Daniel Silveira da Silva Leite; Amarildo de Paula Júnior

DOI: 10.22167/2675-6528-202600688

Artigo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.

Resumo

O presente estudo analisou a relevância e o impacto da taxa SELIC, principal instrumento de política monetária no Brasil, sobre variáveis macroeconômicas selecionadas no período de 2010 a 2019, no contexto do regime de metas de inflação. O objetivo foi investigar a relação entre a taxa SELIC e indicadores como inflação (IPCA), produto interno bruto (PIB), saldo de crédito, custo do crédito (ICC) e desigualdade de renda (índice de Gini). Utilizou-se uma abordagem quantitativa baseada em dados secundários de instituições oficiais, empregando modelos de regressão linear para analisar as relações com diferentes defasagens temporais e modelos de Vetores Autorregressivos (VAR) para a taxa SELIC, IPCA e PIB entre 2013 e 2019. Os resultados indicaram que a taxa SELIC apresentou relação estatisticamente significativa com o PIB e com o custo do crédito, especialmente em horizontes defasados, evidenciando a atuação dos mecanismos de transmissão monetária. Contudo, sua capacidade explicativa sobre a inflação mostrou-se limitada, e não se observou relação significativa com o volume de crédito. A associação com o índice de Gini sugeriu possíveis efeitos distributivos da política monetária, embora com cautela. Concluiu-se que, apesar de sua relevância, a taxa SELIC é insuficiente para explicar isoladamente a dinâmica macroeconômica brasileira, reforçando a necessidade de uma abordagem integrada de política econômica.

Palavras-chave: Distribuição de renda; Instrumento monetário; Política monetária; Regressão linear; Vetores Autorregressivos.

1. Introdução

Desde o início dos anos 2000, o Brasil implementou um regime de metas de inflação (RMI), combinado com superávit primário e câmbio flutuante. Este tripé macroeconômico foi estabelecido com o propósito de assegurar a estabilidade da economia nacional. Nesse contexto, a taxa SELIC, definida como o principal instrumento da política monetária formulada pelo Conselho Monetário Nacional (CMN) e executada pelo Banco Central do Brasil (BACEN), assume uma função essencial no controle da inflação (Bacha, 2017). A relevância da taxa SELIC como mecanismo central para a estabilização de preços no país é amplamente reconhecida, sendo um pilar fundamental da gestão econômica brasileira.

Apesar de sua importância para o controle inflacionário, a aplicação da taxa SELIC pode gerar impactos econômicos que merecem atenção. A literatura aponta para potenciais efeitos negativos dessa abordagem, especialmente no que tange à dívida pública. Conforme destacado por Brito et al. (2019), a política monetária no Brasil está intrinsecamente ligada à dívida pública, uma vez que a taxa SELIC serve como remuneração para uma parcela significativa dos títulos emitidos pelo Tesouro Nacional. Essa inter-relação evidencia como a utilização da SELIC para o controle da inflação pode gerar implicações diretas sobre a política fiscal brasileira, influenciando o custo de financiamento do Estado.

Para além dos impactos na dívida pública, a política monetária baseada na taxa de juros nominal (SELIC) pode acarretar outros efeitos indesejados na economia brasileira. O estudo de Santos (2022) explora como a política monetária, tanto em suas vertentes expansionistas quanto contracionistas, afeta diversas variáveis econômicas em países que adotam o RMI. Entre esses efeitos, destaca-se a influência sobre a distribuição de renda, o Produto Interno Bruto (PIB) e outros indicadores econômicos. A pesquisa de Santos (2022) ressalta que, embora a política monetária seja crucial para a estabilidade de preços, seus impactos se estendem a aspectos como o crescimento econômico e a equidade social, tornando-a um instrumento com amplas repercussões.

Embora a literatura acadêmica reconheça o papel fundamental da taxa SELIC no regime de metas de inflação, ainda existem lacunas significativas na compreensão de como este instrumento monetário interage com variáveis distributivas e de crescimento no contexto brasileiro. A complexidade da economia nacional e as particularidades institucionais sugerem que os canais de transmissão da política monetária podem operar de maneiras distintas, demandando uma análise empírica mais aprofundada sobre a extensão e a natureza desses efeitos. Diante dessa lacuna teórica e prática, justifica-se a realização de um estudo que investigue de forma mais detalhada a relação entre a taxa SELIC e seus efeitos sobre outras variáveis econômicas relevantes para o desenvolvimento e a estabilidade do país. A pesquisa se concentra no período de 2010 a 2019, analisando especificamente o Índice de Preços ao Consumidor Amplo (IPCA), que mede a inflação; o Produto Interno Bruto (PIB), que reflete a atividade econômica; o Saldo de Crédito e o Indicador do Custo de Crédito (ICC), que representam as condições financeiras; e o Índice de Gini, que avalia a desigualdade de renda.

A partir dessa perspectiva, o presente estudo busca analisar a relevância e o impacto do uso da taxa SELIC pelo Banco Central do Brasil no controle da inflação e em outras variáveis economicamente relevantes, como o Produto Interno Bruto, o saldo e o custo do crédito, e a desigualdade de renda, no período de 2010 a 2019.

2. Material e Métodos

O presente estudo caracterizou-se como uma pesquisa de natureza exploratória, conforme a tipologia proposta por Gil (2017). O objetivo primordial foi investigar um fenômeno complexo, buscando torná-lo mais explícito e, a partir dessa elucidação, construir hipóteses e gerar conhecimentos que pudessem servir de base para futuras investigações. Essa abordagem permitiu uma análise aprofundada das interações entre a taxa SELIC e diversas variáveis macroeconômicas no contexto brasileiro.

A abordagem metodológica adotada foi quantitativa, fundamentada na análise de dados secundários. As informações foram coletadas de fontes oficiais e confiáveis, incluindo o Banco Central do Brasil (BACEN), o Instituto Brasileiro de Geografia e Estatística (IBGE), a Fundação Getúlio Vargas (FGV) e o World Bank. O período de análise abrangeu os anos de 2010 a 2019, selecionado para evitar a influência de crises econômicas globais, como a de 2009 e a pandemia de COVID-19 em 2020.

As variáveis econômicas investigadas incluíram a taxa SELIC (em % ao mês e % ao ano), o Índice de Preços ao Consumidor Amplo (IPCA) (em % ao mês), o Produto Interno Bruto (PIB) (em R$ trilhões), o Saldo de Crédito (em R$ trilhões), o Indicador do Custo de Crédito (ICC) (em % ao ano) e o Índice de Gini. Para a taxa SELIC, IPCA, PIB e Saldo de Crédito, foram coletadas 120 observações mensais. O ICC teve 84 observações mensais, referentes ao período de 2013 a 2019, enquanto o Índice de Gini contou com 9 observações anuais, disponíveis para o mesmo período.

Para cada relação entre a taxa SELIC e as demais variáveis econômicas, organizou-se uma base de dados composta por três colunas: a data de aferição (mês/ano), o valor da taxa SELIC acumulada no mês (em % ao mês) e o valor da variável econômica correspondente. As análises foram realizadas considerando a taxa SELIC no mês M e, também, seus impactos em aferições nos meses seguintes, com defasagens temporais de M+1, M+2, M+3 e M+6. As aferições das outras variáveis foram deslocadas para corresponder a essas defasagens.

A exceção para a aplicação das defasagens ocorreu na análise da relação entre a taxa SELIC e o Índice de Gini. Devido ao número limitado de observações anuais para o Índice de Gini, a base de dados para essa relação foi mantida apenas com os valores do mês M, utilizando a SELIC acumulada anualmente para a comparação com os dados anuais do Gini.

A análise quantitativa foi realizada por meio de regressões lineares múltiplas, conforme descrito por Fávero e Belfiore (2017). Neste modelo, a taxa SELIC foi definida como a variável explicativa (x), enquanto as demais variáveis econômicas (IPCA, PIB, Saldo de Crédito, ICC e Índice de Gini) foram tratadas como variáveis dependentes (y). A relação teórica foi expressa pela fórmula y = a + β.x + μ, onde ‘a’ representa o coeficiente linear, ‘β’ o coeficiente angular e ‘μ’ o parâmetro de erro.

Para a estimação dos parâmetros da regressão linear, utilizaram-se dois critérios: a soma dos erros (μ) para cada ponto da relação deveria ser igual a zero, e a soma dos erros ao quadrado deveria ser a mínima possível. O software Stats-Studio, desenvolvido pelo professor Fávero, foi empregado para facilitar essa estimação. A validação estatística das variáveis dependentes foi realizada por meio do teste t e do cálculo do p-valor, com um nível de confiança de 95%, exigindo que o p-valor fosse inferior a 0,05.

Adicionalmente, o coeficiente de ajuste (R² ajustado) foi utilizado para mensurar o percentual de variabilidade da variável dependente explicado pela variável explicativa, com valores variando de 0 a 1. Valores próximos de 0 indicam baixa capacidade explicativa. Com base nesses indicadores, verificou-se a relevância da taxa SELIC como explicativa para cada uma das variáveis e a magnitude de seu impacto.

Para robustecer a análise das variáveis mais relevantes (taxa SELIC, IPCA e PIB), aplicou-se o modelo de Vetores Autorregressivos (VAR), que utiliza vetores autorregressivos para expressar modelos econômicos, conforme Bueno (2012). O software RStudio foi utilizado para a realização dos cálculos do modelo VAR, no período de 2013 a 2019.

A aplicação do modelo VAR envolveu quatro etapas principais: 1) avaliação da estacionaridade das séries temporais das variáveis; 2) estimação dos parâmetros do modelo; 3) decomposição da variância de cada variável em relação às outras; e 4) aplicação de um choque à taxa SELIC para observar a resposta das demais variáveis a esse impulso. A estacionaridade das séries foi verificada por meio do teste de Dickey-Fuller aumentado, com um intervalo de confiança de 99%, onde um p-valor abaixo de 1% indicava estacionariedade.

Caso as séries temporais não fossem estacionárias, aplicou-se o método da diferença entre os valores absolutos da série. Esse procedimento foi iterado até que as séries se tornassem estacionárias, permitindo a estimação do modelo VAR. Após a verificação da estacionaridade, o modelo VAR foi aplicado às séries temporais da taxa SELIC, IPCA e PIB, entre 2013 e 2019.

Após a estimação dos parâmetros do modelo VAR, os resultados foram analisados por meio da função de resposta ao impulso e da decomposição das variâncias. A função de resposta ao impulso permitiu estimar o impacto de um choque na taxa SELIC sobre as variáveis IPCA e PIB. A decomposição da variância, por sua vez, possibilitou analisar o quanto cada variável estimada pelo modelo explica o comportamento das outras variáveis em conjunto, dentro do horizonte de previsão.

3. Resultados e Discussão

A análise dos resultados da pesquisa revelou importantes insights sobre a relevância e o impacto da taxa SELIC em variáveis macroeconômicas selecionadas no Brasil, no período de 2010 a 2019. Inicialmente, as regressões lineares múltiplas foram empregadas para examinar a relação entre a taxa SELIC e o Índice de Preços ao Consumidor Amplo (IPCA), o Produto Interno Bruto (PIB), o Saldo de Crédito, o Indicador do Custo de Crédito (ICC) e o Índice de Gini. Posteriormente, para as variáveis consideradas mais relevantes (SELIC, IPCA e PIB), aplicou-se o modelo de Vetores Autorregressivos (VAR), a fim de robustecer as análises e explorar a dinâmica de transmissão monetária em maior profundidade. Os achados gerais indicaram que a taxa SELIC apresentou relações estatisticamente significativas com o PIB e o custo do crédito, com destaque para as defasagens temporais, enquanto sua capacidade de explicar a inflação mostrou-se mais limitada e não se verificou uma relação significativa com o volume de crédito. A associação com a desigualdade de renda, medida pelo Índice de Gini, sugeriu possíveis efeitos distributivos, embora com a necessidade de interpretação cautelosa.

Visão geral dos resultados para as regressões lineares

As regressões lineares foram calculadas considerando a taxa SELIC como variável explicativa para cada uma das variáveis dependentes (IPCA, PIB, Saldo de Crédito, ICC e Índice de Gini), avaliando tanto a relação no mês corrente (M) quanto em defasagens temporais (M+1, M+2, M+3 e M+6). Os resultados preliminares indicaram que o IPCA, o PIB e o ICC foram impactados pela taxa SELIC de maneira relevante, ao passo que o Saldo de Crédito não demonstrou uma relação significativa, mesmo com a consideração de defasagens. Entre as variáveis que apresentaram correlação, o Índice de Gini destacou-se com o melhor índice de ajuste (R² ajustado), sugerindo que a taxa SELIC explica uma parcela considerável de seu comportamento. Em termos de magnitude de impacto, o ICC foi a variável mais influenciada pela taxa SELIC, com um R² ajustado de 28,4% na sua melhor relação.

A análise do parâmetro beta (β) das regressões revelou a natureza das relações. Observou-se que as relações entre a taxa SELIC e o IPCA, e entre a taxa SELIC e o ICC, foram positivas, indicando que um aumento na taxa SELIC tende a ser acompanhado por um aumento nessas variáveis. Em contraste, a relação entre a taxa SELIC e o PIB, e entre a taxa SELIC e o Índice de Gini, mostrou-se inversa, sugerindo que um aumento na taxa SELIC está associado a uma redução no PIB e no Índice de Gini. Esses resultados iniciais fornecem uma base para a discussão mais detalhada de cada relação, explorando as especificidades e as implicações de cada achado no contexto da política monetária brasileira.

Relação taxa SELIC e IPCA

A análise da relação entre a taxa SELIC e o IPCA, observada graficamente, evidenciou que a série histórica do IPCA apresentou maior volatilidade em comparação com a taxa SELIC. O desvio-padrão do IPCA foi de 0,67, enquanto o da SELIC foi de 0,28, confirmando a maior variação da inflação ao longo do período. As regressões lineares realizadas para esta relação indicaram que apenas duas especificações foram estatisticamente significativas com 95% de confiança: a relação entre a taxa SELIC no mês M e o IPCA no mês M, e a relação entre a taxa SELIC no mês M e o IPCA no mês M+2. A regressão com maior poder explicativo, medida pelo R² ajustado, foi a que relacionou a taxa SELIC e o IPCA no mesmo mês (M), com um R² ajustado de 5,41% e um parâmetro beta de 0,28.

Todas as regressões estimadas entre a taxa SELIC e o IPCA apresentaram um parâmetro beta positivo, o que significa que, quando a taxa SELIC aumenta, o IPCA também tende a aumentar. Essa correlação positiva, apesar de contraintuitiva para o objetivo de controle inflacionário, pode ser interpretada à luz da endogeneidade da política monetária, onde o Banco Central reage a pressões inflacionárias elevando a taxa de juros. Assim, a elevação do IPCA pode levar o Banco Central a aumentar a SELIC, gerando uma correlação contemporânea positiva. A baixa capacidade explicativa da SELIC sobre o IPCA, com um R² ajustado de apenas 5,41%, sugere que a dinâmica inflacionária brasileira é influenciada por múltiplos fatores, além da taxa de juros, como choques de oferta e expectativas, conforme apontado por Bacha (2017).

Relação taxa SELIC e PIB

A representação gráfica das séries históricas da taxa SELIC e do PIB revelou que o PIB apresentou um comportamento quase linear com inclinação positiva ao longo do período estudado, enquanto a taxa SELIC exibiu oscilações mais acentuadas, com picos e vales. As regressões lineares entre a taxa SELIC e o PIB demonstraram significância estatística em todas as defasagens temporais analisadas, com p-valores abaixo de 0,61% para o PIB no mês M e até 0,10% para o PIB em M+6, todos válidos para um intervalo de confiança de 95%. A relação que apresentou o maior R² ajustado, e, portanto, o maior nível de explicação da taxa SELIC sobre o PIB, foi a que considerou a taxa SELIC no mês M e o PIB em M+6, alcançando um R² ajustado de 8,49% e um parâmetro beta de -12,13.

O parâmetro beta negativo observado em todas as regressões entre a taxa SELIC e o PIB indica uma relação inversa: quando a taxa SELIC aumenta, o PIB tende a ser reduzido. Este achado está em consonância com a literatura macroeconômica tradicional, que descreve os efeitos contracionistas de uma política monetária restritiva sobre o crescimento econômico, principalmente pela redução de investimentos e consumo. A maior capacidade explicativa da taxa SELIC em defasagens mais longas, como em M+6, reforça a compreensão de que os efeitos da política monetária sobre a atividade econômica se manifestam de forma gradual, através dos canais de transmissão que impactam o investimento e o consumo ao longo do tempo.

Relação taxa SELIC e Saldo de Crédito

A análise gráfica da relação entre a taxa SELIC e o Saldo de Crédito mostrou que, embora o Saldo de Crédito tenha apresentado uma inclinação positiva em grande parte do período, seu comportamento não seguiu de perto as oscilações da taxa SELIC. As regressões lineares realizadas para todas as defasagens temporais (M, M+1, M+2, M+3 e M+6) não apresentaram p-valor estatisticamente significativo para um intervalo de confiança de 95%. Os p-valores variaram de 57,88% para a relação no mês M a 91,56% para a relação em M+6, indicando que a taxa SELIC não pode ser considerada uma variável explicativa para o Saldo de Crédito, de acordo com a metodologia empregada no estudo.

A ausência de uma relação estatisticamente significativa entre a taxa SELIC e o Saldo de Crédito sugere que o canal de crédito, como mecanismo de transmissão da política monetária, pode ter tido limitações no período analisado. Este resultado pode ser atribuído às particularidades institucionais do sistema financeiro brasileiro, que inclui a presença de instrumentos de crédito direcionado e subsidiado, além de uma forte atuação do setor público. Tais características podem reduzir a sensibilidade do volume de crédito às variações da taxa básica de juros, limitando a efetividade desse canal de transmissão e, consequentemente, a capacidade da SELIC de influenciar diretamente o volume de crédito disponível na economia.

Relação taxa SELIC e ICC (Indicador do Custo de Crédito)

A observação gráfica das séries históricas da taxa SELIC e do Indicador do Custo de Crédito (ICC) revelou um comportamento semelhante entre as duas variáveis, com inclinações de subida e descida em períodos sequenciais. Isso sugeriu uma correlação entre elas, onde uma elevação da taxa SELIC era seguida por uma elevação do ICC, e o mesmo ocorria em períodos de queda. As regressões lineares confirmaram essa correlação, apresentando p-valores estatisticamente significativos para todas as defasagens temporais analisadas, com valores que variaram de 2,27% para a relação no mês M a 0,00% para a relação em M+6, todos válidos para um intervalo de confiança de 95%.

A regressão que demonstrou o maior poder explicativo, com o melhor R² ajustado, foi a que relacionou a taxa SELIC no mês M com o ICC em M+6, alcançando um R² ajustado de 28,40% e um parâmetro beta de 2,82. Este valor indica que a taxa SELIC explica quase um terço do comportamento do ICC no período avaliado. Todas as regressões estimadas entre a taxa SELIC e o ICC apresentaram um parâmetro beta positivo, indicando uma relação direta: quando a taxa SELIC aumenta, o ICC também aumenta. Este resultado robusto reforça o papel direto da taxa básica de juros na formação do custo do crédito e é coerente com o arcabouço teórico da política monetária, evidenciando que a SELIC influencia de maneira mais imediata e direta as condições financeiras do sistema.

Relação taxa SELIC e índice de Gini

A análise da relação entre a taxa SELIC e o Índice de Gini foi realizada com base em observações anuais para o Índice de Gini, o que limitou o número de pontos de dados a nove para o período estudado. A representação gráfica sugeriu uma relação entre as variáveis, onde mudanças na inclinação da SELIC pareciam ser acompanhadas por um comportamento similar no Índice de Gini. A regressão linear realizada apresentou um p-valor estatisticamente significativo de 1,68% para um intervalo de confiança de 95%, indicando que a taxa SELIC é uma variável explicativa para o Índice de Gini.

O R² ajustado para esta regressão foi de 52,20%, o que é um índice de explicação consideravelmente alto, sugerindo que a taxa SELIC pode explicar mais da metade do comportamento do Índice de Gini no período analisado. O parâmetro beta da regressão foi negativo (-0,24), indicando uma relação inversa: quando a taxa SELIC aumenta, o Índice de Gini tende a diminuir, o que sugere uma redução na desigualdade de renda. Este resultado, embora estatisticamente significativo, deve ser interpretado com cautela devido ao número limitado de observações e à possível influência de variáveis omitidas, conforme ressaltado por Santos (2022) em sua discussão sobre os efeitos ambíguos da política monetária na distribuição de renda, que dependem do contexto econômico e institucional.

Resultados relativos à aplicação do Modelo VAR

Teste de Dickey-Fuller aumentado – estacionaridade das séries temporais

Para a aplicação do modelo VAR, foi essencial verificar a estacionaridade das séries temporais da taxa SELIC, IPCA e PIB. O teste de Dickey-Fuller aumentado foi utilizado para este fim. Os resultados iniciais indicaram que as séries absolutas da taxa SELIC, IPCA e PIB não eram estacionárias, com p-valores de 66,21%, 2,48% e 18,65%, respectivamente, todos acima do limite de 1% para um intervalo de confiança de 99%. Diante disso, foi necessário aplicar a primeira diferença sobre as séries, mas elas ainda não se tornaram estacionárias. Assim, foi iterado o processo, aplicando-se a segunda diferença sobre as séries.

Após a aplicação da segunda diferença, as séries temporais da taxa SELIC, IPCA e PIB tornaram-se estacionárias, com p-valores abaixo de 1,00% para todas as variáveis. Especificamente, a taxa SELIC (2ª diferença) apresentou um p-valor inferior a 1,00%, assim como o IPCA (2ª diferença) e o PIB (2ª diferença). Com a estacionaridade das séries garantida, foi possível prosseguir com a estimação do modelo de Vetores Autorregressivos (VAR), conforme a metodologia proposta por Bueno (2012), para analisar a dinâmica e as interações entre essas variáveis macroeconômicas.

Modelo VAR e Função Impulso Resposta

A função de resposta ao impulso, aplicada no modelo VAR, permitiu analisar o impacto de um choque na taxa SELIC sobre o IPCA e o PIB em um horizonte de doze meses. Observou-se que a série do IPCA apresentou pouca variação em torno do eixo após o choque na taxa SELIC, indicando que o impacto de um impulso na taxa SELIC tem baixa influência sobre a inflação. Este resultado reforça a conclusão das regressões lineares de que a capacidade explicativa da SELIC sobre o IPCA é limitada, sugerindo que outros fatores são mais determinantes para a dinâmica inflacionária.

Em contraste, o PIB demonstrou uma variação significativa dentro do período de doze meses após um choque na taxa SELIC. Grande parte desse impacto se manifestou abaixo do eixo, o que indica um impacto negativo no PIB quando um choque positivo é aplicado à taxa SELIC. Isso corrobora os achados das regressões lineares, que apontaram uma relação inversa e estatisticamente significativa entre a taxa de juros e a atividade econômica. A função de resposta ao impulso, portanto, visualiza a transmissão dos efeitos contracionistas da política monetária sobre o crescimento econômico, com a SELIC exercendo uma influência mais pronunciada sobre o PIB do que sobre o IPCA.

Modelo VAR e Análise de decomposição das variâncias

A decomposição das variâncias, como outra ferramenta do modelo VAR, permitiu analisar o quanto cada variável endógena explica o comportamento das outras no horizonte de previsão. Em relação ao IPCA, a análise da decomposição das variâncias em doze meses revelou que a taxa SELIC explicou apenas 15,25% do comportamento do IPCA, enquanto o PIB explicou 32,38%. Este resultado reforça o baixo poder explicativo da taxa SELIC sobre a inflação e sugere que o PIB possui um componente relevante de impacto sobre o IPCA, indicando a complexidade da dinâmica inflacionária e a influência de múltiplos fatores além da taxa de juros.

No que se refere ao PIB, a decomposição das variâncias em doze meses mostrou que a taxa SELIC explicou 48,76% do comportamento do PIB. Este valor é bastante significativo e, em comparação com a explicação do IPCA, indica que a taxa SELIC possui um poder explicativo substancialmente maior sobre o PIB. A análise do modelo VAR, tanto pela função de resposta ao impulso quanto pela decomposição das variâncias, consistentemente demonstrou que a taxa SELIC exerce uma influência mais forte e direta sobre a atividade econômica (PIB) do que sobre a inflação (IPCA) no período analisado, reforçando a atuação dos mecanismos de transmissão monetária sobre o crescimento.

Os resultados obtidos neste estudo corroboram, em parte, a literatura consolidada sobre o papel da taxa SELIC no Regime de Metas de Inflação (RMI) brasileiro, ao mesmo tempo em que evidenciam limitações importantes deste instrumento quando analisado em relação a outras variáveis macroeconômicas e distributivas. A baixa capacidade explicativa da taxa SELIC sobre a inflação, tanto nas regressões lineares quanto no modelo VAR, sugere que a dinâmica inflacionária brasileira, especialmente no período analisado, é influenciada por múltiplos determinantes, incluindo fatores estruturais, institucionais, choques de oferta e expectativas, conforme destacado por Bacha (2017). A correlação positiva entre SELIC e IPCA pode ser interpretada como uma reação do Banco Central a pressões inflacionárias, elevando a taxa de juros para conter a inflação.

A relação estatisticamente significativa e inversa com o PIB, especialmente em defasagens temporais, está em acordo com a literatura macroeconômica tradicional, que aponta os efeitos contracionistas de uma alta taxa de juros sobre o crescimento econômico, através da redução de investimentos e consumo. A maior capacidade explicativa em defasagens mais longas e no modelo VAR reforça a gradualidade dos efeitos da política monetária sobre a atividade econômica. Por outro lado, a ausência de relação significativa entre a taxa SELIC e o saldo de crédito sugere limitações do canal de crédito como mecanismo de transmissão, possivelmente devido às especificidades institucionais do sistema financeiro brasileiro, como a presença de crédito direcionado e a atuação do setor público.

Em contrapartida, a relação robusta e direta observada entre a taxa SELIC e o Indicador de Custo de Crédito (ICC), com significância estatística em todas as defasagens e aumento expressivo do R² ajustado, confirma o papel direto da taxa básica na formação do custo do crédito. Este achado é coerente com o arcabouço teórico da política monetária e reforça a evidência empírica de que a SELIC influencia de maneira mais imediata e direta as condições financeiras do sistema, ainda que seus efeitos sobre variáveis reais sejam mais difusos e defasados. Por fim, a relação entre a taxa SELIC e o Índice de Gini, que apresentou o maior poder explicativo entre todas as variáveis analisadas, permite uma reflexão relevante sobre os efeitos distributivos da política monetária. O coeficiente beta negativo sugere que aumentos na taxa de juros estariam associados à redução da desigualdade de renda no período estudado. Este resultado encontra respaldo parcial na análise de Santos (2022), que destaca que a política monetária pode afetar a distribuição de renda por diferentes canais, incluindo renda do capital, mercado de trabalho e acesso ao crédito. No entanto, a interpretação desse resultado requer cautela, especialmente devido ao reduzido número de observações disponíveis para o Índice de Gini e à possível influência de variáveis omitidas.

Em síntese, os resultados obtidos reforçam a compreensão de que a taxa SELIC é um instrumento relevante, porém não suficiente, para explicar isoladamente a dinâmica macroeconômica brasileira. Os achados indicam que, embora a SELIC seja central na política monetária, seus efeitos variam significativamente entre as variáveis analisadas, com maior impacto sobre o PIB e o custo do crédito, e menor sobre a inflação e o volume de crédito. A associação com o Índice de Gini sugere potenciais efeitos distributivos, ampliando o escopo da análise para além da estabilidade de preços. Essa evidência reforça a necessidade de uma abordagem integrada de política econômica, que articule instrumentos monetários, fiscais e estruturais, visando não apenas a estabilidade, mas também o crescimento sustentável e a equidade distributiva, respondendo assim ao objetivo de analisar a relevância e o impacto da taxa SELIC sobre as variáveis macroeconômicas e distributivas no Brasil.

4. Conclusão

O presente estudo analisou a relevância e o impacto da taxa SELIC, principal instrumento de política monetária no Brasil, sobre variáveis macroeconômicas selecionadas no período de 2010 a 2019. Verificou-se que a taxa SELIC apresentou uma relação estatisticamente significativa e inversa com o Produto Interno Bruto (PIB), especialmente em horizontes temporais defasados, indicando os efeitos contracionistas da política monetária sobre a atividade econômica. Observou-se também uma relação robusta e direta com o Indicador do Custo de Crédito (ICC), confirmando o papel da taxa básica na formação do custo do crédito. Contudo, sua capacidade explicativa sobre a inflação (IPCA) mostrou-se limitada, com uma correlação positiva interpretada como a reação do Banco Central a pressões inflacionárias. Não se identificou uma relação significativa com o volume de crédito. A associação com o Índice de Gini sugeriu possíveis efeitos distributivos, com aumentos na taxa SELIC associados à redução da desigualdade de renda, embora este achado demande interpretação cautelosa devido às limitações de dados.

Os resultados obtidos reforçam a compreensão de que a taxa SELIC é um instrumento relevante na condução da política monetária, mas insuficiente para explicar isoladamente a complexa dinâmica macroeconômica brasileira. A principal contribuição do estudo reside em evidenciar a necessidade de uma abordagem integrada de política econômica, que articule instrumentos monetários, fiscais e estruturais, visando não apenas a estabilidade de preços, mas também o crescimento sustentável e a equidade distributiva. Como limitações, destacam-se a simplicidade de um dos modelos utilizados e as restrições nos dados, especialmente para o Índice de Gini. Sugere-se para estudos futuros a aplicação de metodologias econométricas mais sofisticadas e a incorporação de variáveis adicionais, como o câmbio e o índice de desemprego, para aprofundar a compreensão dos efeitos da política monetária no país.

Referências Bibliográficas

Bacha, C. J. C. (2017). *Entendendo a economia brasileira*. 4. ed. Campinas, SP: Átomo e Alínea.

Beuno, R. L. S. (2012). *Econometria de séries temporais*. 2. ed. São Paulo, SP: Cengage Learning.

Brito, E. C., Araújo, E. C., & Araújo, E. L. (2019). *Inter-relações entre a dívida pública e política monetária no Brasil: uma análise histórica*. Economia e Sociedade, 28(1), 153–175.

Fávero, L. P., & Belfiore, P. (2017). *Manual de análise de dados: Estatística e modelagem multivariada com Excel, SPSS e Stata*. 1. ed. Rio de Janeiro, RJ: Elsevier.

Gil, A. (2017). *Como elaborar projetos de pesquisa*. 6. ed. São Paulo, SP: Atlas.

Santos, G. C. (2022). *O impacto da política monetária sobre a desigualdade de renda: uma análise da influência distributiva do regime de metas (1996–2019)*. Universidade Federal de Sergipe.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Economia, Investimentos e Banking do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy