Using neural networks in hybrid models to forecast brazilian unemployment rates

• Autor(a) principal: Valentini, Germano Pessutto
• Data de Publicação: 2024
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: eng
• Título da fonte: Repositório Institucional da UFRGS
• Texto Completo: http://hdl.handle.net/10183/272137
• topic: Desemprego; Modelo matemático; Unemployment rate forecasting; Multilayer perceptron; Autoregressive neural network; Hybrid models

Este trabalho propõe três modelos para prever as taxas de desemprego nas regiões metropolitanas brasileiras de Porto Alegre, São Paulo e Salvador, fundamentado na hipótese de que a taxa de desemprego possui um componente intrínseco não linear, que, ao ser integrado a um modelo linear, tem o potencial de aprimorar seu poder preditivo. Inicialmente, o modelo linear ARIMA (modelo autorregressivo integrado de médias móveis) foi empregado para realizar previsões e atuar como benchmark. Posteriormente, os erros residuais do modelo ARIMA serviram como entradas para o treinamento de duas redes neurais distintas: o perceptron multicamadas (MLP) e a rede neural autorregressiva (ARNN). As previsões dessas redes foram combinadas com as do modelo ARIMA, resultando em dois modelos híbridos: ARIMA-MLP e ARIMA-ARNN. Em todos os modelos, utilizou-se uma estratégia de janela deslizante e horizontes de previsão de 1, 3, 6 e 12 meses. A avaliação sugere uma ligeira melhoria nas capacidades preditivas dos modelos híbridos frente ao benchmark, apontando também para uma falta de diferenças estatisticamente significantivas entre elas.