Neste exercício, utilizamos Python para aplicar um Modelo Oculto de Markov (HMM) na identificação e análise de regimes inflacionários no Brasil, com base na série temporal do IPCA mensal.
Neste exercício mostramos como incorar choques no cenário de variáveis exógenas para fins de previsão. Usando como exemplo a previsão do IPCA, através de um modelo de machine learning, mostramos os cuidados a serem tomados e uma forma simples de definir o cenário com os choques. Ao final, apresentamos uma previsão com um suposto choque e uma previsão sem o choque para comparação.
Modelos de previsão macroeconômica podem facilmente alcançar um número elevado de variáveis. Mesmo modelos simplificados, como o Modelo de Pequeno Porte (MPP) do Banco Central, usam cerca de 30 variáveis. Isso impõe um grande desafio ao nosso dia a dia: como fazer a gestão destes dados para uso em modelos, desde a coleta até o tratamento?
É notável que os preços de produtos alimentícios subiram consideravelmente nos últimos anos. De 2010 para cá a inflação de alimentos foi de 211%, enquanto que a inflação cheia foi de 138%, uma diferença de ~4.9% por ano. Aquela estourou o intervalo da meta de inflação em 13 anos, enquanto esta estourou 5 anos. O que explica esta diferença gritante?
O VIF é uma estatística útil para identificar multicolinearidade em regressões. Esse problema gera, dentre outros, erros padrões maiores, o que pode impactar os intervalos de confiança em modelos preditivos. Este Neste artigo, mostramos seu cálculo, a interpretação e uma aplicação em Python.