Please use this identifier to cite or link to this item:
https://repositorio.ipea.gov.br/handle/11058/11575
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.author | Santos, Francisco Luna | - |
dc.contributor.author | Nolau, Izabel | - |
dc.coverage.spatial | Brasil | pt_BR |
dc.date.accessioned | 2022-11-23T17:45:32Z | - |
dc.date.available | 2022-11-23T17:45:32Z | - |
dc.date.issued | 2022-11 | - |
dc.identifier.uri | http://repositorio.ipea.gov.br/handle/11058/11575 | - |
dc.description.abstract | Neste Texto para Discussão testamos diversos modelos de previsão de inflação e da atividade econômica brasileira, a partir de dados macroeconômicos e estimativas de especialistas, referentes ao período entre janeiro de 2002 e outubro de 2019, com frequência mensal. Devido à alta dimensão do conjunto de variáveis explicativas, nos concentramos em modelos associados à técnica de machine learning (ML) que oferecem diferentes abordagens para lidar com grandes conjuntos de dados e os comparamos com modelos de referência. Nossos resultados indicam que, para horizontes de previsão de curto prazo (um e três meses), os métodos de ML melhoram substancialmente as previsões de inflação. Para o horizonte de um mês, o Least Absolute Shrinkage and Selection Operator (Lasso) é o método com melhor desempenho, e a combinação dos melhores modelos de ML por horizonte é o destaque para o horizonte de três meses. No entanto, para horizontes de previsão mais longos (seis meses e doze meses), os modelos de ML e suas combinações não superam as expectativas de especialistas, ainda que as combinações de métodos de ML superem as metodologias tradicionais. Na previsão para o produto interno bruto (PIB), ocorre o contrário. Os modelos de ML não têm desempenho satisfatório para o horizonte mais curto, mas as combinações (horizonte de três e doze meses) e o complete subset regression (CSR) (horizonte de seis meses) superam os modelos tradicionais. | pt_BR |
dc.language.iso | pt-BR | pt_BR |
dc.publisher | Instituto de Pesquisa Econômica Aplicada (Ipea) | pt_BR |
dc.title | Previsão de inflação : análise preliminar de desempenho de técnicas de machine learning | pt_BR |
dc.title.alternative | Texto para Discussão (TD) 2814 : Previsão de inflação : análise preliminar de desempenho de técnicas de machine learning | pt_BR |
dc.type | Texto para Discussão (TD) | pt_BR |
dc.rights.holder | Instituto de Pesquisa Econômica Aplicada (Ipea) | pt_BR |
dc.source.urlsource | http://www.ipea.gov.br | pt_BR |
dc.location.country | BR | pt_BR |
dc.description.physical | 31 p. : il. | pt_BR |
dc.subject.vcipea | IPEA::Condições Econômicas. Pesquisa Econômica. Sistemas Econômicos::Econômica::Economia – Geral::Economia | pt_BR |
dc.subject.vcipea | IPEA::Condições Econômicas. Pesquisa Econômica. Sistemas Econômicos::Econômica::Economia – Geral::Macroeconomia | pt_BR |
dc.subject.vcipea | IPEA::Condições Econômicas. Pesquisa Econômica. Sistemas Econômicos::Econômica::Pesquisa Econômica::Econometria | pt_BR |
dc.rights.license | É permitida a reprodução deste texto e dos dados nele contidos, desde que citada a fonte. Reproduções para fins comerciais são proibidas. | pt_BR |
dc.subject.keyword | Previsão | pt_BR |
dc.subject.keyword | Econometria | pt_BR |
dc.subject.keyword | Macroeconomia | pt_BR |
dc.subject.keyword | Machine learning | pt_BR |
ipea.description.additionalinformation | Série monográfica: Texto para Discussão ; 2814 | pt_BR |
ipea.description.additionalinformation | Possui referências bibliográficas | pt_BR |
ipea.access.type | Acesso Aberto | pt_BR |
ipea.rights.type | Licença Comum | pt_BR |
ipea.englishdescription.abstract | In this Discussion Paper, we test forecasting models for inflation and economic activity with macroeconomic data and economic surveys between January 2002 and October 2019 on a monthly basis. Due to the high dimension nature of the set of explanatory variables, we use machine learning (ML) models that offer different ways to deal with large datasets and we compare with benchmark models. We find that ML methods substantially improve inflation forecasts for shorter horizons (one and three months). While Least Absolute Shrinkage and Selection Operator (Lasso) is the model that best performs for the one-month horizon, a combination of ML models performs better for the three months horizon. However, for longer-term horizons (six and twelve months), individual ML methods and economic surveys do not perform well, despite the fact that a combination of ML models are better than benchmark models. Concerning GDP forecasts, the reverse is true. ML methods do not perform well for the one month horizon, but combinations of ML methods (three and twelve month) and complete subset regression (CSR) (six month) overcame traditional models. | pt_BR |
ipea.researchfields | N/A | pt_BR |
ipea.classification | Economia. Desenvolvimento Econômico | pt_BR |
Appears in Collections: | Economia. Desenvolvimento Econômico: Livros |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
TD_2814_Web.pdf | 1.78 MB | Adobe PDF | View/Open | |
TD_2814_Sumex.pdf | 122.63 kB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.