Proposição de um modelo de nowcasting de inflação para o Brasil
N/D
Autores
Co-orientadores
Citações na Scopus
Tipo de documento
Dissertação
Data
2024
Título da Revista
ISSN da Revista
Título do Volume
Resumo
Lidar com grandes e complexos conjuntos de dados ainda é um desafio enfrentado pelos
macroeconomistas envolvidos em análise e processamento das observações em tempo real.
Além disso, o grande volume de informações dificulta a seleção de variáveis que sejam
relevantes para a tomada de decisões, por isso, trazemos uma abordagem de machine learning
que busca selecionar as varáveis mais informativas para explicar a inflação brasileira corrente,
aproveitando também que temos uma vasta gama de indicadores disponíveis que medem o nível
de preços, com frequências e abrangências diversas. Usando a modelagem e bibliografia
baseada nas usadas para nowcasting de atividade econômica e pelo FED de Cleveland para a
inflação norte-americana, buscamos desse modo, uma forma de mensurar a inflação com base
nos dados que temos em alta frequência e em tempo real, a fim de assegurar a tomada de decisão
dos agentes e do Banco Central, permitindo uma compreensão mais imediata das condições
econômicas atuais em um ambiente dinâmico, onde as condições podem mudar rapidamente.
Handling large and complex datasets remains a challenge faced by macroeconomists engaged in the analysis and processing of real-time observations. Additionally, the vast amount of information complicates the selection of variables relevant to decision-making. Therefore, we present a machine learning approach aimed at identifying the most informative variables to explain current Brazilian inflation. This approach takes advantage of the extensive range of available indicators measuring price levels, with diverse frequencies and scopes. Drawing on modeling and references used in nowcasting of economic activity and by the Federal Reserve of Cleveland for U.S. inflation, we seek a method to gauge inflation based on high-frequency and real-time data. This aims to ensure decision-makers and the Central Bank have a more immediate understanding of current economic conditions in a dynamic environment where conditions can change rapidly.
Handling large and complex datasets remains a challenge faced by macroeconomists engaged in the analysis and processing of real-time observations. Additionally, the vast amount of information complicates the selection of variables relevant to decision-making. Therefore, we present a machine learning approach aimed at identifying the most informative variables to explain current Brazilian inflation. This approach takes advantage of the extensive range of available indicators measuring price levels, with diverse frequencies and scopes. Drawing on modeling and references used in nowcasting of economic activity and by the Federal Reserve of Cleveland for U.S. inflation, we seek a method to gauge inflation based on high-frequency and real-time data. This aims to ensure decision-makers and the Central Bank have a more immediate understanding of current economic conditions in a dynamic environment where conditions can change rapidly.
Palavras-chave
Titulo de periódico
URL da fonte
Título de Livro
URL na Scopus
Idioma
Português
URL permanente
Notas
Membros da banca
Área do Conhecimento CNPQ
CIENCIAS SOCIAIS APLICADAS::ECONOMIA
CIENCIAS SOCIAIS APLICADAS
CIENCIAS SOCIAIS APLICADAS