Taxa de desemprego no Brasil : variáveis determinantes para prever o patamar
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFRGS |
Texto Completo: | http://hdl.handle.net/10183/250639 |
Resumo: | Neste trabalho foram utilizadas técnicas clássicas de séries temporais e algoritmos de aprendizado de máquina para prever o patamar da taxa de desemprego no Brasil. Para isso, foram utilizados dados macroeconômicos de 2000 a 2021, coletados de fontes como IBGE, IPEA, Banco Central, entre outras. As variáveis foram selecionadas através da revisão bibliográfica presente neste trabalho e para redução de dimensionalidade foram aplicadas as técnicas de componentes principais e correlação de Spearman. Os resultados mostram que os modelos de aprendizado de máquina apresentam menor erro absoluto e menor raiz do erro quadrático médio quando comparado aos modelos clássicos de séries temporais. As variáveis finais constantes nos modelos de aprendizagem de máquina como relevantes para previsão são: Dívida Pública, Indicador de Custo de Crédito, Índice de Gini, Número de Famílias Atendidas pelo Bolsa Família, Salário Mínimo, Taxa de Pobreza e Taxa Selic. Este estudo é uma abordagem da previsão do patamar da taxa de desemprego no Brasil em relação aos fatores macroeconômicos. |
id |
UFRGS-2_e5531cff90dc9b79640a1ad6b481107a |
---|---|
oai_identifier_str |
oai:www.lume.ufrgs.br:10183/250639 |
network_acronym_str |
UFRGS-2 |
network_name_str |
Repositório Institucional da UFRGS |
repository_id_str |
|
spelling |
Silveira, Raiane PadilhaWeiss, Maurício Andrade2022-11-04T04:37:05Z2022http://hdl.handle.net/10183/250639001152966Neste trabalho foram utilizadas técnicas clássicas de séries temporais e algoritmos de aprendizado de máquina para prever o patamar da taxa de desemprego no Brasil. Para isso, foram utilizados dados macroeconômicos de 2000 a 2021, coletados de fontes como IBGE, IPEA, Banco Central, entre outras. As variáveis foram selecionadas através da revisão bibliográfica presente neste trabalho e para redução de dimensionalidade foram aplicadas as técnicas de componentes principais e correlação de Spearman. Os resultados mostram que os modelos de aprendizado de máquina apresentam menor erro absoluto e menor raiz do erro quadrático médio quando comparado aos modelos clássicos de séries temporais. As variáveis finais constantes nos modelos de aprendizagem de máquina como relevantes para previsão são: Dívida Pública, Indicador de Custo de Crédito, Índice de Gini, Número de Famílias Atendidas pelo Bolsa Família, Salário Mínimo, Taxa de Pobreza e Taxa Selic. Este estudo é uma abordagem da previsão do patamar da taxa de desemprego no Brasil em relação aos fatores macroeconômicos.In this work, classical time series techniques and machine learning algorithms were used to predict the level of the unemployment rate in Brazil. For this, macroeconomic data from 2000 to 2021 were used, collected from sources such as IBGE, IPEA, Central Bank, among others. The variables were selected through the literature review present in this work and for dimensionality reduction, the principal components and Spearman correlation techniques were applied. The results show that machine learning models have lower MAE and lower RSME when compared to classical time series models. The final variables in the machine learning models as relevant for prediction are: Public Debt, Credit Cost Indicator, Gini Index, Number of Families Served by Government Aid, Minimum Wage, Poverty Rate and Selic Rate. This study is an approach to forecasting the level of the unemployment rate in Brazil in relation to macroeconomic factors.application/pdfporDesempregoMacroeconomiaBrasilUnemployment rateTime seriesMachine leaningMacroeconomicsSelection of variablesTaxa de desemprego no Brasil : variáveis determinantes para prever o patamarinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisUniversidade Federal do Rio Grande do SulFaculdade de Ciências EconômicasPorto Alegre, BR-RS2022Ciências Econômicasgraduaçãoinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001152966.pdf.txt001152966.pdf.txtExtracted Texttext/plain103408http://www.lume.ufrgs.br/bitstream/10183/250639/2/001152966.pdf.txtfa7ea00f3468161253261d85097ca976MD52ORIGINAL001152966.pdfTexto completoapplication/pdf1051822http://www.lume.ufrgs.br/bitstream/10183/250639/1/001152966.pdf73b386385cbc102123a441d113381c92MD5110183/2506392022-11-05 04:48:53.052466oai:www.lume.ufrgs.br:10183/250639Repositório de PublicaçõesPUBhttps://lume.ufrgs.br/oai/requestopendoar:2022-11-05T07:48:53Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false |
dc.title.pt_BR.fl_str_mv |
Taxa de desemprego no Brasil : variáveis determinantes para prever o patamar |
title |
Taxa de desemprego no Brasil : variáveis determinantes para prever o patamar |
spellingShingle |
Taxa de desemprego no Brasil : variáveis determinantes para prever o patamar Silveira, Raiane Padilha Desemprego Macroeconomia Brasil Unemployment rate Time series Machine leaning Macroeconomics Selection of variables |
title_short |
Taxa de desemprego no Brasil : variáveis determinantes para prever o patamar |
title_full |
Taxa de desemprego no Brasil : variáveis determinantes para prever o patamar |
title_fullStr |
Taxa de desemprego no Brasil : variáveis determinantes para prever o patamar |
title_full_unstemmed |
Taxa de desemprego no Brasil : variáveis determinantes para prever o patamar |
title_sort |
Taxa de desemprego no Brasil : variáveis determinantes para prever o patamar |
author |
Silveira, Raiane Padilha |
author_facet |
Silveira, Raiane Padilha |
author_role |
author |
dc.contributor.author.fl_str_mv |
Silveira, Raiane Padilha |
dc.contributor.advisor1.fl_str_mv |
Weiss, Maurício Andrade |
contributor_str_mv |
Weiss, Maurício Andrade |
dc.subject.por.fl_str_mv |
Desemprego Macroeconomia Brasil |
topic |
Desemprego Macroeconomia Brasil Unemployment rate Time series Machine leaning Macroeconomics Selection of variables |
dc.subject.eng.fl_str_mv |
Unemployment rate Time series Machine leaning Macroeconomics Selection of variables |
description |
Neste trabalho foram utilizadas técnicas clássicas de séries temporais e algoritmos de aprendizado de máquina para prever o patamar da taxa de desemprego no Brasil. Para isso, foram utilizados dados macroeconômicos de 2000 a 2021, coletados de fontes como IBGE, IPEA, Banco Central, entre outras. As variáveis foram selecionadas através da revisão bibliográfica presente neste trabalho e para redução de dimensionalidade foram aplicadas as técnicas de componentes principais e correlação de Spearman. Os resultados mostram que os modelos de aprendizado de máquina apresentam menor erro absoluto e menor raiz do erro quadrático médio quando comparado aos modelos clássicos de séries temporais. As variáveis finais constantes nos modelos de aprendizagem de máquina como relevantes para previsão são: Dívida Pública, Indicador de Custo de Crédito, Índice de Gini, Número de Famílias Atendidas pelo Bolsa Família, Salário Mínimo, Taxa de Pobreza e Taxa Selic. Este estudo é uma abordagem da previsão do patamar da taxa de desemprego no Brasil em relação aos fatores macroeconômicos. |
publishDate |
2022 |
dc.date.accessioned.fl_str_mv |
2022-11-04T04:37:05Z |
dc.date.issued.fl_str_mv |
2022 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10183/250639 |
dc.identifier.nrb.pt_BR.fl_str_mv |
001152966 |
url |
http://hdl.handle.net/10183/250639 |
identifier_str_mv |
001152966 |
dc.language.iso.fl_str_mv |
por |
language |
por |
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.source.none.fl_str_mv |
reponame:Repositório Institucional da UFRGS instname:Universidade Federal do Rio Grande do Sul (UFRGS) instacron:UFRGS |
instname_str |
Universidade Federal do Rio Grande do Sul (UFRGS) |
instacron_str |
UFRGS |
institution |
UFRGS |
reponame_str |
Repositório Institucional da UFRGS |
collection |
Repositório Institucional da UFRGS |
bitstream.url.fl_str_mv |
http://www.lume.ufrgs.br/bitstream/10183/250639/2/001152966.pdf.txt http://www.lume.ufrgs.br/bitstream/10183/250639/1/001152966.pdf |
bitstream.checksum.fl_str_mv |
fa7ea00f3468161253261d85097ca976 73b386385cbc102123a441d113381c92 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS) |
repository.mail.fl_str_mv |
|
_version_ |
1801224643016654848 |