Previsão de variáveis macroeconômicas pelo modelo de fatores dinâmicos: uma abordagem por componentes principais esparsas

• Ano de defesa: 2020
• Autor(a) principal: Martins, Igor Ferreira Batista
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Factor model; Forecast; Modelo de fatores; Previsão; SPCA
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/96/96131/tde-01072020-145214/

Modelos fatoriais são um dos principais métodos de previsão macroeconômicas. Tradicionalmente, esses modelos utilizam a matriz de covariância amostral em conjunto da análise de componentes principais. Nesse trabalho, nós analisamos o impacto da escolha do tipo de matriz de covariância e do método de extração dos fatores latentes para previsões macroeconômica decorrentes de modelos fatoriais. A existência de erros de medida nas séries temporais pode introduzir uma estrutura de dependência temporal sendo adequado substituir a matriz de covariância amostral por matrizes de longo prazo. Adicionalmente, a matriz de covariância amostral pode acumular erros de estimação devido ao número elevado de parâmetros a serem estimados. Ao usar um hard-threshold, podemos mitigar esse problema. Já o uso de componentes principais esparsas nos permite usar o tradeoff entre viés e variância para obter estimativas mais precisas em amostras finitas. A metodologia proposta é aplicada a base de dados macroeconômicos apresentada em Stock e Watson (2009). Os resultados obtidos fortalecem a evidência de que usar um subconjunto das séries temporais disponibilizadas para a extração dos fatores não leva, necessariamente, a um pior desempenho preditivo. Similarmente a Kristensen (2017), encontramos que as previsões obtidas por PCA e SPCA são próximas e, adicionalmente, mostramos que o Model Confidence Set não rejeita a hipótese de mesma habilidade preditiva em muitos casos. Por fim, expandimos a evidência apresentada em Smeekes e Wijler (2018) de que modelos que utilizam esparcidade podem levar a um melhor desempenho do que modelos fatoriais baseados na matriz de covariância amostral e PCA quando temos a presença de erros de especificação.