Submitted by Rodrigo Nishida (rodrigo.nishida@gmail.com) on 2016-03-01T21:32:49Z No. of bitstreams: 1 Dissertação_Rodrigo_Nishida.pdf: 1015993 bytes, checksum: 46a19756f9bf85226f3b1bd20eb5a724 (MD5) / Approved for entry into archive by Renata de Souza Nascimento (renata.souza@fgv.br) on 2016-03-01T21:44:25Z (GMT) No. of bitstreams: 1 Dissertação_Rodrigo_Nishida.pdf: 1015993 bytes, checksum: 46a19756f9bf85226f3b1bd20eb5a724 (MD5) / Made available in DSpace on 2016-03-02T11:17:06Z (GMT). No. of bitstreams: 1 Dissertação_Rodrigo_Nishida.pdf: 1015993 bytes, checksum: 46a19756f9bf85226f3b1bd20eb5a724 (MD5) Previous issue date: 2016-02-03 / The work aims to verify the existence and the relevance of Calendar Effects in industrial indicators. The analysis covers linear univariate models for the Brazilian monthly industrial production index and some of its components. Initially an in-sample analysis is conducted using state space structural models and Autometrics selection algorithm, which indicates statistically significance effect of most variables related to calendar. Then, using Diebold-Mariano (1995) procedure and Model Confidence Set, developed by Hansen, Lunde e Nason (2011), out-of-sample comparisons are realized between Autometrics derived models and a simple double difference device for a forecast horizon up to 24 months ahead. In general, forecasts of the Autometrics models that consider calendar variables are superior for 1-2 steps ahead and surpass the naive model in all horizons. The aggregation of the category of use components to form the general industry indicator shows evidence of a better perform in shorter term forecasts. / O trabalho tem como objetivo verificar a existência e a relevância dos Efeitos Calendário em indicadores industriais. São explorados modelos univariados lineares para o indicador mensal da produção industrial brasileira e alguns de seus componentes. Inicialmente é realizada uma análise dentro da amostra valendo-se de modelos estruturais de espaço-estado e do algoritmo de seleção Autometrics, a qual aponta efeito significante da maioria das variáveis relacionadas ao calendário. Em seguida, através do procedimento de Diebold-Mariano (1995) e do Model Confidence Set, proposto por Hansen, Lunde e Nason (2011), são realizadas comparações de previsões de modelos derivados do Autometrics com um dispositivo simples de Dupla Diferença para um horizonte de até 24 meses à frente. Em geral, os modelos Autometrics que consideram as variáveis de calendário se mostram superiores nas projeções de 1 a 2 meses adiante e superam o modelo simples em todos os horizontes. Quando se agrega os componentes de categoria de uso para formar o índice industrial total, há evidências de ganhos nas projeções de prazo mais curto.

Submitted by anderson silva (amoriya@hotmail.com) on 2016-02-19T19:41:50Z No. of bitstreams: 1 Anderson_Moriya_Silva_final_revisao_4.pdf: 1752260 bytes, checksum: 966f44742fa7cdef87d699b314fca4f0 (MD5) / Approved for entry into archive by Renata de Souza Nascimento (renata.souza@fgv.br) on 2016-02-23T16:25:35Z (GMT) No. of bitstreams: 1 Anderson_Moriya_Silva_final_revisao_4.pdf: 1752260 bytes, checksum: 966f44742fa7cdef87d699b314fca4f0 (MD5) / Made available in DSpace on 2016-02-23T20:09:48Z (GMT). No. of bitstreams: 1 Anderson_Moriya_Silva_final_revisao_4.pdf: 1752260 bytes, checksum: 966f44742fa7cdef87d699b314fca4f0 (MD5) Previous issue date: 2016-01-29 / O presente trabalho tem como objetivo avaliar a capacidade preditiva de modelos econométricos de séries de tempo baseados em indicadores macroeconômicos na previsão da inflação brasileira (IPCA). Os modelos serão ajustados utilizando dados dentro da amostra e suas projeções ex-post serão acumuladas de um a doze meses à frente. As previsões serão comparadas a de modelos univariados como autoregressivo de primeira ordem - AR(1) - que nesse estudo será o benchmark escolhido. O período da amostra vai de janeiro de 2000 até agosto de 2015 para ajuste dos modelos e posterior avaliação. Ao todo foram avaliadas 1170 diferentes variáveis econômicas a cada período a ser projetado, procurando o melhor conjunto preditores para cada ponto no tempo. Utilizou-se o algoritmo Autometrics para a seleção de modelos. A comparação dos modelos foi feita através do Model Confidence Set desenvolvido por Hansen, Lunde e Nason (2010). Os resultados obtidos nesse ensaio apontam evidências de ganhos de desempenho dos modelos multivariados para períodos posteriores a 1 passo à frente. / The present work has aim to evaluate the superior predictions capabilities of econometrics time series models based on macroeconomics indicators for Brazilian inflation (IPCA). The models were adjusted in sample and the ex-post prediction are accumulating in one to twelve steps ahead. The forecasts will be compared with univariate models like first order autoregressive - AR (1) that is the chosen benchmark. The period of the sample goes through January 2000 to August 2015 for model adjustment and evaluation. It was evaluate over 1170 different economic variable for each forecast period, searching for the best predictor set for each point in time. It was used Autometrics to model selection. The models were compared the Model Confident Set, developed by Hansen, Lunde and Nason (2010). The results founded in this essay evidences gain of accuracy for one-step ahead.

Submitted by FABIANO ZIMMERMANN (fabpenna@yahoo.com.br) on 2016-02-26T20:45:13Z No. of bitstreams: 1 Fabiano Zimmermann versao final.pdf: 445367 bytes, checksum: 653eae70f4eb404f167fdab5a327da7d (MD5) / Approved for entry into archive by Renata de Souza Nascimento (renata.souza@fgv.br) on 2016-02-26T20:47:44Z (GMT) No. of bitstreams: 1 Fabiano Zimmermann versao final.pdf: 445367 bytes, checksum: 653eae70f4eb404f167fdab5a327da7d (MD5) / Made available in DSpace on 2016-02-26T20:56:05Z (GMT). No. of bitstreams: 1 Fabiano Zimmermann versao final.pdf: 445367 bytes, checksum: 653eae70f4eb404f167fdab5a327da7d (MD5) Previous issue date: 2016-02-02 / O estudo busca identificar quais variáveis são as mais relevantes para previsão da taxa de câmbio real efetiva e analisar a robustez dessas previsões. Foram realizados testes de cointegração de Johansen em 13 variáveis macroeconômicas. O banco de dados utilizado são séries trimestrais e os testes foram realizados sobre as séries combinadas dois a dois, três a três e quatro a quatro. Utilizando esse método, encontramos modelos que cointegravam entre si, para os países analisados. A partir desses modelos, foram feitas previsões fora da amostra a partir das últimas 60 observações. A qualidade das previsões foi avaliada por meio dos testes de Erro Quadrático Médio (EQM) e Modelo do Conjunto de Confiança de Hansen (MCS) utilizando um modelo de passeio aleatório do câmbio real como benchmark. Todos os testes mostram que, à medida que se aumenta o horizonte de projeção, o passeio aleatório perde poder preditivo e a maioria dos modelos são mais informativos sobre o futuro da taxa de câmbio real efetivo. / This paper seeks to identify which variables are the most relevant for predicting the real effective exchange rate and analyze the robustness of these forecasts. Johansen Cointegration tests were performed on 13 macroeconomic variables. The database quarterly series are used and tests were carried out on the combined sets two by two, three by three and four by four. Using this method, we find models that cointegrated each other, for the countries analyzed. From these models, predictions were made out of the sample from the last 60 observations. The quality of the forecasts was assessed by the mean square error tests (RMSE) and Model Hansen Confidence Set (MCS) used a random walk model the real exchange rate as a benchmark. All tests show that, as we expand the forecast horizon, the random walk lose predictive power and most models are more informative about the future of the real effective exchange rate in the long term.

Submitted by Gustavo Dias Torres (gustavo.dias.torres@gmail.com) on 2017-09-11T23:39:51Z No. of bitstreams: 1 Dissertação Gustavo Dias Torres_vFinal.pdf: 1259234 bytes, checksum: 51ec6f205ed2f13e3636ef236d11d9dc (MD5) / Rejected by Joana Martorini (joana.martorini@fgv.br), reason: Prezado Gustavo, Favor corrigir o nome da Escola, Getulio, sem acento. Obrigada. Att. on 2017-09-11T23:53:47Z (GMT) / Submitted by Gustavo Dias Torres (gustavo.dias.torres@gmail.com) on 2017-09-12T00:02:33Z No. of bitstreams: 1 Dissertação Gustavo Dias Torres_vFinal.pdf: 1258567 bytes, checksum: 522209b93a243d0d3fd0dd9d9caffb9a (MD5) / Approved for entry into archive by Joana Martorini (joana.martorini@fgv.br) on 2017-09-12T15:25:42Z (GMT) No. of bitstreams: 1 Dissertação Gustavo Dias Torres_vFinal.pdf: 1258567 bytes, checksum: 522209b93a243d0d3fd0dd9d9caffb9a (MD5) / Made available in DSpace on 2017-09-13T12:13:30Z (GMT). No. of bitstreams: 1 Dissertação Gustavo Dias Torres_vFinal.pdf: 1258567 bytes, checksum: 522209b93a243d0d3fd0dd9d9caffb9a (MD5) Previous issue date: 2017-08-23 / The objective of this study is to evaluate if there are gains in working with data disaggregated by regions to forecast inflation in Brazil. For this purpose, we constructed univariate autoregressive models with different types and levels of IPCA (main Brazilian consumer price index) disaggregation for a forecasting horizon of up to 12 months ahead. Monthly IPCA data were used between January 1996 and October 2016 for the national index and 11 metropolitan regions and capitals that make up the index. The analysis of out-of-sample projections was done in two distinct time sections. First between December 2006 and October 2016 and, secondly, for the period December 2006 and December 2012. The models were estimated by software Oxmetrics 7 and, in some cases, the Autometrics algorithm was also used. The comparisons of the models were made by the Mean Square Error and the Model Confidence Set technique, developed by Hansen, Lunde and Nason (2011). The results indicate that the performance of the disaggregated models is better than the aggregate models and, in particular, the disaggregation by regions may contribute to a smaller prediction error, although there is not a single model that is superior in all the forecast horizons and the result is Conditioned to the analyzed sample. / O objetivo deste estudo é avaliar se há ganhos em trabalhar com dados desagregados por regiões para projetar a inflação no Brasil. Para este fim, construímos modelos autoregressivos univariados para o agregado do IPCA (principal índice de preços ao consumidor brasileiro) e duas desagregações (por região ou por grupo e região) para um horizonte de projeção de até 12 meses à frente. Foram utilizados dados mensais do IPCA entre janeiro de 1996 e outubro de 2016 para o índice nacional e 11 regiões metropolitanas e capitais que compõem o índice. A análise das projeções fora da amostra foi feita em dois cortes distintos de tempo. Primeiro entre dezembro de 2006 e outubro de 2016 e, num segundo momento, para o período dezembro de 2006 a dezembro de 2012. Os modelos foram estimados pelo software Oxmetrics 7 e, em alguns casos, foi utilizado também o algoritmo Autometrics. As comparações dos modelos foram feitas pelo Erro Quadrático Médio e pela técnica Model Confidence Set, desenvolvida por Hansen, Lunde e Nason (2011). Os resultados indicam que o desempenho dos modelos desagregados é superior aos modelos agregados e, em especial, a desagregação por regiões pode contribuir para menor erro de previsão, embora não haja um único modelo que seja superior em todos os horizontes de projeção e o resultado esteja condicionado à amostra analisada.

Submitted by Nicole de Mendonça Saba (nicolesaba@gmail.com) on 2015-09-24T17:21:52Z No. of bitstreams: 1 Nicole Saba versao final_vf.pdf: 1360650 bytes, checksum: aafa0056ed232ccdb36bda0393568740 (MD5) / Approved for entry into archive by Renata de Souza Nascimento (renata.souza@fgv.br) on 2015-09-24T17:28:57Z (GMT) No. of bitstreams: 1 Nicole Saba versao final_vf.pdf: 1360650 bytes, checksum: aafa0056ed232ccdb36bda0393568740 (MD5) / Made available in DSpace on 2015-09-24T17:33:40Z (GMT). No. of bitstreams: 1 Nicole Saba versao final_vf.pdf: 1360650 bytes, checksum: aafa0056ed232ccdb36bda0393568740 (MD5) Previous issue date: 2015-08-19 / Este trabalho procura identificar quais variáveis são as mais relevantes para previsão da taxa de câmbio real do Brasil e analisar a robustez dessas previsões. Para isso foram realizados testes de cointegração de Johansen em 13 variáveis macroeconômicas. O banco de dados utilizado são séries trimestrais e compreende o período de 1970 a 2014 e os testes foram realizados sobre as séries combinadas dois a dois, três a três e quatro a quatro. Por meio desse método, encontramos nove grupos que cointegram entre si. Utilizando esses grupos, são feitas previsões fora da amostra com a partir das últimas 60 observações. A qualidade das previsões foi avaliada por meio dos testes de Erro Quadrático Médio, teste de Diebold-Mariano e, além disso, foi utilizado um modelo de passeio aleatório do câmbio real como benchmark para o procedimento de Hansen. Todos os testes mostram que, à medida que se aumenta o horizonte de projeção, o passeio aleatório perde poder preditivo e a maioria dos modelos são mais informativos sobre o futuro da o câmbio real efetivo. O horizonte é de três a quatro anos à frente. No caso do teste de Hansen, o passeio aleatório é completamente eliminado do grupo final de modelos, mostrando que é possível fazer previsões superiores ao passeio aleatório. / This paper seeks to identify which variables are most relevant to forecast Brazil's real exchange rate and also analyze the robustness of the results. To that end, we conducted Johansen cointegration tests on 13 different variables. The database covers the period of 1970 to 2014 with quarterly frequency. The series were combined in subsets of two, three and four variables. After conducting the Johansen cointegration test, we found that nine different groups that are cointegrated. We then proceed to estimate out-of-sample forecasts of the real exchange rate for each of these nine groups. Once we have these forecasts, we evaluate their quality by calculating their mean squared errors and conduct the Diebold-Mariano Test. We also use a random walk model of the exchange rate as benchmark for Hansen's model confidence set. All of the tests show that, as we expand the forecast horizon, the random walk series' predictive power is far worse than the other forecasts. In the case of Hansen's model confidence set, the random walk series is eliminated from the final confidence set of models. The time horizon is three to four years, which gives us evidence of forecast accuracy gains superior to the random walk model for the exchange rate in the long term.