{"id":33358,"date":"2024-03-04T17:12:21","date_gmt":"2024-03-04T20:12:21","guid":{"rendered":"https:\/\/www.ufrgs.br\/fce\/?p=33358"},"modified":"2024-08-21T18:47:20","modified_gmt":"2024-08-21T21:47:20","slug":"inteligencia-artificial-e-aprendizado-de-maquina-na-previsibilidade-macroeconomica","status":"publish","type":"post","link":"https:\/\/www.ufrgs.br\/fce\/inteligencia-artificial-e-aprendizado-de-maquina-na-previsibilidade-macroeconomica\/","title":{"rendered":"Aprendizado de m\u00e1quina na previsibilidade macroecon\u00f4mica"},"content":{"rendered":"<p>Nathalia Scholles Oreda, estudante de Ci\u00eancias Econ\u00f4micas da UFRGS, desenvolveu a pesquisa de gradua\u00e7\u00e3o sobre previsibilidade macroecon\u00f4mica. O trabalho, intitulado <em>Principais Atributos para Melhorar a Previsibilidade Macroecon\u00f4mica: Evid\u00eancias para o Brasil<\/em>, foi elaborado em 2023\/2, sob orienta\u00e7\u00e3o do professor Hudson Torrent, do Instituto de Matem\u00e1tica e Estat\u00edstica da UFRGS.<\/p>\n<p>O estudo consiste em comparar o desempenho de modelos econom\u00e9tricos lineares e n\u00e3o lineares em ambientes pobres e ricos em dados para previs\u00e3o de diferentes vari\u00e1veis macroecon\u00f4micas brasileiras. Dessa maneira, a pesquisa busca compreender quais caracter\u00edsticas do aprendizado de m\u00e1quina s\u00e3o \u00fateis para previs\u00f5es macroecon\u00f4micas.<\/p>\n<p>Com o aux\u00edlio da linguagem R, Nathalia realizou a previs\u00e3o de tr\u00eas vari\u00e1veis macroecon\u00f4micas indicadoras da economia brasileira: a taxa de desemprego aberta da Regi\u00e3o Metropolitana de S\u00e3o Paulo; a taxa de infla\u00e7\u00e3o brasileira, usando o \u00edndice IPCA; e o spread com o indicador Emerging Markets Bond Index Plus (EMBI+) para o Brasil, utilizando a fonte de dados do Ipeadata. No estudo, foram usados 34 modelos lineares e n\u00e3o lineares que diferem em respeito \u00e0s principais caracter\u00edsticas do aprendizado de m\u00e1quina.<\/p>\n<p>Os modelos considerados na pesquisa de Nathalia compreendem o modelo simples auto-regressivo direto, usado como refer\u00eancia, e os modelos mais complexos Random Forest, Boosting, Support Vector Regression, modelos de fatores e modelos com penalidades ridge, lasso e elastic net. De acordo com a autora, as previs\u00f5es foram realizadas considerando observa\u00e7\u00f5es de 139 vari\u00e1veis brasileiras durante quase 23 anos.<\/p>\n<p>\u201cAs principais conclus\u00f5es mostram que o desempenho do modelo auto-regressivo direto, apesar de ser mais simples, n\u00e3o \u00e9 t\u00e3o facilmente superado, especialmente quando consideramos uma ordem de defasagem grande para este modelo. Mesmo assim, os modelos com penalidade de lasso e elastic-net consistentemente superaram o modelo de refer\u00eancia para as tr\u00eas vari\u00e1veis consideradas, principalmente no ambiente rico em dados\u201d, conclui a estudante.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Por Nathalia Scholles Oreda, estudante de Ci\u00eancias Econ\u00f4micas<\/p>\n","protected":false},"author":1,"featured_media":33359,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"fifu_image_url":"","fifu_image_alt":"","footnotes":"","_links_to":"","_links_to_target":""},"categories":[513,495],"tags":[496,30,204],"class_list":["post-33358","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-economia","category-tcc","tag-2023-2","tag-economia","tag-pesquisa"],"_links":{"self":[{"href":"https:\/\/www.ufrgs.br\/fce\/wp-json\/wp\/v2\/posts\/33358","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.ufrgs.br\/fce\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.ufrgs.br\/fce\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.ufrgs.br\/fce\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.ufrgs.br\/fce\/wp-json\/wp\/v2\/comments?post=33358"}],"version-history":[{"count":0,"href":"https:\/\/www.ufrgs.br\/fce\/wp-json\/wp\/v2\/posts\/33358\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.ufrgs.br\/fce\/wp-json\/wp\/v2\/media\/33359"}],"wp:attachment":[{"href":"https:\/\/www.ufrgs.br\/fce\/wp-json\/wp\/v2\/media?parent=33358"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.ufrgs.br\/fce\/wp-json\/wp\/v2\/categories?post=33358"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.ufrgs.br\/fce\/wp-json\/wp\/v2\/tags?post=33358"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}