Previsão de inflaçãoanálise preliminar de desempenho de técnicas de machine learning

Resumo

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.

Ficha do documento

Tipo

Estudo

Ano

2022

Instituição

Instituto de Pesquisa Econômica Aplicada (Ipea)

Fonte

Repositório do Ipea

Idioma

Português

Acesso

Acesso aberto

Identificador

oai:repositorio.ipea.gov.br:11058/11575

Licença

Licença Comum

Abrangência

Brasil

Temas

EconomiaDados

Palavras-chave

EconomiaMacroeconomiaEconometriaPrevisãoMachine learning