A dinâmica da inflação de bens industriais no Brasildesagregação e ensaios preditivos com econometria e aprendizado de máquina

Resumo

Modelos de previsão da inflação frequentemente opõem a acurácia do aprendizado de máquina à interpretabilidade da econometria tradicional. No entanto, a alta heterogeneidade e volatilidade do setor de bens industriais impõem limites à capacidade preditiva destas abordagens. Para investigar esse desafio, este trabalho analisa a dinâmica deste setor no Brasil, propondo uma nova medida de núcleo para o IPCA de bens industriais e comparando algoritmos baseados em técnicas de aprendizado de máquina com modelos paramétricos ARX. Os resultados empíricos demonstram uma complementaridade entre os métodos. Embora o aprendizado de máquina minimize erros em projeções agregadas mediante a aplicação do LASSO, sua performance preditiva se revela estritamente limitada em segmentos voláteis, como o de bens subjacentes duráveis. Em contrapartida, as especificações ARX se provam indispensáveis para simulações de choques exógenos via Função Resposta ao Impulso. As análises desagregadas revelam dinâmicas ancoradas em sazonalidades do varejo e safras. Conclui-se que os algoritmos de aprendizado de máquina possuem certa validação para a economia aplicada ao selecionarem os mesmos principais regressores da teoria clássica, contudo, a alta performance preditiva não é unânime entre as desagregações, dependendo das fricções específicas de cada categoria.

Ficha do documento

Tipo

Dissertação

Ano

2026

Instituição

Fundação Getulio Vargas

Fonte

Repositório da FGV

Idioma

Português

Acesso

Acesso aberto

Identificador

oai:repositorio.fgv.br:10438/39350

Temas

EconomiaDesenvolvimento Econômico

Palavras-chave

InflaçãoIndústria de TransformaçãoCurva de PhillipsAprendizado de MáquinaPrevisãoInflationManufacturing IndustryPhillips CurveMachine LearningForecastingEconomiaEncargos sociais (Industria de transformação)Aprendizado do computadorPhillips, Curva dePrevisão econômica