English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

Resumo Este artigo analisa o desempenho de modelos fatoriais de alta dimensão para prever quatro variáveis macroeconômicas brasileiras: duas variáveis reais, taxa de desemprego e o índice de produção industrial, e duas variáveis nominais, IPCA e IPC. Os fatores são estimados a partir de um conjunto composto por 117 variáveis macroeconômicas. Visando aumentar a performance dos modelos fatoriais são empregadas diferentes formas de extração e de utilização dos fatores. Três tipos de técnicas de aprendizado estatístico foram aplicados: métodos de shrinkage, combinações de previsões e seleção de previsores. Os fatores são extraídos de forma supervisionada e não supervisionada. Os resultados indicam que métodos de aprendizado estatístico melhoram o desempenho preditivo das variáveis econômicas brasileiras. Além disso, a combinação de técnicas de aprendizagem estatística e supervisão fatorial produzem melhores previsões que modelos que não utilizam fatores, modelos fatoriais com ou sem supervisão e modelos que utilizam apenas o aprendizado estatístico sem supervisão dos fatores. Única exceção a estas conclusões foram a variável índice de produção industrial que foi melhor prevista pelo modelo não supervisionado de fatores.

Previsão de Variáveis Macroeconômicas Brasileiras usando Modelos de Séries Temporais de Alta Dimensão