Administração da dívida pública: um estudo para o caso brasileiro
Bibliographic record
Abstract
com alguma questão específica, como Fernando Genta, Gustavo Rechdan, Henrique, Marcelo Tinoco, Pedro Duarte, Raphael Gouvêa, Ricardo Sabbadini e Tiago Toledo.Ainda aos técnicos do Tesouro Nacional que me ajudaram com algum material bibliográfico.À USP, à FEA, aos demais amigos e ao Fut-Fea.O ambiente acadêmico da USP sem dúvidas deixará muitas saudades.Aos amigos e familiares, incluindo professores da UFMG.Ao meu irmão Bernardo e aos meus avós, pelo apoio e carinho.Aos meus colegas do BNDES, pela compreensão e apoio para que eu concluísse o trabalho.Agradeço especialmente aos meus pais, pelo amor e apoio incondicional para que eu pudesse alcançar todos os meus objetivos.Os valores relacionados à educação e a uma sólida formação acadêmica, transmitidos por eles, foram fundamentais para o alcance desta meta.À Aninha, pelo amor, carinho e compreensão pela ausência em vários momentos.Por fim, agradeço ao apoio financeiro do IPEA, que tornou possível a elaboração desta dissertação.vi vii RESUMO Esta dissertação busca estudar estratégias eficientes para a gestão da dívida pública brasileira.Utiliza-se uma metodologia recorrente na literatura, que consiste em estimar e simular a economia através de um modelo estrutural Novo-Keynesiano e, em seguida, verificar qual o comportamento da relação Dívida/PIB para vários tipos de composição da dívida.Trabalhase, portanto, com uma análise de risco e retorno para diversas carteiras da dívida, em uma abordagem focada na fronteira eficiente.Duas classes de modelos são utilizadas: backwardlooking (BL) e o forward-looking (FL).A estimação foi realizada por Mínimos Quadrados Ordinários e a amostra utilizada foi trimestral, variando do primeiro trimestre de 1999 ao terceiro trimestre de 2010.Os resultados principais indicaram que, quando se trabalha com um modelo FL, as carteiras eficientes são compostas quase que exclusivamente por títulos indexados à inflação.Por outro lado, quando se utiliza um modelo BL, os resultados indicam que as carteiras eficientes são híbridas, sendo compostas por títulos de diferentes indexadores, incluindo grande parte de títulos indexados à inflação.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.014 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.007 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".