Previsão da despesa primária do governo central : uma análise comparativa entre técnicas estatísticas, aprendizado de máquina, aprendizado profundo e combinação de previsões

Detalhes bibliográficos
Ano de defesa: 2025
Autor(a) principal: Nogueira, Eduardo Jacomo Seraphim
Orientador(a): Cajueiro, Daniel Oliveira
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
Link de acesso: http://repositorio.unb.br/handle/10482/55402
Resumo: Dissertação (mestrado) — Universidade de Brasília, Faculdade de Economia, Administração e Contabilidade, Departamento de Economia, Programa de Pós-Graduação em Economia, 2025.
id UNB_5f8b1dc0ee8fba4205a7307c5a7a0f80
oai_identifier_str oai:repositorio.unb.br:10482/55402
network_acronym_str UNB
network_name_str Repositório Institucional da UnB
repository_id_str
spelling Nogueira, Eduardo Jacomo SeraphimCajueiro, Daniel Oliveira2026-07-14T20:40:22Z2026-07-14T20:40:22Z2026-07-142025-08-21NOGUEIRA, Eduardo Jacomo Seraphim. Previsão da despesa primária do governo central : uma análise comparativa entre técnicas estatísticas, aprendizado de máquina, aprendizado profundo e combinação de previsões. 2025. 66 f., il. Dissertação (Mestrado em Economia) — Universidade de Brasília, Brasília, 2025.http://repositorio.unb.br/handle/10482/55402Dissertação (mestrado) — Universidade de Brasília, Faculdade de Economia, Administração e Contabilidade, Departamento de Economia, Programa de Pós-Graduação em Economia, 2025.A previsão do comportamento das despesas públicas é essencial para o planejamento e a condução da política fiscal, bem como para a sustentabilidade das contas públicas. No entanto, muitos países, especialmente os de baixa e média renda, ainda realizam previsões fiscais por meio de métodos simples, subjetivos ou de meras extrapolações em planilhas eletrônicas. No cenário internacional, apesar da consolidação do uso de métodos estatísticos tradicionais, o avanço da aplicação de técnicas de aprendizado de máquina e de aprendizado profundo permanece limitado e concentrado, em grande parte, na previsão de receitas públicas. Alguns estudos apontam ganhos de precisão com o uso de algoritmos de aprendizado de máquina e de aprendizado profundo, sobretudo pela capacidade teórica de lidar com não linearidades e padrões complexos; entretanto, outros evidenciam dificuldades desses modelos em lidar com séries temporais curtas e ruidosas, comumente observadas em dados fiscais de países emergentes. No contexto brasileiro, não encontramos pesquisas voltadas à previsão desagregada das despesas primárias federais nem à comparação sistemática entre diferentes classes de modelos. Neste trabalho, investigamos empiricamente o desempenho preditivo de modelos estatísticos, de aprendizado de máquina, de aprendizado profundo e de combinações de modelos na previsão de séries temporais de despesas primárias federais brasileiras. Para tanto, combinamos modelos estatísticos, algoritmos supervisionados e otimização automática de hiperparâmetros para obterm previsões pontuais robustas. Utilizamos validação cruzada temporal como procedimento de seleção de modelos e previsão conformal para gerar intervalos de confiança calibrados. Empregamos diversas métricas de erro para comparar o desempenho das diferentes abordagens. De modo geral, os modelos estatísticos apresentam desempenho altamente competitivo, superando algoritmos de aprendizado de máquina e de aprendizado profundo em horizontes mais longos. Os modelos de aprendizado profundo são mais competitivos em horizontes mais curtos, enquanto a combinação de previsões apresenta desempenho equilibrado em diferentes contextos. Partindo de dados oficiais do Governo Federal, demonstramos que o uso de técnicas avançadas de previsão de séries temporais é ferramenta relevante para subsidiar o trabalho dos formuladores da política fiscal. Pesquisas futuras podem explorar variáveis exógenas e modelos estruturais ou semi-estruturais, de forma a ampliar a acurácia, a robustez e a interpretabilidade econômica dos modelos preditivos.Forecasting the behavior of public expenditures is essential for fiscal policy planning and implementation, as well as for the sustainability of public finances. However, many countries, especially low- and middle-income ones, still produce fiscal forecasts using simple, subjective methods or mere extrapolations in spreadsheets. Internationally, despite the consolidation of traditional statistical methods, the application of machine learning and deep learning techniques remains limited and is largely concentrated on revenue forecasting. Some studies point to accuracy gains from the use of machine learning and deep learning algorithms, mainly due to their theoretical ability to capture nonlinearities and complex patterns; however, other studies highlight the difficulties these models face in handling short and noisy time series, which are commonly observed in fiscal data from emerging economies. In the Brazilian context, we do not find research dedicated to disaggregated forecasting of federal primary expenditures nor to systematic comparisons across different classes of models. In this study, we empirically investigate the predictive performance of statistical models, machine learning models, deep learning models, and forecast combinations in predicting time series of Brazilian federal primary expenditures. To this end, we combine statistical models, supervised algorithms, and automated hyperparameter optimization to obtain robust point forecasts. We use temporal crossvalidation as a model selection procedure and conformal prediction to generate calibrated confidence intervals. We employ several error metrics to compare the performance of the different approaches. Overall, statistical models display highly competitive performance, outperforming machine learning and deep learning algorithms at longer horizons. Deep learning models prove more competitive at shorter horizons, while forecast combinations achieve balanced performance across different contexts. Using official data from the Federal Government, we demonstrate that the application of advanced time series forecasting techniques constitutes a relevant tool to support the work of fiscal policy makers. Future research may explore exogenous variables and structural or semi-structural models in order to enhance the accuracy, robustness, and economic interpretability of predictive models.Faculdade de Economia, Administração, Contabilidade e Gestão de Políticas Públicas (FACE)Departamento de Economia (FACE ECO)Programa de Pós-Graduação em EconomiaporPrevisão da despesa primária do governo central : uma análise comparativa entre técnicas estatísticas, aprendizado de máquina, aprendizado profundo e combinação de previsõesinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisPrevisãoSéries temporaisPolítica fiscalDespesas primáriasAprendizado de máquinainfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UnBinstname:Universidade de Brasília (UnB)instacron:UNBORIGINALEduardoJacomoSeraphimNogueira_DISSERT.pdfEduardoJacomoSeraphimNogueira_DISSERT.pdfapplication/pdf1187853http://repositorio.unb.br/bitstream/10482/55402/1/EduardoJacomoSeraphimNogueira_DISSERT.pdf6f35029ed01d814eb0bb9d6ab6daba82MD51open accessLICENSElicense.txtlicense.txttext/plain102http://repositorio.unb.br/bitstream/10482/55402/2/license.txtaed4704d04bb260d4decd80db311aaa5MD52open access10482/554022026-07-14 17:40:22.619open accessoai:repositorio.unb.br:10482/55402U3VibWlzc8OjbyBlZmV0aXZhZGEgZGUgYWNvcmRvIGNvbSBsaWNlbsOnYSBjb25jZWRpZGEgcGVsbyBhdXRvciBlL291IGRldGVudG9yIGRvcyBkaXJlaXRvcyBhdXRvcmFpcy4KRepositório InstitucionalPUBhttps://repositorio.unb.br/oai/requestrepositorio@unb.bropendoar:2026-07-14T20:40:22Repositório Institucional da UnB - Universidade de Brasília (UnB)false
dc.title.pt_BR.fl_str_mv Previsão da despesa primária do governo central : uma análise comparativa entre técnicas estatísticas, aprendizado de máquina, aprendizado profundo e combinação de previsões
title Previsão da despesa primária do governo central : uma análise comparativa entre técnicas estatísticas, aprendizado de máquina, aprendizado profundo e combinação de previsões
spellingShingle Previsão da despesa primária do governo central : uma análise comparativa entre técnicas estatísticas, aprendizado de máquina, aprendizado profundo e combinação de previsões
Nogueira, Eduardo Jacomo Seraphim
Previsão
Séries temporais
Política fiscal
Despesas primárias
Aprendizado de máquina
title_short Previsão da despesa primária do governo central : uma análise comparativa entre técnicas estatísticas, aprendizado de máquina, aprendizado profundo e combinação de previsões
title_full Previsão da despesa primária do governo central : uma análise comparativa entre técnicas estatísticas, aprendizado de máquina, aprendizado profundo e combinação de previsões
title_fullStr Previsão da despesa primária do governo central : uma análise comparativa entre técnicas estatísticas, aprendizado de máquina, aprendizado profundo e combinação de previsões
title_full_unstemmed Previsão da despesa primária do governo central : uma análise comparativa entre técnicas estatísticas, aprendizado de máquina, aprendizado profundo e combinação de previsões
title_sort Previsão da despesa primária do governo central : uma análise comparativa entre técnicas estatísticas, aprendizado de máquina, aprendizado profundo e combinação de previsões
author Nogueira, Eduardo Jacomo Seraphim
author_facet Nogueira, Eduardo Jacomo Seraphim
author_role author
dc.contributor.author.fl_str_mv Nogueira, Eduardo Jacomo Seraphim
dc.contributor.advisor1.fl_str_mv Cajueiro, Daniel Oliveira
contributor_str_mv Cajueiro, Daniel Oliveira
dc.subject.keyword.pt_BR.fl_str_mv Previsão
Séries temporais
Política fiscal
Despesas primárias
Aprendizado de máquina
topic Previsão
Séries temporais
Política fiscal
Despesas primárias
Aprendizado de máquina
description Dissertação (mestrado) — Universidade de Brasília, Faculdade de Economia, Administração e Contabilidade, Departamento de Economia, Programa de Pós-Graduação em Economia, 2025.
publishDate 2025
dc.date.submitted.none.fl_str_mv 2025-08-21
dc.date.accessioned.fl_str_mv 2026-07-14T20:40:22Z
dc.date.available.fl_str_mv 2026-07-14T20:40:22Z
dc.date.issued.fl_str_mv 2026-07-14
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.citation.fl_str_mv NOGUEIRA, Eduardo Jacomo Seraphim. Previsão da despesa primária do governo central : uma análise comparativa entre técnicas estatísticas, aprendizado de máquina, aprendizado profundo e combinação de previsões. 2025. 66 f., il. Dissertação (Mestrado em Economia) — Universidade de Brasília, Brasília, 2025.
dc.identifier.uri.fl_str_mv http://repositorio.unb.br/handle/10482/55402
identifier_str_mv NOGUEIRA, Eduardo Jacomo Seraphim. Previsão da despesa primária do governo central : uma análise comparativa entre técnicas estatísticas, aprendizado de máquina, aprendizado profundo e combinação de previsões. 2025. 66 f., il. Dissertação (Mestrado em Economia) — Universidade de Brasília, Brasília, 2025.
url http://repositorio.unb.br/handle/10482/55402
dc.language.iso.fl_str_mv por
language por
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 da UnB
instname:Universidade de Brasília (UnB)
instacron:UNB
instname_str Universidade de Brasília (UnB)
instacron_str UNB
institution UNB
reponame_str Repositório Institucional da UnB
collection Repositório Institucional da UnB
bitstream.url.fl_str_mv http://repositorio.unb.br/bitstream/10482/55402/1/EduardoJacomoSeraphimNogueira_DISSERT.pdf
http://repositorio.unb.br/bitstream/10482/55402/2/license.txt
bitstream.checksum.fl_str_mv 6f35029ed01d814eb0bb9d6ab6daba82
aed4704d04bb260d4decd80db311aaa5
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UnB - Universidade de Brasília (UnB)
repository.mail.fl_str_mv repositorio@unb.br
_version_ 1876329330403966976

Registros relacionados