Nowcasting do PIB americano utilizando técnicas de machine learning: uma abordagem de frequências mistas

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:
PIB
Palavras-chave em Inglês:
GDP
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.