[pt] O presente trabalho investiga o uso de métodos de Machine Learning
(ML) para efetuar estimativas para o trimestre corrente (nowcasts) da taxa
de crescimento do PIB Real dos EUA. Esses métodos conseguem lidar
com um grande volume de dados e séries com calendários de publicação
dessincronizados, e os nowcasts são atualizados cada vez que novos dados
são publicados ao longo do trimestre. Um exercício pseudo-out-of-sample
é proposto para avaliar a performance de previsão e analisar o padrão
de seleção de variável desses modelos. O método de ML que merece o
maior destaque é o Target Factor, que supera o usualmente adotado DFM
para alguns vintages dentro do trimestre. Ademais, as variáveis selecionadas
apresentam consistência entre os modelos e com a intuição. / [en] This paper examines the use of Machine Learning (ML) models to
compute estimates of current-quarter US Real GDP growth rate (nowcasts).
These methods can handle large data sets with unsynchronized release
dates, and nowcasts are updated each time new data are released along the
quarter. A pseudo-out-of-sample exercise is proposed to assess forecasting
performance and to analyze the variable selection pattern of these models.
The ML method that deserves more attention is the Target Factor, which
overcomes the usually adopted dynamic factor model for some predictions
vintages in the quarter. We also analyze the variables selected, which are
consistent between models and intuition.
Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:48271 |
Date | 25 May 2020 |
Creators | LUCAS SEABRA MAYNARD DA SILVA |
Contributors | MARCELO CUNHA MEDEIROS |
Publisher | MAXWELL |
Source Sets | PUC Rio |
Language | English |
Detected Language | Portuguese |
Type | TEXTO |
Page generated in 0.0017 seconds