Desagregação e pesos estocásticos em projeções de agregados econômicos: uma análise para o PIB brasileiro

Abstract

O presente estudo tem como objetivo comparar e combinar diferentes técnicas de projeção para o PIB trimestral brasileiro de 1991 ao segundo trimestre de 2014, utilizando dados agregados, e dados desagregados com pesos fixos e estocásticos. Os modelos desagregados univariados e multivariados, assim como os pesos estocásticos, foram estimados pelo algoritmo Autometrics criado por Doornik (2009), através dos níveis de desagregação disponibilizados pelo IBGE no Sistema de Contas Nacionais. Os modelos agregados foram estimados pelo Autometrics, por Markov-Switching e por modelos estruturais de espaço-estado. A metodologia de comparação de projeções utilizada foi o Model Confidence Set, desenvolvida por Hanse, Lunde e Nason (2011). Foram realizadas duas simulações, sendo a primeira com a análise fora da amostra a partir de 2008, e a segunda a partir de 2000, com horizonte de projeção de até 6 passos à frente. Os resultados sugerem que os modelos desagregados com pesos fixos desempenham melhor nos dois primeiros passos, enquanto nos períodos restantes os modelos da série agregada geram melhores previsões.

The present study aims to compare and combine different forecast techniques for the Brazilian quarterly GDP from 1991 to the second quarter 2014, using aggregated data, and disaggregated data with fixed and stochastic weights. The disaggregated univariate and multivariate models, as well as the stochastic weights, were estimated by Autometrics algorithm created by Doornik (2009), through the disaggregation levels provided by IBGE in the System of National Accounts. The aggregate models were estimated by Autometrics, Markov-Switching and state-space structural models. The forecast comparison methodology was the Model Confidence Set, developed by Hanse, Lunde and Nason (2011). Two simulations were conducted, the first with the analysis out-of-sample from 2008, and the second from 2000, with forecast horizon of up to six steps ahead. The results suggest that the disaggregated models with fixed weights perform better in the first two steps, while in the remaining periods the aggregate models provides superior forecasts.