Modelos para projeção de inflação no Brasil com dados desagregados por regiões

• Ano de defesa: 2017
• Autor(a) principal: Torres, Gustavo Dias
• Orientador(a): Marçal, Emerson Fernandes
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Inflação; Projeção; Modelos autorregressivos; Desagregação por regiões
• Palavras-chave em Inglês: Autometrics; Model confidence set; Inflation; Forecasting; Autoregressive models
• Link de acesso: http://hdl.handle.net/10438/18779

O objetivo deste estudo é avaliar se há ganhos em trabalhar com dados desagregados por regiões para projetar a inflação no Brasil. Para este fim, construímos modelos autoregressivos univariados para o agregado do IPCA (principal índice de preços ao consumidor brasileiro) e duas desagregações (por região ou por grupo e região) para um horizonte de projeção de até 12 meses à frente. Foram utilizados dados mensais do IPCA entre janeiro de 1996 e outubro de 2016 para o índice nacional e 11 regiões metropolitanas e capitais que compõem o índice. A análise das projeções fora da amostra foi feita em dois cortes distintos de tempo. Primeiro entre dezembro de 2006 e outubro de 2016 e, num segundo momento, para o período dezembro de 2006 a dezembro de 2012. Os modelos foram estimados pelo software Oxmetrics 7 e, em alguns casos, foi utilizado também o algoritmo Autometrics. As comparações dos modelos foram feitas pelo Erro Quadrático Médio e pela técnica Model Confidence Set, desenvolvida por Hansen, Lunde e Nason (2011). Os resultados indicam que o desempenho dos modelos desagregados é superior aos modelos agregados e, em especial, a desagregação por regiões pode contribuir para menor erro de previsão, embora não haja um único modelo que seja superior em todos os horizontes de projeção e o resultado esteja condicionado à amostra analisada.