Modelos de regressão para previsão de curto prazo da inflação brasileira utilizando dados de alta dimensão

Abstract

Agentes econômicos dependem e dispendem vastos recursos para a obtenção de previsões atualizadas da inflação para a definição de expectativas de mercado e tomada de decisões. Este trabalho explora diferentes modelos de regressão para a previsão semanal da inflação brasileira a partir de dados de alta dimensão.

Especificamente, para previsão do Índice de Preços ao Consumidor Amplo (IPCA), são utilizadas como potenciais variáveis preditoras as séries de subitens do Índice de Preços ao Consumidor do Município de São Paulo (IPC-FIPE), divulgadas semanalmente. Diversos métodos de regressão, incluindo Regressão Ridge, LASSO, Elastic Net, Regressão por Componentes Principais e Regressão por Mínimos Quadrados Parciais, Complete Subset Regressions e Best Subset Selection foram avaliados para a previsão do IPCA.

Os modelos de previsão para a inflação mensal foram ajustados separadamente aos dados de cada semana, em um esquema de validação fora da amostra e então avaliados e comparados. Os resultados indicaram que as técnicas baseadas em seleção de variáveis geraram melhores previsões do que os métodos que agregam informação de todas as variáveis. Em destaque, os métodos Complete Subset Regressions e Best Subset Selection apresentaram os melhores desempenhos, o que salienta a importância da seleção de variáveis nesta aplicação.