Analisando a Capacidade de Previsão entre Diferentes / Classes de Modelos: um Estudo Comparativo para os índices de Produção Industrial no Brasil

Felipe Leite Coelho da Silva, Kleyton Vieira Sales da Costa

Resumo


Os indicadores de produção industrial são variáveis de interesse para a mensuração da atividade econômica de uma determinada região ou país e, assim, podem ser instrumentos de apoio à tomada de decisão para legisladores e agentes econômicos em geral. Desse modo, este trabalho propõe a utilização de três classes de modelos de previsão de séries temporais: modelos clássicos - Holt-Winters e SARIMA; de espaço de estado - modelo linear dinâmico e TBATS; e redes neurais artificiais (NNAR - neural network autoregression e MLP - multílayer perceptron). Os modelos foram aplicados aos indicadores de produção industrial do Brasil para a indústria extrativa e de transformação. Através das métricas de precisão RMSE e MAPE, o modelo MLP foi o que obteve o melhor desempenho para ambos os conjuntos de dados em análise.


Palavras-chave


Séries Temporais; Previsão; Redes Neurais; Produção Industrial

Texto completo:

PDF

Referências


Bai, J. Forecasting economic time series using targeted predictors,Journal of Econometrics,2008. DOI: 10.1016/j.jeconom.2008.08.010.

Barbosa, Rafael B. and Ferreira, Roberto Tatiwa and Silva, Thib ́erio Mota da.. Previs ̃aode Vari ́aveis Macroeconˆomicas Brasileiras usando Modelos de S ́eries Temporais de Alta Di-mens ̃ao.,Estudos Econˆomicos.,vol.50, n.21, 2020. DOI: 10.1590/0101-41615013rrt.

De Livera, A. M. and Hyndman, R. J. and Snyder, R. D.. Forecasting Time Series WithComplex Seasonal Patterns Using Exponential Smoothing.,Journal of the American StatisticalAssociation., 106:496, 2011. DOI: 10.1198/jasa.2011.tm09771.

Gunay, M.. Forecasting industrial production and inflation in Turkey with factor models,Central Bank Review, 2018. DOI: 10.1016/j.cbrev.2018.11.003.

Haykin, Simon.Neural networks and learning machines, 3a. edi ̧c ̃ao. Pearson, 2008.

Hyndman, R. J., and Athanasopoulos, G.Forecasting: principles and practice, 3a. edi ̧c ̃ao.OTexts, Melbourne, 2021.

IBGE, Coordena ̧c ̃ao de Ind ́ustriaIndicadores conjunturais da ind ́ustria : produ ̧c ̃ao, 2a. edi ̧c ̃ao.IBGE, Rio de Janeiro, 2015.

Potdar, Kedar and Kinnerkar, Rishab. A non-linear autoregressive neural network modelfor forecasting Indian index of industrial production,2017 IEEE Region 10 Symposium(TENSYMP)pages 1-5, 2017. DOI: 10.1109/TENCONSpring.2017.8069973.

Prince, D. and Mar ̧cal, E. F..Selection of lags and univariate models to forecast industrial pro-duction in an Emerging country: is disagreggation useful?,Encontro Nacional de Economia,2018.

West, M. and Harrison, J.Bayesian forecasting and dynamic models, 3a. edi ̧c ̃ao. SpringerScience, 2006.




DOI: https://doi.org/10.5540/03.2021.008.01.0357

Apontamentos

  • Não há apontamentos.


SBMAC - Sociedade de Matemática Aplicada e Computacional
Edifício Medical Center - Rua Maestro João Seppe, nº. 900, 16º. andar - Sala 163 | São Carlos/SP - CEP: 13561-120
 


Normas para publicação | Contato