Modelo de séries temporais para a previsão da arrecadação tributária federal

Detalhes bibliográficos
Autor(a) principal: Lettieri Siqueira, Marcelo
Data de Publicação: 2002
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFPE
Texto Completo: https://repositorio.ufpe.br/handle/123456789/4535
Resumo: A presente dissertação tem como principal objetivo apresentar uma metodologia alternativa para a previsão das receitas tributárias federais administradas pela Secretaria da Receita Federal. Optou-se, então, pela utilização da metodologia de Box-Jenkins, especificamente o modelo Auto-Regressivo Integrado de Médias Móveis Sazonal SARIMA. O estudo será apresentado em 4 partes principais, assim desenvolvidas: revisão bibliográfica, natureza dos dados, apresentação e discussão dos resultados. A revisão bibliográfica trará uma discussão geral sobre a previsão de receitas públicas e sobre o tratamento estatístico de séries temporais; apresentando, inclusive, a justificativa da opção pela metodologia de Box-Jenkins. Particularmente, em relação às séries temporais, serão apresentados os principais conceitos que norteiam o seu estudo, tais como: estacionariedade, estocasticidade, processos auto-regressivos AR(p), de médias móveis MA(q) e mistos (auto-regressivos e de médias móveis) ARMA(p, q). Na parte referente à natureza dos dados, serão apresentadas as séries tributárias objetos do presente estudo, os fatos que afetaram a arrecadação tributária federal no período, além do tratamento imposto aos dados em relação às mudanças estruturais observadas, à remoção de pontos discrepantes ( outliers ) e à correção com base em um índice geral de preços. A parte referente à apresentação dos resultados trará os procedimentos utilizados na modelagem das séries tributárias, procedendo-se à identificação do modelo e sua respectiva estimação, à verificação de diagnóstico e, por fim, à previsão para cada um dos modelos selecionados. Na parte final do trabalho, discutir-se-á os resultados obtidos, comparando-se as previsões obtidas pela metodologia de Box-Jenkins com aquelas originadas do método de indicadores utilizado pela Secretaria da Receita Federal, determinando-se quais seriam os melhores modelos para previsão dos valores futuros de cada uma das séries tributárias estudadas
id UFPE_77d898889a001c6efff7a7fc361b6114
oai_identifier_str oai:repositorio.ufpe.br:123456789/4535
network_acronym_str UFPE
network_name_str Repositório Institucional da UFPE
repository_id_str 2221
spelling Lettieri Siqueira, MarceloChaves Lima, Ricardo 2014-06-12T17:21:51Z2014-06-12T17:21:51Z2002Lettieri Siqueira, Marcelo; Chaves Lima, Ricardo. Modelo de séries temporais para a previsão da arrecadação tributária federal. 2002. Dissertação (Mestrado). Programa de Pós-Graduação em Economia, Universidade Federal de Pernambuco, Recife, 2002.https://repositorio.ufpe.br/handle/123456789/4535A presente dissertação tem como principal objetivo apresentar uma metodologia alternativa para a previsão das receitas tributárias federais administradas pela Secretaria da Receita Federal. Optou-se, então, pela utilização da metodologia de Box-Jenkins, especificamente o modelo Auto-Regressivo Integrado de Médias Móveis Sazonal SARIMA. O estudo será apresentado em 4 partes principais, assim desenvolvidas: revisão bibliográfica, natureza dos dados, apresentação e discussão dos resultados. A revisão bibliográfica trará uma discussão geral sobre a previsão de receitas públicas e sobre o tratamento estatístico de séries temporais; apresentando, inclusive, a justificativa da opção pela metodologia de Box-Jenkins. Particularmente, em relação às séries temporais, serão apresentados os principais conceitos que norteiam o seu estudo, tais como: estacionariedade, estocasticidade, processos auto-regressivos AR(p), de médias móveis MA(q) e mistos (auto-regressivos e de médias móveis) ARMA(p, q). Na parte referente à natureza dos dados, serão apresentadas as séries tributárias objetos do presente estudo, os fatos que afetaram a arrecadação tributária federal no período, além do tratamento imposto aos dados em relação às mudanças estruturais observadas, à remoção de pontos discrepantes ( outliers ) e à correção com base em um índice geral de preços. A parte referente à apresentação dos resultados trará os procedimentos utilizados na modelagem das séries tributárias, procedendo-se à identificação do modelo e sua respectiva estimação, à verificação de diagnóstico e, por fim, à previsão para cada um dos modelos selecionados. Na parte final do trabalho, discutir-se-á os resultados obtidos, comparando-se as previsões obtidas pela metodologia de Box-Jenkins com aquelas originadas do método de indicadores utilizado pela Secretaria da Receita Federal, determinando-se quais seriam os melhores modelos para previsão dos valores futuros de cada uma das séries tributárias estudadasporUniversidade Federal de PernambucoAttribution-NonCommercial-NoDerivs 3.0 Brazilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/openAccessSéries temporaisArrecadação de tributosPrevisãoModelo de séries temporais para a previsão da arrecadação tributária federalinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisreponame:Repositório Institucional da UFPEinstname:Universidade Federal de Pernambuco (UFPE)instacron:UFPETHUMBNAILarquivo6125_1.pdf.jpgarquivo6125_1.pdf.jpgGenerated Thumbnailimage/jpeg1246https://repositorio.ufpe.br/bitstream/123456789/4535/4/arquivo6125_1.pdf.jpg6765fa3926ba9786c068cb10ba19b58bMD54ORIGINALarquivo6125_1.pdfapplication/pdf908109https://repositorio.ufpe.br/bitstream/123456789/4535/1/arquivo6125_1.pdfc79892330d40ad4fa5e42081e8094687MD51LICENSElicense.txttext/plain1748https://repositorio.ufpe.br/bitstream/123456789/4535/2/license.txt8a4605be74aa9ea9d79846c1fba20a33MD52TEXTarquivo6125_1.pdf.txtarquivo6125_1.pdf.txtExtracted texttext/plain392018https://repositorio.ufpe.br/bitstream/123456789/4535/3/arquivo6125_1.pdf.txtec9a49a9fbe78aa1b44753bc6c61946fMD53123456789/45352019-10-25 03:21:11.967oai:repositorio.ufpe.br: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Repositório InstitucionalPUBhttps://repositorio.ufpe.br/oai/requestattena@ufpe.bropendoar:22212019-10-25T06:21:11Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)false
dc.title.pt_BR.fl_str_mv Modelo de séries temporais para a previsão da arrecadação tributária federal
title Modelo de séries temporais para a previsão da arrecadação tributária federal
spellingShingle Modelo de séries temporais para a previsão da arrecadação tributária federal
Lettieri Siqueira, Marcelo
Séries temporais
Arrecadação de tributos
Previsão
title_short Modelo de séries temporais para a previsão da arrecadação tributária federal
title_full Modelo de séries temporais para a previsão da arrecadação tributária federal
title_fullStr Modelo de séries temporais para a previsão da arrecadação tributária federal
title_full_unstemmed Modelo de séries temporais para a previsão da arrecadação tributária federal
title_sort Modelo de séries temporais para a previsão da arrecadação tributária federal
author Lettieri Siqueira, Marcelo
author_facet Lettieri Siqueira, Marcelo
author_role author
dc.contributor.author.fl_str_mv Lettieri Siqueira, Marcelo
dc.contributor.advisor1.fl_str_mv Chaves Lima, Ricardo
contributor_str_mv Chaves Lima, Ricardo
dc.subject.por.fl_str_mv Séries temporais
Arrecadação de tributos
Previsão
topic Séries temporais
Arrecadação de tributos
Previsão
description A presente dissertação tem como principal objetivo apresentar uma metodologia alternativa para a previsão das receitas tributárias federais administradas pela Secretaria da Receita Federal. Optou-se, então, pela utilização da metodologia de Box-Jenkins, especificamente o modelo Auto-Regressivo Integrado de Médias Móveis Sazonal SARIMA. O estudo será apresentado em 4 partes principais, assim desenvolvidas: revisão bibliográfica, natureza dos dados, apresentação e discussão dos resultados. A revisão bibliográfica trará uma discussão geral sobre a previsão de receitas públicas e sobre o tratamento estatístico de séries temporais; apresentando, inclusive, a justificativa da opção pela metodologia de Box-Jenkins. Particularmente, em relação às séries temporais, serão apresentados os principais conceitos que norteiam o seu estudo, tais como: estacionariedade, estocasticidade, processos auto-regressivos AR(p), de médias móveis MA(q) e mistos (auto-regressivos e de médias móveis) ARMA(p, q). Na parte referente à natureza dos dados, serão apresentadas as séries tributárias objetos do presente estudo, os fatos que afetaram a arrecadação tributária federal no período, além do tratamento imposto aos dados em relação às mudanças estruturais observadas, à remoção de pontos discrepantes ( outliers ) e à correção com base em um índice geral de preços. A parte referente à apresentação dos resultados trará os procedimentos utilizados na modelagem das séries tributárias, procedendo-se à identificação do modelo e sua respectiva estimação, à verificação de diagnóstico e, por fim, à previsão para cada um dos modelos selecionados. Na parte final do trabalho, discutir-se-á os resultados obtidos, comparando-se as previsões obtidas pela metodologia de Box-Jenkins com aquelas originadas do método de indicadores utilizado pela Secretaria da Receita Federal, determinando-se quais seriam os melhores modelos para previsão dos valores futuros de cada uma das séries tributárias estudadas
publishDate 2002
dc.date.issued.fl_str_mv 2002
dc.date.accessioned.fl_str_mv 2014-06-12T17:21:51Z
dc.date.available.fl_str_mv 2014-06-12T17:21:51Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.citation.fl_str_mv Lettieri Siqueira, Marcelo; Chaves Lima, Ricardo. Modelo de séries temporais para a previsão da arrecadação tributária federal. 2002. Dissertação (Mestrado). Programa de Pós-Graduação em Economia, Universidade Federal de Pernambuco, Recife, 2002.
dc.identifier.uri.fl_str_mv https://repositorio.ufpe.br/handle/123456789/4535
identifier_str_mv Lettieri Siqueira, Marcelo; Chaves Lima, Ricardo. Modelo de séries temporais para a previsão da arrecadação tributária federal. 2002. Dissertação (Mestrado). Programa de Pós-Graduação em Economia, Universidade Federal de Pernambuco, Recife, 2002.
url https://repositorio.ufpe.br/handle/123456789/4535
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv Attribution-NonCommercial-NoDerivs 3.0 Brazil
http://creativecommons.org/licenses/by-nc-nd/3.0/br/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Attribution-NonCommercial-NoDerivs 3.0 Brazil
http://creativecommons.org/licenses/by-nc-nd/3.0/br/
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidade Federal de Pernambuco
publisher.none.fl_str_mv Universidade Federal de Pernambuco
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPE
instname:Universidade Federal de Pernambuco (UFPE)
instacron:UFPE
instname_str Universidade Federal de Pernambuco (UFPE)
instacron_str UFPE
institution UFPE
reponame_str Repositório Institucional da UFPE
collection Repositório Institucional da UFPE
bitstream.url.fl_str_mv https://repositorio.ufpe.br/bitstream/123456789/4535/4/arquivo6125_1.pdf.jpg
https://repositorio.ufpe.br/bitstream/123456789/4535/1/arquivo6125_1.pdf
https://repositorio.ufpe.br/bitstream/123456789/4535/2/license.txt
https://repositorio.ufpe.br/bitstream/123456789/4535/3/arquivo6125_1.pdf.txt
bitstream.checksum.fl_str_mv 6765fa3926ba9786c068cb10ba19b58b
c79892330d40ad4fa5e42081e8094687
8a4605be74aa9ea9d79846c1fba20a33
ec9a49a9fbe78aa1b44753bc6c61946f
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)
repository.mail.fl_str_mv attena@ufpe.br
_version_ 1797780417243250688