Public spending impact on short term growth : a machine learning approach

• Ano de defesa: 2021
• Autor(a) principal: Santos, Lucas Dierings Tanus dos
• Orientador(a): Ziegelmann, Flavio Augusto
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Palavras-chave em Português: Gastos públicos; Modelo matemático
• Palavras-chave em Inglês: Causal Random Forest; Public spending multiplier; Unconfoundedness; Heterogeneous treatment effect
• Link de acesso: http://hdl.handle.net/10183/236372

O multiplicador do gasto público é objeto de análise há muito tempo, com a discussão centrada em como seu tamanho varia em diferentes contextos econômicos. No artigo que integra esta dissertação, apresentamos uma técnica de aprendizado de máquina causal como uma ferramenta para estimar o multiplicador do gasto público e fazer previsões individualizadas com base no contexto econômico de cada país. Propomos modelar o multiplicador com uma floresta aleatória causal, desenvolvida por Wager e Athey (2018), descobrindo possíveis efeitos de tratamento heterogêneos. Aplicamos essa metodologia em um conjunto de dados fornecido pelo Fundo Monetário Internacional, incluindo dados de 35 países desenvolvidos ao longo dos anos de 2000 a 2020. As estimativas dos multiplicadores obtidas com esta metodologia estão entre 1,7 e 2,7. Além disso, usamos essa metodologia como uma ferramenta para descobrir quais recursos são importantes para a heterogeneidade do multiplicador.