Detalhes bibliográficos
Ano de defesa: |
2023 |
Autor(a) principal: |
Salles, Isadora de Almeida Leão |
Orientador(a): |
Pessôa, Silvia Maria de Matos |
Banca de defesa: |
Não Informado pela instituição |
Tipo de documento: |
Dissertação
|
Tipo de acesso: |
Acesso aberto |
Idioma: |
por |
Instituição de defesa: |
Não Informado pela instituição
|
Programa de Pós-Graduação: |
Não Informado pela instituição
|
Departamento: |
Não Informado pela instituição
|
País: |
Não Informado pela instituição
|
Palavras-chave em Português: |
|
Palavras-chave em Inglês: |
|
Link de acesso: |
https://hdl.handle.net/10438/35486
|
Resumo: |
O presente trabalho se propõe a contribuir para a literatura de previsão econômica de curto prazo por meio da construção de nowcastings mensais para o PIB americano. Adota-se uma metodologia ainda pouco explorada, que combina técnicas de Machine Learning em uma abordagem de frequências mistas. Os resultados foram promissores, com ganhos expressivos desses modelos em comparação com os benchmarks univariados. O trabalho também agrega à recente literatura do pós-pandemia através de uma análise do desempenho dos modelos antes e depois dessa crise, permitindo a analogia dos resultados para períodos de baixa e alta volatilidade no PIB. Obtém-se evidências de que o nowcasting proporciona ganhos significativos às previsões do PIB, especialmente no segundo período, quando também se observa uma superioridade dos modelos lineares em relação aos não-lineares. Em períodos de menor volatilidade, o contrário se verifica, como consequência tanto da não-linearidade como da qualidade de seleção das variáveis nesses momentos. |