Previsão da produção industrial com alta dimensão de covariadas: usando bagging, complete subset regression e modelo fatorial

Abstract

O presente projeto propõe prever a produção da indústria geral brasileira, uma vez que, por ser mensal e ter menor defasagem do que outras variáveis de atividade ,como o Produto Interno Bruto, é uma boa proxy de atividade econômica. Por conta da grande quantidade de variáveis disponíveis (cerca de 2064 variáveis) para prever a produção industrial, se faz necessária uma redução da dimensionalidade. Utiliza-se janelas móveis de 125 observações. As metodologias propostas são Bagging de Inoue e Kilian (2008), Complete Subset Regression de Elliot et al (2013), com a adaptação de Medeiros e Vasconcelos (2016), e o modelo fatorial. O trabalho prevê de 1 a 12 meses à frente e analisa a performance por meio da raiz erro quadrático médio e do teste de Diebold e Mariano (1995) em comparação com a estimativa ingênua do modelo autorregressivo de primeira ordem e do modelo autorregressivo de primeira ordem com a inclusão de variáveis dummy sazonais. A análise pela raiz do erro quadrático médio mostrou que o modelo autorregressivo de primeira ordem com a inclusão de variáveis dummy (modelo de referência) obteve a melhor performance em todos os horizontes, resultado que não se sustentou com o teste de Diebold Mariano, uma vez que os modelos de seleção de variáveis apresentaram pelo menos um horizonte de previsão com acurácia estatisticamente semelhante ao do modelo de referência.