A dinâmica da inflação de bens industriais no Brasil: desagregação e ensaios preditivos com econometria e aprendizado de máquina
| Ano de defesa: | 2026 |
|---|---|
| Autor(a) principal: | |
| Orientador(a): | |
| Banca de defesa: | |
| Tipo de documento: | Dissertação |
| Tipo de acesso: | Acesso aberto |
| Idioma: | por |
| Instituição de defesa: |
Não Informado pela instituição
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: | |
| Palavras-chave em Inglês: | |
| Link de acesso: | https://hdl.handle.net/10438/39350 http://lattes.cnpq.br/9030492990299528 http://lattes.cnpq.br/3520742376571479 http://lattes.cnpq.br/4257730577993644 http://lattes.cnpq.br/2887940960845486 http://lattes.cnpq.br/0687149011108404 |
Resumo: | Modelos de previsão da inflação frequentemente opõem a acurácia do aprendizado de máquina à interpretabilidade da econometria tradicional. No entanto, a alta heterogeneidade e volatilidade do setor de bens industriais impõem limites à capacidade preditiva destas abordagens. Para investigar esse desafio, este trabalho analisa a dinâmica deste setor no Brasil, propondo uma nova medida de núcleo para o IPCA de bens industriais e comparando algoritmos baseados em técnicas de aprendizado de máquina com modelos paramétricos ARX. Os resultados empíricos demonstram uma complementaridade entre os métodos. Embora o aprendizado de máquina minimize erros em projeções agregadas mediante a aplicação do LASSO, sua performance preditiva se revela estritamente limitada em segmentos voláteis, como o de bens subjacentes duráveis. Em contrapartida, as especificações ARX se provam indispensáveis para simulações de choques exógenos via Função Resposta ao Impulso. As análises desagregadas revelam dinâmicas ancoradas em sazonalidades do varejo e safras. Conclui-se que os algoritmos de aprendizado de máquina possuem certa validação para a economia aplicada ao selecionarem os mesmos principais regressores da teoria clássica, contudo, a alta performance preditiva não é unânime entre as desagregações, dependendo das fricções específicas de cada categoria. |
| id |
FGV_1e7986dc02a91c2c91cec42f2472b363 |
|---|---|
| oai_identifier_str |
oai:repositorio.fgv.br:10438/39350 |
| network_acronym_str |
FGV |
| network_name_str |
Repositório Institucional do FGV (FGV Repositório Digital) |
| repository_id_str |
|
| spelling |
Martins, Priscila Yumi Sasaki Escolas::EPGEPinho Neto, Valdemar Rodrigues devirtual::1065-1Souza, Rafael Martins de virtual::1066-1Hartung, Gabriel Chequervirtual::1067-1virtual::1064Mattos, Silvia Maria2026-06-12T12:30:34Z2026-05-05https://hdl.handle.net/10438/39350http://lattes.cnpq.br/9030492990299528http://lattes.cnpq.br/3520742376571479http://lattes.cnpq.br/4257730577993644http://lattes.cnpq.br/2887940960845486http://lattes.cnpq.br/0687149011108404Modelos de previsão da inflação frequentemente opõem a acurácia do aprendizado de máquina à interpretabilidade da econometria tradicional. No entanto, a alta heterogeneidade e volatilidade do setor de bens industriais impõem limites à capacidade preditiva destas abordagens. Para investigar esse desafio, este trabalho analisa a dinâmica deste setor no Brasil, propondo uma nova medida de núcleo para o IPCA de bens industriais e comparando algoritmos baseados em técnicas de aprendizado de máquina com modelos paramétricos ARX. Os resultados empíricos demonstram uma complementaridade entre os métodos. Embora o aprendizado de máquina minimize erros em projeções agregadas mediante a aplicação do LASSO, sua performance preditiva se revela estritamente limitada em segmentos voláteis, como o de bens subjacentes duráveis. Em contrapartida, as especificações ARX se provam indispensáveis para simulações de choques exógenos via Função Resposta ao Impulso. As análises desagregadas revelam dinâmicas ancoradas em sazonalidades do varejo e safras. Conclui-se que os algoritmos de aprendizado de máquina possuem certa validação para a economia aplicada ao selecionarem os mesmos principais regressores da teoria clássica, contudo, a alta performance preditiva não é unânime entre as desagregações, dependendo das fricções específicas de cada categoria.Inflation forecasting models frequently contrast machine learning accuracy with the interpretability of traditional econometrics. However, the high heterogeneity and volatility of the industrial goods sector impose limits on the predictive capacity of these approaches. To investigate this challenge, this work analyzes this sector's dynamics in Brazil, proposing a new core measure for the IPCA of industrial goods and comparing algorithms based on machine learning techniques with parametric ARX models. Empirical results demonstrate a complementarity between the methods. Although machine learning minimizes errors in aggregate projections through the application of LASSO, its predictive performance proves strictly limited in volatile segments, such as one of underlying durable goods. Conversely, ARX specifications prove indispensable for exogenous shock simulations via Impulse Response Functions. Disaggregated analyses reveal dynamics anchored in retail seasonalities and harvests. It is concluded that machine learning algorithms possess a certain validation for applied economics by selecting the same main regressors as classical theory; however, high predictive performance is not unanimous among the disaggregations, depending on the specific frictions of each category. Finanças e Ciência de DadosporInflaçãoIndústria de TransformaçãoCurva de PhillipsAprendizado de MáquinaPrevisãoInflationManufacturing IndustryPhillips CurveMachine LearningForecastingEconomiaInflaçãoEncargos sociais (Industria de transformação)Aprendizado do computadorPhillips, Curva dePrevisão econômicaA dinâmica da inflação de bens industriais no Brasil: desagregação e ensaios preditivos com econometria e aprendizado de máquinainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisBitstream substituído por Priscila Yumi Sasaki Martins (priscila.sasaki@gmail.com) em 2026-06-12T12:53:02Z: Aluna pediu para inserir os anexos na dissertação e corrigir número de páginas na ficha catalográfica. Bitstream anterior não preservado. No. of bitstreams: 4 Anexo_1___CCF_260611.pdf: 190219 bytes, checksum: 8fd73b41db3e8386e5a54a7f138be231 (MD5) Anexo_2___Modelo_Econométrico_260611.pdf: 272650 bytes, checksum: 5baa1c9c2009eb8d02e9b087c4218643 (MD5) Anexo3_AnaliseModelos_260611.pdf: 6750680 bytes, checksum: 49376e94a2fdf1cd049758b3d66eeac8 (MD5) dissertação_Priscila Martins_rev5_260611.pdf: 9378859 bytes, checksum: 46a2076cf9b3e9c9b63fa2454214a517 (MD5)Economia-1info:eu-repo/semantics/openAccessreponame:Repositório Institucional do FGV (FGV Repositório Digital)instname:Fundação Getulio Vargas (FGV)instacron:FGVPublicationecd29fd5-6571-4046-90e3-04ae92c48613virtual::1064-1ecd29fd5-6571-4046-90e3-04ae92c48613virtual::1064-168f3c4bd-5008-4f61-af4d-91695b7198e8virtual::1065-16f80a142-fcd3-4c02-a3fe-c02819f20b97virtual::1066-19e5c2263-e318-4f41-94b0-7c1e47cb1e41virtual::1067-168f3c4bd-5008-4f61-af4d-91695b7198e8virtual::1065-16f80a142-fcd3-4c02-a3fe-c02819f20b97virtual::1066-19e5c2263-e318-4f41-94b0-7c1e47cb1e41virtual::1067-1LICENSElicense.txtlicense.txttext/plain; charset=utf-85112https://repositorio.fgv.br/bitstreams/2292b03b-35af-407c-b978-553e2fce2cf3/download2a4b67231f701c416a809246e7a10077MD55falseAnonymousREADORIGINALdissertação_Priscila Martins_rev5_260611.pdfPDFapplication/pdf9378859https://repositorio.fgv.br/bitstreams/786ddd6f-382d-49ca-8cd2-bfc07cf0e398/download46a2076cf9b3e9c9b63fa2454214a517MD56trueAnonymousREADTEXTdissertação_Priscila Martins_rev5_260611.pdf.txtdissertação_Priscila Martins_rev5_260611.pdf.txtExtracted texttext/plain103070https://repositorio.fgv.br/bitstreams/f1547172-b7eb-4061-becc-ab07e0415f9a/download1880d9c0932d50fd2b22e2278d4f4b44MD57falseAnonymousREADTHUMBNAILdissertação_Priscila Martins_rev5_260611.pdf.jpgdissertação_Priscila Martins_rev5_260611.pdf.jpgGenerated Thumbnailimage/jpeg2952https://repositorio.fgv.br/bitstreams/dca238d0-fb56-497c-a661-294718a85f0f/download32b9f9d4dd09fd0ff0d4584aaba84a8bMD58falseAnonymousREAD10438/393502026-11-03 17:52:18.92open.accessoai:repositorio.fgv.br:10438/39350https://repositorio.fgv.brRepositório InstitucionalPRIhttp://bibliotecadigital.fgv.br/dspace-oai/requestbiblioteca.digital@fgv.bropendoar:39742026-11-03T17:52:18Repositório Institucional do FGV (FGV Repositório Digital) - Fundação Getulio Vargas (FGV)falseVGVybW8gZGUgTGljZW5jaWFtZW50bwpIw6EgdW0gw7psdGltbyBwYXNzbzogcGFyYSByZXByb2R1emlyLCB0cmFkdXppciBlIGRpc3RyaWJ1aXIgc3VhIHN1Ym1pc3PDo28gZW0gdG9kbyBvIG11bmRvLCB2b2PDqiBkZXZlIGNvbmNvcmRhciBjb20gb3MgdGVybW9zIGEgc2VndWlyLgoKQ29uY29yZGFyIGNvbSBvIFRlcm1vIGRlIExpY2VuY2lhbWVudG8sIHNlbGVjaW9uYW5kbyAiRXUgY29uY29yZG8gY29tIG8gVGVybW8gZGUgTGljZW5jaWFtZW50byIgZSBjbGlxdWUgZW0gIkZpbmFsaXphciBzdWJtaXNzw6NvIi4KClRFUk1PUyBMSUNFTkNJQU1FTlRPIFBBUkEgQVJRVUlWQU1FTlRPLCBSRVBST0RVw4fDg08gRSBESVZVTEdBw4fDg08gUMOaQkxJQ0EgREUgQ09OVEXDmkRPIMOAIEJJQkxJT1RFQ0EgVklSVFVBTCBGR1YgKHZlcnPDo28gMS4yKQoKMS4gVm9jw6osIHVzdcOhcmlvLWRlcG9zaXRhbnRlIGRhIEJpYmxpb3RlY2EgVmlydHVhbCBGR1YsIGFzc2VndXJhLCBubyBwcmVzZW50ZSBhdG8sIHF1ZSDDqSB0aXR1bGFyIGRvcyBkaXJlaXRvcyBhdXRvcmFpcyBwYXRyaW1vbmlhaXMgZS9vdSBkaXJlaXRvcyBjb25leG9zIHJlZmVyZW50ZXMgw6AgdG90YWxpZGFkZSBkYSBPYnJhIG9yYSBkZXBvc2l0YWRhIGVtIGZvcm1hdG8gZGlnaXRhbCwgYmVtIGNvbW8gZGUgc2V1cyBjb21wb25lbnRlcyBtZW5vcmVzLCBlbSBzZSB0cmF0YW5kbyBkZSBvYnJhIGNvbGV0aXZhLCBjb25mb3JtZSBvIHByZWNlaXR1YWRvIHBlbGEgTGVpIDkuNjEwLzk4IGUvb3UgTGVpIDkuNjA5Lzk4LiBOw6NvIHNlbmRvIGVzdGUgbyBjYXNvLCB2b2PDqiBhc3NlZ3VyYSB0ZXIgb2J0aWRvLCBkaXJldGFtZW50ZSBkb3MgZGV2aWRvcyB0aXR1bGFyZXMsIGF1dG9yaXphw6fDo28gcHLDqXZpYSBlIGV4cHJlc3NhIHBhcmEgbyBkZXDDs3NpdG8gZSBkaXZ1bGdhw6fDo28gZGEgT2JyYSwgYWJyYW5nZW5kbyB0b2RvcyBvcyBkaXJlaXRvcyBhdXRvcmFpcyBlIGNvbmV4b3MgYWZldGFkb3MgcGVsYSBhc3NpbmF0dXJhIGRvcyBwcmVzZW50ZXMgdGVybW9zIGRlIGxpY2VuY2lhbWVudG8sIGRlIG1vZG8gYSBlZmV0aXZhbWVudGUgaXNlbnRhciBhIEZ1bmRhw6fDo28gR2V0dWxpbyBWYXJnYXMgZSBzZXVzIGZ1bmNpb27DoXJpb3MgZGUgcXVhbHF1ZXIgcmVzcG9uc2FiaWxpZGFkZSBwZWxvIHVzbyBuw6NvLWF1dG9yaXphZG8gZG8gbWF0ZXJpYWwgZGVwb3NpdGFkbywgc2VqYSBlbSB2aW5jdWxhw6fDo28gw6AgQmlibGlvdGVjYSBWaXJ0dWFsIEZHViwgc2VqYSBlbSB2aW5jdWxhw6fDo28gYSBxdWFpc3F1ZXIgc2VydmnDp29zIGRlIGJ1c2NhIGUgZGlzdHJpYnVpw6fDo28gZGUgY29udGXDumRvIHF1ZSBmYcOnYW0gdXNvIGRhcyBpbnRlcmZhY2VzIGUgZXNwYcOnbyBkZSBhcm1hemVuYW1lbnRvIHByb3ZpZGVuY2lhZG9zIHBlbGEgRnVuZGHDp8OjbyBHZXR1bGlvIFZhcmdhcyBwb3IgbWVpbyBkZSBzZXVzIHNpc3RlbWFzIGluZm9ybWF0aXphZG9zLgoKMi4gQSBhc3NpbmF0dXJhIGRlc3RhIGxpY2Vuw6dhIHRlbSBjb21vIGNvbnNlccO8w6puY2lhIGEgdHJhbnNmZXLDqm5jaWEsIGEgdMOtdHVsbyBuw6NvLWV4Y2x1c2l2byBlIG7Do28tb25lcm9zbywgaXNlbnRhIGRvIHBhZ2FtZW50byBkZSByb3lhbHRpZXMgb3UgcXVhbHF1ZXIgb3V0cmEgY29udHJhcHJlc3Rhw6fDo28sIHBlY3VuacOhcmlhIG91IG7Do28sIMOgIEZ1bmRhw6fDo28gR2V0dWxpbyBWYXJnYXMsIGRvcyBkaXJlaXRvcyBkZSBhcm1hemVuYXIgZGlnaXRhbG1lbnRlLCByZXByb2R1emlyIGUgZGlzdHJpYnVpciBuYWNpb25hbCBlIGludGVybmFjaW9uYWxtZW50ZSBhIE9icmEsIGluY2x1aW5kby1zZSBvIHNldSByZXN1bW8vYWJzdHJhY3QsIHBvciBtZWlvcyBlbGV0csO0bmljb3MsIG5vIHNpdGUgZGEgQmlibGlvdGVjYSBWaXJ0dWFsIEZHViwgYW8gcMO6YmxpY28gZW0gZ2VyYWwsIGVtIHJlZ2ltZSBkZSBhY2Vzc28gYWJlcnRvLgoKMy4gQSBwcmVzZW50ZSBsaWNlbsOnYSB0YW1iw6ltIGFicmFuZ2UsIG5vcyBtZXNtb3MgdGVybW9zIGVzdGFiZWxlY2lkb3Mgbm8gaXRlbSAyLCBzdXByYSwgcXVhbHF1ZXIgZGlyZWl0byBkZSBjb211bmljYcOnw6NvIGFvIHDDumJsaWNvIGNhYsOtdmVsIGVtIHJlbGHDp8OjbyDDoCBPYnJhIG9yYSBkZXBvc2l0YWRhLCBpbmNsdWluZG8tc2Ugb3MgdXNvcyByZWZlcmVudGVzIMOgIHJlcHJlc2VudGHDp8OjbyBww7pibGljYSBlL291IGV4ZWN1w6fDo28gcMO6YmxpY2EsIGJlbSBjb21vIHF1YWxxdWVyIG91dHJhIG1vZGFsaWRhZGUgZGUgY29tdW5pY2HDp8OjbyBhbyBww7pibGljbyBxdWUgZXhpc3RhIG91IHZlbmhhIGEgZXhpc3Rpciwgbm9zIHRlcm1vcyBkbyBhcnRpZ28gNjggZSBzZWd1aW50ZXMgZGEgTGVpIDkuNjEwLzk4LCBuYSBleHRlbnPDo28gcXVlIGZvciBhcGxpY8OhdmVsIGFvcyBzZXJ2acOnb3MgcHJlc3RhZG9zIGFvIHDDumJsaWNvIHBlbGEgQmlibGlvdGVjYSBWaXJ0dWFsIEZHVi4KCjQuIEVzdGEgbGljZW7Dp2EgYWJyYW5nZSwgYWluZGEsIG5vcyBtZXNtb3MgdGVybW9zIGVzdGFiZWxlY2lkb3Mgbm8gaXRlbSAyLCBzdXByYSwgdG9kb3Mgb3MgZGlyZWl0b3MgY29uZXhvcyBkZSBhcnRpc3RhcyBpbnTDqXJwcmV0ZXMgb3UgZXhlY3V0YW50ZXMsIHByb2R1dG9yZXMgZm9ub2dyw6FmaWNvcyBvdSBlbXByZXNhcyBkZSByYWRpb2RpZnVzw6NvIHF1ZSBldmVudHVhbG1lbnRlIHNlamFtIGFwbGljw6F2ZWlzIGVtIHJlbGHDp8OjbyDDoCBvYnJhIGRlcG9zaXRhZGEsIGVtIGNvbmZvcm1pZGFkZSBjb20gbyByZWdpbWUgZml4YWRvIG5vIFTDrXR1bG8gViBkYSBMZWkgOS42MTAvOTguCgo1LiBTZSBhIE9icmEgZGVwb3NpdGFkYSBmb2kgb3Ugw6kgb2JqZXRvIGRlIGZpbmFuY2lhbWVudG8gcG9yIGluc3RpdHVpw6fDtWVzIGRlIGZvbWVudG8gw6AgcGVzcXVpc2Egb3UgcXVhbHF1ZXIgb3V0cmEgc2VtZWxoYW50ZSwgdm9jw6ogb3UgbyB0aXR1bGFyIGFzc2VndXJhIHF1ZSBjdW1wcml1IHRvZGFzIGFzIG9icmlnYcOnw7VlcyBxdWUgbGhlIGZvcmFtIGltcG9zdGFzIHBlbGEgaW5zdGl0dWnDp8OjbyBmaW5hbmNpYWRvcmEgZW0gcmF6w6NvIGRvIGZpbmFuY2lhbWVudG8sIGUgcXVlIG7Do28gZXN0w6EgY29udHJhcmlhbmRvIHF1YWxxdWVyIGRpc3Bvc2nDp8OjbyBjb250cmF0dWFsIHJlZmVyZW50ZSDDoCBwdWJsaWNhw6fDo28gZG8gY29udGXDumRvIG9yYSBzdWJtZXRpZG8gw6AgQmlibGlvdGVjYSBWaXJ0dWFsIEZHVi4KCjYuIENhc28gYSBPYnJhIG9yYSBkZXBvc2l0YWRhIGVuY29udHJlLXNlIGxpY2VuY2lhZGEgc29iIHVtYSBsaWNlbsOnYSBDcmVhdGl2ZSBDb21tb25zIChxdWFscXVlciB2ZXJzw6NvKSwgc29iIGEgbGljZW7Dp2EgR05VIEZyZWUgRG9jdW1lbnRhdGlvbiBMaWNlbnNlIChxdWFscXVlciB2ZXJzw6NvKSwgb3Ugb3V0cmEgbGljZW7Dp2EgcXVhbGlmaWNhZGEgY29tbyBsaXZyZSBzZWd1bmRvIG9zIGNyaXTDqXJpb3MgZGEgRGVmaW5pdGlvbiBvZiBGcmVlIEN1bHR1cmFsIFdvcmtzIChkaXNwb27DrXZlbCBlbTogaHR0cDovL2ZyZWVkb21kZWZpbmVkLm9yZy9EZWZpbml0aW9uKSBvdSBGcmVlIFNvZnR3YXJlIERlZmluaXRpb24gKGRpc3BvbsOtdmVsIGVtOiBodHRwOi8vd3d3LmdudS5vcmcvcGhpbG9zb3BoeS9mcmVlLXN3Lmh0bWwpLCBvIGFycXVpdm8gcmVmZXJlbnRlIMOgIE9icmEgZGV2ZSBpbmRpY2FyIGEgbGljZW7Dp2EgYXBsaWPDoXZlbCBlbSBjb250ZcO6ZG8gbGVnw612ZWwgcG9yIHNlcmVzIGh1bWFub3MgZSwgc2UgcG9zc8OtdmVsLCB0YW1iw6ltIGVtIG1ldGFkYWRvcyBsZWfDrXZlaXMgcG9yIG3DoXF1aW5hLiBBIGluZGljYcOnw6NvIGRhIGxpY2Vuw6dhIGFwbGljw6F2ZWwgZGV2ZSBzZXIgYWNvbXBhbmhhZGEgZGUgdW0gbGluayBwYXJhIG9zIHRlcm1vcyBkZSBsaWNlbmNpYW1lbnRvIG91IHN1YSBjw7NwaWEgaW50ZWdyYWwuCgpBbyBjb25jbHVpciBhIHByZXNlbnRlIGV0YXBhIGUgYXMgZXRhcGFzIHN1YnNlccO8ZW50ZXMgZG8gcHJvY2Vzc28gZGUgc3VibWlzc8OjbyBkZSBhcnF1aXZvcyDDoCBCaWJsaW90ZWNhIFZpcnR1YWwgRkdWLCB2b2PDqiBhdGVzdGEgcXVlIGxldSBlIGNvbmNvcmRhIGludGVncmFsbWVudGUgY29tIG9zIHRlcm1vcyBhY2ltYSBkZWxpbWl0YWRvcywgYXNzaW5hbmRvLW9zIHNlbSBmYXplciBxdWFscXVlciByZXNlcnZhIGUgbm92YW1lbnRlIGNvbmZpcm1hbmRvIHF1ZSBjdW1wcmUgb3MgcmVxdWlzaXRvcyBpbmRpY2Fkb3Mgbm8gaXRlbSAxLCBzdXByYS4KCkhhdmVuZG8gcXVhbHF1ZXIgZGlzY29yZMOibmNpYSBlbSByZWxhw6fDo28gYW9zIHByZXNlbnRlcyB0ZXJtb3Mgb3UgbsOjbyBzZSB2ZXJpZmljYW5kbyBvIGV4aWdpZG8gbm8gaXRlbSAxLCBzdXByYSwgdm9jw6ogZGV2ZSBpbnRlcnJvbXBlciBpbWVkaWF0YW1lbnRlIG8gcHJvY2Vzc28gZGUgc3VibWlzc8Ojby4gQSBjb250aW51aWRhZGUgZG8gcHJvY2Vzc28gZXF1aXZhbGUgw6AgYXNzaW5hdHVyYSBkZXN0ZSBkb2N1bWVudG8sIGNvbSB0b2RhcyBhcyBjb25zZXHDvMOqbmNpYXMgbmVsZSBwcmV2aXN0YXMsIHN1amVpdGFuZG8tc2UgbyBzaWduYXTDoXJpbyBhIHNhbsOnw7VlcyBjaXZpcyBlIGNyaW1pbmFpcyBjYXNvIG7Do28gc2VqYSB0aXR1bGFyIGRvcyBkaXJlaXRvcyBhdXRvcmFpcyBwYXRyaW1vbmlhaXMgZS9vdSBjb25leG9zIGFwbGljw6F2ZWlzIMOgIE9icmEgZGVwb3NpdGFkYSBkdXJhbnRlIGVzdGUgcHJvY2Vzc28sIG91IGNhc28gbsOjbyB0ZW5oYSBvYnRpZG8gcHLDqXZpYSBlIGV4cHJlc3NhIGF1dG9yaXphw6fDo28gZG8gdGl0dWxhciBwYXJhIG8gZGVww7NzaXRvIGUgdG9kb3Mgb3MgdXNvcyBkYSBPYnJhIGVudm9sdmlkb3MuCgpQYXJhIGEgc29sdcOnw6NvIGRlIHF1YWxxdWVyIGTDunZpZGEgcXVhbnRvIGFvcyB0ZXJtb3MgZGUgbGljZW5jaWFtZW50byBlIG8gcHJvY2Vzc28gZGUgc3VibWlzc8OjbywgY2xpcXVlIG5vIGxpbmsgIkZhbGUgY29ub3NjbyIuCgpTZSB2b2PDqiB0aXZlciBkw7p2aWRhcyBzb2JyZSBlc3RhIGxpY2Vuw6dhLCBwb3IgZmF2b3IgZW50cmUgZW0gY29udGF0byBjb20gb3MgYWRtaW5pc3RyYWRvcmVzIGRvIFJlcG9zaXTDs3Jpby4K |
| dc.title.por.fl_str_mv |
A dinâmica da inflação de bens industriais no Brasil: desagregação e ensaios preditivos com econometria e aprendizado de máquina |
| title |
A dinâmica da inflação de bens industriais no Brasil: desagregação e ensaios preditivos com econometria e aprendizado de máquina |
| spellingShingle |
A dinâmica da inflação de bens industriais no Brasil: desagregação e ensaios preditivos com econometria e aprendizado de máquina Martins, Priscila Yumi Sasaki Inflação Indústria de Transformação Curva de Phillips Aprendizado de Máquina Previsão Inflation Manufacturing Industry Phillips Curve Machine Learning Forecasting Economia Inflação Encargos sociais (Industria de transformação) Aprendizado do computador Phillips, Curva de Previsão econômica |
| title_short |
A dinâmica da inflação de bens industriais no Brasil: desagregação e ensaios preditivos com econometria e aprendizado de máquina |
| title_full |
A dinâmica da inflação de bens industriais no Brasil: desagregação e ensaios preditivos com econometria e aprendizado de máquina |
| title_fullStr |
A dinâmica da inflação de bens industriais no Brasil: desagregação e ensaios preditivos com econometria e aprendizado de máquina |
| title_full_unstemmed |
A dinâmica da inflação de bens industriais no Brasil: desagregação e ensaios preditivos com econometria e aprendizado de máquina |
| title_sort |
A dinâmica da inflação de bens industriais no Brasil: desagregação e ensaios preditivos com econometria e aprendizado de máquina |
| author |
Martins, Priscila Yumi Sasaki |
| author_facet |
Martins, Priscila Yumi Sasaki |
| author_role |
author |
| dc.contributor.unidadefgv.por.fl_str_mv |
Escolas::EPGE |
| dc.contributor.member.none.fl_str_mv |
Pinho Neto, Valdemar Rodrigues de Souza, Rafael Martins de Hartung, Gabriel Chequer |
| dc.contributor.author.fl_str_mv |
Martins, Priscila Yumi Sasaki |
| dc.contributor.advisor1ID.fl_str_mv |
virtual::1064 |
| dc.contributor.advisor1.fl_str_mv |
Mattos, Silvia Maria |
| contributor_str_mv |
Mattos, Silvia Maria |
| dc.subject.por.fl_str_mv |
Inflação Indústria de Transformação Curva de Phillips Aprendizado de Máquina Previsão |
| topic |
Inflação Indústria de Transformação Curva de Phillips Aprendizado de Máquina Previsão Inflation Manufacturing Industry Phillips Curve Machine Learning Forecasting Economia Inflação Encargos sociais (Industria de transformação) Aprendizado do computador Phillips, Curva de Previsão econômica |
| dc.subject.eng.fl_str_mv |
Inflation Manufacturing Industry Phillips Curve Machine Learning Forecasting |
| dc.subject.area.por.fl_str_mv |
Economia |
| dc.subject.bibliodata.por.fl_str_mv |
Inflação Encargos sociais (Industria de transformação) Aprendizado do computador Phillips, Curva de Previsão econômica |
| description |
Modelos de previsão da inflação frequentemente opõem a acurácia do aprendizado de máquina à interpretabilidade da econometria tradicional. No entanto, a alta heterogeneidade e volatilidade do setor de bens industriais impõem limites à capacidade preditiva destas abordagens. Para investigar esse desafio, este trabalho analisa a dinâmica deste setor no Brasil, propondo uma nova medida de núcleo para o IPCA de bens industriais e comparando algoritmos baseados em técnicas de aprendizado de máquina com modelos paramétricos ARX. Os resultados empíricos demonstram uma complementaridade entre os métodos. Embora o aprendizado de máquina minimize erros em projeções agregadas mediante a aplicação do LASSO, sua performance preditiva se revela estritamente limitada em segmentos voláteis, como o de bens subjacentes duráveis. Em contrapartida, as especificações ARX se provam indispensáveis para simulações de choques exógenos via Função Resposta ao Impulso. As análises desagregadas revelam dinâmicas ancoradas em sazonalidades do varejo e safras. Conclui-se que os algoritmos de aprendizado de máquina possuem certa validação para a economia aplicada ao selecionarem os mesmos principais regressores da teoria clássica, contudo, a alta performance preditiva não é unânime entre as desagregações, dependendo das fricções específicas de cada categoria. |
| publishDate |
2026 |
| dc.date.accessioned.fl_str_mv |
2026-06-12T12:30:34Z |
| dc.date.issued.fl_str_mv |
2026-05-05 |
| dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
| dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
| format |
masterThesis |
| status_str |
publishedVersion |
| dc.identifier.uri.fl_str_mv |
https://hdl.handle.net/10438/39350 |
| dc.identifier.lattes.none.fl_str_mv |
http://lattes.cnpq.br/9030492990299528 http://lattes.cnpq.br/3520742376571479 http://lattes.cnpq.br/4257730577993644 http://lattes.cnpq.br/2887940960845486 http://lattes.cnpq.br/0687149011108404 |
| url |
https://hdl.handle.net/10438/39350 http://lattes.cnpq.br/9030492990299528 http://lattes.cnpq.br/3520742376571479 http://lattes.cnpq.br/4257730577993644 http://lattes.cnpq.br/2887940960845486 http://lattes.cnpq.br/0687149011108404 |
| dc.language.iso.fl_str_mv |
por |
| language |
por |
| dc.relation.confidence.fl_str_mv |
-1 |
| dc.relation.GradProgram.por.fl_str_mv |
Economia |
| dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
| eu_rights_str_mv |
openAccess |
| dc.source.none.fl_str_mv |
reponame:Repositório Institucional do FGV (FGV Repositório Digital) instname:Fundação Getulio Vargas (FGV) instacron:FGV |
| instname_str |
Fundação Getulio Vargas (FGV) |
| instacron_str |
FGV |
| institution |
FGV |
| reponame_str |
Repositório Institucional do FGV (FGV Repositório Digital) |
| collection |
Repositório Institucional do FGV (FGV Repositório Digital) |
| bitstream.url.fl_str_mv |
https://repositorio.fgv.br/bitstreams/2292b03b-35af-407c-b978-553e2fce2cf3/download https://repositorio.fgv.br/bitstreams/786ddd6f-382d-49ca-8cd2-bfc07cf0e398/download https://repositorio.fgv.br/bitstreams/f1547172-b7eb-4061-becc-ab07e0415f9a/download https://repositorio.fgv.br/bitstreams/dca238d0-fb56-497c-a661-294718a85f0f/download |
| bitstream.checksum.fl_str_mv |
2a4b67231f701c416a809246e7a10077 46a2076cf9b3e9c9b63fa2454214a517 1880d9c0932d50fd2b22e2278d4f4b44 32b9f9d4dd09fd0ff0d4584aaba84a8b |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositório Institucional do FGV (FGV Repositório Digital) - Fundação Getulio Vargas (FGV) |
| repository.mail.fl_str_mv |
biblioteca.digital@fgv.br |
| _version_ |
1882209901130809344 |