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

Autores

  • Felipe Leite Coelho da Silva Departamento de Matemática/UFRRJ,
  • Kleyton Vieira Sales da Costa Departamento de Economia/UFRRJ

DOI:

https://doi.org/10.5540/03.2021.008.01.0357

Palavras-chave:

Séries Temporais, Previsão, Redes Neurais, Produção Industrial

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.

Downloads

Não há dados estatísticos.

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.

Downloads

Publicado

2021-12-20

Edição

Seção

Trabalhos Completos