Previsão hierárquica de séries temporais aplicada à inflação nos preços de alimentos no Brasil

• Ano de defesa: 2026
• Autor(a) principal: Yakushiji, Gustavo Jun
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Bottom-up; Consumer price index; CPI; Forecast reconciliation; Índice de preços ao consumidor; IPCA; Middle-out; Optimal reconciliation; Reconciliação de previsão; Reconciliação ótima; Top-down
• Link de acesso: https://teses.usp.br/teses/disponiveis/11/11134/tde-07042026-165247/

A previsão de séries temporais hierárquicas consolidou-se como um campo fundamental na estatística aplicada, dada a necessidade de tratar dados organizados em estruturas de agregação e desagregação. O principal desafio nessa área é garantir a coerência das previsões, ou seja, assegurar que a soma das previsões dos níveis inferiores corresponda às previsões dos níveis superiores. Nesse contexto, a inflação de alimentos no Brasil representa um caso típico de estrutura hierárquica que demanda abordagens de previsão sólidas. O objetivo deste trabalho é comparar diferentes abordagens de reconciliação de previsões aplicadas à inflação de preços de alimentos ao consumidor no Brasil, utilizando dados de janeiro de 2000 a junho de 2025, organizados nos níveis de grupo, subgrupo e item. Como previsões base, foram utilizados modelos Autorregressivo Integrado de Média Móvel (ARIMA), Regressão com erros ARIMA e Suavização Exponencial (ETS). Para garantir a coerência, avaliaram-se nove abordagens de reconciliação, incluindo métodos clássicos (bottom-up , top-down, middle-out) e de reconciliação ótima. Os resultados indicam que a Regressão com erros ARIMA forneceu a melhor acurácia para os modelos base. Quanto à reconciliação, observou-se um comportamento distinto por nível: embora não se tenha verificado ganho significativo no nível mais agregado, a abordagem top-down (proporção das previsões) destacou-se nos níveis intermediários, enquanto os métodos de reconciliação ótima (MQO, MinTS e MQPV) mostraram-se superiores nos níveis mais desagregados.