Fundações de Análise do Ciclo de Negócios

O que são os ciclos de negócios?

Os ciclos de actividade são flutuações recorrentes na actividade económica agregada — medida por indicadores como o produto interno bruto (PIB), o emprego, a produção industrial e o rendimento — que se desenrolam durante períodos que duram de vários anos para uma década ou mais. Cada ciclo consiste em quatro fases distintas: expansão (produção crescente e emprego), pico[ (o nível máximo de actividade antes de uma recessão), contração (produção decrescente e aumento do desemprego), e trito[] (o ponto baixo do qual começa uma nova expansão). Embora o momento e a amplitude destas fases varie, a dinâmica subjacente — impulsionada por ciclos de investimento, ondas de inovação, políticas monetárias e orçamentais e choques externos — regularidades notáveis exíbitos que os métodos econométricos são concebidos para capturar.

A macroeconomia moderna distingue dois tipos amplos de ciclos: ciclos clássicos (descimentos absolutos da atividade econômica) e ciclos de crescimento[] (desvios do crescimento da tendência). Os ciclos clássicos são mais raros na era pós-guerra mundial II, enquanto os ciclos de crescimento captam períodos de expansão abaixo da tendência que podem não se registrar como recessões completas. As técnicas econométricas devem ser flexíveis o suficiente para identificar ambos os tipos, especialmente quando se trabalha com longos registros históricos que abrangem diferentes regimes institucionais.

Por que a análise histórica importa

Estudar ciclos históricos de negócios oferece várias vantagens. Primeiro, fornece uma amostra mais longa de episódios de expansão e contração, permitindo aos econométricos estimar modelos com maior poder estatístico e identificar eventos raros, mas catastróficos, como a Grande Depressão ou a crise financeira de 2008. Segundo, dados históricos permitem aos pesquisadores testar a estabilidade das relações econômicas em diferentes regimes políticos, estruturas institucionais e tecnologias. Por exemplo, examinar ciclos na era padrão ouro versus o período pós-Bretton Woods lança luz sobre como os quadros monetários influenciam a volatilidade. Finalmente, aprender com recuperações passadas, especialmente aquelas que seguiram profundas recessões, ajuda os formuladores a projetar medidas contracíclicas que são oportunas e direcionadas.

A análise histórica também expõe as limitações de se basear apenas em dados pós-guerra, que é fortemente influenciada pela “Grande Moderação” (1984-2007), um período de volatilidade anormalmente baixa. A extensão da amostra para trás revela que choques de alta frequência, pânico bancário e rupturas no lado da oferta foram muito mais comuns do que sugere a experiência recente, fornecendo um conjunto mais rico de observações para as teorias econômicas de teste de estresse.

Técnicas Econométricas de Núcleo para Dados Históricos

Descomposição da Série Temporal

A decomposição das séries temporais separa uma série económica histórica (por exemplo, produção industrial dos EUA de 1860 a 2020) em três componentes: tendência[ (crescimento a longo prazo), ]sazonal (padrões de repetição dentro de um ano) e cíclica[ (flutuações em torno da tendência). A ferramenta mais comum para este filtro é o Hodrick-Prescott (HP), que isola o componente cíclico através da suavização dos dados. Contudo, o filtro HP tem tido vieses conhecidos nos terminais, uma questão crítica para dados históricos em que o início e fim de uma série correspondem frequentemente a pontos de viragem importantes. Alternativas incluem o filtro de passa-banco Baxter-King e o filtro Christiano-Fitzgerald, que são mais robustos na identificação de ciclos de durações específicas, tais como o período de 2 a 8 anos típico dos ciclos clássicos de negócios.

Técnicas mais avançadas incluem o filtro de Hamilton (uma abordagem baseada em regressão que evita problemas de desfecho da HP) e modelos de componentes não observados[] que tratam a tendência e o ciclo como processos estocásticos latentes. Estes modelos permitem parâmetros variáveis de tempo, como uma taxa de crescimento de tendência de mudança, que é essencial quando analisam séries que incluem episódios como o boom pós-guerra ou o abrandamento da produtividade dos anos 70. Os métodos de decomposição são frequentemente o primeiro passo em qualquer estudo histórico do ciclo de negócios, fornecendo o componente cíclico de base que a análise subsequente explica.

Análise Espectral

A análise espectral transforma uma série temporal do domínio do tempo no domínio da frequência, revelando periodicidades que não são óbvias em dados brutos. Ao decompor uma série histórica do PIB em ciclos de diferentes frequências – curto prazo (por exemplo, ciclos de inventário), médio prazo (ciclos de negócios próprios) e longo prazo (balanços de Kuznets ou ondas Kondratiev) – a análise espectral pode confirmar se as flutuações observadas são genuinamente cíclicas ou apenas aleatórias. Por exemplo, aplicar métodos espectrais aos dados de desemprego dos EUA de 1890 a 1940 ajudou a demonstrar que a Grande Depressão não foi apenas uma recessão severa, mas também um período de volatilidade incomummente baixa frequência, persistente.

Os avanços modernos incluem análise de ondas, que permite ao pesquisador examinar como o conteúdo de frequência de uma série muda ao longo do tempo. As ondas são particularmente úteis para dados históricos, pois podem capturar a natureza em evolução dos ciclos de negócios – por exemplo, o encurtamento do ciclo durante a era pós-guerra em comparação com o período pré-1914. Métodos espectrais também sustentam a construção de “filtros de ciclo” usados no monitoramento em tempo real da atividade econômica por bancos centrais e organizações internacionais.

Autoregressões Vetoriais e Funções de Resposta ao Impulso

As autorregressões vetoriais (VARs) modelam as interações dinâmicas entre múltiplas variáveis econômicas (por exemplo, PIB, inflação, taxas de juros e preços de ações) como um sistema de equações onde cada variável depende de seus próprios valores passados e de outras variáveis. Funções de resposta impulsiva, em seguida, traçam como um choque único a uma variável – como um pico de preço do petróleo ou um aperto da política monetária – se propaga através do sistema ao longo do tempo. Aplicações históricas de VARs têm sido fundamentais na avaliação do impacto da política fiscal durante a Grande Depressão e na identificação do papel dos choques de crédito na recessão de 2008.

Um desafio chave com dados históricos é que o número de observações é muitas vezes limitado, tornando necessário usar especificações parcimoniosas ou VARs bayesianos que incorporam informações prévias. Métodos bayesianos permitem ao pesquisador diminuir espaços de parâmetros de alta dimensão para uma distribuição anterior, melhorando a precisão de previsão e inferência em pequenas amostras. VARs estruturais (SVARs) vão um passo mais longe, impondo restrições de identificação - como o pressuposto de que os choques de política monetária não têm efeito contemporâneo sobre a produção - extraídos da teoria econômica. Essas restrições são muitas vezes historicamente debatidas, e análises de sensibilidade são cruciais.

Outra extensão importante é o parâmetro de variação temporal VAR (TVP-VAR), que permite que os coeficientes do VAR mudem gradualmente ao longo do tempo. TVP-VARs têm sido usados para documentar a mudança da transmissão de choques de preços do petróleo à inflação e saída, revelando que a resposta da economia dos EUA aos aumentos de preços da energia enfraqueceu consideravelmente após meados dos anos 1980.

Modelos de Cointegração e Correção de Erros

Muitas variáveis econômicas históricas compartilham relações de equilíbrio de longo prazo, mesmo que elas vagueiem individualmente a curto prazo. Testes de cointegração, como aqueles desenvolvidos por Engle e Granger ou Johansen, determinam se duas ou mais séries temporais não estacionárias (por exemplo, produção e emprego, ou preços e oferta de dinheiro) estão ligados por uma relação estável de longo prazo. Quando a cointegração está presente, modelos de correção de erros (MECs) podem capturar a velocidade em que o sistema retorna ao equilíbrio após uma perturbação. Por exemplo, analisar a cointegração entre a produção industrial e os preços por atacado no final do século XIX esclareceu até que ponto o padrão de ouro clássico de convergência de preços aplicado entre os países.

Para dados históricos, o teste de cointegração deve ser responsável por quebras estruturais na relação de longo prazo. O teste Gregory-Hansen e o teste Hatemi-J[ permitem um ou mais pontos de interrupção desconhecidos e são amplamente utilizados na história econômica. A presença de cointegração também justifica o uso de ECMs para previsão, uma vez que o termo de correção de erros garante que as previsões estão ancoradas ao equilíbrio de longo prazo, proporcionando previsões mais confiáveis para pontos de viragem.

Modelos de Mudança de Markov

Os modelos de mudança de Markov permitem que os parâmetros de um modelo econométrico (por exemplo, taxa de crescimento média, volatilidade) mudem ao longo do tempo de acordo com uma variável de estado não observada que segue uma cadeia de Markov. Isto é particularmente valioso para os ciclos de negócios históricos, porque pode identificar períodos de regimes de “boom” de alto crescimento versus regimes de “bust” de baixo crescimento sem exigir que o pesquisador especifique os pontos de viragem. Aplicados aos dados do PIB dos EUA de 1854 até o presente, os modelos de mudança de Markov geraram uma cronologia de expansões e contrações que se aproximam da datação do NBER, enquanto também revelam “recessos de crescimento” – períodos em que a economia diminui sem cair em declínio absoluto.

As extensões incluem ] probabilidades de transição variáveis no tempo (permitindo que os regimes de mudança de função dependam de indicadores principais) e ] comutação múltipla de Markov[ (combinando várias séries temporais para identificar fases comuns do ciclo de negócios). Estes modelos têm sido fundamentais para datar o ciclo de negócios da área do euro e para analisar a sincronização de ciclos entre países durante o período interguerra. No entanto, a estimativa pode ser computacionalmente intensiva, e a identificação requer, pelo menos, tamanhos de amostra moderados, uma restrição que muitas vezes obriga os investigadores históricos a utilizar dados trimestrais ou mensais quando disponíveis, em vez de observações anuais.

Desafios práticos na aplicação da econometria aos dados históricos

Os dados históricos apresentam uma série de desafios econométricos que requerem um tratamento cuidadoso. A disponibilidade e a qualidade dos dados] variam amplamente: as contas nacionais antecipadas dependem frequentemente de proxies indirectos (por exemplo, tonelagem ferroviária, depósitos bancários) que podem ser mal medidos ou de uma definição inconsistente ao longo do tempo.Os investigadores devem documentar estas limitações de dados e utilizar verificações de robustez – tais como modelos de re-estimação com séries alternativas – para garantir que as conclusões não são artefatos de erro de medição.Os arquivos digitais como os Dados Económicos de Reserva Federal (FRED) e a plataforma NBER Macrohistory Database têm um acesso muito melhor aos dados de longo prazo, mas as discrepâncias de medição continuam a ser preocupantes.

Quebras estruturais (por exemplo, guerras, mudanças no regime monetário, revoluções industriais) podem fazer com que as relações econômicas subjacentes mudem abruptamente. Testes padrão para estabilidade estrutural – como o teste Chow ou o teste de quebra múltipla Bai-Perron – são essenciais para identificar e acomodar essas quebras. Ignorar essas quebras pode levar a inferência enganosa, como encontrar uma correlação espúria entre dinheiro e saída que realmente reflete uma mudança de regime. Análise de amostra-estilhaço ou subperíodo é muitas vezes necessário, mas reduz graus já limitados de liberdade.

Graus limitados de liberdade também restringem a sofisticação de modelos. Série histórica pode ter apenas 50 a 100 observações anuais, o que restringe muito o número de parâmetros que podem ser estimados de forma confiável. Isso muitas vezes força os pesquisadores a escolher entre um modelo simples que pode omitir dinâmicas relevantes e um modelo complexo que superajusta os dados. Técnicas baseadas em simulação, como o bootstrapping e os métodos bayesianos, ajudam a mitigar esses vieseses de amostras pequenas. Além disso, o uso de dados em painel – agrupando vários países ou regiões – pode aumentar o tamanho efetivo da amostra, mas introduz dependência transversal que deve ser explicitamente modelada.

Finalmente, ]endogeneidade e causalidade reversa[ são pervasivas na análise do ciclo de negócios. Por exemplo, mudanças políticas podem ser desencadeadas por recessão econômica, dificultando o isolamento do efeito causal da própria política. Variáveis instrumentais ou modelos estruturais de RVA com restrições de identificação credíveis (por exemplo, usando instrumentos externos como choques climáticos para a produção agrícola) podem ajudar a resolver estas questões, mas esses instrumentos são muitas vezes escassos em contextos históricos. Evidências históricas qualitativas, incluindo documentos narrativos e registros de arquivo, podem ser usadas para construir choques plausivelmente exógenos – um método defendido por Romer e Romer na sua análise da política monetária.

Estudos de Casos de Ciclos Históricos de Negócios

A Grande Depressão (1929-1939)

A Grande Depressão é o evento mais estudado do ciclo de negócios na história econômica, e a análise econométrica tem sido central para entender suas causas e propagação. Usando decomposição de séries temporais, autores como Christina Romer mostraram que a produção real caiu em quase 30% nos Estados Unidos e que a recuperação após 1933 foi notavelmente lenta em comparação com expansões típicas. Modelos VAR têm sido empregados para quantificar a importância relativa dos choques monetários (por exemplo, falhas bancárias e colapso da oferta de dinheiro) versus choques do lado da demanda (por exemplo, a tarifa Smoot-Hawley e o declínio subsequente no comércio). Mais recentemente, os modelos de mudança de Markov ajudaram a identificar a transição de uma profunda queda para uma recuperação frágil em 1933-1937, um período complicado pela implementação de políticas New Deal e a recessão posterior de 1937-1938.

A análise da cointegração também foi aplicada à Depressão: estudos sobre a relação entre preços grossistas e produção industrial em todos os países fornecem evidências de que a rigidez do padrão ouro transmitiu pressões deflacionárias globalmente. Testes estruturais confirmam que a Depressão marcou uma mudança fundamental na relação entre a inflação de saída, quebrando os padrões pré-1929. Esses achados econométricos reforçaram a visão de que a intervenção política rápida e coordenada – expansão monetária, resgates bancários e estímulo fiscal – foi necessária para evitar um colapso completo do sistema econômico.

Os choques de petróleo dos anos 70

Os picos de preços do petróleo de 1973 e 1979 provocaram graves recessões na maioria das economias industrializadas e deram origem à “estagflação” – a ocorrência simultânea de alta inflação e alto desemprego. A análise espectral dos dados trimestrais do PIB de 1960 a 1990 revela que esses choques introduziram um novo ciclo de média frequência componente não presente nas décadas anteriores pós-guerra. Testes de cointegração mostraram que os preços do petróleo e inflação compartilharam uma relação de longo prazo durante este período, enquanto os ECMs estimam que o ajuste ao equilíbrio levou cerca de três anos. Os TAR Bayesianos incorporando um índice global de preços de commodities também foram usados para desentar os efeitos dos choques de oferta dos da política monetária interna, concluindo que a relutância da Reserva Federal em aceitar o desemprego mais elevado até 1979 exacerbou as perdas de produção.

Os anos 70 ilustraram também a dificuldade de distinguir as perturbações temporárias do lado da oferta das mudanças estruturais permanentes. Os modelos de parâmetros variáveis no tempo detectam uma diminuição gradual da capacidade de resposta da inflação às diferenças de produção após 1973, consistente com o aumento das expectativas de inflação e com a degradação das relações anteriores da curva Phillips. As lições deste período influenciaram directamente a concepção de quadros modernos dos bancos centrais, incluindo a orientação explícita da inflação e a utilização de filtros de choque de abastecimento para orientar as decisões políticas.

A Crise Financeira Global de 2008

A crise de 2008 foi única em suas origens – uma parada súbita nos empréstimos interbancários e um colapso nos preços da habitação – mas compartilha características com crises financeiras anteriores (por exemplo, o pânico de 1907, as crises bancárias de 1930). Análise de resposta impulsiva de VARs estimadas em séries históricas longas (por exemplo, os dados financeiros semanais da Reserva Federal a partir de 1971) mostra que os spreads de crédito e volatilidade do mercado de ações tiveram um impacto maior e mais persistente na produção do que em anteriores períodos de recessão. Cointegração entre preços da habitação e dívida hipotecária quebrou em 2006, fornecendo um sinal de alerta precoce. Modelos de mudança de Markov aplicados à produção industrial agregada para os países do G7 detectar uma mudança sincronizada em um “regime de crise” no final de 2008, com a duração da recessão muito mais tempo do que no típico ciclo pós-guerra.

Estas conclusões econométricas reforçaram os apelos à regulação macroprudencial e aos buffers de capital contracíclico. Destacam também a importância de monitorar indicadores do mercado financeiro – como o gap de crédito ao PIB – que têm poder preditivo para crises bancárias em dados históricos. A experiência de 2008 estimulou o desenvolvimento de “sistemas de alerta precoce” baseados em modelos de probit e algoritmos de aprendizado de máquina treinados em séculos de episódios de crise financeira, demonstrando a relevância contínua da análise histórica do ciclo de negócios para formulação de políticas.

Ligando ciclos passados à política econômica moderna

Entender os ciclos históricos de negócios através de lentes econométricas informa diretamente os atuais quadros de políticas. Por exemplo, o reconhecimento de que crises financeiras muitas vezes levam a recuperação lenta e sem emprego – evidente tanto na Grande Depressão quanto na crise de 2008 – tem estimulado o interesse em estabilizadores automáticos, como seguro de desemprego estendido e programas robustos de recapitalização bancária. As lições da década de 1970 destacam a importância da credibilidade dos bancos centrais e orientação para o futuro na gestão das expectativas de inflação. Mais amplamente, a análise sistemática dos ciclos históricos deu origem a modelos de casting que usam dados em tempo real para rastrear a atividade econômica durante períodos de rápida mudança, uma ferramenta que se mostrou inestimável durante a recessão do COVID-19.

Além disso, o estudo econométrico dos ciclos históricos de negócios enfatiza que a economia global está sujeita a flutuações recorrentes, embora irregulares, que nenhuma quantidade de ajuste fino pode suprimir totalmente. Essa humildade – o reconhecimento de que a incerteza e dinâmica não linear são inerentes – incentiva os formuladores de políticas a construir resiliência através de comércio diversificado, mercados de trabalho flexíveis e sede fiscal. Análise histórica também apoia o caso da política fiscal contracíclica: medindo o tamanho dos multiplicadores fiscais em diferentes épocas e condições econômicas, economistas podem projetar pacotes de estímulo que são oportunos e direcionados. Por exemplo, estudos usando RVAs históricos sugerem que os gastos com infraestrutura têm multiplicadores maiores em profundas recessões do que em expansões, uma constatação de que moldam o design moderno de regras fiscais.

Por último, a integração do histórico econométrico com a avaliação das políticas levou à criação de bases de dados em larga escala de dados macroeconómicos e financeiros históricos, tais como Mensuração da Worth e Jordà-Schularick-Taylor Macrohistory Database. Estes recursos facilitam estudos comparativos entre países e permitem aos investigadores testar a validade externa das recomendações políticas derivadas apenas de dados recentes.

Conclusão: O valor duradouro da história quantitativa

As técnicas econométricas fornecem a estrutura analítica necessária para transformar os registros históricos brutos em uma conta confiável das flutuações econômicas. A decomposição das séries temporais, a análise espectral, os VARs, os modelos de cointegração e Markov que mudam cada um para oferecer uma janela única nos padrões, causas e consequências dos ciclos de negócios passados. Os desafios da qualidade dos dados, quebras estruturais e amostras pequenas são reais, mas superáveis com metodologia cuidadosa e uma compreensão profunda do contexto histórico. Ao testar rigorosamente teorias contra a evidência do passado, a história econométrica fortalece os fundamentos da macroeconomia e equipa os decisores políticos com o conhecimento para navegar melhor os ciclos incertos à frente.

À medida que o poder computacional e a disponibilidade de dados continuam a crescer, a fronteira da análise histórica do ciclo de negócios está mudando para estudos mais granulares e de alta frequência – usando dados financeiros semanais, séries regionais de emprego e até mesmo análises textuais de jornais históricos para construir índices de sentimentos. Essas inovações prometem aprofundar nossa compreensão da dinâmica recessiva, honrando o princípio central de que uma política sólida se baseia em evidências acumuladas em muitos ciclos e décadas.O casamento de rigor econométrico e perspectiva histórica não é apenas um exercício acadêmico; é uma ferramenta essencial para construir uma economia global mais estável e próspera.