[pt] DE MICRO À MACRO: ENSAIOS EM ANÁLISE TEXTUAL

• Ano de defesa: 2022
• Autor(a) principal: LEONARDO CAIO DE LADALARDO MARTINS
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: MAXWELL
• Palavras-chave em Português: [pt] PREVISAO; [pt] EFEITOS FIXOS; [pt] MODELOS DE SHRINKAGE; [pt] DADOS TEXTUAIS; [pt] COVID-19; [pt] NOWCASTING; [pt] GOOGLE TRENDS; [pt] CAUSALIDADE; [pt] MOBILIDADE; [en] FORECASTING; [en] FIXED EFFECTS; [en] SHRINKAGE MODELS; [en] TEXT-DATA; [en] COVID-19; [en] NOWCASTING; [en] GOOGLE TRENDS; [en] CAUSALITY; [en] MOBILITY
• Link de acesso: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=59862&idi=1; https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=59862&idi=2; http://doi.org/10.17771/PUCRio.acad.59862

[pt] Este estudo explora fontes de dados não convencionais como dados textuais de jornais e pesquisas de internet do Google Trends em dois problemas empíricos: (i) analisar o impacto da mobilidade sobre o número de casos e mortes por Covid-19; (ii) nowcasting do PIB em alta-frequência. O primeiro artigo usa fontes de dados não estruturados como controle para fatores comportamentais não observados e encontra que um aumento na mobilidade residencial diminui significativamente o número de casos e mortes num horizonte de quatro semanas. O segundo artigo usa fontes de dados não estruturadas para fazer um nowcasting semanal do PIB, mostrando que dados textuais e Google Trends pode aumentar a qualidade das projeções (medido pelo EQM, EAM e outras métricas) comparado com as expectativas de mercado do Focus como base. Em ambos casos, dados não estruturados reveleram-se fontes ricas de informação não codificadas em indicadores estruturados convencionais.