Nowcasting do PIB americano utilizando técnicas de machine learning: uma abordagem de frequências mistas
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 re...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Estado: | Versión publicada |
| Fecha de publicación: | 2023 |
| País: | Brasil |
| Institución: | Fundação Getulio Vargas (FGV) |
| Repositorio: | Repositório Institucional do FGV (FGV Repositório Digital) |
| Idioma: | portugués |
| OAI Identifier: | oai:repositorio.fgv.br:10438/35486 |
| Acceso en línea: | https://hdl.handle.net/10438/35486 |
| Access Level: | acceso abierto |
| Palabra clave: | PIB Frequências mistas Nowcasting Machine learning Skip-sampling GDP Mixed-frequency Economia Aprendizado do computador Previsão econômica Indicadores econômicos Produto interno bruto Economia - Estados Unidos |
| Sumario: | 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. |
|---|