Ensaios em macroeconomia aplicada: choques petrolíferos e previsão

• Autor(a) principal: Medeiros, Rennan Kertlly de
• Data de Publicação: 2022
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Repositório Institucional da UFPB
• Texto Completo: https://repositorio.ufpb.br/jspui/handle/123456789/27532
• topic: CNPQ::CIENCIAS SOCIAIS APLICADAS::ECONOMIA; Macroeconomia; Choques do petróleo; Sentimento textual; Projeção local; Previsão fiscal; Arrecadação; Modelos de machine learning; Elastic Net; Textual sentiment; Oil shocks; Local projection

Capítulo 1 - Efeitos do sentimento do mercado de petróleo sobre variáveis macroeconômicas Este ensaio objetiva avaliar os efeitos dos choques de preços de petróleo em variáveis macroeconômicas, para as economias dos Estados Unidos e Brasil. Desenvolvemos uma variável que mensura a volatilidade de preços de petróleo, a partir de uma análise de sentimento textual. Avaliamos os choques de preços de petróleo a partir do método de Projeção Local. Nossos resultados sugerem que alterações nos preços de petróleo provocam impactos maiores na economia norte-americana, comparado aos efeitos na economia brasileira. As respostas das variáveis dos EUA e Brasil foram semelhantes quanto ao uso do indicador de sentimento ou o índice de volatilidade VIX. Por fim, constatamos que a diminuição de frequência das variáveis, juntamente com mudança de método, não altera as trajetórias de resposta das variáveis macroeconômicas. Capítulo 2 - Estratégias de previsão fiscal: um estudo empírico para a economia brasileira Este ensaio objetiva realizar a previsão da arrecadação federal do Brasil a partir de diversos métodos de aprendizado de máquina, para diferentes amostras. Para previsão da variável de interesse foram utilizadas 34 variáveis explicativas. A metodologia de estimação utilizada está dividida em três categorias de aprendizagem: shrinkage, ponderação e fator. Os resultados sugerem que o modelo Elastic Net possui a maior acurácia para previsões mensais com uso de 20% e 30% da amostra para teste, para períodos curtos. Para previsão de períodos acumulados, o modelo LASSO tem alta performance. Por fim, constatamos que o modelo Bagging é limitado com aumento de períodos de previsão e, sobretudo, com diminuição de frequência das variáveis.