Interpretabilidade de modelos Machine Learning para a previsão macroeconómica

Detalhes bibliográficos
Autor(a) principal: Rebelo, Maria Adriana Carmo
Data de Publicação: 2022
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10400.5/26940
Resumo: Mestrado Bolonha em Métodos Quantitativos para a Decisão Económica e Empresarial
id RCAP_6a2888f342f5441043af9570cf16e57f
oai_identifier_str oai:www.repository.utl.pt:10400.5/26940
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Interpretabilidade de modelos Machine Learning para a previsão macroeconómicaProduto Interno Bruto per capitaDados de painelTime-fixed effectsXGBoostInterpretabilidade de modelosGross Domestic Product per capitaPanel dataModel interpretabilityMestrado Bolonha em Métodos Quantitativos para a Decisão Económica e EmpresarialA interpretabilidade de um modelo pode ser definida como o grau de compreensão sobre o funcionamento interno de um modelo, permitindo perceber as causas sobre o qual recai o resultado. Na modelação estatística, pode verificar-se um trade-off entre a interpretabilidade e a precisão da previsão: modelos de interpretabilidade natural revelam uma menor precisão relativamente a modelos mais complexos. A previsão do Produto Interno Bruto é um aspeto fundamental para a aplicação de políticas económicas, com particular atenção para políticas monetárias e políticas orçamentais. Nesse sentido e tendo em conta que os modelos de machine learning preveem melhor a volatilidade económica, tem se vindo a assistir a uma revolução do método de previsão macroeconómico utilizado pelas principais organizações políticas nacionais e internacionais. O objetivo deste trabalho prende-se em investigar se um black-box, Extreme Gradient Boosting (XGBoost) pode superar os métodos de interpretabilidade natural selecionados, Regressão linear e Árvore de decisão na previsão do Produto Interno Bruto (PIB) per capita para dados de painel e identificar medidas de importância das variáveis para melhorar a transparência dos modelos de machine learning. Se as organizações políticas e financeiras forem capazes de prever e interpretar corretamente os fatores, podem implementar políticas mais eficazes. Para a análise de interpretabilidade de XGBoost, utilizam-se os seguintes métodos, Shapley Additive ExPlanations (SHAP), Permutation Feature Importance e Partial Dependence Plot. Através destes métodos pretendemos mostrar que os resultados obtidos por XGBoost podem ser interpretados sem um grande esforço computacional e garantir maior vantagem competitiva. Contudo, como será aprofundado durante este trabalho, verifica-se que o modelo XGBoostserá o modelo com melhor precisão de previsão para os dados de painel.The interpretability of a model can be defined as the degree of understanding of the inner workings of a model, allowing one to understand the causes upon which the result is based. In statistical modelling, there can be a trade-off between interpretability and forecast accuracy: models with natural interpretability show lower accuracy than more complex models. Gross Domestic Product forecasting is a fundamental aspect for the implementation of economic policies, with particular attention to monetary policies and fiscal policies. In this sense and considering that machine learning models better predict economic volatility, there has been a revolution in the macroeconomic forecasting method used by the main national and international political organizations. The objective of this work is to investigate whether a black-box, Extreme Gradient Boosting (XGBoost) can outperform selected natural interpretability, Linear regression and Decision tree methods in forecasting Gross Domestic Product (GDP) per capita for panel data and to identify measures of variable importance to improve the transparency of machine learning models. If political and financial organizations can correctly predict and interpret factors, they can implement more effective policies. For the XGBoost interpretability analysis, the following methods are used, Shapley Additive ExPlanations (SHAP), Permutation Feature Importance and Partial Dependence Plot. Through these methods we intend to show that the results obtained by XGBoost can be interpreted without a large computational effort and ensure greater competitive advantage. However, as will be deepened during this work, it is verified that the fixed effects model will be the model with the best prediction accuracy for panel data.Instituto Superior de Economia e GestãoBastos, JoãoRepositório da Universidade de LisboaRebelo, Maria Adriana Carmo2023-01-18T15:40:29Z2022-102022-10-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10400.5/26940porRebelo, Maria Adriana Carmo (2022). “Interpretabilidade de modelos Machine Learning para a previsão macroeconómica”. Dissertação de Mestrado. Universidade de Lisboa. Instituto Superior de Economia e Gestãoinfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-03-06T14:56:22Zoai:www.repository.utl.pt:10400.5/26940Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T17:10:29.396151Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Interpretabilidade de modelos Machine Learning para a previsão macroeconómica
title Interpretabilidade de modelos Machine Learning para a previsão macroeconómica
spellingShingle Interpretabilidade de modelos Machine Learning para a previsão macroeconómica
Rebelo, Maria Adriana Carmo
Produto Interno Bruto per capita
Dados de painel
Time-fixed effects
XGBoost
Interpretabilidade de modelos
Gross Domestic Product per capita
Panel data
Model interpretability
title_short Interpretabilidade de modelos Machine Learning para a previsão macroeconómica
title_full Interpretabilidade de modelos Machine Learning para a previsão macroeconómica
title_fullStr Interpretabilidade de modelos Machine Learning para a previsão macroeconómica
title_full_unstemmed Interpretabilidade de modelos Machine Learning para a previsão macroeconómica
title_sort Interpretabilidade de modelos Machine Learning para a previsão macroeconómica
author Rebelo, Maria Adriana Carmo
author_facet Rebelo, Maria Adriana Carmo
author_role author
dc.contributor.none.fl_str_mv Bastos, João
Repositório da Universidade de Lisboa
dc.contributor.author.fl_str_mv Rebelo, Maria Adriana Carmo
dc.subject.por.fl_str_mv Produto Interno Bruto per capita
Dados de painel
Time-fixed effects
XGBoost
Interpretabilidade de modelos
Gross Domestic Product per capita
Panel data
Model interpretability
topic Produto Interno Bruto per capita
Dados de painel
Time-fixed effects
XGBoost
Interpretabilidade de modelos
Gross Domestic Product per capita
Panel data
Model interpretability
description Mestrado Bolonha em Métodos Quantitativos para a Decisão Económica e Empresarial
publishDate 2022
dc.date.none.fl_str_mv 2022-10
2022-10-01T00:00:00Z
2023-01-18T15:40:29Z
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 http://hdl.handle.net/10400.5/26940
url http://hdl.handle.net/10400.5/26940
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv Rebelo, Maria Adriana Carmo (2022). “Interpretabilidade de modelos Machine Learning para a previsão macroeconómica”. Dissertação de Mestrado. Universidade de Lisboa. Instituto Superior de Economia e Gestão
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Instituto Superior de Economia e Gestão
publisher.none.fl_str_mv Instituto Superior de Economia e Gestão
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799131202259517440

Registros relacionados