Modelos de Aprendizado de Máquina para Previsão do INPC com Dados Desagregados

- 322674
Trabalho completo
Favoritar este trabalho
Como citar esse trabalho?
Resumo

Este trabalho compara abordagens tradicionais e modernas na previsão do INPC, utilizando um modelo SARIMAX (ARIMA(1,1,1)) e quatro modelos de Machine Learning (Ridge Regression, SVR, Random Forest e Gradient Boosting). Os dados foram coletados do IBGE, processados preservando a ordem cronológica e divididos em conjuntos de treino e teste. Os modelos de ML tiveram seus hiperparâmetros otimizados por busca estocástica e suas previsões foram avaliadas com base em métricas como R², RMSE, MAE e MAPE, agregadas a partir de múltiplas execuções. Os resultados indicam que, tanto o SARIMAX  quanto os modelos de ML fornecem previsões consistentes, embora os modelos de ML demonstram maior capacidade de captar relações não lineares e interações complexas, resultando em ganhos preditivos. Assim, a integração dessas abordagens oferece importantes subsídios para a formulação de políticas econômicas. 

Compartilhe suas ideias ou dúvidas com os autores!

Sabia que o maior estímulo no desenvolvimento científico e cultural é a curiosidade? Deixe seus questionamentos ou sugestões para o autor!

Faça login para interagir

Tem uma dúvida ou sugestão? Compartilhe seu feedback com os autores!

Instituições
  • 1 Universidade do Estado do Rio de Janeiro - UERJ
  • 2 Instituto de Computação - Universidade Federal Fluminense
  • 3 Universidade do Estado do Rio de Janeiro
Eixo Temático
  • ST08 - Modelagem Matemática
Palavras-chave
Previsão de Inflação
ARIMA
Machine Learning
Séries Temporais
INPC