Академический Документы
Профессиональный Документы
Культура Документы
Imposto de Renda
Braslia
Distrito Federal - Brasil
Julho - 2007
Braslia
Distrito Federal - Brasil
Julho - 2007
Agradecimentos
A nalizao de um trabalho, mesmo que simples, como uma monograa de um
curso de especializao, sempre uma ocasio repleta de alegria e de satisfao. Nesse
momento apropriado que sejam feitos os agradecimentos queles que, direta, ou indiretamente, estiveram associados etapa que se encerra.
Antes de tudo, ao meus pais, que sempre me incentivaram a trilhar o caminho do
estudo e da dedicao. Sem os bons exemplos e o esforo que tiveram em me fornecer a
melhor educao que lhes foi possvel dar, certamente eu no estaria aqui e minha vida
seria innitamente mais difcil.
Ao Tribunal de Contas da Unio, que tem me proporcionado o melhor dos ambientes, bem como a possibilidade de estar sempre sempre em contnua evoluo, tanto
prossionalmente, como em termos pessoais.
Ao professor e orientador Jorge Abraho, que teve a boa vontade e disposio de
ler o texto, fazendo os aconselhamentos adequados para que algumas falhas no fossem
cometidas e os excessos fossem retirados.
Ao professor Alexandre Ywata, que ao ministrar com grande competncia o curso
de Econometria e Sries Temporais no ISC, me despertou para o interesse com relao
matria.
Ao Marcelo de Sousa Eira e ao Charles Mathusalm Soares Evangelista, dirigentes,
respectivamente, da SEMAG e de sua 2a Diretoria, os quais apoiaram a realizao, tanto
do curso de sries temporais, como o de Especializao em Oramento Pblico.
A todos os colegas da SEMAG, que fazem da unidade um lugar mpar, dos mais
agradveis em que j tive a oportunidade de trabalhar.
minha namorada, Shara, com quem tenho compartilhado momentos maravilhosos, repletos de felicidade.
ii
iii
minha lha, Mariana, sem cuja existncia minha vida seria innitamente mais
vazia e desprovida de signicado.
SUMRIO
Pgina
Agradecimentos
ii
Lista de Quadros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . vii
Lista de Figuras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . viii
Introduo
Metodologia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1 Reviso Bibliogrca
2.1
2.2
2.3
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
17
3 Suavizao Exponencial
3.1
3.2
3.3
8
10
12
14
18
ndices de Deacionamento . . . . . . . . . . . . . . . . . . . . . . .
Mtodos Baseados na Mdia . . . . . . . . . . . . . . . . . . . . . . .
3.2.1 Mdia Simples . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2.2 Mdia Mvel . . . . . . . . . . . . . . . . . . . . . . . . . . .
Mtodos de Suavizao Exponencial . . . . . . . . . . . . . . . . . .
3.3.1 Modelos sem tendncia e sem sazonalidade (N-N) . . . . . . .
3.3.2 Modelos com Tendncia Aditiva e Sazonalidade Multiplicativa
3.3.3 Modelos com Tendncia Aditiva e Sazonalidade Aditiva (A-A)
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
(A-M)
. . . .
19
24
25
26
27
30
30
33
vi
3.3.4
3.4
4 Metodologia Box&Jenkins
4.1
4.2
Anlise da Srie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Concluso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
II
5 Suavizao Exponencial
5.1
5.2
5.3
5.4
5.5
5.6
5.7
6 Metodologia Box&Jenkins
6.1
Concluso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
35
35
36
41
43
49
55
56
57
58
59
60
61
62
63
65
70
7 Concluso
73
Referncias Bibliogrcas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
Lista de Quadros
Pgina
2.1
16
3.1
3.2
3.3
22
39
40
4.1
4.2
4.3
4.4
47
48
53
54
64
5.1
6.1
6.2
6.3
vii
. . . . . .
. . . . . .
de Renda
. . . . . .
. . . . . . . . . . . . . .
. . . . . . . . . . . . . .
Sem Deacionamento . . . . . . . . . . . . . .
66
68
72
Lista de Figuras
Pgina
2.1
15
3.1
3.2
3.3
3.4
3.5
3.6
3.7
3.8
3.9
3.10
3.11
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
20
21
24
26
28
28
31
32
34
36
37
4.1
4.2
4.3
4.4
4.5
4.6
4.7
4.8
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
45
45
46
48
50
50
51
51
5.1
5.2
5.3
5.4
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
57
58
59
60
viii
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
ix
5.5
5.6
5.7
61
62
63
6.1
6.2
6.3
6.4
6.5
6.6
66
67
68
69
69
70
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Introduo
A Secretaria de Macroavaliao Governamental-SEMAG do Tribunal de Contas da
Unio possui, dentre suas atribuies regimentais, a de avaliar a previso de arrecadao de
receitas realizada anualmente pelo Poder Executivo e inserida nos anexos Lei Oramentria Anual. Atualmente esse trabalho feito de forma qualitativa, apenas vericando se
os parmetros adotados pela Secretaria de Poltica Econmica do Ministrio da Fazenda, e
repassados aos rgos arrecadadadores para que cada um faa suas previses, esto coerentes com as expectativas do Mercado e de instituies de pesquisa (IPEA, Banco Central).
Considerando, porm, a necessidade do aprimoramento desse trabalho, aventouse a possibilidade de se iniciar a utilizao de mtodos estatsticos e economtricos nas
anlises das previses realizadas, buscando uma fundamentao de forma mais tcnica e
convel das concluses obtidas. Poderia ser avaliado, dessa forma, se os mtodos utilizados
pela Secretaria da Receita Federal, ou pelo INSS, seriam os mais adequados para realizar
as previses anuais de arrecadao de receita tributria. Ao mesmo tempo, poderia ser
vericado at que ponto as previses realizadas tm conseguido espelhar a arrecadao
observada.
A primeira etapa dessa nova estratgia de trabalho envolveu a contratao de um
pesquisador do IPEA, professor Alexandre Ywata, para ministrar um curso de Econometria
e Sries Temporais no ISC, voltado para um grupo de servidores interessados em modelagem
estatstica. A segunda etapa consistiu na alocao de um servidor para comear a estudar o
comportamento das sries de alguns tributos (Imposto de Renda, IPI e COFINS) de forma
a realizar alguns trabalhos seminais de previso no mbito da prpria Secretaria. Contudo,
dada a necessidade de alocao do servidor para atividades de auditoria, a continuidade do
trabalho cou prejudicada, sendo paralisado.
Posteriormente, com o surgimento do Curso de Ps-graduao em Oramento
Pblico ministrado pelo ISC/CEFOR, entendeu-se que seria o momento adequado para
o reatamento e nalizao dos trabalhos iniciados. Finalmente, deve-se mencionar que esse
processo est inserido na expectativa de criao de uma massa crtica no mbito da Secre-
2
taria, de servidores com conhecimento avanado na rea de mtodos quantitativos. Esses
servidores seriam alocados para trabalhos futuros, tanto de auditoria, como de auxlio
elaborao do Relatrio e Parecer Prvio das Contas do Governo da Repblica, buscando
enriquecer tecnicamente essas atividades. Alm disso, h um consenso de que as atividades do Tribunal esto a cada dia se tornando mais complexas, saindo da estrita anlise
legal e enveredando por questes de ecincia, eccia e efetividade. Esses novos desaos
exigem servidores mais qualicados e instrumentos mais sosticados, dentre eles a anlise
estatstica.
A Constituio Federal estabelece, em seu artigo 165, pargrafo 8o , que a Lei
Oramentria Anual conter a previso de receita a ser arrecadada, bem como a xao da
despesa a ser executada. Considerando que um dos princpios oramentrios bsicos o do
equilbrio, ou seja, a receita deve ser igual despesa, torna-se bastante importante que se
faa uma previso a mais acurada possvel do montante a ser arrecadado, de molde a no
se xarem despesas em montante superior s receitas.
Essa questo particularmente importante, uma vez que h um eterno conito
entre os setores governamentais responsveis pelos gastos e aqueles responsveis pela estabilizao scal. Os que gastam tm todo o interesse em maximizar os dispndios governamentais, seja para aumentar a quantidade de bens adquiridos/nvel de servios que prestam
populao, seja para aumentar o prprio nvel de poder ou inuncia (maximizao do
bureau ). Aqui no Brasil esse tipo de comportamento tem sido visto nos ltimos anos quando
da apreciao, pelo Congresso Nacional, da Lei Oramentria Anual enviada pelo Poder
Executivo. Freqentemente o Poder Legislativo tem alterado, para maior, a previso de
arrecadao, visando dessa forma ao aumento das possibilidades de gasto, acomodando as
inmeras demandas dos grupos de presso existentes.
J os responsveis pela estabilizao scal tm conscincia de que as demandas so
innitas e devem necessariamente ser limitadas situao real da arrecadao, sob pena de
haver um descontrole da dvida pblica (caso a opo para fazer face ao excesso de despesa
seja o endividamento) ou da inao (caso a opo seja pela emisso de moeda).
A soluo encontrada no Brasil nos ltimos anos para esse embate tem sido o contingenciamento oramentrio. Ao longo de cada ano o Poder Executivo baixa decretos de
contingenciamento, procurando adequar os dispndios previstos s possibilidades econmicas existentes. Esse tipo de poltica, no entanto, no eciente, gerando freqentemente
descontinuidades em aes governamentais, que no raro trazem prejuzos no mdio e longo
prazos. Exemplos que podem ser citados so a interrupo de obras para cujo reincio se
faz necessria nova implantao de infra-estrutura, gerando gastos dobrados ou triplicados
3
nesse item, ou ento a interrupo de aes de controle tossanitrio, possibilitando a ocorrncia de patologias que acabam por prejudicar o consumidor ou as exportaes nacionais.
nesse contexto que entra em cena a necessidade de realizar da forma mais
dedigna possvel a previso das receitas a serem arrecadadas. A utilizao de procedimentos robustos de previso de arrecadao, aceitos consensualmente pela comunidade
tcnica, alm de potencialmente inibir a tentao de superestimativa de receita por parte
de determinados setores, pode ainda assegurar um melhor uxo de gastos por parte do
governo, evitando o contingenciamento e tornando a gesto dos programas mais racional,
minimizando as possveis descontinuidades derivadas de interrupes.
Metodologia
A metodologia de trabalho a ser desenvolvida para a consecuo do presente trabalho relativamente simples. O ponto primordial envolve a aquisio de conhecimento na
rea de sries temporais, o que se iniciou com o j citado curso ministrado pelo Professor
Ywata, tendo sido complementado por estudos posteriores.
A seguir, pretende-se utilizar esses procedimentos economtricos para a modelagem
do comportamento da srie bruta (sem quaisquer restituies ou acertos) da arecadao do
Imposto sobre a Renda e Proventos de Qualquer Natureza1 no perodo de janeiro
de 1995 a junho de de 2005. Os valores mensais dessa arrecadao so obtidos mediante
consulta listagem L&88, gerada mensalmente pelo SERPRO, com informaes desde
janeiro de 1985 para os tributos administrados pela Secretaria da Receita Federal. A no
utilizao de dados anteriores a 1995 se deve elevada taxa de inao que permeava o
perodo, o que poderia causar distores nas anlises. Os valores de arrecadao real entre
janeiro e dezembro de 2006 sero utilizados para a vericao da acurcia das previses
realizadas.
O trabalho ser dividido em duas partes. Na primeira, os valores da srie sero
deacionados para uma mesma data, agosto de 2004, estudando-se a sua evoluo, com base
na suavizao exponencial e metodologia Box&Jenkins, com avaliao de estacionariedade
e de ocorrncia de quebras estruturais, tanto com a utilizao de mtodos grcos como
numricos. A escolha do ndice explicada na Seo 3.1 do trabalho, onde foi feita uma
1 Note-se
que essa srie pode ser decomposta em trs grandes rubricas: Imposto de Renda Pessoa
Fsica-IRPF, Imposto de Renda Pessoa Jurdica-IRPJ e Imposto de Renda Retido na Fonte-IRRF.
Cada uma desses rubricas pode ser decomposta, ainda, em numerosos subcomponentes: IRPFDeclarao de Ajuste Anual, IRPF-Carn Leo etc.
4
rpida anlise na qual se procurou identicar qual dos ndices de inao seria o mais
apropriado para o deacionamento da srie, mediante a minimizao de um critrio de
informao, Akaike Information Criteria-AIC. Na segunda parte do trabalho so realizadas
as mesmas anlises, mas com a srie com valores no deacionados.
Existe uma grande quantidade de sistemas computacionais voltados para clculos
estatsticos: SAS, E-views, R, Stata, SACS etc., devendo cada pesquisador escolher aquele
que melhor lhe convier para trabalhar. Critrios ligados a preo, portabilidade, capacidade
computacional, facilidade de uso, dentre outros, so comumente utilizados para a escolha
adequada. O programa adotado no presente trabalho foi o R2 uma vez que um software
livre3 , gratuito, de fcil instalao e possui todas as facilidades instaladas necessrias para
a execuo dos procedimentos de anlise das sries. Como existe uma grande comunidade de
pesquisadores em todo o mundo utilizando o sistema, h um numeroso conjunto de manuais
e textos tcnicos disponveis para download na Internet, o que facilita sobremaneira a sua
utilizao.
Como j foi dito anteriormente, alm de realizar as anlises das sries de arrecadao tributria, outro dos objetivos do presente trabalho sedimentar conhecimentos
e aprimorar a utilizao de tcnicas estatsticas para uso posterior nos demais trabalhos da
SEMAG. Procurar-se-, dessa forma, explicar e exemplicar muitos dos resultados tericos
obtidos na literatura. Embora isso possa vir a tornar o texto um pouco mais pesado do que
o desejvel, a necessidade de gerar modelos, fazer sua simulao computacional, analisar e
descrever os resultados far com que se adquira um domnio maior sobre o assunto.
2 Verso
3 Disponvel
Captulo 1
Reviso Bibliogrca
A literatura sobre sries temporais vasta e abrangente, se estendendo desde livros
com teor profundamente terico-matemtico (e.g. Hamilton, 1994), at livros mais leves,
voltados para a aplicao da metodologia Box & Jenkins sem maiores consideraes tericas
(e.g. Bowerman & O'Connel, 1987). A escolha de qual caminho trilhar foi difcil, mas optouse por um meio termo; nem o rigor matemtico que arriscaria a transformar o trabalho
uma tese de doutorado (sem que o autor tivesse as qualicaes tericas condizentes com o
desao), nem o simplismo que, alm de pouco agregar em termos de conhecimento, ainda
poderia resultar em uma compreenso distorcida dos modelos utilizados, bem como dos
resultados obtidos.
O embasamento terico para a realizao do trabalho se lastreou, ento, fundamentalmente nas notas de aula do professor Alexandre Ywata, no curso de Estatstica e
Econometria ministrado, bem como no livros Forecasting Methods and Aplications, de Spyro
Makridakis, Steven C. Wheelwright e Rob J. Hyndman e Applied Econometeric Time Series
de Walter Enders.
Uma outra valiosa fonte de informaes, explicaes e exerccios bastante prticos
foi o Study Book da cadeira Statistics for Climate Research, elaborado pelo professor Peter
Dunn, da University of Southern Queensland. Os numerosos exemplos e as explanaes
simples e diretas foram de grande utilidade na compreenso do assunto.
Com relao propriamente utilizao de sries temporais para a previso de receitas tributrias federais, h dois trabalhos que sobressaem, ambos ganhadores do prmio
de monograas da STN.
O primeiro trabalho de Bruno Stephan Veras de Melo, servidor da Secretaria da
Receita Federal, que fez estudos do comportamento da arrecadao do Imposto de Renda.
Captulo 2
A Previso no Processo Oramentrio
Este captulo tem por objetivo apresentar as principais justicativas, legais e tericas, para a realizao do trabalho de previso de receitas no mbito do processo de elaborao da Lei Oramentria Anual (LOA).
Primeiramente, a questo legal. O artigo 165 da Constituio Federal, em seu 8o ,
estabelece que a Lei Oramentria Anual no dever conter dispositivo estranho previso
de receita e xao de despesa. Assim, a determinao para que seja feita a previso das
receitas um mandamus constitucional do qual o elaborador do oramento no pode se
esquivar.
Adicionalmente, a Lei de Responsabilidade Fiscal, Lei Complementar no 101/2000,
estabelece no seu artigo 11 que a instituio, previso e efetiva arrecadao de todos os
tributos da competncia constitucional de cada ente da Federao so requisitos essenciais
para a responsabilidade da gesto scal. O seu pargrafo nico veda que sejam feitas
transferncias voluntrias para o ente que no observar esse mandamus com relao aos
impostos.
O artigo 12 do mesmo ato legal determina, ainda, que as previses de receita
devero observar as normas tcnicas e legais, considerando no seu clculo os efeitos das
alteraes na legislao, da variao do ndice de preos, do crescimento econmico ou de
qualquer outro fator relevante. As previses devero ser acompanhadas de demonstrativo
de sua evoluo nos ltimos trs anos, da projeo para os dois seguintes quele a que se
referirem, bem como da metodologia de clculo e premissas utilizadas.
Com relao a este artigo, vale a pena observar que no existem normas tcnicas
que determinem de forma inequvoca como deve ser feito um trabalho de previso (Garrett
e Leatherman, 2000, pgina 1). Existem, na verdade, diversos mtodos que podem ser
utilizados, qualitativos e quantitativos, conforme pode ser visto em Makridakis et al. (1998).
Outrossim, ao estabelecer que no clculo das previso devem ser levados em conta "os efeitos
das alteraes na legislao, da variao do ndice de preos, do crescimento econmico ou
de qualquer outro fator relevante", o legislador est limitando demasiadamente a margem
de discrionariedade da equipe encarregada das previses. A se levar ao p da letra o
disposto na Lei, a utilizao de sries temporais univariadas para realizar as previses
estaria descartada, uma vez que nesta metodologia so levados em considerao apenas os
prprios valores pretritos da srie para o clculo dos seguintes.
Ainda que no estivesse positivada na norma, a previso de receita deveria ser realizada a cada ciclo oramentrio, uma vez que compreender os processo de previso uma
etapa essencial no planejamento oramentrio e nos processos de gesto conforme exposto
em Kyobe e Danninger (2005). Considerando que um dos princpios oramentrios justamente o do equilbrio, Receitas Despesas, h que se fazerem previses razoavelmente
acuradas para as receitas, de forma a se equilibrarem com as despesas xadas, sob pena de
haver excesso de gastos (com reexos negativos na poltica scal, uma vez que os recursos
que esto faltando devero ser obtidos de alguma forma, mediante a obteno de emprstimos ou emisso monetria) ou excesso de receita (embora seja uma possibilidade terica,
h muito que isso no visto no Brasil).
Deve-se ressaltar que quando se fala em previso de receita no se est referindo
apenas s receitas tributrias, embora essas de fato sejam as mais importantes. O poder
pblico dispe de uma srie de outras fontes de recursos (e.g. cobrana de taxas pela utilizao de servios, rendas provenientes da explorao de atividades econmicas e recebimento
de dividendos) que tambm devem ser objeto de previso.
evoluo da varivel cujo comportamento se deseja prever, estes prossionais acabaram por
adquirir uma alentada capacidade de compreenso dos fatores que afetam a evoluo desta
varivel. Embora no esteja lastreada em estudos numricos, esta experincia lhes permite
prever o que ir acontecer com uma certa dose de acerto, Garrett e Leatherman (2000).
Previses baseadas em mtodos qualitativos so usualmente utilizadas quando no
existem estatsticas conveis relativas aos perodos passados e que possam ser utilizadas
em mtodos quantitativos, quando so esperadas modicaes signicativas no ambiente
em que se d o processo (e.g. uma grande elevao na alquota de um determinado tributo,
um cataclismo que afetou severamente uma determinada regio ou setor econmico) ou
quando no h equipes competentes para a realizao de anlises economtricas.
Apesar do contnuo avano das tcnicas estatsticas, os mtodos qualitativos de
previso ainda so bastante utilizados. Em estudo publicado pelo FMI, envolvendo uma
amostra de trinta e quatro pases (da frica Subsahariana, da sia, Amrica Latina e
Oriente Mdio), aproximadamente 85% utilizam tcnicas de previso de receitas de carter
subjetivo e de simples extrapolao (Kyobe e Danninger, 2005, pgina 14).
claro que para que haja a criao de um grupo capaz de realizar previso de
forma qualitativa necessrio que haja uma certa estabilidade na estrutura administrativa.
Se houver uma grande rotatividade nos funcionrios encarregados da administrao de um
determinado tributo, por exemplo, dicilmente ser criada uma memria institucional que
permita gerar o conhecimento necessrio para a realizao desse tipo de trabalho.
Embora extensivamente utilizados, os mtodos qualitativos, uma vez que envolvem
julgamentos subjetivos, podem dar margem a problemas. Guajardo e Miranda (2000), citados por (Garrett e Leatherman, 2000, pgina 3), apresentam oito das principais fraquezas
que uma anlise qualitativa pode apresentar1 :
quadas.
itens a seguir foram livremente traduzidos, com as adaptaes que se consideraram ade-
10
correlao falsa - os encarregados da realizao das previses podem incorporar informaes sobre fatores que erroneamente so considerados como inuenciadores da
arrecadao de receitas;
inconsistncias nos mtodos e nos julgamentos - os encarregados da realizao das previses podem utilizar diferentes estratgias de previso ao longo do tempo, tornandoas menos conveis;
percepes seletivas - ocorrem quando os encarregados das previses ignoram informaes importantes que conitam com a sua viso sobre relaes causais;
wishful thinking 2 - ao darem um peso maior quilo que os encarregados de previso
ou servidores pblicos desejam, os resultados das previses podem ser irrealistamente
otimistas;
comportamento de grupo - ocorre quando a dinmica da formao de consenso tende
a levar indivduos a reforarem os pontos de vista uns dos outros, em detrimento de
seus julgamentos independentes;
presses polticas - ocorrem quando os encarregados das previses ajustam as estimativas de forma a ir ao encontro das necessidades de um oramento equilibrado ou
das limitaes oramentrias.
Os mtodos quantitativos de previso de receitas se baseiam na anlise numrica de
dados pr-existentes, buscando estabelecer um modelo (ou modelos) que os represente(m)
da forma mais el possvel, utilizando-os em seguida para a realizao das previses desejadas. Entre as vantagens que esse tipo de metodologia apresenta podem ser citadas a
transparncia dos parmetros utilizados nos clculos3 e a possibilidade de estabelecimento
de um grau de incerteza associada s estimativas realizadas (Garrett e Leatherman, 2000,
pgina 3).
no ingls original, signica tomar os desejos por realidades e tomar decises, ou seguir
raciocnios, baseados nesses desejos em vez de nos fatos ou na racionalidade (Wikipedia, verbete
Wishful thinking ).
3 Que necessariamente devero constar nas equaes utilizadas.
11
12
13
Ai,t = Aai,t1 (1 + P ) (1 + Q) (1 + L)
(2.1)
onde,
14
Note-se que todo este trabalho exige da(s) equipe(s) que o realizam um profundo
conhecimento emprico do comportamento da arrecadao dos tributos frente s alteraes
no panorama econmico do Brasil e do mundo. Conseguir quanticar em um parmetro
o efeito que um determinado ndice (previsto) de inao vai ter sobre a arrecadao de
um tributo no tarefa trivial. A experincia e a cultura institucional acumuladas durante
anos de trabalho so essenciais para a acurcia das previses.
5 Obtidos
6
0
Freqncia
10
12
25
20
15
10
10
15
10.105.940,02
7.464.527,59
7.889.709,18
9.198.601,70
6.817.773,31
7.360.569,67
8.504.515,08
7.200.058,18
7.855.788,11
8.676.989,71
6.530.677,05
12.013.341,08
99.618.490,68
jan
fev
mar
abr
mai
jun
jul
ago
set
out
nov
dez
Total
6,69
93.065.298
9.839.264
6.536.763
7.982.289
7.031.913
6.545.924
8.124.361
7.319.956
7.185.383
8.952.123
7.458.519
7.105.618
8.983.185
Prev.
-6,58
-18,10
0,09
-8,01
-10,49
-9,09
-4,47
-0,55
5,39
-2,68
-5,47
-4,81
-11,11
(%)
121.213,81
15.505,50
9.549,99
10.108,37
8.422,67
8.990,94
9.250,10
12.477,37
8.501,77
10.927,58
9.539,31
7.858,25
10.081,97
Arrec.
-4,02
-9,85
(%)
-12,83
-7,78
-11,79
-21,24
-19,10
-21,45
-7,10
-11,18
-18,18
-14,30
-11,19
13,10
105.660
14.299
8.424
7.961
6.814
7.062
8.593
11.083
6.956
9.365
8.472
7.542
9.089
Prev.
2005
133.816.086.835,05
16.606.948.120,64
9.492.285.018,92
11.703.111.572,74
10.312.573.908,60
9.485.565.072,44
10.397.486.714,18
13.956.711.467,90
9.180.874.262,48
12.588.188.574,93
10.189.952.436,27
9.259.073.435,62
10.643.316.250,33
Arrec.
(R$)
(R$ milhes)
(R$ mil)
Fonte: Informaes complementares aos projetos de lei oramentria dos anos 2004 a 2006.
EPMA
Arrec.
Ms
2004
7,87
125.047.097.594
17.433.981.751
8.840.966.029
9.772.641.683
8.492.821.645
8.633.888.599
10.376.072.978
13.237.302.483
8.886.017.518
11.667.203.521
9.592.790.814
8.606.013.260
9.507.397.313
Prev.
2006
-6,55
4,98
-6,86
-16,50
-17,65
-8,98
-0,21
-5,15
-3,21
-7,32
-5,86
-7,05
-10,67
(%)
Parte I
Anlise da Srie Reduzida
Deacionada
17
Captulo 3
Suavizao Exponencial
Nesse captulo so apresentados os mtodos de previso baseados na mdia e na
suavizao exponencial, aplicando-os srie de arrecadao do Imposto de Renda, cujos
valores foram deacionados pelo ndice a ser escolhido na forma apresentada na Seo 3.1.
Para cada um desses mtodos, feita uma breve introduo, apresentando-se a seguir as
equaes que so utilizadas para a modelagem da srie. Feitas as anlises, so apresentados
os resultados para as previses, os grcos com a srie modelada, os correlogramas das
funes de autocorrelao e de autocorrelao parcial dos resduos, bem como os resultados
para o Teste Box-Pierce, (Garrett e Leatherman, 2000, pgina 318), dos resduos. Aps o
clculo dos valores previstos deacionados, feito o seu inacionamento para os meses de
2006, utilizando-se o ndice de inao adotado.
Ao nal, na concluso do captulo, so apresentados os Quadros 3.2 e 3.3, onde
feita uma comparao entre os resultados obtidos com os mtodos de suavizao exponencial
considerados mais adequados, com base na anlise dos resduos, e os valores efetivamente
recolhidos no perodo de janeiro a dezembro de 2006. No primeiro quadro os valores previstos foram inacionados com base no ndice previsto pela SPE, enquanto no segundo foi
utilizado o ndice adotado efetivo, calculado pela entidade responsvel pela sua elaborao.
Ressalte-se que, com essa metodologia de anlise, procurou-se simular da forma
mais dedigna possvel a situao vivida pelos tcnicos do Governo encarregados de realizar
as previses de arrecadao tributria para o ano seguinte. O projeto de lei oramentria
precisa estar pronto para ser enviado ao Congresso Nacional para apreciao e aprovao
at agosto de cada ano. Portanto, as informaes disponveis para as anlises so aquelas
usualmente existentes at junho de cada exerccio. Os rgos arrecadadores precisam ento
prever, na verdade, dezoito meses de arrecadao; os seis ltimos meses do ano e os doze
meses do ano seguinte.
18
19
20
200
250
IGP
IPCA
IGPDI
INPC
100
150
300
350
1996
1998
2000
2002
2004
2006
ANO
21
5500
5550
AIC
5600
5650
Evoluo do AIC
0.0
0.2
0.4
0.6
0.8
1.0
% IGPDI
22
Quadro 3.1: Inao (IGP-DI) apurada pela FGV e Prevista pela SPE
Ms
IGP-DI Apurado
Previso (SPE)
(%)
jul/05
-0,40
0,26
165,00
ago/05
-0,79
0,39
149,37
set/05
-0,13
0,44
438,46
out/05
0,63
0,43
31,75
nov/05
0,33
0,45
36,36
dez/05
0,07
0,49
600,00
jan/06
0,72
0,37
48,61
fev/06
-0,06
0,50
933,33
mar/06
-0,45
0,43
195,56
abr/06
0,02
0,53
2550,00
mai/06
0,38
0,68
78,95
jun/06
0,67
0,60
10,45
jul/06
0,17
0,53
211,76
ago/06
0,41
0,61
48,78
set/06
0,24
0,22
8,33
out/06
0,81
0,25
69,14
nov/06
0,57
0,38
33,33
dez/06
0,26
0,24
EPMA
7,69
468,07
23
A partir do resultado obtido, bem como dos trabalhos de Melo (2001) e Siqueira
(2002), optou-se por utilizar no presente trabalho o IGP-DI, puro, como deacionador da
srie sob anlise. Ressalte-se que, para uma srie de um tributo diferente (e.g. IPI ou
Cons), um outro ndice poderia ser utilizado.
importante entender que, uma vez que seja utilizado um processo de deacionamento, modelagem e previso, com posterior inacionamento dos resultados at a data
cuja arrecadao se deseja prever, as incertezas associadas previso se avolumam. A
primeira delas concerne ao prprio ndice a ser utilizado. Como estamos usando a srie do
Imposto de Renda total, estamos agregando arrecadaes tributrias provenientes de diversos fenmenos econmicos, os quais reagem a variaes inacionrias de forma diferente,
que poderiam ser captadas por diferentes ndices. O IGP-DI adotado foi o melhor ndice
possvel.
A segunda se refere ao prprio modelo adotado representar a srie sob estudo.
Nenhum modelo perfeito, nem consegue captar a integralidade das caractersticas de uma
srie composta por valores reais, mensurados. Ento, quando h a utilizao de um modelo,
h uma perda de parte da informao contida na srie.
Por ltimo, as previses relativas aos ndices de inao futura. Quo acuradas so
essas previses? No Quadro 3.1 so apresentadas as previses do IGP-DI para os perodo
de jul/2005 a Dez/2006, realizadas pela SPE e utilizadas nos parmetros macroeconmicos
para elaborao do oramento de 2006. No se pode armar que as previses tenham sido
muito precisas. Para o ms de abril, por exemplo, houve uma divergncia de 2550% entre
a previso elaborada pela SPE e o valor apurado pela FGV. Uma possvel forma de tornar
essa previso mais acurada seria mediante a utilizao, tambm, de mtodos economtricos
na previso dos ndices de inao futuros, conforme realizado em Neves Cordeiro (2002).
Na Figura 3.3 so apresentados dois grcos da srie de arrecadao do Imposto de
Renda, com os valores j convertidos em reais, deacionados pelo IGP-DI para agosto de
1994. O primeiro grco apresenta a srie desde janeiro de 1985 a junho de 2005, enquanto
o segundo apresenta apenas o perdo com o qual se vai trabalhar, janeiro de 1995 a junho
de 2005. Percebe-se de forma clara a ocorrncia de uma alterao no comportamento da
srie a partir de meados de 1994, perodo em que houve a implementao do Plano Real.
Como na gura j cou bastante claro o perodo em que ocorreu a alterao no
comportamento da srie, no h necessidade de realizao de um teste estatstico para
averiguao da ocorrncia de quebra estrutural. Com base nesse resultado, optou-se por
24
4
1
(R$ Bilhes)
Janeiro/1985 junho/2005
1985
1990
1995
2000
2005
Ano
3.0
1.5
2.0
2.5
(R$ Bilhes)
3.5
4.0
4.5
Janeiro/1995 junho/2005
1996
1998
2000
2002
2004
2006
Ano
25
yt =
i=1
yt
(3.1)
26
10
6
2
(R$ Bilhes)
Arrecadao IR
1996
1998
2000
2002
2004
2006
Ano
0.4 0.8
0.2
FAC
10
15
20
25
30
35
30
35
Defasagem
0.2 0.4
0.1
FACP
10
15
20
25
Defasagem
27
sazonalidade (Makridakis et al., 1998, pg. 143). A equao 3.2 utilizada para os clculos
do modelo. O nmero de pontos conhecidos da srie representado pelo parmetro n,
enquanto m representa a ordem do modelo de mdia mvel.
yn+1 =
1
m
t
X
yi
(3.2)
i=nm+1
4.0
3.5
3.0
2.5
1.5
1998
2000
2002
2004
1996
1998
2000
2002
2004
Ano
4.0
3.5
3.0
2.5
3.5
3.0
2.5
1.5
2.0
1.5
2.0
4.0
4.5
Ano
4.5
1996
2.0
4.0
3.5
3.0
2.5
2.0
1.5
4.5
4.5
28
1996
1998
2000
2002
2004
1996
1998
2000
Ano
2002
2004
Ano
0.1
0.1
FAC
0.4
0.4
0.3
0.0
10
15
20
25
30
35
10
15
20
25
30
Lag
35
0.3
FAC
0.6
0.1
0.2
0.3
0.2
FAC
Lag
1.0
0.1
FAC
0.8
0.3
10
15
20
Lag
25
30
35
10
15
20
25
30
35
Lag
29
1 X yt yt
EP M A =
100
n
yt
(3.3)
i=1
EQM =
1X
(yt yt )2
n
i=1
2 No
trend e No seasonality.
additive e Additive.
3 Damped
(3.4)
30
yt+1 = yt + (yt yt )
(3.5)
(3.6)
31
1.0e+10
6.0e+09
2.0e+09
(R$ Bilhes)
1996
1998
2000
2002
2004
2006
Ano
0.4
0.2 0.0
0.2
FAC
0.6
0.8
1.0
0.0
0.5
1.0
1.5
2.0
2.5
3.0
Defasagem
0.1
0.2 0.1
0.0
FACP
0.2
0.3
0.0
0.5
1.0
1.5
2.0
2.5
3.0
Defasagem
32
20
Modelo AM
Previsao SRF
10
(R$ Bilhes)
15
Arrecadao SRF
1996
1998
2000
2002
2004
2006
Ano
0.2
0.2
0.0
0.1
0.0
FACP
0.4
0.2
FAC
0.6
0.1
0.8
1.0
0.0
0.5
1.0
1.5
Defasagem
2.0
2.5
3.0
0.0
0.5
1.0
1.5
2.0
2.5
3.0
Defasagem
33
(3.7)
34
15
Arrecadao SRF
Modelo AA
10
(R$ Bilhes)
Previsao SRF
1996
1998
2000
2002
2004
2006
Ano
0.2
0.2
0.0
0.1
0.0
FACP
0.4
0.2
FAC
0.6
0.1
0.8
1.0
0.0
0.5
1.0
1.5
2.0
2.5
3.0
0.0
0.5
Defasagem
1.0
1.5
2.0
2.5
3.0
Defasagem
35
(3.8)
36
20
Arrecadao SRF
Modelo MM
10
(R$ Bilhes)
15
Previsao SRF
1996
1998
2000
2002
2004
2006
Ano
0.2
0.2
0.0
0.1
0.0
FACP
0.4
0.2
FAC
0.6
0.1
0.8
1.0
0.0
0.5
1.0
1.5
Defasagem
2.0
2.5
3.0
0.0
0.5
1.0
1.5
2.0
2.5
3.0
Defasagem
3.4 Concluso
A anlise necessariamente ter que se dividir em duas, conforme os ndices de
inacionamento, previsto pela SPE e mensurado pela FGV, utilizados.
Quando o inacionamento dos valores calculados feito com os ndices previstos
pela SPE, os resultados podem ser vistos no Quadro 3.2. Dois dos quatro modelos estudados
37
15
Arrecadao SRF
Previsao SRF
10
(R$ Bilhes)
Modelo DAA
1996
1998
2000
2002
2004
2006
Ano
0.2
0.2
0.0
0.1
0.0
FACP
0.4
0.2
FAC
0.6
0.1
0.8
1.0
0.0
0.5
1.0
1.5
Defasagem
2.0
2.5
3.0
0.0
0.5
1.0
1.5
2.0
2.5
3.0
Defasagem
38
10.328.373.713
11.207.543.028
15.898.791.444
140.345.211.854
12.588.188.574, 93
9.180.874.262, 48
13.956.711.467, 90
10.397.486.714, 18
9.485.565.072, 44
10.312.573.908, 60
11.703.111.572, 74
9.492.285.018, 92
16.606.948.120, 64
133.816.086.835.05
abr
mai
jun
jul
ago
set
out
nov
dez
Total
EQM
EPMA
9.929.551.222
6.67
4.18 1016
10.745.785.615
12.029.226.562
12.024.510.067
10.063.542.670
10.529.583.902
12.115.380.127
13.074.915.759
9.259.073.435, 62
10.189.952.436, 27
fev
mar
12.398.007.739
10.643.316.250, 33
jan
Modelo A-M
Valores
Arrecadados
Ms
(2006)
4.88
4.26
13.21
2.79
8.68
8.88
15.65
27.89
14.69
3.76
28.31
7.24
16.49
(%)
4.89
3.68 1017
137.515.302.309
14.504.894.547
10.927.288.903
11.872.785.682
11.229.992.289
10.504.175.834
11.733.692.122
10.353.035.336
10.793.840.377
11.744.632.159
12.231.605.426
10.022.654.535
11.596.705.093
Modelo A-A
2.76
12.66
15.12
1.45
8.89
10.74
12.85
25.82
17.57
6.70
20.04
8.25
8.96
(%)
9.25
3.18 1014
143.838.750.696
16.545.183.388
11.148.273.247
12.440.403.797
11.556.233.445
10.620.106.356
12.327.362.155
10.291.599.217
10.741.579.293
12.322.880.935
13.272.041.536
10.051.298.056
12.521.789.265
Modelo M-M
7.49
0.37
17.45
6.30
12.06
11.96
18.56
26.26
17.00
2.11
30.25
8.55
17.65
(%)
4.89
3.68 1017
137.515.302.309
14.504.894.547
10.927.288.903
11.872.785.682
11.29.992.289
10.504.175.834
11.733.692.122
10.353.035.336
10.793.840.377
11.744.632.159
12.231.605.426
10.022.654.535
11.596.705.093
Modelo DA-A
2.76
12.66
15.12
1.45
8.89
10.74
12.85
25.82
17.57
6.70
20.04
8.25
8.96
(%)
9.492.285.018,92
nov
EPMA
11.703.111.572,74
10.312.573.908,60
set
out
EQM
15.220.972.258
9.485.565.072,44
ago
16.606.948.120,64
10.397.486.714,18
jul
133.816.086.840,56
10.285.258.410
13.956.711.468,44
jun
dez
10.647.870.805
9.180.874.264,09
mai
Total
9.810.728.918
12.588.188.576,04
abr
9.639.963.688
10, 42
2.71 1018
134.491.481.184
11.491.946.291
11.444.679.251
9.612.683.358
10.051.274.728
11.600.160.801
12.582.356.917
9.259.073.435,42
10.189.952.437,74
fev
mar
12.103.585.759
10.643.316.251,32
jan
Modelo A-M
Valores
Arrecadados
Ms
(2006)
0,50
-8,35
8,35
-1,80
3,25
3,43
10,07
-31,13
9,48
-7,85
23,48
4,11
13,72
(%)
10, 39
1.22 1020
131.763.174.153
13.886.501.894
10.458.983.096
11.342.492.777
10.669.199.015
9.977.720.063
11.167.884.764
9.889.206.390
10.303.527.281
11.245.179.281
11.770.815.811
9.730.351.716
11.321.312.065
Modelo A-A
-1,53
-16,38
10,18
-3,08
3,46
5,19
7,41
-29,14
12,23
-10,67
15,51
5,09
6,37
(%)
11, 45
1.35 1020
137.832.622.620
15.839.806.330
10.670.496.815
11.884.758.471
10.979.148.633
10.087.840.297
11.732.927.585
9.830.522.686
10.253.640.171
11.798.837.418
12.772.056.563
9.758.159.871
12.224.427.780
Modelo M-M
3,00
-4,62
12,41
1,55
6,46
6,35
12,84
-29,56
11,68
-6,27
25,34
5,39
14,86
(%)
10, 39
1.22 1020
131.763.174.153
13.886.501.894
10.458.983.096
11.342.492.777
10.669.199.015
9.977.720.063
11.167.884.764
9.889.206.390
10.303.527.281
11.245.179.281
11.770.815.811
9.730.351.716
11.321.312.065
Modelo DA-A
-1,53
-16,38
10,18
-3,08
3,46
5,19
7,41
-29,14
12,23
-10,67
15,51
5,09
6,37
(%)
Captulo 4
Metodologia Box&Jenkins
Uma srie temporal, cujos valores podem ser derivados de algum experimento ou da
observao de algum fenmeno fsico ou social, pode ser dividida em duas partes. A primeira
o sinal, o componente dos dados que contm a informao e que pode ser modelado
mediante a utilizao de algum instrumental matemtico, e o segundo o rudo, componente
imprevisvel, aleatrio, oriundo da impossibilidade de incluir no modelo tudo o que acontece
no universo. Por mais acuradas que sejam as observaes e melhores os modelos de previso
construdos, sempre haver espao para um acontecimento fortuito (uma revoluo, um
perodo chuvoso ou de estiagem muito acima do normal, a quebra inesperada de algum
equipamento etc.), gerando incertezas no processo de previso.
O propsito desse trabalho buscar modelar da melhor forma possvel o sinal
existente na srie de arrecadao do Imposto de Renda, utilizando ento esse modelo para
a realizao de previses de arrecadao. No Captulo 3 foram utilizados mtodos baseados
na mdia e na suavizao exponencial, cujos resultados foram sintetizados na Seo 3.4.
Neste captulo ser utilizada a metodologia desenvolvida Box&Jenkins para a modelagem
de dados e previso com base em sries temporais.
O mtodo, desenvolvido seminalmente nos anos 1970 pelos estatsticos George Box
e Gwilym Jenkins baseado na utilizao de funes auto-regressivas (Autoregressive, AR)
e de mdia mvel, (Moving Average, MA), que, sozinhas ou, mais freqentemente, combinadas, permitem a reproduo da melhor forma possvel da informao, sinal, contida nos
dados.
41
42
Os modelos AR implicam que o sinal da srie de tempo pode ser expresso como
uma funo linear de valores pretritos da srie de tempo. Exemplos:
yt = 0 + 1 yt1 + t
yt = 0 + 1 yt1 + 2 yt2 + t
yt = 0 + 1 yt1 + 2 yt2 + 3 yt3 + t
De forma a indicar o grau n de autoregressividade da srie, coloca-se o nmero
entre parnteses. Assim, AR(1) um modelo auto-regressivo de primeira ordem, AR(2),
de segunda ordem e assim sucessivamente. Como o prprio nome d a entender, no caso
dos modelos auto-regressivos, o que se faz uma regresso de yt em yt1 , yt2 , yt3 . . . ,
calculando-se os valores do coecientes.
J os modelos M A so baseados na pressuposio de que o sinal pode ser expresso
como uma funo dos erros de previso pretritos. Ao se fazerem previses baseadas nos
erros ocorridos, busca-se melhorar as novas previses. Exemplos de modelos de mdia mvel
so:
yt = 0 + 1 t1 + t
yt = 0 + 1 t1 + 2 t2 + t
yt = 0 + 1 t1 + 2 t2 + 3 t3 + t
Uma terceira possibilidade, mais comum, que seja feita uma conjugao de efeitos
auto-regressivos e de mdia mvel, gerando um modelo misto, ARMA(p,q), onde p a ordem
auto-regressiva e q a ordem de mdia mvel. Alguns exemplos de modelos ARMA podem
ser vistos a seguir:
AR(p) : yt = 0 +
M A(q) : yt = 0 +
p
X
i=1
q
X
i yti + t ;
k tk + t ;
k=1
ARM A(p, q) : yt = 0 +
p
X
i=1
i yti +
q
X
k=1
k tk + t ;
43
(4.1)
onde,
B - operador backshift Byt = yt1 ;
d - operador de diferena : (1 B)d ;
s D
D
s - operador de diferena sazonal: (1 B ) ;
considerado aqui que o IGP-DI puro o ndice mais adequado para o deacionamento/inacionamento dos dados para sua modelagem com o mtodo de Box&Jenkins, assim como
o foi para a suavizao exponencial.
44
a vericar em qual(is) modelo(s) Box&Jenkins previstos pela Equao 4.1 ela melhor adere.
Uma vez denido(s) o(s) modelo(s), sero feitas previses para a arrecadao do tributo no
perodo de janeiro a dezembro de 2006, vericando-se a seguir a acurcia da modelagem
realizada.
A opo por utilizar a srie de valores conhecidos at junho de 2005, apenas, se
deve a que, um dos objetivos do presente trabalho justamente procurar analisar se a
utilizao de modelos economtricos de sries temporais traria vantagens no processo de
previso de receitas no mbito da elaborao da proposta oramentria.
Os clculos de previso de receita que constam do Projeto de Lei Oramentria
Anual (PLOA) so elaborados com dados de arrecadao at junho de cada ano. Portanto,
qualquer simulao do processo s poder utilizar dados efetivos de arrecadao at esse
ms. Por esse motivo, cada modelo adotado ser utilizado para prever a arrecadao de 18
(dezoito) meses (o perodo de julho a dezembro de 2005 e o ano inteiro de 2006).
So seis as etapas a serem seguidas para a realizao do trabalho no mbito da
metodologia desenvolvida por Box&Jenkins:
1. vericao da estacionariedade da srie;
2. utilizao dos procedimentos adequados para tornar a srie estacionria, caso se identique a sua no estacionariedade;
3. identicao do(s) modelo(s) Box-Jenkins mais adequado(s) para a sua modelagem;
4. realizao do processo de previso;
5. cotejamento dos resultados obtidos a partir das previses com a arrecadao efetiva;
6. clculo dos erros de previso.
Primeiramente, iremos analisar a srie que ser utilizada nas previses. Como visto
no Captulo 3, apenas os valores de arrecadao no perodo de janeiro de 1995 a junho de
2004 sero utilizados nas previses. No primeiro grco da Figura 4.1 a evoluo dessa
srie (j deacionada) mostrada. No segundo grco mostrada a srie aps a aplicao
do operador logaritmo, utilizado para tornar a varincia da srie estacionria.
A anlise de ambos os grcos permite inferir que a srie no estacionria na
mdia, uma vez que a mesma apresenta uma trajetria de crescimento ao longo do perodo.
Essa primeira impresso corroborada com o clculo das mdias anuais, cuja evoluo pode
ser vista no grco da Figura 4.2.
45
3.5
3.0
2.5
1.5
2.0
4.0
4.5
Janeiro/1995 junho/2005
1996
1998
2000
2002
2004
2002
2004
Ano
21.8
21.6
21.2
21.4
(Log(Arrec.))
22.0
22.2
Janeiro/1995 junho/2005
1996
1998
2000
Ano
2.0
2.2
2.4
(R$ Bilhes)
2.6
2.8
3.0
1996
1998
2000
2002
2004
2006
Ano
46
0.4
0.2
0.0
0.2
FAC
0.6
0.8
1.0
0.0
0.5
1.0
1.5
2.0
2.5
3.0
2.5
3.0
0.1
0.1
0.0
FACP
0.2
0.3
0.4
Defasagem
0.0
0.5
1.0
1.5
2.0
Defasagem
yt = tendt + sazt + t
(4.2)
onde tendt a parte da equao que representa a tendncia da srie, enquanto sazt representa o comportamento sazonal. O termo t representa o erro. A equao que rege o
47
Parmetro
Valor
Estat. t
Prob. (t)
linear
21.415
657.43
< 2 1016
0.003
6.95
1.83 1010
21.343
437.44
< 2 1016
3.65
0.000387
-1.97
0.051474
Quadrtica
1
2
6.473
2.661
103
105
comportamento da tendncia pode ser linear, quadrtica etc. Neste trabalho sero considerados dois modelos para a tendncia: linear e quadrtico. As equaes 4.3 a seguir ilustram
cada um deles.
tendlin
t = + t
tendquad
= + 1 t + 2 t2
t
(4.3)
zt = yt tendt = sazt + t
(4.4)
Na Figura 4.4 so mostrados os correlogramas das FAC e das FACP para cada uma
das sries cuja tendncia, linear ou quadrtica, foi retirada. O que se pode observar, em
ambos os casos que as sries resultantes da retirada da tendncia se mantm sazonalmente
estacionrias. Existem alguns picos no sazonais na terceira e na nona defasagens, tanto
no correlograma da FAC, como no da FACP.
De forma a se vericar qual o modelo Box&Jenkins que melhor se adapta srie,
ser realizado um processo iterativo, variando-se os parmetros p, d, q, P, D e Q da Equao
4.1 no comando arima do R, apresentado a seguir, obtendo-se diversos modelos diferentes de
sries temporais. Para cada modelo so calculados os valores do AIC (Akaike Information
Criteria) e BIC (Bayesian Information Criteria) e escolhidos aqueles que apresentam os
menores valores.
0.2
0.0
0.1
0.0
0.2
0.2
10
20
30
40
50
60
10
20
30
40
Defasagem
Defasagem
Tendncia Quadrtica
Tendncia Quadrtica
50
60
50
60
0.1
0.2
0.2
0.0
0.1
0.2
0.0
FACP
0.4
0.6
0.2
0.8
0.3
1.0
0.4
FAC
0.1
FACP
0.4
0.2
FAC
0.6
0.3
0.8
0.4
1.0
Tendncia Linear
48
10
20
30
40
50
60
Defasagem
10
20
30
40
Defasagem
Hierarquia
AIC
BIC
linear
1o
SARIMA(1,0,3)(1,0,1)
SARIMA(0,0,0)(1,0,0)
2o
SARIMA(0,0,1)(1,0,1)
SARIMA(0,0,0)(1,0,1)
1o
SARIMA(0,0,0)(1,0,1)
SARIMA(0,0,0)(1,0,1)
2o
SARIMA(0,0,0)(1,0,2)
SARIMA(0,0,0)(1,0,0)
Quadrtica
49
4.2 Concluso
Nos quadros 4.3 e 4.4 so apresentados os resultados das previses para os modelos
escolhidos, inacionados para os meses de 2006 com base no IGP-DI previsto pela SPE e
no IGP-DI apurado pela FGV, respectivamente.
Tendo em vista os valores apurados para o Erro Quadrtico Mdio (EQM) e o Erro
Pecrentual Mdio Absoluto (EPMA), os modelos que tiveram a tendncia aproximada por
2 J
inacionadas pelo IGP-DI previsto pela SPE, aps a aplicao do operador logaritmo e da
insero das tendncias, nessa ordem.
50
15
Arrecadao SRF
Modelo Tend. Linear SARIMA(0,0,0)(1,0,0)
10
5
(R$ Bilhes)
Previsao SRF
1996
1998
2000
2002
2004
2006
0.6
0.2
0.0
0.0
FACP
0.4
0.2
0.4
0.0
0.1
0.2
0.2
FAC
0.6
0.1
0.4
0.8
1.0
0.2
Ano
10 15 20 25 30 35
10 15 20 25 30 35
Defasagem
Defasagem
20 40 60 80
120
Meses
15
Arrecadao SRF
Modelo Tend. Linear SARIMA(0,0,0)(1,0,1)
10
5
(R$ Bilhes)
Previsao SRF
1996
1998
2000
2002
2004
2006
0.6
0.4
0.2
0.2
0.4
0.15
0.0
0.2
0.0
FACP
0.05 0.00
0.4
0.2
FAC
0.6
0.05
0.10
0.8
0.15
1.0
Ano
10 15 20 25 30 35
Defasagem
10 15 20 25 30 35
Defasagem
20 40 60 80
120
Meses
51
15
Arrecadao SRF
Modelo Tend. Quad. SARIMA(0,0,0)(1,0,0)
10
5
(R$ Bilhes)
Previsao SRF
1996
1998
2000
2002
2004
2006
0.6
0.2
0.05
0.2
0.4
0.15
0.0
0.2
0.0
FACP
0.05 0.00
0.6
0.4
0.2
FAC
0.4
0.10
0.8
0.15
1.0
Ano
10 15 20 25 30 35
10 15 20 25 30 35
Defasagem
Defasagem
20 40 60 80
120
Meses
15
Arrecadao SRF
Modelo Tend. Quad. SARIMA(0,0,0)(1,0,1)
10
5
(R$ Bilhes)
Previsao SRF
1996
1998
2000
2002
2004
2006
0.6
0.2
0.05
0.2
0.4
0.15
0.0
0.2
0.0
FACP
0.05 0.00
0.6
0.4
0.2
FAC
0.4
0.10
0.8
0.15
1.0
Ano
10 15 20 25 30 35
Defasagem
10 15 20 25 30 35
Defasagem
20 40 60 80
120
Meses
52
uma curva quadrtica se revelaram menos adequados (com erros maiores) que os de tendncia linear. Tambm apresentaram uma diferena maior com relao soma da arrecadao
anual. Como j previsto quando dos clculos do AIC e BIC, o modelo cujas previses
se mostraram mais acertadas foi o SARIMA(0,0,0)(1,0,0). Com um erro no somatrio da
arrecadao de -4.51% e um Erro Percentual Mdio Absoluto de 7,44%, o resultado obtido
com esse modelo um pouco melhor do que da previso realizada pela SPE.
Uma segunda observao que quando as sries com tendncia linear so inacionadas com o ndice previsto pela SPE, os resultados se mostram melhores que aqueles
obtidos quando o ndice utilizado o mensurado pela FGV. Como os ndices previstos pela
SPE so maiores que os da FGV, uma concluso possvel que o mtodo subestimou a
arrecadao de 2006, subestimao essa que foi parcialmente corrigida com a aplicao de
um ndice maior para o inacionamento. Em outras palavras, um erro corrigindo o outro.
Ao contrrio do mtodo de suavizao exponencial, Captulo 3, cuja utilizao
redundou em uma sobre-estimativa da arrecadao do Imposto de Renda, como pode ser
visto nos Quadros 3.2 e 3.3, os modelos Box&Jenkins utilizados nesse captulo subestimaram
a arrecadao real, apresentando um carter conservador. Considerando que os modelos
de suavizao exponencial superestimaram a arrecadao, uma possvel experincia seria
fazer uma combinao dos dois modelos, de molde a vericar se as previses se tornam mais
acuradas. Pode ser uma boa idia para trabalhos futuros.
9.492.285.018
16.606.948.120
133.816.086.835
Total
EQM
EPMA
out/06
dez/06
11.703.111.572
set/06
nov/06
9.485.565.072
10.312.573.908
ago/06
10.397.486.714
jul/06
12.588.188.574
abr/06
9.180.874.262
10.189.952.436
mar/06
13.956.711.467
9.259.073.435
fev/06
jun/06
10.643.316.250
jan/06
mai/06
Valores Arrecadados
Ms
7, 44
5, 49
1018
127.784.607.885
11.923.035.932
10.086.468.722
10.846.235.646
10.524.807.176
10.248.422.589
10.666.369.000
12.174.654.209
9.880.284.992
11.147.014.826
10.345.321.467
9.349.197.302
10.592.796.016
Valores Previstos
4.51
28.20
6.26
7.32
2.06
8.04
2.59
12.77
7.62
11.45
1.53
0.97
0.47
(%)
SARIMA(0,0,0)(1,0,0)
7, 18
6, 12
1018
127.183.642.915
12.446.346.505
9.779.347.460
11.081.710.512
10.266.576.224
9.654.964.528
10.826.554.322
10.935.305.937
9.754.850.429
11.400.284.431
10.200.484.437
9.412.143.259
11.425.074.866
Valores Previstos
4.96
25.05
3.02
5.31
0.45
1.79
4.13
21.65
6.25
9.44
0.10
1.65
7.34
(%)
SARIMA(0,0,0)(1,0,1)
Tendncia Linear
11, 16
2, 99
1019
116.433.081.666
10.500.325.223
8.984.586.762
9.657.228.483
9.414.299.327
9.207.608.963
9.592.074.481
11.235.475.315
9.183.957.547
10.351.223.640
9.643.804.840
8.754.566.319
9.907.930.760
Valores Previstos
12.99
36.77
5.34
17.48
8.71
2.93
7.75
19.50
0.03
17.77
5.36
5.45
6.91
(%)
SARIMA(0,0,0)(1,0,0)
12, 31
33, 25
1019
115.391.493.816
11.169.948.503
8.620.679.207
9.872.948.645
9.138.050.398
8.566.032.576
9.766.707.791
9.694.772.202
8.983.666.995
10.539.307.036
9.504.667.859
8.726.557.456
10.808.155.142
Valores Previstos
13.77
32.74
9.18
15.64
11.39
9.69
6.07
30.54
2.15
16.28
6.72
5.75
1.55
(%)
SARIMA(0,0,0)(1,0,1)
Tendncia Quadrtica
9.492.285.018
16.606.948.120
133.816.086.835
Total
EQM
EPMA
out/06
dez/06
11.703.111.572
set/06
nov/06
9.485.565.072
10.312.573.908
ago/06
10.397.486.714
jul/06
12.588.188.574
abr/06
9.180.874.262
10.189.952.436
mar/06
13.956.711.467
9.259.073.435
fev/06
jun/06
10.643.316.250
jan/06
mai/06
Valores Arrecadados
Ms
7, 85
1, 40
1019
122.423.781.569
11.414.716.634
9.654.197.559
10.361.793.160
9.999.228.803
9.734.784.842
10.152.028.755
11.629.214.456
9.431.470.394
10.672.976.256
9.955.592.029
9.076.535.331
10.341.243.343
Valores Previstos
8.51
31.27
1.716
11.46
3.04
2.63
2.36
16.68
2.73
15.21
2.30
1.97
2.84
(%)
SARIMA(0,0,0)(1,0,0)
8, 21
1, 15
1019
121.872.372.948
11.915.716.709
9.360.238.451
10.586.750.641
9.753.893.156
9.171.070.134
10.304.489.822
10.445.390.539
9.311.733.730
10.915.475.303
9.816.211.307
9.137.645.519
11.153.757.632
Valores Previstos
8.93
28.25
1.39
9.54
5.42
3.32
0.89
25.16
1.43
13.29
3.67
1.31
4.79
(%)
SARIMA(0,0,0)(1,0,1)
Tendncia Linear
14, 87
4, 74
1019
111.560.245.202
10.052.660.888
8.599.538.449
9.225.892.494
8.944.176.498
8.746.135.455
9.129.537.517
10.732.111.953
8.766.773.810
9.911.026.930
9.280.502.970
8.499.246.292
9.672.641.941
Valores Previstos
16.63
39.47
9.41
21.17
13.27
7.79
12.19
23.10
4.51
21.27
8.93
8.21
9.12
(%)
SARIMA(0,0,0)(1,0,0)
15, 70
5, 14
1019
110.588.404.492
10.693.735.866
8.251.226.713
9.431.977.607
8.681.722.639
8.136.714.050
9.295.749.878
9.260.434.269
8.575.581.510
10.091.111.881
9.146.607.564
8.472.054.286
10.551.488.223
Valores Previstos
17.36
35.61
13.07
19.41
15.81
14.22
10.60
33.65
6.59
19.84
10.24
8.50
0.86
(%)
SARIMA(0,0,0)(1,0,1)
Tendncia Quadrtica
Quadro 4.4: Metodologia de Box-Jenkins - Srie Inacionada com IGP-DI Mensurado pela FGV
Parte II
Anlise da Srie Reduzida no
Deacionada
55
Captulo 5
Suavizao Exponencial
Nesta segunda parte do trabalho, englobando este captulo e o seguinte, ser feita a
anlise da srie composta pelos valores originais de arrecadao do Imposto de Renda, sem
deacionamento/inacionamento, para o perodo de janeiro de 1995 a junho de 2005. Os
procedimentos que sero adotados nos dois captulos no diferem muito daqueles utilizados nos Captulos 3 e 4, nos quais a srie deacionada/inacionada foi objeto de anlise,
primeiramente utilizando-se suavizao exponencial e, em seguida, a metodologia desenvolvida por Box&Jenkins.
No primeiro grco da Figura 6.1 apresentada a evoluo da arrecadao em
valores originais. No segundo grco da gura apresentado o comportamento da srie
aps a sua transformao utilizando-se o operador logaritmo. Note-se que o comportamento
da srie transformada aparenta ser mais regular, o que poderia em um primeiro momento
fazer o analista optar apenas pela sua anlise. De forma a vericar se isso verdade, ambas
as sries, em valor original e em logaritmo, sero analisadas.
Primeiramente sero utilizados modelos baseados na suavizao exponencial. Os
resultados das anlises so apresentados nas sees que se seguem. No Quadro 5.1, na
concluso do captulo, so apresentados os resultados das previses (jan/2006 a dez/2006)
para os modelos que melhor se adaptaram ao conjunto de dados existentes.
Foi utilizado o comando ets (exponential smoothing state space modes ) do R, que
permite escolher em que tipo de modelo de suavizao exponencial que se quer que os dados
sejam amoldados. O comando realiza automaticamente um processo de minimizao no
linear do critrio de informao adotado (AIC, AICC ou BIC), escolhendo os parmetros
(, e ) que sero utilizados nas equaes de previso, conforme j visto no Captulo 3.
No sero estudados modelos com amortecimento, uma vez que os grcos das sries no
apontam para qualquer comportamento amortecido da arrecadao do tributo.
56
57
8
6
2
(R$ Bilhes)
10
12
Janeiro/1985 junho/2005
1996
1998
2000
2002
2004
2002
2004
Ano
22.5
22.0
21.5
log(Arrec.)
23.0
Janeiro/1995 junho/2005
1996
1998
2000
Ano
58
15
Arrecadao SRF
Modelo AN Log
10
5
(R$ Bilhes)
Previsao SRF
1996
1998
2000
2002
2004
2006
0.4
0.3
0.0
0.1
0.2
0.0
0.2
21.5
1996
2000
Meses
2004
0.1
FACP
0.2
0.6
0.4
0.2
FAC
22.5
22.0
Log(Arrec.)
23.0
0.8
23.5
1.0
Ano
0.0
0.5
1.0
1.5
2.0
Defasagem
2.5
3.0
0.0
0.5
1.0
1.5
2.0
2.5
3.0
Defasagem
59
20
Modelo AM Log
10
Previsao SRF
(R$ Bilhes)
15
Arrecadao SRF
1996
1998
2000
2002
2004
2006
0.15
0.10
FACP
0.15
0.2
21.5
0.0
0.05 0.00
0.05
0.6
0.2
0.4
FAC
23.0
22.5
22.0
Log(Arrec.)
23.5
0.8
24.0
1.0
Ano
1996
2000
Meses
2004
0.0
0.5
1.0
1.5
2.0
Defasagem
2.5
3.0
0.0
0.5
1.0
1.5
2.0
2.5
3.0
Defasagem
60
20
Modelo AA Log
10
Previsao SRF
(R$ Bilhes)
15
Arrecadao SRF
1996
1998
2000
2002
2004
2006
0.15
0.10
FACP
0.15
0.0
0.2
21.5
1996
2000
Meses
2004
0.05 0.00
0.05
0.6
0.2
0.4
FAC
23.0
22.5
22.0
Log(Arrec.)
23.5
0.8
24.0
1.0
24.5
Ano
0.0
0.5
1.0
1.5
2.0
Defasagem
2.5
3.0
0.0
0.5
1.0
1.5
2.0
2.5
3.0
Defasagem
61
20
Modelo MM Log
10
Previsao SRF
(R$ Bilhes)
15
Arrecadao SRF
1996
1998
2000
2002
2004
2006
0.10
FACP
0.15
0.2
21.5
0.0
0.05 0.00
0.05
0.6
0.2
0.4
FAC
23.0
22.5
22.0
Log(Arrec.)
23.5
0.8
24.0
0.15
1.0
Ano
1996
2000
Meses
2004
0.0
0.5
1.0
1.5
2.0
Defasagem
2.5
3.0
0.0
0.5
1.0
1.5
2.0
2.5
3.0
Defasagem
62
15
Arrecadao SRF
Modelo AM
Previsao SRF
10
(R$ Bilhes)
20
1996
1998
2000
2002
2004
2006
0.05
FACP
0.2
0.15
0.05 0.00
0.4
0.0
0.2
FAC
0.6
0.10
0.8
0.15
1.0
Ano
0.0
0.5
1.0
1.5
Defasagem
2.0
2.5
3.0
0.0
0.5
1.0
1.5
2.0
2.5
3.0
Defasagem
63
20
25
15
Modelo MM
Previsao SRF
Intervalo de Previso 95%
10
(R$ Bilhes)
Arrecadao SRF
1996
1998
2000
2002
2004
2006
0.05
FACP
0.2
0.15
0.05 0.00
0.4
0.0
0.2
FAC
0.6
0.10
0.8
0.15
1.0
Ano
0.0
0.5
1.0
1.5
Defasagem
2.0
2.5
3.0
0.0
0.5
1.0
1.5
2.0
2.5
3.0
Defasagem
5.7 Concluso
Com base nas anlises realizadas nesse captulo, vericou-se que a aplicao do
operador logaritmo srie, em que pese t-la tornado mais regular, no foi uma boa estratgia. Todos os modelos que tiveram por base a srie logaritmizada apresentaram uma
capacidade de ajuste srie real e de previso inferiores aos que utilizaram a srie original.
Dos modelos sem log, destacou-se o A-M, com o menor valor para a estatstica
do Teste Box-Pierce. Dos modelos com log, o que apresentou os melhores resultados foi
o M-M. No Quadro 5.1 so apresentados os valores da arrecadao do Imposto de Renda
no ano de 2006, bem como os resultados das previses para os dois modelos citados. Com
base nos dois critrios de erro utilizados (EPMA e EQM), v-se que o Modelo A-M sem a
aplicao do operador logaritmo bastante superior ao melhor dos modelos com aplicao
do logaritmo.
Apesar disso, a qualidade das previses realizadas com esse modelo se demonstrou, no geral, inferior obtida com os modelos de suavizao exponencial inacionados/deacionados pelas previses do IGP-DI, conforme apresentado no Captulo 3. Tambm a qualidade das previses realizadas com a metodologia de Box&Jenkins aplicada
srie inacionada se revelou superior.
64
Valores Arrecadados
Valores Previstos
(%)
Valores Previstos
jan/06
10.643.316.251
12.684.825.143
19,18
13.534.453.327
27,16
fev/06
9.259.073.435
10.173.009.141
9,87
11.104.867.593
19,93
mar/06
10.189.952.438
13.367.882.022
31,19
14.577.922.433
43,06
(A-M s/ Log)
(%)
(M-M Log)
abr/06
12.588.188.576
12.338.280.642
-1,99
13.897.461.533
10,40
mai/06
9.180.874.264
10.649.541.456
16,00
12.338.409.026
34,39
jun/06
13.956.711.468
10.145.830.796
-27,31
12.151.997.646
-12,93
jul/06
10.397.486.714
12.113.375.768
16,50
14.514.766.460
39,59
ago/06
9.485.565.072
10.382.357.773
9,45
12.483.622.333
31,60
set/06
10.312.573.909
11.269.675.953
9,28
13.480.928.354
30,72
out/06
11.703.111.573
12.132.547.147
3,67
14.865.782.582
27,02
nov/06
9.492.285.019
10.880.130.886
14,62
13.375.973.208
40,91
dez/06
16.606.948.121
16.147.593.175
-2,77
20.105.812.401
21,06
Total
133.816.086.841
142.285.049.902
6,33
166.432.000.000
24,37
EQM
EPMA
3, 24
1018
13, 49
1, 37
1019
32, 57
Uma outra caracterstica dos resultados obtidos que vale a pena mencionar que
houve uma superestimativa dos valores arrecadados em praticamente todos os meses, para
os trs modelos. Esse comportamento semelhante ao encontrado no Captulo 3 para a
srie deacionada.
Captulo 6
Metodologia Box&Jenkins
Nesse captulo ser feita a anlise da srie de arrecadao do Imposto de Renda
sem deacionamento utilizando-se a metodologia desenvolvida por Box&Jenkins. Os procedimentos utilizados no diferem substantivamente daqueles adotados no Captulo 4. Ao
nal do captulo, aps serem deduzidos os modelos que melhor lograram simular o comportamento da srie original, so feitas previses para o montante mensal de arrecadao do
tributo para 2006.
No primeiro grco da Figura 6.1 mostrada a evoluo da srie original. No h
dvidas acerca de sua no estacionariedade, nem em relao mdia, nem varincia. De
forma a tentar estacionarizar a varincia, aplicado o operador logaritmo natural a todos
os valores da srie. O resultado obtido da operao pode ser visto no segundo grco da
gura, tendo aparentemente conseguido tornar a varincia estacionria. Como a aplicao
da metodologia pressupe a estacionariedade da varincia, apenas a srie qual foi aplicada
o operador logaritmo ser objeto de anlise doravante.
Com relao mdia, procurar-se- analisar qual o procedimento mais apropriado
para torn-la estacionria: a aplicao do operador de diferena (L = 1 B), ou o clculo
da equao da curva de tendncia, com a posterior retirada de seus efeito para a realizao
das previses. Em um primeiro momento, ao analisar-se a forma do grco, j se pensaria
em optar pela utilizao da linha de tendncia, mas alguns testes estatsticos devem ser
feitos antes de se adotar qualquer um dos procedimentos.
Na Figura 6.2 so apresentados os correlogramas das FAC e das FACP da srie em
logaritmo. Como esperado, o comportamento de ambos os correlogramas aponta para a sua
no estacionariedade. Realizando-se o Teste de Dickey-Fuller, verica-se que a mesma no
apresenta raiz unitria1 , favorecendo ento a primeira opinio de que o comportamento no
1O
65
66
8
6
2
(R$ Bilhes)
10
12
Janeiro/1985 junho/2005
1996
1998
2000
2002
2004
2002
2004
Ano
22.5
22.0
21.5
log(Arrec.)
23.0
Janeiro/1995 junho/2005
1996
1998
2000
Ano
Valor
Estat. t
Prob. (t)
21.47
683.92
< 2 1016
28.41
< 2 1016
1.22
1002
da reta: y = + t.
0.2
FAC
67
10
15
20
25
30
35
30
35
0.4
0.2
0.2 0.0
FACP
0.6
0.8
Defasagem
10
15
20
25
Defasagem
68
0.2
0.0
0.2
0.4
0.6
1996
1998
2000
2002
2004
0.2
0.2
0.2
0.0
0.1
0.0
0.1
FACP
0.4
0.2
FAC
0.6
0.3
0.8
0.4
1.0
Ano
10
20
30
40
Defasagem
10
20
30
40
Defasagem
Hierarquia
Modelos
-124,94
1o
SARIMA(0,0,0)(1,0,1)
-124,33
2o
SARIMA(0,0,0)(1,0,2)
-123,92
3o
SARIMA(0,0,0)(2,0,1)
BIC
Hierarquia
Modelos
-123,28
1o
SARIMA(0,0,0)(1,0,1)
-123,17
2o
SARIMA(0,0,0)(1,0,0)
-120,23
3o
SARIMA(0,0,0)(2,0,0)
69
15
Arrecadao SRF
SARIMA(0,0,0)(1,0,1)
10
5
(R$ Bilhes)
Previsao SRF
1996
1998
2000
2002
2004
2006
0.15
0.10
FACP
0.4
FAC
0.2
0.2
0.15
0.0
0.05 0.00
0.05
0.6
0.4
0.2
0.0
0.2
0.4
0.8
0.6
1.0
Ano
20 40 60 80
120
10 15 20 25 30 35
Meses
Defasagem
10 15 20 25 30 35
Defasagem
15
Arrecadao SRF
SARIMA(0,0,0)(1,0,0)
10
5
(R$ Bilhes)
Previsao SRF
1996
1998
2000
2002
2004
2006
0.15
0.10
0.8
FACP
0.4
FAC
0.2
0.05 0.00
0.05
0.6
0.4
0.2
0.0
0.15
0.2
0.4
0.0
0.2
0.6
1.0
Ano
20 40 60 80
Meses
120
10 15 20 25 30 35
Defasagem
10 15 20 25 30 35
Defasagem
70
15
Arrecadao SRF
SARIMA(0,0,0)(1,0,2)
10
5
(R$ Bilhes)
Previsao SRF
1996
1998
2000
2002
2004
2006
0.15
0.10
0.8
FACP
0.4
FAC
0.2
0.15
0.0
0.2
0
20 40 60 80
120
Meses
0.05 0.00
0.05
0.6
0.4
0.2
0.0
0.2
0.4
0.6
1.0
Ano
10 15 20 25 30 35
Defasagem
10 15 20 25 30 35
Defasagem
6.1 Concluso
Das quatro metodologias apresentadas em cada um dos captulos do presente trabalho, a de Box&Jenkins, aplicada srie sem deacionamento, foi a que melhor conseguiu
4 Segundo
os critrios adotados.
71
realizar as previses para a arrecadao de Imposto de Renda de 2006. Os trs modelos apresentados neste captulo lograram calcular o montante de arrecadao anual com um erro,
em mdia, de 2,87%; um erro absoluto inferior a todos os demais modelos, sendo inferior
tambm quele apresentado pela RFB em sua previso na Lei Oramentria Anual. Assim
como nos captulos 3, para a srie deacionada, e 5, para a srie no deacionada, houve
uma superestimativa dos valores arrecadados em praticamente todos os meses, para os trs
modelos.
16.606.948.121
133.816.086.841
-
EQM
EPMA
9.492.285.019
nov/06
Soma
11.703.111.573
out/06
dez/06
9.485.565.072
10.312.573.909
jul/06
set/06
10.397.486.714
jun/06
ago/06
9.180.874.264
13.956.711.468
mai/06
12.588.188.576
abr/06
9.980.289.534
9.259.073.435
10.189.952.438
fev/06
mar/06
12.227.847.819
10.643.316.251
jan/06
7, 85
1, 40
1019
137.576.042.458
14.006.380.014
10.737.579.270
12.190.824.881
11.145.304.322
10.359.056.865
11.677.424.997
11.648.902.374
10.399.142.777
12.288.447.250
10.914.842.356
Valores Previstos
2,81
-15,66
13,12
4,17
8,07
9,21
12,31
-16,54
13,27
-2,38
7,11
7,79
14,89
(%)
SARIMA(0,0,0)(1,0,1)
Valores Arrecadados
Ms
8, 20
1, 52
1019
137.486.585.768
13.339.933.692
10.916.488.450
11.840.251.117
11.379.507.772
10.979.052.347
11.474.533.630
13.028.055.043
10.447.443.519
11.964.504.447
11.026.609.919
9.836.698.821
11.253.507.012
Valores Previstos
2,74
-19,67
15,00
1,17
10,35
15,74
10,36
-6,65
13,80
-4,95
8,21
6,24
5,73
(%)
SARIMA(0,0,0)(1,0,0)
14, 87
4, 74
1019
137.929.579.453
14.135.341.427
10.720.122.224
12.052.923.228
11.165.792.138
10.415.571.956
11.669.382.660
11.892.746.375
10.488.597.589
12.259.650.586
11.188.799.426
9.870.040.462
12.070.611.383
Valores Previstos
3,07
-14,88
12,94
2,99
8,27
9,80
12,23
-14,79
14,24
-2,61
9,80
6,60
13,41
(%)
SARIMA(0,0,0)(1,0,2)
Quadro 6.3: Previses para Arrecadao do Imposto de Renda Sem Deacionamento - Box&Jenkins
Captulo 7
Concluso
O objetivo do presente trabalho foi estudar diferentes formas de realizar a previso
de arrecadao do Imposto de Renda agregado, em valores brutos, sem reticaes, utilizando duas metodologias ligadas a sries temporais, j consagradas na literatura tcnica:
a Suavizao Exponencial e os modelos Box&Jenkins. Para cada uma dessas metodologias,
foi estudado o comportamento das previses com base nas sries em valores originais e
deacionados pelo IGP-DI, calculado pela Fundao Getlio Vargas, do Rio de Janeiro.
Buscou-se avaliar, tambm, qual a performance desses modelos, quando cotejados
com a previso de arrecadao realizada pela Secretaria da Receita Federal do Brasil-RFB
para o ano de 2006.
Das metodologias estudadas, e com base nos parmetros utilizados para comparao, vericou-se que aquela que apresentou modelos com melhor capacidade de previso
da arrecadao em 2006 foi a de Box&Jenkins, para a srie original, sem deacionamento.
Deve-se acrescentar, tambm, que as quatro metodologias apresentaram modelos cuja capacidade de previso se revelou superior apresentada pelo modelo da RFB para o ano
considerado.
Esses resultados, no entanto, devem ser vistos com cautela, uma vez que os clculos
foram feitos para apenas um ano. Uma armao mais assertiva acerca da pertinncia da
troca da metodologia atualmente utilizada pela Secretaria s seria possvel aps um estudo
envolvendo diversos anos de arrecadao e previso. Se, aps um estudo como esse, fosse
vericado que os mtodos aqui apresentados se comportam melhor que o da RFB de forma
contumaz, a sim, alguma proposta nesse sentido poderia ser realizada.
Um outro aspecto que deve ser levado em conta, como foi comentado na Introduo,
que o rgo arrecadador tem por obrigao natural ser conservador em suas previses.
73
CAPTULO 7. CONCLUSO
74
Considerando as presses eternas por mais e mais gastos, sempre melhor prever menos do
que realmente ser arrecadado. Dos mtodos estudados, porm, apenas um, Box&Jenkins
para a srie deacionada, subestimou a arrecadao, enquanto os demais a superestimaram.
Talvez a RFB no possa correr esse risco.
Por ltimo, deve-se acrescentar que h inmeros outros estudos que podem ser
realizados com base nas sries de arrecadao disponveis. Ao invs de estudar a srie
do Imposto de Renda agregado, seria possvel estudar a evoluo de cada um de seus
componentes e ver se as previses iriam melhorar. Uma outra possibilidade seria estudar
a combinao dos diversos modelos estudados e ver como as previses se comportam. So
sugestes que cam para prximos trabalhos.
Referncias Bibliogrcas
Billah, Baki, King, Maxell L., Snyder, Ralph D., Koehler, Anne B. Exponential Smoothing
Model Selection for Forecasting. Department of Econometrics and Business Statistics,
Monash University, Australia, 2005.
Bowerman, B. L. e O'Connell, R. T. Time Series Forecasting Unied Concepts and Computer Implementation. 2 ed. USA: Duxbury Press. 1987. 540 p.
Cordeiro, Nilton Jos Neves. Modelos Univariados da Previso da Dinmica Inacionria
Brasileira. Dissertao de Mestrado em Estatstica, Universidade Federal de Pernambuco,
2002, 183 p.
Dunn, Peter. Statistics for Climate Research - Study Book. Faculty of Sciences - The
University of Southern Queensland, 2005. Disponvel no stio www.usq.edu.au, acessado
em 10/12/2006.
Enders, Walter. Applied Econometric Time Series 1 ed. USA: John Wiley & Sons, Inc.
1995. 433 p.
Gardner, E. S., Jr. Exponential smoothing: The state of the art - Part II. Bauer College of
Business, University of Houston, 2005. Disponvel no stio www.bauer.uh.edu/gardner,
acessado em 03/01/2007.
Garrett, Thomas A. e Leatherman, John C. An Introduction to State and Local Public
Finance. Regional Research Institute, West Virginia University, 2000. Disponvel no
stio www.rri.wvu.edu/WebBook/Garrett/chapterfour.htm, acessado em 31/08/2006.
Guajardo, S.A. e Miranda, R. An Elected Ocial's Guide to Revenue Forecasting. Chicago:
Government Finance Ocers Association, 2000.
Hyndman, Rob J., Koehler, Anne B., Snyder, Ralph D., Grose, Simone A State Space
Framework for Automatic Forecasting Using Exponencial Smoothing Methods. Department of Econometrics and Business Statistics, Monash University, Australia, 2000.
75
REFERNCIAS BIBLIOGRFICAS
76
Kyobe, Annette e Danninger, Stephan. Revenue Forecasting - How is it done? Results from
a Survey of Low-Income Countries. IMF Working Paper 05/24. International Monetary
Fund. Washington, 2005.
Makridakis, Spyros, Wheelwright, Steven C., Hyndman, Rob J. FORECASTING Methods
and Applications 3 ed. USA: John Wiley & Sons, Inc. 1998. 642 p.
Melo, Bruno Stephan Veras de. Modelo de Previso para Arrecadao Tributria Braslia:
ESAF, 2001 97 p. Monograa vencedora em primeiro lugar do VII Prmio do Tesouro
Nacional - 2001.
Penner, Rudolph G. Errors in Budget Forecasting. The Urban Institute, 2001.
Siqueira, Marcelo. Melhorando a Previso da Arrecadao Tributria Federal Atravs da
Utilizao de Modelos de Sries Temporais. Braslia: ESAF, 2002 79 p. Monograa
vencedora em primeiro lugar do VI Prmio do Tesouro Nacional - 2002.