Essays on Brazilian industrial production revisions and forecasting

• Autor(a) principal: Rocha, Jordano Vieira
• Data de Publicação: 2019
• Tipo de documento: Tese
• Idioma: eng
• Título da fonte: Repositório Institucional do FGV (FGV Repositório Digital)
• Texto Completo: http://hdl.handle.net/10438/27518
• topic: Industrial production index; Real-time data; Revisions; Nonlinear methods; Lag selection; Dummy saturation; Forecasting; Índice de produção industrial; Dados em tempo real; Revisões; Métodos não lineares; Seleção de defasagens; Saturação de dummies; Economia; Indicadores econômicos - Brasil; Produtividade industrial - Brasil - Indicadores; Previsão econômica; Análise de séries temporais; Econometria - Processamento de dados

O Índice de Produção Industrial (IPI) do Brasil, assim como várias outras variáveis macroeconômicas, está sujeito a revisões ao longo do tempo, advindas de retificações em dados primários, atualizações nos fatores de ajuste sazonal e mudanças em conceitos metodológicos ou estruturas de ponderação. Esta tese contém dois ensaios relacionados ao IPI brasileiro. O primeiro capítulo constrói uma base de dados em tempo real contendo as séries tais como observadas no período de cada publicação mensal, avaliando diretamente o comportamento das revisões de diferentes extensões de tempo. Os resultados mostram magnitude, variabilidade consideráveis e evidência de previsibilidade para as revisões, especialmente revisões posteriores. O segundo capítulo analisa como a performance de diferentes modelos na previsão do IPI brasileiro um passo à frente é influenciada pelo uso de amostras de tamanhos diferentes. Como a série sofre revisões metodológicas ao longo do tempo, essa abordagem captura indiretamente a influência dessas mudanças na precisão das previsões. Constatou-se que a maioria dos modelos beneficia-se em expandir o início da amostra para estimação pelo menos até 1993:12. Para estimação iniciando-se em Janeiro de 1975 e 1985, previsões advindas do Autometrics com saturação de dummies e a média de todas as previsões são estatisticamente mais precisas que aquelas resultantes do modelo autorregresivo padrão.