Essays on Brazilian industrial production revisions and forecasting
Autor(a) principal: | |
---|---|
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 |
Resumo: | 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. |
id |
FGV_92c03b5492d268d8105bd4cd28b0b532 |
---|---|
oai_identifier_str |
oai:repositorio.fgv.br:10438/27518 |
network_acronym_str |
FGV |
network_name_str |
Repositório Institucional do FGV (FGV Repositório Digital) |
repository_id_str |
3974 |
spelling |
Rocha, Jordano VieiraEscolas::EESPMarçal, Emerson FernandesMendonça, Diogo de PrinceHotta, Luiz KoodiArtes, RinaldoPereira, Pedro L. Valls2019-06-07T14:41:10Z2019-06-07T14:41:10Z2019-05-17http://hdl.handle.net/10438/27518O 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.Brazilian Industrial Production Index (IPI), as many other macroeconomic variables, is subject to revisions over time due to corrections in primary data, updates in the seasonal adjustment factors, and changes in methodological concepts or weighting structures. This thesis contains two essays related to the Brazilian IPI. The first chapter builds a real-time data set containing the series as observed at the time of each monthly publication, directly assessing the behavior of revisions of different time lengths. Results show considerable magnitude, variability and evidence of predictability for revisions, specially in later revisions. The second chapter analyzes how performance of different models in forecasting the Brazilian IPI one-step ahead is influenced by the use of samples of different sizes. Since the series undergoes methodological revisions over time, this approach indirectly captures the influence of these changes on forecast accuracy. We find that most models benefit from expanding the estimation sample beginning at least up to 1993:12. For estimation starting in January 1975 and 1985, predictions from Autometrics with impulse dummy saturation and the average of forecasts are statistically more accurate than those from the benchmark autoregressive model.engIndustrial production indexReal-time dataRevisionsNonlinear methodsLag selectionDummy saturationForecastingÍndice de produção industrialDados em tempo realRevisõesMétodos não linearesSeleção de defasagensSaturação de dummiesEconomiaIndicadores econômicos - BrasilProdutividade industrial - Brasil - IndicadoresPrevisão econômicaAnálise de séries temporaisEconometria - Processamento de dadosEssays on Brazilian industrial production revisions and forecastinginfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional do FGV (FGV Repositório Digital)instname:Fundação Getulio Vargas (FGV)instacron:FGVTEXTTese Jordano Vieira Rocha.pdf.txtTese Jordano Vieira Rocha.pdf.txtExtracted texttext/plain101365https://repositorio.fgv.br/bitstreams/33ca3d42-fdf0-4aaa-8bc2-4c7537bbd581/downloadba5bf085943b2e0d3584d21f37d9bee3MD57THUMBNAILTese Jordano Vieira Rocha.pdf.jpgTese Jordano Vieira Rocha.pdf.jpgGenerated Thumbnailimage/jpeg2575https://repositorio.fgv.br/bitstreams/8126bf4d-607c-4b0d-b7e5-ba046c623aaf/downloade1a049768d1f57d29835951dd99c2358MD58ORIGINALTese Jordano Vieira Rocha.pdfTese Jordano Vieira Rocha.pdfPDFapplication/pdf1535644https://repositorio.fgv.br/bitstreams/30cc9472-257d-4fc3-9a7c-0c6bd2799db6/download81e56974b5d4b248f727e9addf0952cbMD53LICENSElicense.txtlicense.txttext/plain; charset=utf-84707https://repositorio.fgv.br/bitstreams/21d7429f-6f9f-40b2-923a-73434c45493b/downloaddfb340242cced38a6cca06c627998fa1MD5410438/275182023-11-25 01:36:04.736open.accessoai:repositorio.fgv.br:10438/27518https://repositorio.fgv.brRepositório InstitucionalPRIhttp://bibliotecadigital.fgv.br/dspace-oai/requestopendoar:39742023-11-25T01:36:04Repositório Institucional do FGV (FGV Repositório Digital) - Fundação Getulio Vargas (FGV)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 |
dc.title.eng.fl_str_mv |
Essays on Brazilian industrial production revisions and forecasting |
title |
Essays on Brazilian industrial production revisions and forecasting |
spellingShingle |
Essays on Brazilian industrial production revisions and forecasting Rocha, Jordano Vieira 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 |
title_short |
Essays on Brazilian industrial production revisions and forecasting |
title_full |
Essays on Brazilian industrial production revisions and forecasting |
title_fullStr |
Essays on Brazilian industrial production revisions and forecasting |
title_full_unstemmed |
Essays on Brazilian industrial production revisions and forecasting |
title_sort |
Essays on Brazilian industrial production revisions and forecasting |
author |
Rocha, Jordano Vieira |
author_facet |
Rocha, Jordano Vieira |
author_role |
author |
dc.contributor.unidadefgv.por.fl_str_mv |
Escolas::EESP |
dc.contributor.member.none.fl_str_mv |
Marçal, Emerson Fernandes Mendonça, Diogo de Prince Hotta, Luiz Koodi Artes, Rinaldo |
dc.contributor.author.fl_str_mv |
Rocha, Jordano Vieira |
dc.contributor.advisor1.fl_str_mv |
Pereira, Pedro L. Valls |
contributor_str_mv |
Pereira, Pedro L. Valls |
dc.subject.eng.fl_str_mv |
Industrial production index Real-time data Revisions Nonlinear methods Lag selection Dummy saturation Forecasting |
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 |
dc.subject.por.fl_str_mv |
Índice de produção industrial Dados em tempo real Revisões Métodos não lineares Seleção de defasagens Saturação de dummies |
dc.subject.area.por.fl_str_mv |
Economia |
dc.subject.bibliodata.por.fl_str_mv |
Indicadores econômicos - Brasil Produtividade industrial - Brasil - Indicadores Previsão econômica Análise de séries temporais Econometria - Processamento de dados |
description |
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. |
publishDate |
2019 |
dc.date.accessioned.fl_str_mv |
2019-06-07T14:41:10Z |
dc.date.available.fl_str_mv |
2019-06-07T14:41:10Z |
dc.date.issued.fl_str_mv |
2019-05-17 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10438/27518 |
url |
http://hdl.handle.net/10438/27518 |
dc.language.iso.fl_str_mv |
eng |
language |
eng |
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/33ca3d42-fdf0-4aaa-8bc2-4c7537bbd581/download https://repositorio.fgv.br/bitstreams/8126bf4d-607c-4b0d-b7e5-ba046c623aaf/download https://repositorio.fgv.br/bitstreams/30cc9472-257d-4fc3-9a7c-0c6bd2799db6/download https://repositorio.fgv.br/bitstreams/21d7429f-6f9f-40b2-923a-73434c45493b/download |
bitstream.checksum.fl_str_mv |
ba5bf085943b2e0d3584d21f37d9bee3 e1a049768d1f57d29835951dd99c2358 81e56974b5d4b248f727e9addf0952cb dfb340242cced38a6cca06c627998fa1 |
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_ |
1810023813910364160 |