Descobrindo modelos de previsão para a inflação brasileira: uma análise a partir do algoritmo Autometrics

Abstract

O presente trabalho tem como objetivo avaliar a capacidade preditiva de modelos econométricos de séries de tempo baseados em indicadores macroeconômicos na previsão da inflação brasileira (IPCA). Os modelos serão ajustados utilizando dados dentro da amostra e suas projeções ex-post serão acumuladas de um a doze meses à frente. As previsões serão comparadas a de modelos univariados como autoregressivo de primeira ordem - AR(1) - que nesse estudo será o benchmark escolhido. O período da amostra vai de janeiro de 2000 até agosto de 2015 para ajuste dos modelos e posterior avaliação. Ao todo foram avaliadas 1170 diferentes variáveis econômicas a cada período a ser projetado, procurando o melhor conjunto preditores para cada ponto no tempo. Utilizou-se o algoritmo Autometrics para a seleção de modelos. A comparação dos modelos foi feita através do Model Confidence Set desenvolvido por Hansen, Lunde e Nason (2010). Os resultados obtidos nesse ensaio apontam evidências de ganhos de desempenho dos modelos multivariados para períodos posteriores a 1 passo à frente.

The present work has aim to evaluate the superior predictions capabilities of econometrics time series models based on macroeconomics indicators for Brazilian inflation (IPCA). The models were adjusted in sample and the ex-post prediction are accumulating in one to twelve steps ahead. The forecasts will be compared with univariate models like first order autoregressive - AR (1) that is the chosen benchmark. The period of the sample goes through January 2000 to August 2015 for model adjustment and evaluation. It was evaluate over 1170 different economic variable for each forecast period, searching for the best predictor set for each point in time. It was used Autometrics to model selection. The models were compared the Model Confident Set, developed by Hansen, Lunde and Nason (2010). The results founded in this essay evidences gain of accuracy for one-step ahead.