Resumo Executivo

Celso Sorte da Silva Cuango; Maurício Acconcia Dias

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

O objetivo desta pesquisa foi identificar os fenômenos que influenciaram o comportamento da taxa de inflação em Angola de 2001 a 2023, utilizando o método econométrico de Vetores Autorregressivos (VAR) e comparando seus resultados com os de um Modelo de Regressão Linear Múltipla (RLM). A investigação buscou preencher uma lacuna na literatura sobre Angola; a aplicação de modelos dinâmicos multivariados para analisar a inflação é escassa, fornecendo uma análise que considera as interdependências dinâmicas entre variáveis macroeconômicas. A persistência inflacionária é um grande desafio para nações emergentes dependentes de commodities, como Angola. Nesse contexto, choques externos, como a volatilidade dos preços do petróleo, e choques internos de política econômica frequentemente comprometem a estabilidade de preços, impactando o poder de compra e o ambiente de negócios.

A inflação, como variável macroeconômica, reflete o desempenho de uma economia. O aumento generalizado de preços corrói o valor da moeda, gera incerteza, afeta o consumo e compromete o bem-estar. Em cenários severos, autoridades monetárias podem adotar políticas contracionistas que elevam o desemprego para conter a inflação (Dornbusch et al., 2013). A trajetória de Angola no século XXI ilustra essa dinâmica. Após a guerra civil, o país teve períodos de estabilidade, mas a vulnerabilidade a choques no mercado de petróleo provocou surtos inflacionários. Um exemplo ocorreu a partir de 2015, quando o reajuste nos preços dos combustíveis contribuiu para que a inflação atingisse 42% em 2016 (Universidade Católica de Angola, 2016).

Diante dessa complexidade, a escolha da metodologia é fundamental. O modelo de Vetores Autorregressivos (VAR), popularizado por Sims (1980), é uma ferramenta para analisar como componentes da economia interagem no tempo. Diferente de modelos estruturais, o VAR trata todas as variáveis como endógenas, permitindo que as inter-relações dinâmicas sejam estimadas a partir dos dados sem impor restrições teóricas rígidas sobre a causalidade (Bueno, 2012). A abordagem é útil para análises de política monetária e previsões (Stock e Watson, 2020). No contexto angolano, poucos estudos aplicaram essa metodologia, com a exceção de Afonso (2019), que identificou um forte efeito de repasse cambial (pass-through) para a inflação.

Em contraste, a Regressão Linear Múltipla (RLM) analisa a relação de dependência de uma variável quantitativa em relação a outras, assumindo uma relação linear (Fávero e Belfore, 2025). Estudos anteriores sobre Angola com RLM apontaram a inércia inflacionária, a taxa de câmbio e a expansão monetária como determinantes da inflação (Tomás et al., 2025; Carvalho et al., 2012). Contudo, modelos estáticos podem não capturar a dinâmica temporal e os mecanismos de feedback de sistemas macroeconômicos. A presente investigação justifica-se pela necessidade de uma análise mais dinâmica dos determinantes da inflação em Angola. Ao comparar o desempenho de modelos VAR com RLM, o estudo oferece uma perspectiva mais completa sobre o processo inflacionário, explorando canais de transmissão, persistência de choques e memória inflacionária para subsidiar políticas de estabilidade de preços.

A investigação seguiu uma abordagem quantitativa e explicativa, focada na análise econométrica de séries temporais de Angola. Foram utilizados dados macroeconômicos anuais do Banco Mundial de 2001 a 2023, período que engloba fases distintas da economia angolana, como o pós-guerra, o crescimento impulsionado pelo petróleo, crises cambiais e a pandemia. As quatro variáveis selecionadas foram: Taxa de Inflação (variação anual do IPC), Taxa de Juros de Empréstimo (TJ), Taxa de Câmbio oficial (TC, USD/AKZ) e Agregado Monetário Amplo (AM).

O processo de modelagem iniciou-se com pré-processamento e análise exploratória dos dados. Esta fase incluiu a preparação da base de dados, tratamento de valores ausentes, conversão para séries temporais e visualização gráfica. A análise exploratória gerou estatísticas descritivas e mapas de correlação. Um passo crucial foi a aplicação de testes de estacionariedade, como o de Dickey-Fuller Aumentado (ADF), pois a não estacionariedade pode levar a regressões espúrias (Gujarati e Porter, 2011). Para corrigir isso, foram aplicadas transformações como logaritmos, diferenciação e a transformação de Box-Cox para estabilizar a média e a variância das séries.

A modelagem econométrica foi implementada em Python. A biblioteca Pandas foi usada para manipulação de dados (McKinney, 2017), Matplotlib e Seaborn para visualização (Hunter, 2007), e Statsmodels para a estimação de modelos VAR e de regressão (Seabold e Perktold, 2010). A biblioteca SciPy foi empregada para a transformação Box-Cox (Virtanen et al., 2020), e a Scikit-learn para seleção de variáveis no modelo de regressão via método stepwise (Pedregosa et al., 2011).

A metodologia do modelo VAR seguiu um processo sequencial. Após garantir a estacionariedade das variáveis, determinou-se o número ótimo de defasagens (lags) com os critérios de informação de Akaike (AIC) e Bayesiano (BIC) (Tsay, 2010). Os parâmetros do sistema foram estimados por Mínimos Quadrados Ordinários (MQO). A análise do modelo envolveu o teste de causalidade de Granger, para investigar a direção das influências; as Funções de Resposta a Impulso (IRF), para traçar a reação de cada variável a um choque; e a Decomposição da Variância do Erro de Previsão (FEVD), para quantificar a importância relativa de cada variável (Bueno, 2012). Por fim, foram realizados testes de diagnóstico nos resíduos (Jarque-Bera para normalidade, Ljung-Box para autocorrelação, Breusch-Pagan para homocedasticidade) e a verificação da estabilidade do modelo (Lütkepohl, 2005).

A análise descritiva inicial revelou volatilidade considerável. O IPC apresentou média de 31,39% com desvio padrão de 37,08 e assimetria positiva de 2,39, sugerindo picos inflacionários. A Taxa de Câmbio (TC) e a Taxa de Juros (TJ) também exibiram distribuições assimétricas à direita, com máximos de 685,02 Kz/USD e 97,34%, respectivamente. O Agregado Monetário (AM) mostrou crescimento contínuo. O mapa de correlação de Pearson confirmou forte associação positiva entre IPC e TJ (0,87) e entre TC e AM (0,93). O teste de Dickey-Fuller Aumentado (ADF) confirmou que as séries de TC, TJ e AM eram não estacionárias em nível, necessitando de transformações.

O primeiro modelo foi um VAR com três defasagens (VAR(3)), selecionadas pelo critério AIC. As variáveis não estacionárias foram transformadas (logaritmo para AM, primeira diferença do logaritmo para TJ e segunda diferença do logaritmo para TC), mas o IPC foi mantido em sua forma original. O teste de causalidade de Granger indicou que a inflação (IPC) era causada pela Taxa de Câmbio (TC) e pelo Agregado Monetário (AM), enquanto a Taxa de Juros (TJ) não tinha poder preditivo sobre o IPC. Em sentido inverso, o IPC causava a TC e a TJ, sugerindo feedback e inércia. Contudo, a equação do próprio IPC não apresentou nenhum coeficiente estatisticamente significativo, indicando que o modelo, nesta especificação, não capturava os determinantes diretos da inflação, apesar dos altos R² para as equações da TJ (95,86%) e do AM (99,27%).

A avaliação diagnóstica do primeiro VAR revelou problemas. Embora os resíduos não apresentassem autocorrelação serial (Ljung-Box) nem heterocedasticidade (ARCH-LM), o teste de Jarque-Bera rejeitou a normalidade para os resíduos da equação do IPC. Criticamente, o teste de estabilidade mostrou que algumas raízes do polinômio característico estavam fora do círculo unitário, indicando que o modelo era estruturalmente instável (Lütkepohl, 2005). A Função de Resposta a Impulso (IRF) mostrou que o IPC reagia a choques cambiais e monetários, mas não aos juros. A Decomposição da Variância do Erro de Previsão (FEVD) corroborou que, a longo prazo, a variância do IPC era explicada por choques na TC e no AM. Contudo, a instabilidade e a não normalidade tornaram essas inferências pouco robustas.

Para superar essas limitações, foi estimado um segundo VAR(3), aplicando a transformação de Box-Cox na variável IPC para estabilizar sua variância e melhorar a normalidade dos resíduos (Lütkepohl e Proietti, 2011). As demais variáveis mantiveram suas transformações. Esta especificação resultou em uma mudança drástica na causalidade de Granger: o IPC transformado deixou de ser causado por qualquer outra variável, mas passou a causar significativamente a TC e a TJ. Este resultado sugere que, uma vez estabilizada, a dinâmica inflacionária em Angola se revela predominantemente exógena e inercial; a inflação passada é o principal motor da inflação futura.

A estimação do VAR com Box-Cox no IPC confirmou essa forte inércia: o coeficiente da primeira defasagem do próprio IPC em sua equação foi positivo, significativo e próximo de 1 (1, 0026), indicando alta persistência. O R² para a equação do IPC foi de 0,71, um avanço substancial. As equações para as outras variáveis mostraram que a TJ era explicada pela inflação passada (confirmando o caráter reativo da política monetária) e que o AM respondia negativamente aos juros. A avaliação diagnóstica deste segundo modelo foi superior: os resíduos de todas as equações passaram nos testes de ausência de autocorrelação, normalidade e homocedasticidade. Embora o teste de estabilidade ainda indicasse algumas raízes fora do círculo unitário, a melhoria geral na consistência estatística tornou este modelo mais confiável. A IRF e a FEVD reforçaram a dominância da inércia inflacionária.

Em paralelo, foram testados três modelos de Regressão Linear Múltipla (RLM). O primeiro, sem transformações, apresentou alto R² ajustado (0,737), mas violou todos os pressupostos clássicos, tornando seus resultados inválidos. O segundo, com Box-Cox apenas no IPC, melhorou o cumprimento dos pressupostos, mas ainda apresentou problemas. O terceiro modelo, com Box-Cox no IPC e as mesmas transformações do VAR nas variáveis independentes, foi o único que atendeu satisfatoriamente aos pressupostos, mas seu poder explicativo foi extremamente baixo, com um R² ajustado de apenas 0,083, indicando que as variáveis independentes, em uma estrutura estática, explicavam menos de 9% da variação da inflação.

A comparação evidencia a superioridade do modelo VAR com transformação Box-Cox. Enquanto a RLM, mesmo na sua especificação mais robusta, falhou em capturar a dinâmica do fenômeno, o modelo VAR modelou com sucesso a interdependência temporal e a forte memória da inflação em Angola. O VAR sem Box-Cox, embora apontasse para a relevância dos choques cambiais e monetários, sofria de instabilidade. O modelo VAR aprimorado cumpriu os requisitos de diagnóstico e revelou a inércia como o principal determinante da inflação, com o câmbio e a liquidez monetária atuando como fatores secundários. Esta descoberta está parcialmente alinhada com estudos anteriores que destacaram a inércia (Tomás et al., 2025), mas a modelagem dinâmica quantificou sua dominância de forma mais precisa.

A análise comparativa demonstra que a inflação em Angola é um fenômeno complexo, impulsionado primariamente por sua própria trajetória passada. Choques não se dissipam rapidamente, mas se incorporam às expectativas e à formação de preços, criando um ciclo de persistência. A taxa de câmbio e a liquidez monetária não são as causas primárias, mas canais de transmissão que amplificam os efeitos dos choques. A taxa de juros, por sua vez, atua de forma reativa, respondendo à inflação em vez de a controlar proativamente no período analisado.

Em suma, a aplicação de modelos VAR, especialmente ajustados por transformações como a de Box-Cox, oferece uma compreensão mais rica e precisa da dinâmica inflacionária em Angola do que modelos estáticos. O modelo VAR com Box-Cox no IPC destacou-se por seu maior poder explicativo, consistência estatística e capacidade de capturar a forte inércia inflacionária. A Regressão Linear, apesar de metodologicamente válida em sua versão transformada, revelou-se insuficiente para explicar um fenômeno tão dinâmico.

A principal contribuição deste estudo reside na demonstração empírica de que a memória inflacionária é o fator dominante, com a vulnerabilidade a choques cambiais e monetários atuando como mecanismos de propagação secundários. Esta conclusão tem implicações para a política econômica, sugerindo que estratégias de contenção da inflação devem ser multifacetadas e persistentes, focando não apenas em controlar o câmbio e a liquidez, mas também em quebrar o ciclo de inércia por meio de medidas que ancorem as expectativas. Conclui-se que o objetivo foi atingido: demonstrou-se que o modelo de Vetores Autorregressivos com transformação Box-Cox é a ferramenta mais adequada para identificar a forte inércia inflacionária e os mecanismos de transmissão monetária como determinantes da inflação em Angola.

Referências:
Afonso, Martins Paulo. 2019. A Política Monetária em Angola no Regimen de Metas de Inflação (2002-2016). Mestrado em Mercados de Capitais. Faculdade de Economia da Universidade Agostinho Neto. Luanda, Angola.
Aloorravi, Sulekha. 2024. Matering Time Series Analysis and Forecasting with Pyton. 1ed. Orange Education Pvt Ltd, AVA, Delhi, India.
Banco Mundial. 2025. World Bank Group Indicator. World Bank Group. Disponível em: https://databank. worldbank. org/reports. aspx? source=2&series=IT. CEL. SETS. P2&country=WLD. Acesso em: 6 de Abr. 2025.
Bueno, R. d. 2012. Econometria de Series Temporais. 2ed. Cengage Learnig, São Paulo, Brasil.
Carvalho, José Luís, dos Santos, Martine Emma Dias e Massala, Leonardo Dia Kiesse. 2012. Determinantes da Inflação em Angola. Trabalho de Discussão. Banco Nacional de Angola. Luanda. Angola.
Devore, Jay L. 2006. Probabilidade e Estatística para Engenharia e Ciências. Cengage Learning, 2006. Vol. 6ed. São Paulo, Brasil.
Dorbunsch, Rudiger, Fischer, Stanley e Startz, Richard. 2013. Macroeconomia. Mc Graw Hill; Bookman, Vol 2, Porto Alegre, Brasil.
Fávero, L. P. e Belfore, P,. 2025. Manual de Análise de Dados. 2ed. LTC|Livros Técnicos. Rio de Janeiro, Brasil.
Gujarati, N. Domodar e Porter, C. Dawn. 2011. Econometria Básica. 5ed. McGraw Hill, 2011. Porto Alegre, Brasil.
Hari, Rajeswary, Ramasubramanian, Swaminathan e Jeyaraman, Naveen. 2024. Association Between Vitamin D and Asymptomatic Hyperuricaemia Among Adults – An Observational Study. Saje Journaisvol 22: 8-14.
Hoffmann, Rodolfo. 2016. Estatística para Economistas. Pioneira Thomson Learning, São Paulo, Brasil.
Hunter, J. D. 2007. Matplotlib: A 2D Graphics Environment. Computing in Science e Engineering : 1-95.
Kobunda, Christian, Moreira, Ricardo Rmalhete Moreira e Monte, Edson Zambon. 2019. Os determinantes da inflação na República Democrática do Congo: um estudo econométrico (2005-2015). Revista de Economia da UFPR.
Lütkepohl, Helmut. 2005. New Introduction to Multiple Time Series Analysis. Springer.
Lütkepohl, Helmut, Proietti, Tommaso. 2011. Does the Box-Cox transformation help in forecasting macroeconomic time series? EUI Working Papers.
McKinney, W. 2017. Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython. O’Reilly Media.
Nielsen, Aileen. 2020. Pratical Time Series Analysis. O’REILLY. California, EUA.
Pedregosa, Fabian, Varoquax, Gael , Gramfort, Alexandre, Vincent, Michel, Thirion, Bertrand, Grisel, Olivier, Blodel, Mathieu, Prettenhofer, Peter, Weiss, Ron, Dubourg, Vincent, Vanderplas, Jake, Passos, Alexandre, Cournapeau, David, Brucher, Matthieus, Perrot, Mattiei, Duchesnay, Édouard . 2011. Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research vol. 12: 2825-2830.
Schröder, Christian e Dias, Daniel. 2012. Introdução à Econometria. Cengage Learning. São Paulo, Brasil.
Seabold, S. e Perktold, J. 2010. Statsmodels: Econometric and Statistical Modeling with Python. 9th Python in Science Conference : 57-61.
Sim, Cjritopher A. 1980. Macroeonomics and Reality. EconometricaVol 48: 1-48
Stock, James H. e Watson, Mark W. 2020. Introductio to Econometrics. Pearson.
Tomás, Aires Adolfo P., Domingos, Cristiano Manuel, Lopes, Edna Gaspar da Conceição, Jacinto, Franklim Manuel Bento. 2025. Determinantes da Inflação em Angola (2014-2024). Revista Owl vol. 3: 128-153.
Tsay, Ruey. 2010. Analysis of Financial Time Series. Vol. III. Willey. Nova Jersey, EUA.
Universidade Católica de Angola. 2016. Relatório Económico de Angola 2015. Universidade Católica de Angola

Resumo executivo oriundo de Trabalho de Conclusão de Curso de Especialização em Data Science e Analytics do MBA USP/Esalq

_{Saiba mais sobre o curso; clique aqui:}