A previsão do PIB é um dos principais balizadores para as decisões produtivas de agentes econômicos. Com o objetivo de realizar previsões para o crescimento do PIB trimestral brasileiro, são utilizadas 16 séries mensais financeiras e econômicas como potenciais preditores, abrangendo o período do segundo trimestre de 1996 ao quarto trimestre de 2012. Para isso, aplicou-se as abordagens MIDAS (Mixed Data Sampling) e UMIDAS (Unrestricted Mixed Data Sampling), confrontando seus resultados de previsão fora da amostra com o benchmark ARMA. Foram encontrados erros de previsão menores nessas abordagens, principalmente quando utilizadas informações dentro do trimestre de previsão. Os resultados foram ainda melhores quando empregados múltiplos regressores. / The GDP forecast is an important indicator for production decisions taken by economic agents. In order to make forecasts for the Brazilian quarterly GDP growth, we used 16 monthly financial and economic series as potential predictors, covering the period from the second quarter of 1996 to the fourth quarter of 2012. For this purpose, we applied MIDAS (Mixed Data Sampling) and UMIDAS (Unrestricted Mixed Data Sampling) approaches and compared the out of sample forecasts with the benchmark ones provided by ARMA. MI- DAS and UMIDAS showed smaller prediction errors, especially when information inside the quarter forecast is used. The results were even better when multiple regressors were employed.

A previsão do PIB é um dos principais balizadores para as decisões produtivas de agentes econômicos. Com o objetivo de realizar previsões para o crescimento do PIB trimestral brasileiro, são utilizadas 16 séries mensais financeiras e econômicas como potenciais preditores, abrangendo o período do segundo trimestre de 1996 ao quarto trimestre de 2012. Para isso, aplicou-se as abordagens MIDAS (Mixed Data Sampling) e UMIDAS (Unrestricted Mixed Data Sampling), confrontando seus resultados de previsão fora da amostra com o benchmark ARMA. Foram encontrados erros de previsão menores nessas abordagens, principalmente quando utilizadas informações dentro do trimestre de previsão. Os resultados foram ainda melhores quando empregados múltiplos regressores. / The GDP forecast is an important indicator for production decisions taken by economic agents. In order to make forecasts for the Brazilian quarterly GDP growth, we used 16 monthly financial and economic series as potential predictors, covering the period from the second quarter of 1996 to the fourth quarter of 2012. For this purpose, we applied MIDAS (Mixed Data Sampling) and UMIDAS (Unrestricted Mixed Data Sampling) approaches and compared the out of sample forecasts with the benchmark ones provided by ARMA. MI- DAS and UMIDAS showed smaller prediction errors, especially when information inside the quarter forecast is used. The results were even better when multiple regressors were employed.

A previsão do PIB é um dos principais balizadores para as decisões produtivas de agentes econômicos. Com o objetivo de realizar previsões para o crescimento do PIB trimestral brasileiro, são utilizadas 16 séries mensais financeiras e econômicas como potenciais preditores, abrangendo o período do segundo trimestre de 1996 ao quarto trimestre de 2012. Para isso, aplicou-se as abordagens MIDAS (Mixed Data Sampling) e UMIDAS (Unrestricted Mixed Data Sampling), confrontando seus resultados de previsão fora da amostra com o benchmark ARMA. Foram encontrados erros de previsão menores nessas abordagens, principalmente quando utilizadas informações dentro do trimestre de previsão. Os resultados foram ainda melhores quando empregados múltiplos regressores. / The GDP forecast is an important indicator for production decisions taken by economic agents. In order to make forecasts for the Brazilian quarterly GDP growth, we used 16 monthly financial and economic series as potential predictors, covering the period from the second quarter of 1996 to the fourth quarter of 2012. For this purpose, we applied MIDAS (Mixed Data Sampling) and UMIDAS (Unrestricted Mixed Data Sampling) approaches and compared the out of sample forecasts with the benchmark ones provided by ARMA. MI- DAS and UMIDAS showed smaller prediction errors, especially when information inside the quarter forecast is used. The results were even better when multiple regressors were employed.

Submitted by Rafael Keiti Oiski Grunho de Souza (rkeiti@gmail.com) on 2015-02-11T23:13:28Z No. of bitstreams: 1 Dissertação.pdf: 1994936 bytes, checksum: db18f08cc7ccda7d020496e050849f0a (MD5) / Rejected by Renata de Souza Nascimento (renata.souza@fgv.br), reason: Prezado Rafael, boa tarde Seu trabalho foi rejeitado por não estar de acordo com as normas da ABNT. Segue abaixo o que deve ser alterado: - Retirar o acento agudo da palavra Getúlio (GETULIO) - O texto de Agradecimentos, Resumo e Abstract devem estar justificado, alinhado sem conter o parágrafo da primeira linha. Encaminharei por e-mail. Att Renata on 2015-02-12T16:13:14Z (GMT) / Submitted by Rafael Keiti Oiski Grunho de Souza (rkeiti@gmail.com) on 2015-02-12T17:23:08Z No. of bitstreams: 1 Dissertação.pdf: 1998351 bytes, checksum: a5c4eaffe9147c21e954c6125e9c1495 (MD5) / Approved for entry into archive by Renata de Souza Nascimento (renata.souza@fgv.br) on 2015-02-12T18:32:53Z (GMT) No. of bitstreams: 1 Dissertação.pdf: 1998351 bytes, checksum: a5c4eaffe9147c21e954c6125e9c1495 (MD5) / Made available in DSpace on 2015-02-12T18:45:25Z (GMT). No. of bitstreams: 1 Dissertação.pdf: 1998351 bytes, checksum: a5c4eaffe9147c21e954c6125e9c1495 (MD5) Previous issue date: 2015-02-03 / The present study aims to compare and combine different forecast techniques for the Brazilian quarterly GDP from 1991 to the second quarter 2014, using aggregated data, and disaggregated data with fixed and stochastic weights. The disaggregated univariate and multivariate models, as well as the stochastic weights, were estimated by Autometrics algorithm created by Doornik (2009), through the disaggregation levels provided by IBGE in the System of National Accounts. The aggregate models were estimated by Autometrics, Markov-Switching and state-space structural models. The forecast comparison methodology was the Model Confidence Set, developed by Hanse, Lunde and Nason (2011). Two simulations were conducted, the first with the analysis out-of-sample from 2008, and the second from 2000, with forecast horizon of up to six steps ahead. The results suggest that the disaggregated models with fixed weights perform better in the first two steps, while in the remaining periods the aggregate models provides superior forecasts. / O presente estudo tem como objetivo comparar e combinar diferentes técnicas de projeção para o PIB trimestral brasileiro de 1991 ao segundo trimestre de 2014, utilizando dados agregados, e dados desagregados com pesos fixos e estocásticos. Os modelos desagregados univariados e multivariados, assim como os pesos estocásticos, foram estimados pelo algoritmo Autometrics criado por Doornik (2009), através dos níveis de desagregação disponibilizados pelo IBGE no Sistema de Contas Nacionais. Os modelos agregados foram estimados pelo Autometrics, por Markov-Switching e por modelos estruturais de espaço-estado. A metodologia de comparação de projeções utilizada foi o Model Confidence Set, desenvolvida por Hanse, Lunde e Nason (2011). Foram realizadas duas simulações, sendo a primeira com a análise fora da amostra a partir de 2008, e a segunda a partir de 2000, com horizonte de projeção de até 6 passos à frente. Os resultados sugerem que os modelos desagregados com pesos fixos desempenham melhor nos dois primeiros passos, enquanto nos períodos restantes os modelos da série agregada geram melhores previsões.