A dinâmica da inflação de bens industriais no Brasil: desagregação e ensaios preditivos com econometria e aprendizado de máquina

Detalhes bibliográficos
Ano de defesa: 2026
Autor(a) principal: Martins, Priscila Yumi Sasaki
Orientador(a): Mattos, Silvia Maria
Banca de defesa: Não Informado pela instituição
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)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
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