[pt] Prever emprego e desemprego é de grande importância para praticamente
todos os agentes de uma economia. Emprego é uma das principais
variáveis analisadas como indicador econômico, e desemprego serve para os
policy makers como uma orientação às suas decisões. Neste trabalho, eu
estudo quais características das duas séries podemos usar para auxiliar no
tratamento dos dados e métodos empregados para auxiliar no poder preditivo
das mesmas. Eu comparo modelos de machine (Random Forest e
Lasso Adaptativo) e Deep (Long short Term memory) learning, procurando
capturar as não linearidades e dinâmicas de ambas séries. Os resultados
encontrados sugerem que o modelo AR com Random Forest aplicado nos
resíduos, como uma maneira de separar parte linear e não linear, é o melhor
modelo para previsão de emprego, enquanto Random Forest e AdaLasso com
Random Forest aplicado nos resíduos são os melhores para o desemprego. / [en] Forecasting employment and unemployment is of great importance
for virtually all agents in the economy. Employment is one of the main
variables analyzed as an economic indicator, and unemployment serves to
policy makers as a guide to their actions. In this essay, I study what features
of both series we can use on data treatment and methods used to add to the
forecasting predictive power. Using an AR model as a benchmark, I compare
machine (Random Forest and Adaptive Lasso) and deep (Long Short Term
Memory) learning methods, seeking to capture non-linearities of both series
dynamics. The results suggests that an AR model with a Random Forest
on residuals (as a way to separate linear and non-linear part) is the best
model for employment forecast, while Random Forest and AdaLasso with
Random Forest on residuals were the best for unemployment forecast.
Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:50302 |
Date | 12 November 2020 |
Creators | MARCOS LOPES MUNIZ |
Contributors | MARCELO CUNHA MEDEIROS |
Publisher | MAXWELL |
Source Sets | PUC Rio |
Language | English |
Detected Language | English |
Type | TEXTO |
Page generated in 0.0012 seconds