, alguns dos desafios atualmente imprevistos que provavelmente enfrentaremos inevitavelmente farão com que novas técnicas de modelagem sejam desenvolvidas.

ANEXO

Usando uma abordagem OLS padrão, executamos uma regressão entre a mudança percentual mês a mês no índice S&P 500 e as folhas de pagamento não agrícolas para empregos e relatamos os resultados na Tabela 1. Utilizamos dois períodos de amostra diferentes (1) Era pré-COVID (1990-2019) e (2) o período COVID (1990-junho de 2020). Os resultados de OLS para a era pré-COVID sugerem que o emprego é estatisticamente útil para explicar o crescimento da S&P. O resultado positivo (3.286) sugere que maior emprego impulsionaria o S&P, o que parece intuitivo. No entanto, quando estendemos a estimativa para incluir a era COVID, o coeficiente de emprego ainda é estatisticamente significativo, mas negativo (-0.518), o que não faz sentido, pois implica que o crescimento do emprego tem um efeito negativo sobre o crescimento do S&P. Acreditamos que essa mudança na relação estimada é um sinal da volatilidade subjacente em ambas as variáveis, levando a uma correlação espúria.8

Também empregamos ARCH-macroeconômico (rótulo ARCH-macro na Tabela 1) em ambas as amostras e os resultados indicam que não há relação estatisticamente significativa entre as taxas de crescimento do S&P e o emprego. Os resultados baseados no ARCH também são consistentes com a hipótese de mercado eficiente, que afirma que os preços dos ativos são imprevisíveis. Além disso, como a amostra pré-COVID inclui a era GFC, os resultados de OLS são enganosos devido à volatilidade daquele período de tempo.

A volatilidade tem consequências para a previsão, muitas vezes resultando em faixas de confiança enganosas ao usar OLS. O RMSE estimado (uma medida do erro) do modelo OLS usando a amostra da era COVID é de 4.2. Além disso, plotamos as taxas de crescimento do S&P junto com a banda de confiança usando o RMSE na Figura 6. As estimativas baseadas em ARCH são mostradas na Figura 7. Há uma diferença importante entre as duas abordagens. O RMSE estimado por OLS é uma constante, 4.2 (apenas um valor para toda a amostra) e que sugere que os riscos para a previsão são os mesmos para cada período de tempo. Em outras palavras, o risco para a previsão é idêntico para o período GFC (um período altamente volátil) e 2014 (o primeiro ano relativamente calmo na era pós-GFC). A banda de confiança baseada em ARCH é diferente para diferentes períodos, o que reflete a natureza variável do risco no tempo, um reflexo realista do risco subjacente e da incerteza da previsão. Os maiores valores são para a era GFC na variância estimada com base na abordagem macro ARCH, que indica a incerteza criada pelo GFC. Portanto, sugerimos fortemente a utilização da abordagem macroeconômica ARCH para modelagem na era pós-COVID para gerar resultados precisos.

1 Para obter mais detalhes sobre a metodologia, consulte “Prevendo a probabilidade de recessão e a força da recuperação: uma abordagem probit ordenada” (19 de julho de 2016).

2 Iqbal e Silvia (2016). “Does Deflation Threaten the Global Economy?“, Global Economy Journal, 16 (2), 189-212.

3 Para obter mais detalhes, consulte “The Roar of the Animal Sprits: A New Index” (18 de janeiro de 2018).

4 Para obter mais detalhes, consulte “Precisamos esperar por uma inversão da curva de rendimento para prever uma recessão? Não." (08 de setembro de 2017).

5 O Dot Plot do FOMC em seu último Resumo de Projeções Econômicas de setembro mostra que a maioria dos membros do comitê espera que a faixa-alvo dos fundos federais permaneça no limite inferior zero até o final de 2023.

6 Hamilton, J. (julho de 2008). “Macroeconomia e ARCH.” Escritório Nacional de Pesquisa Econômica.

7 Para obter mais detalhes, consulte “Quantificando a incerteza da política monetária: um novo índice” (16 de maio de 2019).

8 Existem alguns testes / regras, como o efeito ARCH e R-quadrado em relação à estatística de Durbin-Watson, para determinar a volatilidade subjacente, bem como resultados espúrios. Para obter mais detalhes sobre esses testes e regras, consulte Silvia et al. (2014). Previsão Econômica e de Negócios: Analisando e Interpretando Resultados Econométricos.