Paralelo aos avanços tecnológicos, a Econometria foi desenvolvendo melhores métodos de análise de dados de modo a se tornar, efetivamente, a ferramenta de estudo nas Ciências Econômicas. Este avanço implicou, especialmente, uma evolução na forma como se dá a previsão das variáveis econômicas e, em muitos casos, um distanciamento teórico da Economia em relação aos métodos e ela atrelados.
Desde a mera extrapolação dos dados, através da obtenção da variável de previsão com base nos valores futuros conhecidos ou esperados da variável previsora , tem ganhado espaço e se popularizado os modelos de previsão chamados de Processo Autorregressivo Integrado de Média Móvel (ARIMA) – ou Metodologia Box-Jenkins –, os Vetores Autorregressivos (VAR), os modelos NAIVE e, para os casos de aglomeração de volatilidade7, os modelos de Heterocedasticidade Condicional Autorregressiva – ARCH e de Heterocedasticidade Condicional Autorregressiva Generalizada – GARCH (GUJARATI e POTTER, 2011). Todos esses, comumente utilizados em previsões macroeconômicas, possuem grandes limitações, especialmente decorrentes de projeções limitadas e circunscritas a um horizonte temporal de curtíssimo prazo.
Conforme Diebold (1997), os primeiros trabalhos a utilizarem a Heterocedasticidade Condicional foram ajustados aos dados macroeconômicos, como a inflação acumulada, mas logo se abandonou esse método porque a dinâmica da volatilidade o restringia aos dados financeiros. Por outro lado, quando as séries de dados a serem analisadas são macroeconômicas, a falha de previsão da Metodologia Box-Jenkins inicia ao considerar apenas o passado de uma variável econômica como modo de prever seu futuro, enquanto a maior parte delas mantém relações multivariadas entre si.
Os vetores autorregressivos, defendidos por Sims (1980), rompem com essa barreira ao sugerirem uma alternativa menos restritiva aos tradicionais modelos de equação econométricos, já que tratam a simultaneidade entre um conjunto de variáveis a partir da
7
De acordo com Gujarati e Porter (2011, p. 784), a aglomeração por volatilidade corresponde a períodos nos
quais a série econômica apresenta ―(...) grandes oscilações por um período de tempo extenso, seguido por períodos nos quais há relativa calma‖.
indistinção, a priori, entre as que são endógenas ou exógenas. A falha mais preocupante da abordagem da modelagem estrutural, entretanto, vem na forma da crítica de Lucas (1976), na qual se argumenta que os parâmetros das ―regras de decisão‖, consubstanciados nos sistemas de equações estruturais, não permanecem estáveis quando as políticas econômicas são alteradas, ainda que tais regras sejam adequadas (GREENE, 2002).
Cabe ainda ressaltar o método NAIVE que, segundo Makridakis et al. (1998), é baseado somente na informação mais recente disponível. Com esforço e manipulação mínimos, considera que = +1, de modo a gerar uma previsão ingênua, apesar de sua
facilidade de utilização. Quando na análise de séries macroeconômicas que possuem mudanças de regime, seu poder preditivo, além de se dar no curtíssimo prazo, é bastante viesado.
Grande parte da modelagem econométrica apresentada brevemente até aqui tem, como premissa básica, a ideia de que as variáveis apresentam uma distribuição normal. Nestes casos, sendo a amostra grande, nenhuma observação isolada altera de modo significativo o comportamento total da série. Por outro lado, quando a normalidade não ocorre, as desigualdades entre as observações são tantas que uma delas pode exercer um impacto desproporcional sobre o agregado. Assim, quando uma variável apresenta distribuição normal, ―(...) não é possível ter uma surpresa em forma de Cisne Negro, de modo que um único evento possa dominar um fenômeno‖ (TALEB, 2008, p. 66).
Nesse sentido, a dificuldade da previsão econômica se amplia quando ela se destina a predizer a ocorrência de eventos extremos – que, por definição, não devem possuir uma distribuição normal, já que um evento isolado altera completamente a trajetória seguida pela variável. A principal razão para essa deficiência se dá porque, por definição, eventos extremos ocorrem infrequentemente e assim as técnicas paramétricas e não paramétricas tradicionais baseadas na estimação da densidade total de probabilidades, inclusive modelos que admitem mudança de regime, produzem tipicamente bom ajustamento nas regiões onde se encontram a maioria das observações, mas ajustamento insatisfatório nas caudas das distribuições de eventos (HSIEH e FUNG, 2001).
É por esse motivo que a procura para explicar o futuro tem sido influenciada pelas técnicas desenvolvidas pelos sismólogos para prever terremotos de grandes proporções. Foge obviamente dos objetivos desse trabalho fornecer uma descrição detalhada dessas técnicas, mas uma definição sucinta de um resultado fundamental no campo ajuda a entender o método que ser propõe para delinear um procedimento de previsão de aceleração dos níveis de desemprego.
Está bem estabelecido na literatura que terremotos de grandes proporções são precedidos por aumentos simultâneos de atividade sísmica em locais adjacentes próximos a falhas geológicas, formando um padrão denominado de Accord (devido à simultaneidade desses movimentos). Com base nesses resultados, os sismólogos têm construído algoritmos que visam prever a eclosão de grandes terremotos quando a porcentagem de locais próximos com movimentação sísmica acima de certo patamar ultrapassa um limiar crítico (ZALIAPIN e KEILIS-BOROK, 2002). Diversos autores (pertencentes ao grupo dos econofísicos) têm se dedicado a desenvolver algoritmos semelhantes capazes de gerar alarmes de ocorrência de crises econômicas a partir de dados não amostrais (out of sample prediction), com resultados ainda não conclusivos, mas aparentemente promissores. O problema com esses trabalhos que fazem uso da econofísica e de algoritmos computacionais é que eles não dispõem de uma metodologia clara para escolher os indicadores a serem correlacionados com a variável dependente. Para contornar esse problema, eles sugerem identificar previamente na literatura as relações teóricas pertinentes para, a seguir, por meio de um processo de tentativa e erro, selecionar via análise de correlação os indicadores pertinentes (KEILIS-BOROK et al., 2008). Além destes casos, tem-se desenvolvido uma vertente não-linear que é potencialmente relevante para a análise macroeconômica. Fundamentada na obra seminal de Burns e Mitchell (1946), intitulada ―Measuring Business Cycles‖, estudiosos do ―The National Bureau of Economic Research‖ retomaram a ideia de que expansões e contrações das variáveis econômicas podem ser vistas a partir de um método de mudança de regime. Nele, centra-se a atenção no comportamento de flutuação, a fim de identificar os indicadores líderes e os períodos em que ocorrem os pontos de inflexão, de modo a traçar uma espécie de calendário de longo prazo.
Sendo assim, apesar da sofisticação de grande parte dos métodos econométricos de projeção do comportamento das séries macroeconômicas, Diebold (1997) revela o fracasso dos mesmos na arte de prever a realidade. Isso não significa, entretanto, que seu uso tenha sido em vão, uma vez que serviram para fornecer um legado útil de contribuição, capaz de estimular o desenvolvimento de ferramentas mais poderosas de estimação, incluindo as técnicas de simulação computacional.