Nowcasting GDPa unified evaluation of high-dimensional models
Silva, Gustavo Correa da
O documento é disponibilizado pela fonte de origem, que mantém a versão integral e as condições de uso.
Resumo
Nesta dissertação, avaliamos um conjunto de modelos de alta dimensão para o nowcasting em tempo real do crescimento do PIB dos EUA utilizando vintages do FRED-MD. Nosso estudo integra dados de frequências mistas por meio de representações U-MIDAS e compara métodos econométricos e de aprendizado de máquina sob uma mesma estrutura. Avaliamos o desempenho dos modelos entre o primeiro trimestre de 2015 e o quarto trimestre de 2024. Verificamos que, ao longo de toda a janela de avaliação, modelos esparsos apresentam o melhor desempenho. No entanto, quando excluímos 2020, um ano marcado por uma quebra estrutural devido à COVID-19, modelos densos produzem as previsões mais precisas. Esses resultados destacam o dilema entre estabilidade e adaptabilidade na previsão macroeconômica: modelos densos são mais adequados a períodos estáveis, enquanto alternativas esparsas apresentam melhor desempenho em períodos de instabilidade. Verificamos ainda que a combinação de modelos é uma alternativa consistentemente competitiva.
Ficha do documento
- Tipo
- Dissertação
- Ano
- 2026
- Instituição
- Fundação Getulio Vargas
- Fonte
- Repositório da FGV
- Idioma
- Inglês
- Acesso
- Acesso aberto
- Identificador
- oai:repositorio.fgv.br:10438/39133
Conteúdos relacionados
- DissertaçãoMacroeconomic forecastingFundação Getulio Vargas · 2022
- DissertaçãoModelagem e previsão da taxa de inadimplênciaFundação Getulio Vargas · 2025
- DissertaçãoModelo preditivo para precificação de ativos com integração de notícias do mercado financeiro e técnicas de machine learningFundação Getulio Vargas · 2025
- DissertaçãoNowcasting do PIB americano utilizando técnicas de machine learningFundação Getulio Vargas · 2023
