SILVA, Thibério Mota da. Previsão de variáveis macroeconômicas utilizando modelos fatoriais. Tese (Doutorado) - Universidade Federal do Ceará, Programa de Pós Graduação em Economia, CAEN, Fortaleza, 2017. 92f. / Submitted by Mônica Correia Aquino (monicacorreiaaquino@gmail.com) on 2017-05-31T18:43:49Z
No. of bitstreams: 1
2017_tese_tmsilva.pdf: 1280830 bytes, checksum: 6cee8ee39fe811bdb87acec09dce07ba (MD5) / Approved for entry into archive by Mônica Correia Aquino (monicacorreiaaquino@gmail.com) on 2017-05-31T18:44:57Z (GMT) No. of bitstreams: 1
2017_tese_tmsilva.pdf: 1280830 bytes, checksum: 6cee8ee39fe811bdb87acec09dce07ba (MD5) / Made available in DSpace on 2017-05-31T18:44:57Z (GMT). No. of bitstreams: 1
2017_tese_tmsilva.pdf: 1280830 bytes, checksum: 6cee8ee39fe811bdb87acec09dce07ba (MD5)
Previous issue date: 2017 / The first article analyzes the performance of several high quality models to predict nine
Brazilian macroeconomic variables, including unemployment rate, industrial production
index, six price indices and exchange rate. The factors are extracted from a set of data
composed of 117 macroeconomic variables. Reduction methods and combinations of forecasts
are used to select or combine the best predictor factorial model. Regressions of
minimum angle and Elastic Net, Bagging, Non-Negative Garrote. In turn, the methods of
prediction combinations applied were based on the criterion of Mallows, weighted Bayesian
methods, cross-validation, Leave-h-Out and Jacknife weighting model. All predictions
were evaluated using the Model Condition Set (MCS) that establish the best forecast
models that satisfy a confidence interval for the forecast error. The results suggest that,
in general, the factorial models present a mean square error of prediction (MSFE) lower
than the AR benchmark (4). The best models of factors to predict Brazilian macroeconomic
variables. In some positions of the Non-Negative Garrote and Bayesian weighting
models presented satisfactory predictions. The second article analyzes the performance of
supervised versus unsupervised factorial models to predict four Brazilian macroeconomic
variables, including industrial production index, broad consumer price index, national
consumer price index and Long-term interest. The factors are extracted from a set of
data composed of 117 macroeconomic variables. The models were extracted by means
of combination of factors, no case, supervised models, and there are no cases of unsupervised
models, was used by the method of combined forecasts, or even used by Tu
and Lee (2012). The Autoregressive Models Augmented (FAAR), Weighted Bayesian
Models (BMA), weighted Mallows model (MMA), weighted jacknife model (JMA), cross
validation (SMA). The best model is the one that presents a smaller mean square error
quadrant (REQM). The results show that the mobile window model was more capable
and predictive model that obtained better performance for the BMA weighted model, for
both factorial models, supervised or not, in addition, supervised models are more efficient
to perform non-average predictions Three-year-old, among the four, target variables, presenting
a minor (REQM). The third article proposes a method of dynamic data weighting
(DMA) applied to large databases. How variables contained in the database have a size
reduced to a number of factors that are dynamically combined through forgetting factors.
The extraction of factors also considers an exponential window of exhaustion that aims
to reduce the impact of very old observations. It is shown that model, called FDMA,
converge asymptotically to a dynamic combination of observed factors when the number
of variables or the size of the sample from outside grows. In addition, the FDMA model
is applied in two different empirical exercises. 1. The empirical results show that the
FDMA and its variations are considered as an alternative to the forecast. / O primeiro artigo analisa o desempenho de vários modelos de fatores de alta dimensão
para prever nove variáveis macroeconômicas brasileiras, incluindo a taxa de desemprego,
o índice de produção industrial, seis índices de preços e taxa de câmbio. Os fatores são
extraídos de um conjunto de dados composto por 117 variáveis macroeconômicas. Métodos
de shrinkage e combinações de previsões são utilizadas para selecionar ou combinar
o melhor modelo fatorial de previsão. Os métodos de shrinkage utilizados foram Least
Angle Regressions e Elastic Net , Bagging, Non Negative Garrote. Por sua vez, os
métodos de combinações de previsões aplicados foram baseados no critério de Mallows,
métodos bayesianos ponderados, validação cruzada, Leave-h-Out e modelo de ponderação
de Jacknife. Todas as previsões foram avaliadas por meio do Model Con dence Set (MCS)
que estabelece os melhores modelos de previsão que satisfaçam algum intervalo de confiança
para o erro de previsão. Os resultados sugerem que, em geral, os modelos fatoriais
apresentam um erro quadrático médio de previsão (MSFE) menor que o benchmark AR
(4). Os melhores modelos de fatores para prever variáveis macroeconômicas brasileiras
foram o Elastic Net e o Least Angle Regressions. Em algumas situações os modelos de
ponderações Non Negative Garrote e Bayesiano apresentaram previsões satisfatórias. O
segundo artigo analisa o desempenho dos modelos fatoriais supervisionados frente aos não
supervisionados para prever quatro variáveis macroeconômicas brasileiras, dentre elas, o
índice de produção industrial, o índice de preço ao consumidor amplo, o índice de nacional
de preços ao consumidor e a taxa de juros de longo de prazo. Os fatores são extraídos
de um conjunto de dados composto por 117 variáveis macroeconômicas. Os fatores foram
extraídos por meio de combinação de fatores, no caso, dos modelos supervisionados, e no
caso dos modelos não supervisionados, foi utilizado o método de previsões combinadas, o
mesmo utilizado por Tu e Lee (2012). Os modelos de previsão utilizados foram: Modelos
Autoregressivos Aumentados (FAAR), Modelos Bayesianos Ponderados (BMA), modelo
Mallows ponderado (MMA), modelo jacknife ponderado (JMA), validação cruzada leaveh-
out (LHO) e o modelo de média simples (SMA). O melhor modelo será o que apresenta
a menor raiz quadrada do erro quadrático médio (REQM). Os resultados mostram que
o esquema de janela móvel foi mais e capaz e o modelo de previsão que obteve melhor
performance foi o modelo ponderado BMA, para ambos os modelos fatoriais, supervisionados
ou não, além disso, os modelos supervisionados são mais eficazes para realizar
previsões no médio prazo, pois previu com mais acurácia três, dentre as quatro, variáveis
alvos, apresentando um menor (REQM). O terceiro artigo propõe um método de ponderação
dinâmica de previsores (DMA) aplicado a grandes bases de dados. As variáveis
contidas na base de dados têm a dimensão reduzida a um número r de fatores que são
combinados dinamicamente por meio de fatores de esquecimento. A extração dos fatores
considera também uma janela exponencial de esquecimento que visa reduzir o impacto
de observações muito antigas. Mostra-se que tal modelo, chamado de FDMA, converge
assintoticamente para a combinação dinâmica de fatores observados quando o número de
variáveis ou o tamanho da amostra de fora cresce. Além disso, o modelo FDMA é aplicado
em dois diferentes exercícios empíricos. Primeiro para prever seis variáveis macroeconômicas
americanas, incluindo variáveis reais e nominais, e após para prever o excesso de
retorno do S&P 500. Os resultados empíricos mostram que o FDMA e suas variações
apresentam-se como uma alternativa promissora para previsão.
| Identifer | oai:union.ndltd.org:IBICT/oai:www.repositorio.ufc.br:riufc/22952 |
| Date | January 2017 |
| Creators | Silva, Thiberio Mota da |
| Contributors | Ferreira, Roberto Tatiwa |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/doctoralThesis |
| Source | reponame:Repositório Institucional da UFC, instname:Universidade Federal do Ceará, instacron:UFC |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0029 seconds