Nowcasting do PIB americano utilizando técnicas de machine learning: uma abordagem de frequências mistas
Autor(a) principal: | |
---|---|
Data de Publicação: | 2023 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional do FGV (FGV Repositório Digital) |
Texto Completo: | https://hdl.handle.net/10438/35486 |
Resumo: | 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. |
id |
FGV_2374a4eaccc8cef85a1ae1233c59238b |
---|---|
oai_identifier_str |
oai:repositorio.fgv.br:10438/35486 |
network_acronym_str |
FGV |
network_name_str |
Repositório Institucional do FGV (FGV Repositório Digital) |
repository_id_str |
3974 |
spelling |
Salles, Isadora de Almeida LeãoEscolas::EPGEIssler, João VictorSouza, Rafael Martins dePessôa, Silvia Maria de Matos2024-06-27T17:32:01Z2024-06-27T17:32:01Z2023-07-20https://hdl.handle.net/10438/35486O 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.The present study aims to contribute to the literature on short-term economic forecasting by constructing monthly nowcastings for the US GDP. It adopts a relatively uncharted methodology that combines Machine Learning techniques within a mixed-frequency framework. Encouragingly, the results demonstrate substantial advancements of these models compared to univariate benchmarks. Moreover, this study enriches the current post-pandemic literature by examining the models’ performance before and after the crisis, enabling the extrapolation of findings for periods of both low and high GDP volatility. The results suggest that nowcasting offers significant enhancements to GDP forecasts, particularly during the second period, when linear models also outperform non-linear ones. Conversely, during periods of lower volatility, the opposite is observed due to the interplay of non-linearity and the quality of variable selection in those moments.porPIBFrequências mistasNowcastingMachine learningSkip-samplingGDPMixed-frequencyEconomiaAprendizado do computadorPrevisão econômicaIndicadores econômicosProduto interno brutoEconomia - Estados UnidosNowcasting do PIB americano utilizando técnicas de machine learning: uma abordagem de frequências mistasinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional do FGV (FGV Repositório Digital)instname:Fundação Getulio Vargas (FGV)instacron:FGVORIGINALEPGE - Dissertação Final - Isadora Salles.pdfEPGE - Dissertação Final - Isadora Salles.pdfPDFapplication/pdf2891938https://repositorio.fgv.br/bitstreams/0c490327-1f1c-41a0-b7f7-bce18bfae7d1/download7ef1e88f918dae6d26b8b0e7a7bd6246MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-85112https://repositorio.fgv.br/bitstreams/82ed9af6-c55f-4bd3-819a-eb5631f91beb/download2a4b67231f701c416a809246e7a10077MD52TEXTEPGE - Dissertação Final - Isadora Salles.pdf.txtEPGE - Dissertação Final - Isadora Salles.pdf.txtExtracted texttext/plain92498https://repositorio.fgv.br/bitstreams/4cf349ef-a9b8-40aa-8cc9-c1c30c729479/download0c5979dfb5fd1e1c584f7c06983eb524MD53THUMBNAILEPGE - Dissertação Final - Isadora Salles.pdf.jpgEPGE - Dissertação Final - Isadora Salles.pdf.jpgGenerated Thumbnailimage/jpeg3078https://repositorio.fgv.br/bitstreams/345dacfb-0cfb-4f59-bd6e-070518748c8e/download7a953ad04dea5a275e5059478352b851MD5410438/354862024-06-28 12:10:44.924open.accessoai:repositorio.fgv.br:10438/35486https://repositorio.fgv.brRepositório InstitucionalPRIhttp://bibliotecadigital.fgv.br/dspace-oai/requestopendoar:39742024-06-28T12:10:44Repositório Institucional do FGV (FGV Repositório Digital) - Fundação Getulio Vargas (FGV)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 |
dc.title.por.fl_str_mv |
Nowcasting do PIB americano utilizando técnicas de machine learning: uma abordagem de frequências mistas |
title |
Nowcasting do PIB americano utilizando técnicas de machine learning: uma abordagem de frequências mistas |
spellingShingle |
Nowcasting do PIB americano utilizando técnicas de machine learning: uma abordagem de frequências mistas Salles, Isadora de Almeida Leão 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 |
title_short |
Nowcasting do PIB americano utilizando técnicas de machine learning: uma abordagem de frequências mistas |
title_full |
Nowcasting do PIB americano utilizando técnicas de machine learning: uma abordagem de frequências mistas |
title_fullStr |
Nowcasting do PIB americano utilizando técnicas de machine learning: uma abordagem de frequências mistas |
title_full_unstemmed |
Nowcasting do PIB americano utilizando técnicas de machine learning: uma abordagem de frequências mistas |
title_sort |
Nowcasting do PIB americano utilizando técnicas de machine learning: uma abordagem de frequências mistas |
author |
Salles, Isadora de Almeida Leão |
author_facet |
Salles, Isadora de Almeida Leão |
author_role |
author |
dc.contributor.unidadefgv.por.fl_str_mv |
Escolas::EPGE |
dc.contributor.member.none.fl_str_mv |
Issler, João Victor Souza, Rafael Martins de |
dc.contributor.author.fl_str_mv |
Salles, Isadora de Almeida Leão |
dc.contributor.advisor1.fl_str_mv |
Pessôa, Silvia Maria de Matos |
contributor_str_mv |
Pessôa, Silvia Maria de Matos |
dc.subject.por.fl_str_mv |
PIB Frequências mistas |
topic |
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 |
dc.subject.eng.fl_str_mv |
Nowcasting Machine learning Skip-sampling GDP Mixed-frequency |
dc.subject.area.por.fl_str_mv |
Economia |
dc.subject.bibliodata.por.fl_str_mv |
Aprendizado do computador Previsão econômica Indicadores econômicos Produto interno bruto Economia - Estados Unidos |
description |
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. |
publishDate |
2023 |
dc.date.issued.fl_str_mv |
2023-07-20 |
dc.date.accessioned.fl_str_mv |
2024-06-27T17:32:01Z |
dc.date.available.fl_str_mv |
2024-06-27T17:32:01Z |
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.uri.fl_str_mv |
https://hdl.handle.net/10438/35486 |
url |
https://hdl.handle.net/10438/35486 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional do FGV (FGV Repositório Digital) instname:Fundação Getulio Vargas (FGV) instacron:FGV |
instname_str |
Fundação Getulio Vargas (FGV) |
instacron_str |
FGV |
institution |
FGV |
reponame_str |
Repositório Institucional do FGV (FGV Repositório Digital) |
collection |
Repositório Institucional do FGV (FGV Repositório Digital) |
bitstream.url.fl_str_mv |
https://repositorio.fgv.br/bitstreams/0c490327-1f1c-41a0-b7f7-bce18bfae7d1/download https://repositorio.fgv.br/bitstreams/82ed9af6-c55f-4bd3-819a-eb5631f91beb/download https://repositorio.fgv.br/bitstreams/4cf349ef-a9b8-40aa-8cc9-c1c30c729479/download https://repositorio.fgv.br/bitstreams/345dacfb-0cfb-4f59-bd6e-070518748c8e/download |
bitstream.checksum.fl_str_mv |
7ef1e88f918dae6d26b8b0e7a7bd6246 2a4b67231f701c416a809246e7a10077 0c5979dfb5fd1e1c584f7c06983eb524 7a953ad04dea5a275e5059478352b851 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional do FGV (FGV Repositório Digital) - Fundação Getulio Vargas (FGV) |
repository.mail.fl_str_mv |
|
_version_ |
1810023620312825856 |